基于放置分发阵列的云-边-端通算融合架构.pdf

第48 卷总第52 3期基于放置分发阵列的云-边-端通算融合架构李寇，闫起发，周正春，唐小虎（西南交通大学信息科学与技术学院，信息编码与传输四川省重点实验室，现代交通通信与传感网络国家级国际联合研究中心，四川成都6 117 56）【摘要】随着6 G的发展，云端、边缘端和终端节点间的协作是当下的研究热点，而MapReduce则是面向大规模数据处理的并行计算模型。将MapReduce与云-边-端架构相结合，提出基于放置分发阵列的云-边-端协同计算和传输设计架构。该架构充分利用云端和边缘端丰富的计算和存储资源，在边缘端和终端部署穴余计算任务，借助多播编码，成倍地减小云-边链路和边-端链路之间的通信负载，从而实现云-边-端之间通信与计算的协同，高效地服务终端的计算需求。【关键词】放置分发阵列；云-边-端架构；MapReducedoi:10.3969/j.issn.1006-1010.20240301-0002中图分类号：TN92文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 3-0 0 47-0 7引用格式：李寇,闫起发,周正春,等.基于放置分发阵列的云-边-端通算融合架构.移动通信,2 0 2 4,48(3):47-53.LI Kou,YAN Qifa,ZHOU Zhengchun,et al.Cloud-Edge-Device Communication-Computation Integration Architecture Based on PlacementDelivery ArrayJJ.Mobile Communications,2024,48(3):47-53.Cloud-Edge-End Architecture for Integrated Communication and Computing(Information Coding&Transmission Key Lab of Sichuan Province,CSNMT Int.Coop.Res.Centre(MoST),School of Information Science andAbstractKeywords placement delivery array;cloud-edge-end architecture;MapReduce0引言随着物联网技术的发展和应用场景的不断扩展，云-边-端网络已经成为了支撑智能交通、工业互联网、智慧城市等领域发展的重要技术之一。它将云计算、边缘计算和终端设备三者结合起来，从而实现了资源的高效利用和数据的快速处理1-4。MapReduce是一种经典的分布式计算模型，它将计算任务分解为Map和Reduce两个阶段，通收稿日期：2 0 2 4-0 2-18*基金项目：国家自然科学基金项目“融合通信与计算的信息理论研究”（12 14110 8），“多用户安全的分布式存储系统编码缓存关键技术研究”（6 2 10 146 4）OSID:Based on Placement Delivery ArraysLI Kou,YAN Qifa,ZHOU Zhengchun,TANG XiaohuTechnology,Southwest Jiaotong University,Chengdu 611756,China)As 6G technology advances,the collaboration among cloud,edge,and end nodes has become a focal point of currentresearch.MapReduce,a parallel computing model tailored for large-scale data processing,is integral to this domain.Thispaper presents an architecture that integrates MapReduce with a cloud-edge-end framework,proposing a design based onplacement delivery arrays for collaborative computing and transmission.This architecture capitalizes on the substantialcomputation and storage resources available at the cloud and edge layers.It deploys redundant computing tasks at theedge and end nodes and utilizes multicast coding to significantly reduce the communication load between cloud-edge andedge-end links.This approach facilitates integrated communication and computing across the cloud,edge,and end layers,efficiently addressing the computational demands of end nodes.