HCGN：一种用于边缘-雾系统中实现可持续通信与协调的层次化因果图网络

《Simulation Modelling Practice and Theory》：HCGN: A Hierarchical Causal-Graph Network for sustainable communication and coordination in edge–fog systems

　　在云计算系统中，智能边缘设备的普及需要高效的通信和协调协议以应对带宽和延迟限制。本文提出分层因果图网络（HCGN），结合分层架构、图神经网络（GNN）驱动的自适应通信协议和因果信用分配模块（CCAM），实现大规模边缘网络的可持续高效协同。HCGN通过分层结构映射边缘-雾计算架构，GNN动态优化通信策略以减少冗余传输，CCAM基于反事实推理精确评估节点贡献，指导资源分配。实验表明，HCGN在目标跟踪和无人机灭火监控中显著优于传统协议，系统利用率达94.5%-88.6%，通信开销降低82%-90%，且在50%丢包率下仍保持75%以上性能，验证了其在动态、大规模环境中的鲁棒性和可持续性优势。

　　随着物联网（IoT）的快速发展和对低延迟智能应用的不断需求，计算架构正经历从集中式云计算向分布式边缘模型的转变。这一趋势不仅带来了性能上的优化，也对可持续计算提出了更高的要求。传统的集中式数据中心虽然在处理大规模数据方面具有优势，但其高能耗和高碳排放已成为全球环境问题的重要组成部分。因此，研究如何在保证系统性能的同时，实现更高效的资源利用和更少的能源消耗，成为当前计算系统设计中的核心挑战。

本文提出了一种名为“分层与因果图网络”（Hierarchical and Causal-Graph Network，简称HCGN）的新框架，旨在为大规模边缘计算环境提供高效、可持续和去中心化的决策机制。HCGN结合了分层控制策略和图神经网络（GNN），能够实现节点间的高效通信，同时通过因果贡献分配模块（CCAM）对资源进行智能化的分配。这一框架的核心思想是，通过学习和适应网络中的动态变化，使边缘节点在有限的通信资源和带宽条件下，仍能高效协作完成任务。

HCGN的分层架构直接映射到边缘-雾（edge-fog）计算系统的逻辑结构。在这一结构中，雾节点作为高阶管理者，负责制定宏观策略并传递给边缘节点。边缘节点则根据这些策略和实时信息，进行具体的任务执行。这种分层机制不仅提高了系统的可扩展性，还增强了其对资源限制的适应能力。同时，HCGN引入了一种基于图注意力网络（GAT）的自适应通信协议，使节点能够根据实时情况选择性地共享信息，从而减少不必要的数据传输，提高通信效率。

CCAM是HCGN框架中的一个关键组件，它通过因果推理机制，为每个节点提供一个精确的贡献评分，从而指导资源分配策略。与传统的共享团队奖励不同，CCAM能够区分每个节点对系统目标的实际影响，使得资源可以被更合理地分配到那些对整体性能贡献最大的节点。这种机制不仅提高了系统的资源利用率，还增强了其在动态网络环境中的鲁棒性。

在实验部分，我们设计了两个具有代表性的边缘计算场景：一个是基于智能摄像头的协同目标追踪任务，另一个是利用无人机群进行的野火监测任务。这两个场景分别代表了静态和动态网络环境中的典型问题。在目标追踪任务中，HCGN表现出色，其系统效用接近理论上的最优值，同时显著降低了通信开销。而在野火监测任务中，HCGN在保持高系统效用的同时，展现出对动态网络拓扑的适应能力，以及在高延迟和高丢包率情况下的鲁棒性。这些实验结果不仅验证了HCGN在通信效率和任务完成率方面的优势，还突显了其在构建可持续计算系统中的潜力。

通过深入的消融实验，我们进一步分析了HCGN各个组件的贡献。结果显示，CCAM的移除对系统性能影响最大，说明其在资源分配中的关键作用。GNN通信协议的移除则导致性能显著下降，表明自适应通信机制对于系统效率至关重要。而分层结构的移除虽然对性能有一定影响，但不如前两者明显。这表明，HCGN的性能优势来源于其分层架构、自适应通信协议和因果贡献分配模块的协同作用。

此外，我们还通过可视化手段展示了CCAM在实际任务中的表现。例如，在目标追踪任务中，当目标离开一个摄像头的视野时，该摄像头的因果评分会下降，而成功追踪目标的摄像头则会获得较高的评分。这种动态评分机制为系统提供了实时的资源分配依据，使雾控制器能够根据节点的重要性动态调整带宽分配和任务调度策略。

从长远来看，HCGN不仅为构建高效的边缘计算系统提供了新的思路，也为实现可持续的智能网络奠定了基础。通过减少不必要的通信流量和优化资源使用，HCGN能够在保证任务性能的同时，降低对环境的影响。这种平衡在当前的计算系统设计中尤为重要，尤其是在资源受限的边缘设备环境中。

尽管HCGN在多个方面表现出色，但仍有一些值得进一步研究的方向。例如，当前的训练过程依赖于一个反事实模型，该模型在训练时需要为每个节点计算其对系统目标的反事实影响。然而，这种训练方式在大规模多智能体系统中可能会带来较高的计算成本。因此，未来的工作可以探索更高效的训练方法，如采用采样或分布式反事实估计，以降低计算复杂度并提高系统的可扩展性。

此外，CCAM的性能高度依赖于反事实模型的准确性。如果模型存在偏差或不完整，那么因果评分可能会受到影响，进而影响资源分配策略的有效性。因此，研究如何提高反事实模型的鲁棒性和适应性，是未来的重要方向之一。同时，也可以探索如何将HCGN扩展到异构环境中，以实现不同类型的传感器和执行器之间的协同工作。

另一个值得研究的方向是，如何在HCGN框架中引入信任机制，使其能够识别并忽略来自不可靠或恶意节点的消息。这不仅可以提高系统的安全性，还能增强其在复杂网络环境中的适应能力。此外，利用减少技术对GNN通信协议进行验证，确保其在实际部署中的可靠性，也是未来需要关注的问题。

在奖励函数的设计方面，也可以进一步考虑将能源消耗纳入考量，使系统在追求性能的同时，兼顾能源效率。这尤其适用于依赖电池供电的边缘设备，因为低能耗是实现可持续计算的重要因素。通过优化奖励函数，可以引导智能体在完成任务的同时，尽可能减少对能源的消耗。

最后，虽然当前的实现采用了集中式训练器，但HCGN的运行机制本身是去中心化的，这使其具有向联邦学习（Federated Learning, FL）等隐私保护框架扩展的潜力。通过将HCGN与联邦学习结合，可以在不泄露用户数据的前提下，实现更高效的边缘计算系统。这种结合不仅有助于解决隐私问题，还能在不同组织之间实现资源的共享与协同。

综上所述，HCGN框架在构建高效、可持续的边缘计算系统方面展现出巨大的潜力。其分层结构、自适应通信协议和因果贡献分配模块的结合，使得系统能够在资源受限的环境下，实现高效的协同与决策。未来的研究可以进一步优化训练过程、提高模型的鲁棒性，并探索其在异构网络、隐私保护和安全性方面的扩展应用。这些方向不仅有助于提升HCGN的性能，也将推动其在更广泛的应用场景中发挥作用，为构建下一代智能、可持续的边缘计算系统提供坚实的技术基础。