基准模型

dispatchatlas.bench 在求解器或活动消费基准证据之前先定义它。一个基准族声明其分类法、 领域剖面、剖面类、假设、引用证据、规模包络、种子命名空间，以及输出模式。物化用 dispatchatlas.core 验证每个生成的问题，特征化该实例，将其包裹在一个来源信封中，并记录 稳定哈希。

该目录将通用组合-优化调度族与 distributed-computing 调度作为co-equal同侪覆盖，因此该平台 并非一个仅-distributed-computing 工具。

可运行示例： examples/benchmark_continuum.py 即时生成、特征化并编目一个连续统基准图集。

调度族

每个调度族被物化为一个带至少一个生成器剖面的一等目录同侪。下面的目录表由基准生成器注册表 与引用矩阵生成，因此其族总数与来源引用可从行本身计数。表格上方的一张族-分布图展示各族剖面如何分布于各个调度族类别。

上面的组件承载完整的生成清单——下面的经典与 distributed-computing 核心族，外加 Edge–Fog–Cloud 族的连续统。那些基础核心族以文档形式呈现：

非相关机器与柔性 job-shop 族为每个实例附加一个 CostModel 执行时间矩阵，作为物化矩阵与 问题 JSON 一起导出。序列相关换装流水车间族转而附加一个 CostModel 换装矩阵：在一台机器上 不同族作业之间的切换花费换装时间，因此换装目标奖励将相似作业分组。所列具名标准语料仅被 引用与链接，且绝不在仓库内重新分发。

若干连续统族行使多-资源协同分配：每个任务同时需要不止一个资源，且构造器在其整个持续 期间将它们保持在一起（见领域契约）。accelerator-coscheduling 族为每个作业协同分配一个计算节点与一个稀缺加速器；distributed-transaction 族为每个事务 协同分配一个可变-基数的数据分片锁集；而 fpga-partitioning 族为每个租户内核协同分配一段 空间连续的可重构织物瓦片。资源集相交的任务串行化，而不相交的任务并发运行——可运行的 examples/inspect_coallocation.py 使该杠杆显式化。

在协同分配之外，三个连续统族行使其各自的结构杠杆。elastic-serverless-autoscale 族行使 可塑执行：每个函数调用声明不止一个执行模式——一个仅-在家的窄模式与一个从小型共享突发 池借用一个 worker 以更早完成的宽模式——因此调度为每个任务选择一个模式，而顺序决定哪些调用 认领稀缺的宽-且-快模式。distributed-training-gang 族行使帮派协同调度：一个同步 数据-并行训练作业的 workers 共享一个帮派并必须在一次全有或全无的启动中于不同加速器上共同 启动——workers 复用加速器池且作业随时间到达，因此一个作业在足够加速器同时空出之前无法开始， 而顺序决定哪个作业最先获取其完整 worker 集。multi-tenant-fair-share 族行使 主导-资源公平：若干非对称-规模的租户在一个共享节点池上放置放置-灵活的任务，而 主导-资源-份额目标对最多-与最少-被服务租户的主导份额之间的离差打分——因此放置，即每个租户 占用哪些资源，是平衡或扭曲它的杠杆。可运行的 examples/serverless_autoscale_study.py、 examples/distributed_training_gang_study.py 与 examples/multi_tenant_fairshare_study.py 使这三个杠杆显式化。

剖面类

证据标签

烟雾目录绝非最终评估证据。它们存在以证明生成器、验证、特征化、引用检查与持久化快速运作。 门户目录与下载以这一小型烟雾规模（一个三-资源池）预览每个连续统族；一个协同分配族无法在 如此小的池上展现不相交-资源并行性，因此该独特结构是一个研究-规模属性。 build_continuum_full_catalog() 以每个族声明的研究规模物化它——更大的资源池与任务计数， 在那里协同分配、争用与放置结构真正显现——用于研究-级基准包。

分类法

分类法覆盖调度结构、环境、基础设施真实性、目标特征、约束特征、不确定性，以及动态性。 示例包括 DAG 工作流、独立任务批、serverless 函数、容器与 VM 整合、edge 与 cloud 环境、 公开轨迹、多-目标优化、deadline、数据局部性、churn，以及动态到达。

引用矩阵

基准主张针对 CitationMatrix 检查。候选与完整活动证据-等级主张除非引用有引用支撑的来源， 否则验证失败。不被支持的材料必须保持 exploratory，直到证据被添加。

来源集在 default_citation_matrix() 中以稳定来源标识符、可解析引用与一份记录的许可姿态 声明。它跨越三个层级：标准组合-优化语料（仅引用与链接，绝不捆绑）、生产集群轨迹，以及一组 广泛的当代真实世界 Edge–Fog–Cloud-连续统数据集——GPU 与 machine-learning 集群轨迹、 微服务与 serverless 基准套件、科学-工作流轨迹、超算作业轨迹、edge-placement 与移动性数据 集、IoT 与蜂窝-需求数据集、电网碳与能源信号、流-处理负载、federated-learning 设备-参与 基准、扩展-现实系统测试床，以及近地-轨道卫星-网络轨迹：

规范参考套件

default_reference_suites() 中的注册表记录每个通用调度族所锚定的规范已发表实例套件： 身份、族、实例计数、检索指针，以及为该套件发布界值的最佳-已知-解追踪器。经典套件仅被 引用与链接——DispatchAtlas 绝不捆绑或重新分发第三方实例文件。

