💻 computer science

Agentic Fog: A Policy-driven Framework for Distributed Intelligence in Fog Computing

本文介绍了 Agentic Fog，这是一个策略驱动的框架，它将雾节点建模为通过共享内存和博弈论原理进行协作的自主智能体，旨在保证收敛性与稳定性的同时，实现比现有启发式方法和优化方法更低的延迟与更好的适应性。

原作者： Saeed Akbar, Muhammad Waqas, Rahmat Ullah

发布于 2026-01-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Saeed Akbar, Muhammad Waqas, Rahmat Ullah

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个繁忙的城市，成千上万家小型独立店铺（雾节点/Fog Nodes）需要向客户配送包裹。在旧有的模式中，要么是由远方总部里一个过度劳累的经理试图指挥每一家店该做什么（中心化控制），要么是每位店主都随手抓起最近的包裹就跑，听天由命（贪婪启发式算法）。这两种方法往往会导致交通拥堵、交付缓慢，并且当经理生病或道路发生变化时，系统会陷入混乱。

这篇论文介绍了一种组织这些店铺的新方法，称为智能体化雾计算（Agentic Fog）。你可以把它想象成把每一位店主都变成了一位聪明的、自主的智能体，他们既精通自己所在的社区，又能通过与邻居沟通来保持同步。

以下是论文如何使用简单概念来解释这个系统的：

1. “智能”AI（大语言模型）的问题

你可能经常听到关于“AI智能体”的讨论，这些智能体使用庞大的语言模型（比如那些写文章或和你聊天的模型）。作者说：“等一下。”虽然这些模型擅长写故事，但对于运行城市基础设施来说，它们太慢、太贵，且过于不可预测。你不能让一个配送系统在决定走哪条路时要花10秒钟，或者让它随机猜测路线。

相反，这篇论文提议的是无需大型语言模型的智能体AI。这些智能体就像经验丰富的当地店主，遵循严格、可靠的规则（策略），而不是通过聊天来做决策。它们反应迅速、可预测，并且在数学上被证明是有效的。

2. 系统的三个层级

作者为这个系统构建了一个三层结构的建筑：

顶层（大脑/编排器）： 这是一个思考速度较慢的“全局编排器”。它不会每秒钟都告诉店铺该做什么。相反，它设定总体的基调或目标，例如“今天，我们需要专注于速度”或“今天，我们需要节省能源”。它将这些目标写在共享的公告板上。
中层（智能体）： 这些是雾节点（即店主）。他们阅读公告板上的目标，观察自己的局部情况（我的货架满了？路被堵住了？），并与直接邻居进行交流。他们根据局部知识和在共享板上看到的信息共同决定该做什么。
底层（执行者）： 这些是“执行智能体”。他们是负责出力气的。他们不负责思考或规划，只负责执行中层告诉他们的任务，比如移动包裹或服务客户。如果一名工人绊倒了，上层的规划者并不会惊慌，他们只需将工作分配给其他人即可。

3. 秘诀：共享公告板

奇迹发生于共享记忆（Shared Memory/公告板）。

它并不是一份包含所有细节的清单（因为那样负担太重）。
相反，它持有“总结性的历史”：哪里人流密集？昨天哪些做法奏效了？整体的交通模式是怎样的？
因为每个人都能阅读这张板，所以他们不需要一个中央主管来告诉他们发生了什么。他们只需查看公告板并与隔壁店铺沟通，就能与邻居协同工作。

4. 他们玩的“游戏”

论文使用了一个名为**势能博弈（Potential Game）*的数学概念。
想象一场游戏中，每位店主都试图为自己*争取最大利益，但规则的设计使得当他们在帮助自己的同时，也自动帮助了整个城市。

如果一位店主为了节省时间而将包裹移至人流较少的街道，他也为所有人减少了交通压力。
论文从数学上证明，如果每个人都通过逐一更新决策的方式（异步方式）来参与这场游戏，整个系统最终会进入一个完美的、稳定的状态，此时交通压力降到了最低。这就像一群人在超市里自然而然地找到最短的排队队伍，而不需要任何人大声指挥。

5. 出错时会发生什么？

该系统具有韧性（Resilience）。

如果一家店关门了： 系统不会崩溃。邻居们只需注意到店铺消失了，查看公告板，然后重新分配工作。游戏继续，系统会找到新的平衡点。
如果需求变化了： 如果突然涌入大量顾客（比如节日促销），智能体会根据板上的新数据快速调整其策略，这比传统的“中央经理”系统要快得多。

6. 结果

作者通过计算机模拟测试了该系统与旧方法的对比：

更快： 新系统的包裹（数据）交付速度比“贪婪”方法快 15–30%，比“中央经理”方法快 10–18%。
更稳健： 在模拟中，当他们随机“杀死”（关闭）若干家店铺时，新系统几乎没有减速，而旧系统则陷入了交通瘫痪。
更高效： 为了保持协调，它并不需要店铺之间进行大量的沟通。

总结

简而言之，这篇论文提出了一种运行复杂计算机网络（雾计算）的方法，即将每台计算机视为一个聪明的、独立的邻居。与其依赖一个缓慢、昂贵的“超级大脑”或一场混乱的自由竞争，他们利用共享记忆和简单的规则，让整个网络实现自我组织。这就像一个蜂群：没有单一的蜜蜂在指挥，但它们都知道该做什么，即使有些蜜蜂迷路了，蜂群依然运作完美。

技术摘要：Agentic Fog（智能体雾）：一种面向分布式雾计算的策略驱动框架

1. 问题陈述

雾计算将云服务扩展到网络边缘，以支持延迟敏感型和数据密集型应用。然而，目前的雾系统过度依赖于反应式控制方案，包括启发式方法、局部贪婪优化以及中心化整数线性规划（ILP）。这些现有方法在真实的雾环境中面临三个关键局限性：

