本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：随着边缘设备数量激增，边缘存储作为边缘智能的基础设施面临数据规模指数级扩张、长期运营下多边缘数据中心间资源利用率失衡和读写延迟波动较大的挑战。针对该问题，提出了基于最优传输的MF-Sinkhorn算法，该算法构建融合节点资源状态、服务性能和请求距离的多重因子成本矩阵，通过Sinkhorn迭代动态优化存储节点选择，实现全局资源最优匹配。实验表明，相比传统最近邻策略，该方法使存储均衡度提升2.91%，写入时延降低6.01%，有效解决了多边缘数据中心资源均衡性问题，为边缘智能场景提供了高效存储调度方案。
关键字：边缘存储；调度算法；多重因子成本矩阵
doi：10.12045/j.issn.1007-3043.2026.08.013
引言
近年来，AI 大模型的快速发展催生了边缘侧本地化训练与推理的海量需求，使边缘智能成为研究热点[1-2]。边缘智能高度依赖边缘计算的实时处理能力，而边缘存储作为边缘计算的关键基础设施则面临数据规模急剧增长带来的容量、性能和能效三重挑战。现有研究将边缘存储根据功能定位划分为3类架构模式[3]：数据缓冲型、临时数据处理型和本地自治型。目前，针对第3 种在边缘节点基于联邦学习等算法进行边缘本地提效的研究相对成熟（如边缘智能的联邦学习算法[4-6]、Wang等人设计的深度强化学习算法[7]），但仍有其局限性。Zhou 等人认为边缘智能的范围不应该仅局限于边—端上运行AI算法，也应该包括在边—云上运行AI算法[8]。Ebrahimzadeh 等人认为随着智能移动设备数量的不断增加及其对资源需求的日益增长，仅依赖边缘层资源来满足智能设备的业务需求将变得越来越具有挑战性[9]。针对边缘节点层算力不足的情况，亟需构建跨域资源协同机制路径，实现边缘节点与多边缘数据中心动态资源调度与协同管理机制。在国家政策与企业生产需求的推动下，已建设了大量的边缘数据中心，这为边缘存储突破传统就近调度模式、构建全局资源优化体系提供了基础设施支撑。对象存储技术[10]作为AI 训练和大规模数据分析的核心基础设施，其Bucket 创建操作将永久决定数据物理存放位置，其存储效率直接影响边缘智能的存储效能。
本文从系统架构设计和核心算法创新2个维度展开研究。在架构设计层面，创新性地构建了支持动态资源映射的协同调度框架，有效解决传统边缘存储架构中最近邻固定映射机制导致的资源利用率低下的问题；在算法创新层面，将多边缘节点与多边缘数据中心的Bucket 创建映射问题转变为高效求解最优传输问题（Optimal Transport，OT）[11]，通过将多维度指标融入Sinkhorn 算法[12]，提出一种基于多重因子的Sink‑horn 算法（Multi-Factor Sinkhorn，MF-Sinkhorn），首次实现了Sinkhorn算法在多边缘数据中心存储调度场景下的适配优化，有效提升边缘存储架构的整体性能，实现边缘数据中心的负载均衡优化。