过多个计算节点的协同工作，实现大规模数据的处理-。在这样的背景下，将MapReduce任务部署在云-边-端系统中，可以充分利用云-边端的资源优势，根据数据的分布情况和计算需求，灵活地分配计算任务到各个计算节点，从而提高任务的执行效率和可靠性。MapReduce将计算任务分解为映射（Map）和归约（Re d u c e）两个阶段，通过多个计算节点的协同工作，实现大规模数据的并行处理。在完成映射任务并得到中间值后，MapReduce需要在不同计算节点间交互中间值，以便进行后续的归约，这个过程被称为数据交换。随着近年来人工智能领域的突飞猛进，数据计算和模型训练与推理等计算密集型业务推动了无线数据流量的巨大增长，47扫描二维码与作者交流移动通信2024年3月第3期第48 卷“6G通感算融合”专题总第52 3期给数据交换带来前所未有的挑战7-8 。针对MapReduce系统的数据交换瓶颈，Li等人在2 0 18 年针对端到端网络下的MapReduce任务提出了CDC（Co d e d D i s t r i b u t i n gComputing，编码分布式计算）方案，本文简称为编码计算，在映射阶段将文件在不同的节点进行结构化备份，为数据交换创造多播机会，成倍地减小了通信负载，得到最优的计算-通信折中曲线，因此多播编码在端到端减小MapReduce系统的通信负载中起到关键性作用9-10 。多播编码最早出现在Maddah-Ali和Niesen提出的编码缓存技术中1-12，通过结构化地在多个接收端部署边信息，可以在广播链路中将不同用户的信息进行叠加发送，从而成倍减小通信带宽。为刻画多播编码技术，Yan等人提出了PDA（Pl a c e me n t D e l i v e r y A r r a y，放置分发阵列）的概念3。PDA是用于刻画编码多播的数学工具，被推广到多种场景，如具有两层网络的分层缓存网络14-15、端到端网络16-1以及端到端的MapReduce系统18-2 1 等。此外，Pang等人将分层网络与MapReduce系统结合，考虑了云端不能存储任何文件、只能交换数据的特殊情形2 。实际上，业界普遍认为云端和边缘端的存储和计算资源丰富，终端则相对匮乏。本文受分层缓存网络提出的HPDA（H ie r a r c h ic a lPDA，分层放置分发阵列）15 和MapReduce任务框架的启示，基于两个给定的PDA，提出一套在云-边-端网络的不同节点部署数据，以完成终端的多样化计算任务的框架。其中一个PDA描述了边缘层节点的存储和计算数据部署方案，另一个PDA描述了终端节点的数据存储和计算方案。两个PDA共同描述了云端与边缘端的信号编码方案。通过这个架构，任意与云边端网络参数匹配的PDA都可以用来设计编码计算方案，并且各节点计算负载与两层链路的通信负载可以很方便地得出。特别地，本文分析了基于描述Maddah-Ali和Niesen的PDA（即MN-PDA）得到的编码计算方案的计算与通信负载。结果表明，云边链路的通信负载随边缘层和终端层的计算负载增加而降低，而边端链路的通信负载随终端节点的计算负载增加而降低。与无编码的计算方案相比，基于MN-PDA的编码计算方案两层链路均可以成倍地降低。1云-边-端网络计算服务模型考虑如图1所示的云边端架构的计算网络，云端通过无噪广播信道与K，个边缘端节点连接。每个边缘节点ieK,通过无噪广播信道与K个终端连接，记第i个边缘节点的第j个终端节点为终端节点(i,j)=K,K,。云端具有丰富的计算资源和所有数据（当n1时，n=(l.,n)是整数1到n的集合）：48移动通信2024年3月第3期W=(wi,W.wn)其中每个文件大小为W比特，即w,eF”,neN。用M和M.)分别表示边缘端节点i和终端节点j所存储文件的集合。云端N个文件K1个边缘节点KiK2个终端节点图1云-边-端架构的计算网络网络为K,K,个终端节点提供计算一个函数库中的函数的计算服务，该函数库有Q个函数，记作：=(o.o)其中每个输出函数：FF(qEQ)将文件库映射成长度为U的比特流：ug=,(w,.ww)e F,qE假设每个输出函数可以分解为：,(w.ww)=-h,(g.,i(w).g.(ww)其中g.m：F称为映射函数，它将文件w,映射为长度为V的中间值Vgn，再由归约函数h,:FNF将中间值Vg.,g.映射为最终输出ug，即：Vg.=8g.