深色模式
读组内论文
进组后最先要读的是组内论文：它们和你将来要做的工作最接近，用的模型、数据和代码组里都有，作者就在身边，读不懂可以直接问。这一页讲组内论文的两种常见类型、每一部分怎么读、推荐的阅读顺序，最后给一份精读示例。通用的读论文方法见找论文与读论文，每篇论文的简介见组内论文导读。
两种类型
| 建模与算法类 | 方法与系统类 | |
|---|---|---|
| 常见发表 | IEEE TMC、TSC、ToN、TC 等期刊 | ICLR、ICML、ACM MM 等会议 |
| 代表论文 | LDLS（TMC 2023）、ROCS（TMC 2024）、ORR（TSC 2025）、LECU（TMC 2025） | BWCache（ICLR 2026）、PrediT 和 SCOPE（ACM MM 2026）、HeraSys 和 SCD（ICML 2026） |
| 主线 | 把调度或资源分配问题写成数学优化问题 → 设计算法（深度强化学习或在线算法）→ 用真实数据做仿真 | 通过测量发现一个现象 → 据此设计方法 → 在公开模型和基准上测速度和质量 |
| 最难读的部分 | 系统模型和问题建模（符号多）、理论证明 | 方法细节、实验设置（模型和指标多） |
| 怎么复现 | 多数要自己写仿真器 | 一般有开源代码，难点在环境和算力 |
也有两者结合的论文，例如 VELO 和 EAT 既有建模和强化学习，又搭了真实系统做实验。
建模与算法类论文怎么读
典型结构
| 章节 | 内容 | 读的时候回答 |
|---|---|---|
| Introduction | 场景 → 现有工作忽略了什么 → 本文的做法，常用“Specifically: 1) … 2) … 3) …”列出三点贡献 | 这篇论文新考虑了什么因素？ |
| Related Work | 按类别介绍相关工作 | 和最接近的两三篇工作区别在哪里？ |
| System Model and Problem Formulation | 定义节点、任务、镜像层等实体及其参数，写出时间或成本的计算公式，给出优化目标和约束，分析问题的难度 | 决策变量、目标、约束各是什么？ |
| 算法 | 强化学习：状态、动作、奖励、网络结构、训练流程。在线算法：问题怎么分解、每一步做什么 | 算法的每一步对应模型里的哪一部分？ |
| 理论分析（在线算法类） | 竞争比、复杂度的证明 | 定理给出了什么保证？依赖什么假设？ |
| Performance Evaluation | 数据、参数设置表、对比算法，以及改变节点数、任务数、带宽等参数的一组实验 | 对比公平吗？什么条件下优势最大？ |
按三遍阅读法，第一遍读引言和贡献列表，第二遍按下面六步读正文。
第一步：整理符号表
组内期刊论文在系统模型一节通常有一张符号表（Notation）。读的时候把它整理到笔记里，按类型分组，每个符号写上中文含义和单位：
| 类型 | 符号（以 LDLS 为例） | 含义 |
|---|---|---|
| 已知输入 | N | 边缘节点集合，另有一个远端云节点 |
| 已知输入 | f_n、b_n、d_n、C_n | 节点 n 的 CPU 频率、带宽、存储空间、最多同时运行的容器数 |
| 已知输入 | L_c、d_l | 容器 c 包含的层；层 l 的大小 |
| 已知输入 | p_k、c_k | 任务 k 需要的计算量、请求的容器 |
| 决策变量 | u_n^k | 任务 k 是否调度到节点 n（取 0 或 1） |
| 中间量 | y_ln(t)、z_ln(t) | 时刻 t 层 l 是否在节点 n 上；它在节点 n 上的下载完成时刻 |
分清已知输入、决策变量（算法要决定的）和中间量（由前两者算出来的），后面的公式就好读了。
第二步：画出一个任务的时间线
把模型中的各种时间画成一条时间线。以 LDLS 为例：
text
任务 k 在时刻 t 到达，被调度到节点 n
