1.2.2　数据中心光网络资源分配技术研究现状

本小节从网络层资源分配方案设计出发，分别总结了传统的资源分配和基于人工智能技术的资源分配的研究现状，并结合边缘计算技术的研究背景，详细分析了基于人工智能技术的资源分配算法设计的必要性。

1．传统的资源分配算法

通过将位于云中的服务和功能移动到用户侧，边缘计算可以提供强大的存储和通信能力。作为边缘计算的实体，边缘数据中心网络的资源分配问题引起了研究人员的关注^[6]。文献[7]引入了雾计算层，设计了基于社交网络的死锁管理器，通过收集所有可用空闲资源来帮助消除死锁。

移动边缘计算（Mobile Edge Computing，MEC）是一种新兴的模式。在该模式下，移动设备可以将计算密集型或时延敏感型任务卸载到附近的MEC服务器上，从而节省能源。与云服务器不同，MEC服务器是部署在无线接入点上的小型数据中心，因此对无线电和计算资源都高度敏感。文献[8]以最小化总能耗为目标，提出了时延敏感型应用感知的资源分配算法。仿真结果表明，与传统算法相比，该算法在节能方面具有优异的性能。

传统的MEC服务器存在计算能力有限、无法及时处理密集型任务等缺点。文献[9]提出了异构多层MEC，先将在边缘无法及时处理的数据卸载到上层MEC服务器，再卸载到计算能力更强大的云中心。最后，通过合理分配云中心、多层MEC服务器、边缘设备间的计算资源、传输资源，降低了服务时延。

2．基于人工智能技术的资源分配算法

由于资源管理是一项决策任务，因此许多工作提出了基于深度强化学习（Deep Reinforcement Learning，DRL）的方法，用于近似和预测资源分配的用户负载。在DRL中，代理会观察环境并根据该环境采取措施。文献[10]研究了DRL是否可以在没有人为干预的情况下用于自动流量优化。

文献[11]提出了一种基于DRL的智能资源分配算法。该算法可以自适应地分配计算资源和网络资源、缩短平均服务时间，并平衡不同MEC环境下的资源使用情况。实验结果表明，该算法在MEC变化条件下的性能优于传统最短路径优先算法。

联邦学习可以实现大规模分布式机器学习，且不会暴露用户隐私数据。文献[12]提出通过降低训练组中的中央处理器（Central Processing Unit，CPU）周期频率来提高联邦学习的能量效率，并设计了一种基于DRL的、经验驱动的计算资源分配算法，该算法可以在网络质量未知的情况下收敛到接近最优解。