(w.)F)各节点通过如下步骤完成用户的计算服务：（1）计算阶段：各节点各自基于本地存储的文件集合计算中间值，即：1）云端计算所有中间值：=(va.n:q 0,eN2）边缘节点i计算：e,=(vg.n:q e0,w,eM)3）终端节点(ij)计算：(.)=(v.n:q 0,w,M.)注意，计算阶段不依赖于终端的计算请求，因此计算任务可以线下提前完成。（2）传输阶段：每个终端节点请求计算一个函数，记终端(i,j)请求的函数索引为d(s)=Q，记矩阵(1)(2)(3)(4)(5)(6)(7)(8)(9)第48 卷总第52 3期李寇，闫起发，周正春，等：基于放置分发阵列的云边端通算融合架构大写字母表示PDA），其中每个符号sES至少出现一次，(20)为请求矩阵。为满足各个终端的计算需求，DK,XK云节点和边缘节点各自发送一个信号：1)云节点通过编码函数:FN9F发送信号：(10)给所有边缘节点，其中1为信号X的长度。2）边缘节点i通过函数x:FFMi09发送信号（IAI表示集合A中元素的个数，若对于信号X，则X表示X中信号长度）Y,=%:(X,e,D)给所有边缘节点i所连接的用户（3）解码阶段：终端节点(i,j)eK,K,用解码函数：(12)解码出自己需要的所有中间值：(13)di并用归约函数合并出最后结果：定义系统的计算和通信负载如下：定义1（计算负载）：系统边缘层和终端层的计算负载分别定义为边缘节点和终端节点中处理的最大归一化文件数量，即边缘层计算负载用ri表示：maxMl1=iKN终端层计算负载用r2表示：maxiwM(.)KK,l=N定义2（通信负载）：系统云边链路的通信负载定义为云端发送信号的归一化长度，用L表示：NV边端链路的通信负载定义为边缘节点发送的最长的归一化信号长度，用L2表示：maxlL,=NV如果存在一种编码方案，使得边缘层计算负载为r，终端层计算负载为r2，同时云边链路通信负载为Li，边-端链路的通信负载为L2，则称计算-通信数组(r,r2,L,L)为可达的，所有可达的计算通信数组的集合称为可达区域。2基于PDA的云-边-端的通算融合框架2.1方放置分发阵列为解决编码缓存方案文件分包数过大，Yan等人提出了PDA(Placement Delivery Array,放置分发阵列）的概念3定义3（放置分发阵列）：对于正整数K，F，Z,S，一个由特殊符号“*”和S个符号（用前S个正整数S表示）组成的FK的阵列A=am,meF,ieK（用加粗正体并且每列有Z个“*”，称为一个(K,F,Z,S)PDA，如果对于任意se0.,S-1,am4=amz=s，则必有：m m,iiz，即位于不同的行和列；a ma=a ml=*，即由行m,m2和列i,iz形成的子矩阵须为如下形式：*s代厂s*或s*L*S注记1：对于任意正整数K和非负整数t(tK),(11)(K)(K-1)(K)文献1 和3 证明了存在一个K,t一Jt+1)PDA，称为MN-PDA。例如 K=5、t=3时,厂*127*1*3*23*4*2*(14)*31*2*3*5*L45*是一个(5,10,6,5)PDA。(15)本文将基于两个列数分别为K,和K,的PDA，构造上述云-边端模型下的编码计算方案，下面通过如图1所示的系统(K,=2,K,=2,N=4,Q=4),，来说明基于 PDA的设计方案。(16)考虑两个(2,2,1,1)MN-PDA,A=am,和B=bp,即:1*A=*11(17)B=*1来设计如图2 所示的编码计算方案。记系统中的K,K,=4个终端根据N=4个文件(wi,W2W,w4)来计算-4个输出函数的中(18)间值分别用黄色圆圈(i.)、蓝色三角形(2.n)、绿色菱形（V3.n）和红色梯形（4,)表示。具体地，可以根据A、B与文件划分和节点对应（图3所示）关系进行设计：（1）文件划分：把N=4个文件划分为F,F,=4子集，记作（本文用圆括号表示集合均匀划分为若干个子集，如g=(9,)表示和,是的子集，且99,=9,9n9,=)：W=(SG,1,9j,2,2,S2,2)(23)N每个集合有=1个文件，不妨设9,=(m),9,=(w2),FF2,=wg),92,=(w4小,其中91(2 (g.,1,9,2)对应 A 的第1 行,92(2)(2.,9,2)对应 A的第2 行；而92 1,1(91,9,)对应B的第 1行，92 12(9,2,92,)对应 B的第 2 行。（2）计算阶段：边缘节点1和2 分别对应A的第1列和第2 列，边缘节点存储的文件集合为其对应的列中“*”49(19)4*5*5*(21)(22)移动通信2024年3月第3期第48 卷“6G通感算融合”专题11总第52 3期所在的行所对应的文件集合，即：1ai=*表示边缘节点1存储文件9,(2)=W,W2);2)a2.2=*表示边缘节点2 存储文件92(2)=(wg,w4)。终端节点(1,1)和(2,1)对应B的第1列，终端节点(1,2)和(2,2)对应B的第2 列，与边缘节点类似，各终端节点存储的文件为其对应的列中“*”所在行对应的文件集合，即：1）b.=*表示终端节点(1,1)和(2,1)都存储文件92.