│
├─ 下载缺失的层 ── 节点上已有的层跳过；正在下载的层等它下完；
│ 没有的层排进下载队列（每个节点同一时刻只下载一层）
│ 下载时间 = 所需层中最晚的下载完成时刻 − t （式 1）
├─ 计算 ────────── 计算时间 = 计算量 p_k ÷ CPU 频率 f_n （式 2）
│
任务完成 完成时间 = 下载时间 + 计算时间 （式 3）画出来以后就能看清“层感知”省时间的原因：节点上已经有的层不用再下载。这条时间线也是复现时写仿真器的蓝本，L9 层感知容器调度仿真就是照着它写的。
第三步：看懂问题建模
问题建模（Problem Formulation）一般是这样的形式：
text
min 目标函数（LDLS：所有任务的完成时间之和）
s.t. 约束 1：每个节点同时运行的容器数不超过 C_n
约束 2：节点上所有层的总大小不超过存储空间 d_n
约束 3：每个任务只能调度到一个节点
决策变量的取值范围（0/1 整数、非负实数……）逐条把约束翻译成中文，想清楚每条约束在现实中对应什么限制。
然后看论文怎么论证这个问题难。组内论文常见的说法是“这个问题是某个经典 NP-hard 问题（装箱、背包、集合覆盖等）的推广，所以也是 NP-hard 的”，有的论文会给出归约证明。初读时记住结论即可：这个问题目前没有已知的多项式时间最优算法（除非 P=NP），所以论文转而设计启发式、强化学习或近似算法。任务逐个到来、不知道未来的输入时，还需要在线算法，这和问题是否 NP-hard 是两回事。
第四步：读强化学习算法
组内很多调度论文用深度强化学习：LDLS、ToN 2024 和 TSC 2024 用 PPO（带 clip 目标的策略梯度），ROCS 用 SAC，VELO 的期刊版和 EAT 用基于扩散模型的策略网络。先填这张表：
| 要素 | 问自己 | LDLS 中 |
|---|---|---|
| 状态 | 做决策时能看到哪些信息？ | 各节点的层分布矩阵（每层是否已有、剩余下载时间、层大小）和资源状态（CPU 频率、带宽、剩余下载时间），加上把当前任务放到各节点的估计值（需要下载的层数、下载时间、等待时间、计算时间）和任务信息 |
| 动作 | 一次决策选什么？有多少种选择？ | 把当前任务调度到哪个节点（某个边缘节点或云） |
| 奖励 | 优化目标怎么变成每一步的奖励？ | 当前任务完成时间的相反数 |
| 一步 | 什么时候做一次决策？ | 每来一个任务决策一次 |
再看三个细节：
- 特征提取：输入怎么处理。LDLS 用基于因子分解机（FM）的嵌入提取层之间的依赖关系，ToN 2024 用注意力加 LSTM 提取多用户的层共享信息，TSC 2024 用自注意力提取节点的位置分布。
- 动作选择的改进：例如提前排除明显不好的动作（调度到存储不够或负载很高的节点）。这在调度问题里几乎是标配，L9 里的动作掩码就是最简单的版本。
- 训练设置：网络结构、超参数、训练用什么数据、测试用什么数据。
基础知识见强化学习。
第五步：读在线算法和竞争比（选读）
OCS（TC 2024）、ORR（TSC 2025）用的是在线算法：请求一个接一个到来，必须马上决策，不知道未来会来什么。评价在线算法用竞争比：在最坏情况下，在线算法的代价不超过“提前知道全部未来的最优解”的多少倍。竞争比为 2，意味着无论输入如何，代价都不超过理想最优的 2 倍。
读这类论文：
- 先看算法的整体思路。ORR 用正则化方法把跨时间耦合的成本（容器放置、服务器唤醒）拆开，每个时刻只需要当前信息和过去的决策，再用逐步取整（stepwise rounding）把小数解变成满足约束的整数解。OCS 把问题拆成两个子问题依次求解：容器缓存用随机化策略，请求分配和容器启动用贪心子过程。
- 再看定理说了什么：竞争比是多少，和哪些参数有关。
- 证明第一遍跳过，准备做这类工作时再和师兄师姐一起推。
需要的数学见数学基础。