带捆绑解析器的套件（标准 job-shop 文本、Taillard 流水车间矩阵、.fjs 柔性 job-shop、 WfCommons WfFormat JSON）用 load_reference_suite(suite_id, instances_root=...) 从 操作者下载并放置于本地 resources/ 树下的文件摄取。摄取完全离线运行，复用与合成生成器 相同的验证、特征化、哈希与来源信封，并为每个问题打上其 suite_id 与 upstream_instance_id 印记。仅-注册表套件以其引用与检索指针记录，不带捆绑解析器。

最佳-已知-解注册表

逐-实例最佳已知值绝不随 DispatchAtlas 分发。操作者将它们作为 JSON 文件摄取到一个私有的 resources/benchmarks/bks/ 目录之下，每个套件一个文件，每个文件携带 schema_version、 suite_id、追踪器 source_id、检索日期，以及取值条目（实例标识符、目标、取值、 最优-或-上界种类、可选下界）。load_best_known_registry 针对参考套件与引用矩阵验证每个 文件，并在未知套件、未知追踪器、重复条目或不一致界值上失败关闭。没有已摄取的注册表， 相对-偏差度量就完全不可用——它们绝不被部分计算，且任何公开表面上都不出现最佳已知值。

校准分歧

合成通用族锚定于规范套件，而不声称复现其生成方案。已知分歧被记录而非隐藏：

针对已发表惯例的比较经由已摄取的规范实例进行，而非经由合成族。

特征化

每个物化问题接收针对以下方面的归一化描述符：

• 机会密度
• 兼容性稀疏度
• 争用与过载
• 依赖深度
• 通信压力
• 换装强度
• 负载偏斜与异构性
• 目标冲突
• 不确定性与动态性
• 求解器敏感性

现实-差距桥接

每个完整活动证据-等级剖面声明一个现实-差距桥接：其状态（synthetic、 calibrated-synthetic、trace-backed，或 externally-sourced）、校准证据、领域场景、 迁移与扰动覆盖，以及残余现实-差距风险。除非声明迁移与扰动覆盖，否则向完整活动证据等级的 提升失败关闭，且一个 calibrated-synthetic 剖面必须命名其据以校准的 trace-backed 参考。 Calibrated-synthetic 族显式命名其轨迹参考；已摄取的规范套件携带一个 externally-sourced 桥接，而 WfCommons 适配器是第一个外部-解析的 trace-backed 实例来源，为 distribution_distance_score 提供了一条真实的 trace-backed 参考支路。

具名校准度量报告一个 calibrated-synthetic 剖面的特征化特征分布与其 trace-backed 参考实例 之间逐-特征的 1-Wasserstein（推土机）距离。逐-特征距离被聚合为单一现实-差距分数；一个高于 最大-离散度阈值（默认 0.25）的分数意味着该剖面已偏离其参考太远并未通过校准。该度量可从 物化实例与具名参考轨迹复现。

from dispatchatlas.bench import (
    build_smoke_catalog,
    metrics_from_instance_set,
    distribution_distance_score,
)
 
catalogs = {c.config.profile_id: c for c in build_smoke_catalog()}
synthetic = metrics_from_instance_set(catalogs["cloud-edge-capacity"])
reference = metrics_from_instance_set(catalogs["workflow-dag"])
score = distribution_distance_score(
    synthetic, reference, reference_trace_id="google-cluster-data"
)

分层与子集选择

difficulty_score 将争用、过载、依赖-深度与求解器-敏感性描述符聚合为一个归一化难度分数， 而 stratify_instances 将物化实例分箱为低、中、高难度层。select_benchmark_subset 选取 一个按族、剖面类与难度层过滤的确定性子集，按问题标识符排序，使选择可复现。

烟雾目录

from dispatchatlas.bench import build_smoke_catalog, smoke_benchmark_provider
 
catalogs = build_smoke_catalog(root_seed=20260527)
provider = smoke_benchmark_provider(root_seed=20260527)
 
first_problem = provider.get_problem(provider.list_problem_ids()[0])

捆绑的烟雾目录将两个 distributed-computing 族（cloud/edge 独立-任务与 workflow DAG）与十四个 通用调度族（机器调度、job-shop、柔性 job-shop、排列流水车间、序列相关换装流水车间、RCPSP、开放车间、混合流水车间、分布式排列流水车间、无等待流水车间、阻塞流水车间、分布式装配流水车间、多目标排列流水车间，以及RCPSP/max）作为co-equal同侪一并包含。每个实例从根种子确定，并使用有引用支撑的生成器元数据， 同时保持标记为烟雾开发材料。

候选完整目录

候选完整活动目录使用相同的物化路径，配以更大的已配置问题计数与更严格的证据标签：

from dispatchatlas.bench import build_full_catalog, full_benchmark_provider
 
catalogs = build_full_catalog(root_seed=2026052713, problem_count_per_profile=30)
provider = full_benchmark_provider(
    root_seed=2026052713,
    problem_count_per_profile=30,
)

那些完整活动证据-等级目录有引用支撑、经特征化、哈希-链接，且在活动、披露与发布关卡提升 特定主张之前仍标记为校准证据。