=(wi,ws);2）b 2,2=*表示终端节点(1,2)和(2,2)都存储文件G2.2=(w2,w4)。云端计算所有文件的中间值（Vgn），边缘端和终端则根据自己存储的文件计算出相应的所有输出函数的中间值，详情如表1所示：表1网络节点对应的中间值网络节点存储文件云端Wi,W2,W,W4边缘节点1Wi,W2边缘节点2W.,W4终端(1,1)/(2,1)Wi,W终端(1,2)/(2,2)W2,W4（3）传输阶段：假设终端节点（1,1)，（1,2)，(2,1)和(2,2)分别需要计算函数,2,和4，云节点发送的信文件云端号如图2 所示，即（表示按位异或（XOR）运算）：X=Vi4 V2,Vs,2?V4.1每个边缘节点分别发送2 个信号：1）边缘节点1发送两个信号V.4?v23，V2?2.，其中信号V,，v 2.1由边缘节点1所计算的中间值直接计算得出，而 V14甲v2,3由 Xv 3,甲V4,得出。2）边缘节点2 发送两个信号V3,2V4.1，V3.4v 4.3，其中信号y3.4V4.3由边缘节点2 所计算的中间值直接计算得出，而v3,甲v4.,由X甲V1.4 V2,得出。由表1可以看到，边缘节点1和2 发送信号中所需的中间值都已分别在本地计算出，因此可以直接编码发送。（4）解码阶段：终端节点（1,1)和（1,2)接收到边缘节点1发送的两个信号14V2.3，V.2 V2.1，由表1可以看出：1）终端节点（1,1)可以由此解出中间值V1.4和V1,2，因计算出的中间值(q=4)为中间值2,3和V2,已由节点(1,1)计算出；V1.n,V2.n,3,n,V4,n2）终端节点（1,2)可以由此解出中间值V2,3和V21，因为中间值1,4和V1,2已由节点（1,2)计算出。Vg.2V4.4同理，终端节点(2,1)和(2,2)收到边缘节点2 发送的两个信号V3,2V4.，V3.4V4.3，两个节点分别可以解码出各自需要的中间值V3,2,V3,4和V4,1,V4.3。结合表1，每个终端节点都成功收集到自己所需要的所有中间值。计算4中间值(24)文件计算边缘节点中间值12边缘节点1文件计算中间值34边缘节点22文件计算13需要终端节点中间值终端节点(1,1)50移动通信2024年3月第3期2文件4计算需要3中间值24终端节点(1,2)图2基于PDA的云-边-端编码计算方案文件中间值终端节点(2,1)文件2-4计算计算中间值需要AA3需要终端节点(2,2)第48 卷总第52 3期李寇，闫起发，周正春，等：基于放置分发阵列的云边端通算融合架构边缘节点12(w,w)*1(w,w)L1*（a）PD A A 与边缘节点对应关系终端节点(i,1)(i,2)(w,w.)*1(w2,wa)1*（b）PD A B与边缘节点对应关系，i=1,2图3PDA与节点存储文件的对应关系2.2基于PDA的编码计算方案本节将上述编码计算方案一般化，基于两个PDA来设计一般情形下的云-边端网络的编码计算方案。假设两个给定PDA分别记为(K,F,Z,S)PDAA=am和(K,Fz,Zz,S.）PD A B=b p,，则系统完成如下计算任务：（1）文件划分：把N个文件平均划分为F,F2个子集：W=(gm,p,meFi,peF,)(25)每个集合中有=下NEN个文件，将文件集合F,F9m(r)(cmp;:peF.)中与A的第m行关联(meFi);将文件集合9r1,(gm,:meF)中的文件与B的第p行关联(pe5)。（2）计算阶段：云端存储了所有文件，边缘节点i存储文件：M=UUgm.p,ieKPea me6i:am/=*终端节点(i)存储的文件是：M.)=UU mp(i,K K,由式(7)-(9)、(2 6)和(2 7)，即可确定云端、边缘端和终meF peF.:bp./=*端计算出的中间值。（3）传输阶段：终端节点（ii）请求计算的函数索引记为d(i.)，记：(28)云端发送S,S,个信号，即对任意(s,s2)eSS,，云端发送信号：XS152给所有边缘节点。在接收到云端信号后，边缘节点i发送FS个信号，即对任意(m,s2)=FS2，边缘节点发送一个信号：(30)该信号通过如下步骤产生：1若am,*，则am,为S中的某个元素，不妨设am=Ss，那么信号Ym,可以由X,计算得出：Ym.=X?注意，在式(31)中，对任意(m,i)+(m,i).am,=m/=Si，由PDA的定义可知m,i+i，且m，=*。因此，由式(8)、(2 6)、(2 8)可知边缘节点i计算了所有-)(.,),Vi,K,K,5。因此，节点i可以由解出2）若 m，=*，由式(8)、式(2 6)、式(2 8)可知边缘节点直接由其计算的中间值生成信号Yma。（4）解码阶段：由式(9)以及式(2 8)可知，终端节点(i.j)需要解码出的所有中间值可以表示为：U(m,)eFiFa 由式(9)和式(2 7)可知:U.(m,P)eFiF2:bp.j=*即终端节点(i)已经计算出所有满足bp，=*的(.)(m.p)，下面只需证明，对于bp,，*，终端节点(ij)可以解码(.)