第六步：读实验部分
组内期刊论文的实验大多是基于真实数据的仿真，有的还会在真实系统上验证。记下这几项：
| 项目 | 组内论文中的例子 |
|---|---|
| 数据 | 从 Docker Hub 收集的镜像和层信息（LDLS 用了 70 个镜像、378 个层）；阿里巴巴集群 trace（ROCS、LECU）；出租车移动轨迹（ToN 2024 的车联网容器迁移）；oasst1 对话数据（VELO） |
| 参数设置 | 一张表列出各参数的取值，例如 LDLS：节点存储 5～15 GB、带宽 60～90 Mbps、CPU 0.8～1.2 GHz，默认 10 个节点、2000 个任务 |
| 对比算法 | 简单启发式（随机、贪心、K8s 默认调度）、同类代表工作（如 Dep、DepSoft）、通用强化学习算法（DQN、PPO、SAC 等） |
| 变化的参数 | 节点数、任务数、带宽、到达率、存储空间，通常一张图改变一个参数 |
| 指标 | 平均完成时间、部署代价、能耗、收益、SLA 违约率 |
看每张图时先自己想：这个参数变大时，我们的方法优势为什么变大（或变小）？ 再去读论文的解释。
方法与系统类论文怎么读
以 BWCache（ICLR 2026）为例，这类论文的主线是“观察 → 方法 → 实验”：
- 观察：论文先测量视频生成各部分的耗时，发现 DiT 模块占了大部分时间；再用相对 L1 距离衡量每个 DiT 模块的输出特征在相邻去噪步之间的变化，发现变化呈 U 形：开始和结束阶段变化大，中间阶段很小。这组图是整篇论文的出发点，读完要能自己复述出来。
- 方法：中间阶段的模块特征几乎不变，就缓存起来复用；用一个相似度指标决定什么时候复用（变化低于阈值才复用），并周期性地重新计算，防止误差累积。读方法时把每个超参数（阈值、复用间隔、最后多少比例的步数必须重新计算）和它的作用列出来。
- 实验：模型（Open-Sora、Open-Sora-Plan、Latte、Wan2.1、HunyuanVideo）、质量指标（VBench、LPIPS、SSIM、PSNR）、速度（A800 上的延迟和加速比）、对比方法（Δ-DiT、T-GATE、PAB、TeaCache、FasterCache）。加速比和质量要一起看：加速越多质量一般越差，论文要证明的是相近质量下更快，或者相近速度下质量更好。
同一方向的后续论文对照着读，能看出一个想法是怎么延续的：
- PrediT（ACM MM 2026）：从“复用”变成“预测”。用线性多步法（Adams-Bashforth 预测、Adams-Moulton 校正）根据前几步的输出外推后面的输出，并根据输出变化的大小动态决定跳过几步。
- SCOPE（ACM MM 2026）：对象换成自回归视频生成（MAGI-1、SkyReels-V2），在“复用”和“重新计算”之外加入“预测”，并且只计算当前活跃的帧区间。
读这类论文时，L5 扩散模型推理与加速的第 2 步会带你亲手画出相邻步特征相似度的曲线，读完论文再做一遍，理解会深很多。
推荐阅读顺序
先读综述了解全貌，再按方向由浅入深。每篇的简介和链接见组内论文导读。
| 方向 | 先读 | 再读 |
|---|---|---|
| 所有人 | 综述 Empowering Edge Intelligence（ACM CSUR 2025）的第 1～4 节 | 综述第 5 节中和自己方向相关的部分 |
| 一：云边协同的大模型服务 | VELO（ICWS 2024） | VELO 期刊版（TSC 2025）→ SCD（ICML 2026） |
| 二：端侧复杂应用加速 | HeraSys（ICML 2026） | 多模型推理流水线的会议版（HPCC 2024）和期刊版（TSC 2026） |
| 三：生成式 AI 加速 | BWCache（ICLR 2026） | PrediT → SCOPE → EAT（TMC 2026，偏调度） |
