移动边缘计算中的多智能体调度：LLM辅助契约网协商新方法
近日，一项发表于arXiv的研究提出了一种名为MAS-DecStream的新型调度框架，旨在解决移动边缘计算环境中流处理系统的调度难题。该框架的核心创新在于将大语言模型（LLM）与经典契约网协议（CNP）相结合，通过语义化提案生成、渐进式上下文披露、多轮提案修订等机制，实现了更高效的分布式调度。实验结果显示，该方法在降低延迟违规、消除资源过度分配等方面表现优异，为AI驱动的边缘计算资源管理提供了新思路。
研究背景：边缘计算调度面临多重挑战
随着物联网和实时应用的普及，流处理系统正越来越多地运行在异构的移动边缘-云基础设施上。这种环境具有工作负载波动大、资源竞争激烈、服务质量（QoS）要求严格等特点，使得传统的集中式调度方法难以应对。特别是，边缘节点的资源有限，且网络条件动态变化，如何在这些约束下做出合理的调度决策成为一大难题。
创新方法：LLM增强的契约网协议
契约网协议是一种经典的多智能体协商机制，通过任务发布、投标、授标等步骤实现分布式任务分配。然而，传统CNP在处理复杂的边缘计算场景时，往往缺乏对语义信息的理解和灵活调整能力。
MAS-DecStream框架提出的LLM-MR-CNP扩展了CNP，引入了以下关键机制：
- 语义化CFP（调用提案）：将任务描述从简单的结构化数据扩展为自然语言，使智能体能够更全面地理解任务需求。
- 渐进式上下文披露：在协商过程中逐步向投标者披露更多上下文信息，避免信息过载。
- 多轮提案修订：允许智能体根据反馈多次调整提案，提高协商成功率。
- 协商记忆：记录历史协商信息，辅助后续决策。
- 确定性验证：确保硬性资源约束和QoS要求得到严格满足，避免因LLM的幻觉导致违规。
边缘集群智能体利用本地观测、预测的资源状态和定性运行时上下文，生成自然语言形式的卸载提案，而关键的资源与QoS约束则保持确定性，确保系统稳健性。
实验验证：显著提升调度性能
研究团队基于阿里巴巴ASI Trace数据设计了实验，从三个层面评估了LLM-MR-CNP的效果：单轮与多轮CNP对比、规则方法与LLM辅助方法对比、固定模型下单轮与多轮协商对比。结果显示：
- 延迟违规率降至3%，相比基线有大幅改善。
- 消除了资源过度分配，提升了资源利用率。
- 在20个智能体场景下，冲突解决率达到0.91，表明多智能体间的协商能够有效化解资源冲突。
- 效用提升高达22%，优于多轮规则基线。
此外，一项单独的25案例评估显示，模型和提示词的选择会带来准确性与成本之间的权衡。这表明，LLM的引入并非毫无代价，需要在实际部署中根据需求进行取舍。
结论与展望
该研究为LLM在分布式系统调度中的应用提供了实证支持。多轮CNP改进是协议层面的主要增益，而LLM的辅助则对处理定性和不确定的运行时上下文具有独特价值。未来，这一方法有望扩展到更广泛的边缘计算场景，例如自动驾驶、智慧城市等，但如何在成本与性能之间取得平衡仍是需要关注的问题。