(mp)(meF)。事实上，此时bp,=S,不妨设bp,=S2。由式(30)可得，对于任意meF:(34)注意，在式(34)中，对任意(p,j)+(p,j),bp,=bp,=S2，由PDA的定义可知p+p,j+j,且bp,=*。此外,由式(9)(2 7)、(2 8)可知终端节点()计算了所有.).),eKF。因此，终端节点（ii)可以由式(34)解出()(m.p)。由此可见，终端节点(ij)可以解码所有计算dac)所需要的中间值。3性能分析定理1给出上述基于PDA的编码计算方案的计算负(26)载和通信负载。定理1:给定(K,F,Z,S)PDAA和(K,F,Z,S,)PDAB,存在一个编码计算方案达到如下性能：(27)(i,r2,Li,L,)=证明：由式(2 5)可知，每个文件组9m,有n=-N个文件。FF因此：（1）计算负载：由式(2 6)和式(2 7)可得，所提出方案的计算负载为：F,ZnZ=NFFZ,1Z2(29)2=NF（2）通信负载：由式(2 8)可知，(i.)(m,p)的长度为nV，由式(2 9)、式(30)可知，云-边链路和边-端链路的通信负载分别为：S.S,nV_SS2L,=NVFFL2FS,nVSNVF推论1：对于云-边-端分布式计算模型，如下的计算-通信数组及其下凸包是可达的：(i,2,L,L2)=4,(Ki-4)(K,-4)(K,-4)(KK,(1+1)(z2+1)t2+1其中t,E0,.,Ki),t,o,K,。移动通信2024年3月第3期51(32)(33)(.2,S.S2,S(35)(3)(37)(38)(39)(40)第48 卷“6G通感算融合”专题1总第52 3期0.9证明根据注记1,对任意te,.,K,t,e0,1,.,K,),(K.)(K,-1)(K,K2存在一个K,PDA和K2(八-1八+1)t2（-1+1)PDA，因此结论可以直接由定理1得出。注记2：为了对比编码与无编码的区别，本文简要分析无编码的分布式计算方案：假设边缘节点与终端节点的计算负载分别为i,i=0,1，且边缘节点存储的文件与终端节点不重合。为满足各终端节点，云端将所有K,K，个终端节点所计算的函数在边缘端和终端都未计算的中间值发送，因此，云边链路计算负载为：L,=K,K,(1-i-12)每个边缘节点转发云边关于该节点所关联的终端节点的信号（负载为K,1-i-i)），并发送本组的K,个终端没有计算而由边缘节点计算的中间值（负载为K,)。因此，边-端链路的计算负载为：L,=K,(1-i-i2)+K,i=K,(1-)由式(35)、(40)(42)可以看出，云边链路的通信负载由边缘层和终端层的计算负载决定，而边端链路的通信负载只由终端层的计算负载决定。这与直觉一致：通信负载取决于接收端的需求与其拥有边信息，而这些边信息由接收端计算的中间值决定。图4展示了由推论1中的基于MN-PDA的编码计算方案和上述无编码方案的云边链路的通信负载作为边缘层和K,=6 K,=6K,K2-1)T36无编码的分布式计算方案基于MN-PDA的编码计算方案630G(41)(42)30241812O终端节点计算负载（r）O.O.6(a）K,与K,取值相等G终端节点计算负载（r）K,=6K,=8无编码的分布式计算方案基于MN-PDA的编码计算方案60.0.0.20.30.40.50.0.0.948422418边缘节点计算负转终端层的计算负载的函数，而图4（a）和图4（b）则展示了K,与K,取值对云-边链路通信负载的影响。可以看到，在ri+r比较小的区域，编码计算方案比无编码方案有明显的优势：无编码方案的云-边链路通信负载随ri和r的增大而线性递减。但是，在ri+r2=1这条线上，无编码方案的云-边链路通信负载率先达到0，而编码计算方案要在ri=1,r2=1时才达到零。这是由于，在基于MN-PDA的方案中，为追求编码多播增益，边缘端和终端存储的文件有所重合（对比式(2 6)和式(2 7)），而无编码方案则不需重合。但从图4可以看出，即使在ri+rz=1时，编码计算方案的通信负载已很接近零。图5展示了基于MN-PDA的编码计算方案和上述无编码方案的边端链路的通信负载作为边缘层和终端层的计算负载的函数，同理，图5（a）和图5（b）则展示了K,与K,取值对云-边链路通信负载的影响。该曲线与端到端的CDC曲线类似10，小的终端计算负载可以成倍地减小边端链路的通信负载。这是因为CDC与这里同样用了基于 MN-PDA 的存储结构 2 0 。4结束语本文描述了将MapReduce计算模型部署在云-边-52移动通信2024年3月第3期0（b）K,与K,取值不相等图4云-边链路的通信负载与计算负载的折中关系端网络的分布式计算架构，并提出了基于放置分发阵列（PD A,，Pl a c e me n t D e l i v e r y A r r a y）的云-边-端编码计算方案设计方法，分析了其一般性能，以及可达到的计算-通信性能折中。