| 四：容器调度 | LRScheduler（MSN 2024，篇幅短、有代码） | LDLS（TMC 2023）→ ToN 2024 → TSC 2024 → LECU（TMC 2025）；对在线算法感兴趣读 OCS、ORR；对资源超售感兴趣读 ROCS |
精读示例
下面用读书笔记模板整理 LRScheduler，作为精读笔记的参考。
markdown
# LRScheduler: A Layer-aware and Resource-adaptive Container Scheduler
# in Edge Computing（MSN 2024，最佳论文奖）
- 链接：arXiv:2506.03694；代码：https://github.com/pwtttttt/Layer-Scheduler
- 一句话总结：在 K8s 调度框架中实现层感知调度，节点上已有的层越多得分越高，
并按节点负载动态调整这项得分的权重，避免任务都挤到同一个节点上。
## 问题
边缘带宽有限，部署容器时下载镜像的代价很大。已有的层共享调度研究停留在理论和仿真，
没有在真实调度器里实现；而且只看层共享，任务会集中到少数节点上，造成负载不均。
## 方法
1. 下载代价（式 1）：所需层中节点上没有的层的总大小。
层共享得分（式 3）：节点上已有的所需层的总大小 ÷ 镜像总大小 × 100。
2. 动态权重（式 11～13）：节点上已有的层足够多、CPU 使用率低、CPU 和内存的使用比例
均衡，三个条件都满足时，层共享得分用较大的权重 ω1，否则用较小的 ω2。
最终得分 = 权重 × 层共享得分 + K8s 默认插件的得分。
3. 实现：作为 K8s 调度框架的插件（Go 语言），从镜像仓库获取镜像的层信息。
## 实验
真实集群：1 个控制节点 + 4 个工作节点，K8s v1.23.8，容器运行时为 Docker；
私有镜像仓库；镜像包括 WordPress、Ghost、GCC、Redis、Tomcat、MySQL 等。
对比 K8s 默认调度器，比较部署代价（下载量）和负载均衡情况。
## 我的思考
- 阈值和权重 ω1、ω2 是人工设定的，能不能根据负载自动调节？
（后续的 LR²Scheduler 进一步根据用户需求和剩余资源调整打分。）
- 依赖 Docker 作为容器运行时，而 K8s 从 1.24 起移除了 dockershim。
在新版本集群上复现，需要改造获取层信息的方式。
- 只在 5 台机器上测试。节点更多、镜像更多时效果如何？可以先用仿真回答（L9）。
## 生词与术语
dockershim、Scheduling Framework、Score 插件、Iverson bracket（条件成立取 1，否则取 0）每篇组内论文都要回答的问题
读完第二遍后，试着回答下面的问题，答不上来的地方就是第三遍要重点读的：
- 用一句话说出这篇论文新考虑了什么。
- 系统模型里有哪些实体？画出一个任务（请求）的时间线。
- 决策变量、优化目标、约束各是什么？
- 如果用强化学习：状态、动作、奖励是什么？为什么这样设计？
- 对比了哪些算法？其中哪个最强？本文方法在什么条件下优势最大？
- 论文做了哪些假设？例如 LDLS 忽略了任务数据从用户传到基站的时间，理由是镜像有几百 MB，而任务数据只有几百 KB。这些假设在你关心的场景里成立吗？
- 如果让你接着做，你会改动哪个假设，或者把方法用到什么新场景？
第 6、7 题是找研究问题的起点，组内很多后续论文就是这样来的，见复现组内论文。
组里怎么一起读
- 读书会：定期由一位同学主讲一篇论文，按讲论文的结构准备。讲组内论文时，可以请作者到场回答问题。
- 问作者：读完第二遍后，带着具体问题去问作者，例如“式 5 的存储约束为什么不包括正在下载的层”。问之前先自己想过，问题越具体，收获越大。
- 共享笔记：精读笔记放到组内共享的位置，后来的同学可以直接参考。