全局可观测性的假设： 中心化模型假设对系统状态拥有近乎完整的知识，这在规模庞大、异构且易发生故障的部署中是难以持续的。
缺乏长期适应性： 分布式设计往往无法考虑到不断变化的业务需求模式和长期行为。
可扩展性与开销： 在动态工作负载下，ILP 公式表现出较差的可扩展性和高昂的计算开销。

此外，虽然“智能体 AI”（Agentic AI, AAI）是一个新兴范式，但近期的文献常将其与大语言模型（LLM）驱动的系统混为一谈。由于 LLM 驱动的智能体具有高计算成本、随机决策特性以及缺乏形式化可分析性，它们并不适用于基础设施层级的雾计算。因此，需要一种非 LLM 的 AAI 框架，以确保预测性、效率以及形式化的收敛保证。

2. 方法论：Agentic Fog (AF) 框架

本文提出了 Agentic Fog (AF)，这是一个通用的模型，其中雾节点（FNs）作为策略驱动的自主智能体运行。该框架由以下核心组件构成：

智能体定义： 一个智能体 $A_i$ 被建模为一个元组 $\langle O_i, \zeta_i, \pi_i, \Lambda_i, \upsilon_i \rangle$ ，分别代表观察、内部状态（记忆）、决策策略、动作空间和效用。至关重要的是，策略函数 $\pi_i$ 是与算法无关的，不依赖于自然语言推理。
架构： 系统采用分层架构：
- 智能层（Intelligence Layer）： 包含一个全局编排智能体（GOA），负责将全局目标分解为抽象的策略指导（例如，延迟、成本、可靠性权重），而非实时的控制动作。
- 智能体层（Agent Layer）： 由分布式的雾智能体（FAs）组成，负责管理缓存、路由和负载均衡。它们利用局部状态和共享记忆（ $M^*$ ）在部分可观测条件下运行。
- 执行层（Execution Layer）： 由轻量级的执行智能体（EAs）组成，执行无状态任务（服务、复制）并报告状态，从而实现执行与战略决策的解耦。
共享记忆（Shared Memory）： 智能体可以访问一个用于存储拓扑结构（ $T$ ）、需求历史（ $D$ ）和汇总策略结果（ $H$ ）的最终一致性共享记忆。这使得智能体能够在没有中心化权威的情况下，对时间模式进行推理。
博弈论建模： 智能体之间的协调被形式化为一个精确势博弈（Exact Potential Game, PG）。每个智能体都在优化其局部效用，该效用被定义为对全局目标的预期边际贡献（ $O^*$ $O^{*}$ ）。
- 全局目标为 $O^* = \alpha L + \beta C + \gamma R$ （延迟、成本、可靠性）。
- 系统采用异步、有界理性的最佳响应动力学。
协调机制： 智能体通过点对点（p2p）的局部化协调来解决冲突（例如，冗余复制），而无需全局同步，从而确保全局势函数的存在。

3. 核心贡献

本文做出了以下概念和技术层面的贡献：

独立于 LLM 的 AAI 定义： 它提供了一个精确的、以系统为中心的 AAI 定义，该定义明确独立于 LLM，强调持久的自主性、策略驱动的决策以及可分析的协调。
统一的形式化模型： 它将雾计算建模为一组自主智能体的集合，并提供了一个统一的形式化模型，捕捉了共享记忆、分布式协调以及慢速策略对齐与快速局部决策之间的时间尺度分离。
收敛保证： 它证明了分布式雾协调会诱导出一个精确的势博弈。这种形式化保证了在异步有界理性最佳响应动力学下，系统能够收敛至纳什均衡。
故障下的稳定性： 它确立了只要保持连通性和共享记忆的持久性，AF 系统在永久节点失效的情况下仍能保持稳定，从而形式化了“优雅降级”的特性。

4. 仿真结果

该框架通过在具有非平稳泊松请求到达和齐夫（Zipf）分布内容流行度的网状网络（10–50 个节点）上的仿真进行了评估。AF 系统与中心化 ILP 和贪婪启发式算法进行了对比。

延迟与适应性： 在动态工作负载下，AF 系统相比贪婪策略实现了 15–30% 的平均延迟降低，相比 ILP 则降低了 10–18%。
收敛性： AF 系统的收敛速度显著快于基准方案，且随着网络规模的增加，迭代次数几乎保持不变，验证了势博弈（PG）公式的可扩展性。
故障弹性： 在随机节点失效的情况下，与 ILP 和贪婪方法出现的剧烈性能下降相比，AF 表现出极小的延迟退化。
控制开销： 虽然 AF 产生的消息交换开销略高于基准方案，但与延迟和稳定性方面的收益相比，这一差异可以忽略不计。
敏感性分析： 性能随共享记忆容量的增加而提升（最高至 100 个回合），之后观察到收益递减现象。

5. 重要性与主张

本文声称为雾计算中的智能体 AI 建立了严谨的理论和系统级基础。其主要意义在于：

弥合理论与实践的鸿沟： 它通过提供一种原则性的、可分析的、且兼容基础设施的架构，填补了 AAI 理论与实际雾系统之间的空白。
概念澄清： 它通过将 AAI 与 LLM 驱动的系统区分开来，重新定位了 AAI 作为资源受限基础设施中可行范式的地位，因为后者并不适合需要形式化保证的延迟敏感型环境。
鲁棒性： 它证明了系统级智能可以从局部、策略驱动的交互中涌现，而无需依赖中心化优化或语言处理系统，从而确保了在动态和部分可观测环境下的鲁棒性。

作者总结道，Agentic Fog 框架为构建既具备认知分布式特性又具备形式化可验证性的下一代边缘与雾计算提供了一条路径。