这种架构综合利用云端丰富的计算资源和边缘层节点离终端较近的优势，通过用两个PDA分别指导边缘层和终端层的存储设计，在云边链路上实现全局终端信号的编码多播，在边端链路上实现同一边缘节点的终端节点间信号的编码多播。本文的分析表明，编码多播对实现计算与通信融合统一设计有重要意义。参考文献：1Armbrust M,Fox A,Griffith R,et al.A view of cloud computingJj.Commun.ACM,2010:50-58.2 Shi W,Cao J,Zhang Q,et al.Edge Computing:Vision andChallengesJJ.IEEE Internet of Things Journal,2016,3(5):637-646.3 Ren J,Yu G,He Y,et al.Collaborative Cloud and Edge Computingfor Latency MinimizationJ.IEEE Transactions on VehicularTechnology,2019,68(5):5031-5044.4 Ren J,He Y,Yu G,et al.Joint Communication and ComputationResource Allocation for Cloud-Edge Collaborative SystemCJ/2019IEEE Wireless Communications and Networking Conference1.0第48 卷总第52 3期李寇，闫起发，周正春，等：基于放置分发阵列的云边端通算融合架构移动通信K,=6 K,-665()韩玛-100.00.10.20.30.40.5 0.60.70.8 0.91.0终端节点计算负载(r)(a）K,与K,取值相等8Ki=6 K=8765432100.00.10.20.30.40.50.60.70.8 0.91.0终端节点计算负载(r2)(b）K,与K,取值不相等图5边-端链路的通信负载与计算负载的折中关系(WCNC).Marrakesh,Morocco:IEEE,2019:1-6.5Dean J,Ghemawat S.MapReduce:Simplified data processing onlarge clustersJ.Commun.ACM,2008,5i(1):107-118.6Isard M,Budiu M,Yu Y,et al.Dryad:Distributed data-parallelprograms from sequential building blocksCJ/Proc.2nd ACMSIGOPS/EuroSys Eur.Conf.Comput.Syst.,2007:59-72.7Chowdhury M,Zaharia M,Ma J,et al.Managing data transfers incomputer clusters with orchestraJJ.ACM SIGCOMM Comput.Commun.Rev.,2011,41(4):98-109.8Zhang Z,Cherkasova L,Loo B T.Performance Modeling ofMapReduce Jobs in Heterogeneous Cloud EnvironmentsCJ/2013IEEE Sixth International Conference on Cloud Computing.SantaClara,CA,USA:IEEE,2013:839-846.9Li S,Maddah-Ali M A,Avestimehr A S.Fundamental tradeoffbetween computation and communication in distributedcomputingCJ/2016 IEEE International Symposium on InformationTheory(ISiT).Barcelona,Spain:IEEE,2016:814-1818.10I Li S,Maddah-Ali M A,Yu Q,et al.A Fundamental TradeoffBetween Computation and Communication in DistributedComputingl IEEE Transactions on Information Theory,2018,64(1):109-128.1l Maddah-Ali M A,Niesen U,Fundamental Limits of Caching.IEEE Transactions on Information Theory,2014,60(5):2856-2867.无编码的分布式计算方案12 NMaddah-Ali M A,Niesen U.Decentralized Coded Caching Attains基于MN-PDA的编码计算方案Order-Optimal Memory-Rate TradeoffJJ.IEEE/ACM Transactionson Networking,2015,23(4):1029-1040.13 Yan Q,Cheng M,Tang X,et al.On the Placement DeliveryArray Design for Centralized Coded Caching SchemeJ.IEEETransactions on Information Theory,2017,63(9):5821-5833.14 Karamchandani N,Niesen U,Maddah-Ali M A,et al.HierarchicalCoded CachingJ.IEEE Transactions on Information Theory,2016,62(6):3212-3229.15 Kong Y,Wu Y,Cheng M,et al.Hierarchical Cache-Aided LinearFunction Retrieval with Security and Privacy ConstraintsJ.Available:ArXiv,abs/2209.03633,2022.16Ji M,Caire G,Molisch A F.Fundamental Limits of Caching inWireless D2D NetworksJJ.IEEE Transactions on InformationTheory,2016,62(2):849-869.17Wang J,Cheng M,Yan Q,et al.Placement Delivery Array Designfor Coded Caching Scheme in D2D NetworksJ.IEEE Transactionson Communications,2019,67(5):3388-3395.18 Yan Q,Yang S,Wigger M.A Storage-Computation-CommunicationTradeoff for Distributed ComputingCJ/2018 15th InternationalSymposium on Wireless Communication Systems(ISWCS).Lisbon,Portugal:IEEE,2018:1-5.无编码的分布式计算方案19Yan Q,Yang S,Wigger M.Storage,Computation,and基于MN-PDA的编码计算方案Communication:A Fundamental Tradeoff in DistributedComputingCJ/2018 IEEE Information Theory Workshop(ITW).Guangzhou,China:IEEE,2018:1-5.20 Yan Q,Yang S,Wigger M,Storage-Computation-CommunicationTradeoff in Distributed Computing:Fundamental Limits andComplexityJl.IEEE Transactions on Information Theory,2022,68(8):5496-5512.21 Yan Q,Wigger M,Yang S,et al.A Fundamental Storage-Communication Tradeoff in Distributed Computing with StragglingNodesJ.2019 IEEE International Symposium on InformationTheory(iSIT).Paris,France:IEEE,2019:2803-2807.22 Pang C,Wu Y.Code Distributed Computing for HierarchicalMapReduce SystemsC/2023 8th International Conference onComputer and Communication Systems(ICCCS).Guangzhou,China:IEEE,2023:488-493.李寇：西南交通大学信息科学与技术学院在读硕士研究生，主要研究方向为编码缓存、分布式编码与计算。闫起发：博士，现任西南交通大学信息科学与技术学院副教授、硕士生导师，主要研究方向为分布式编码与计算、人工智能与信息论。周正春：博士，现任西南交通大学信息科学与技术学院教授、博士生导师，主要研究方向为新型代数编码、序列设计、压缩感知、信息安全技术。唐小虎：博士，现任西南交通大学信息科学与技术学院教授、博士生导师，主要研究方向为编码技术及其应用、分布式计算和存储系统、鲁棒的机器学习、信息安全与隐私保护。53作者简介2024年3月第3期