1.面向智算中心的多层级网络拥塞控制方法，其特征在于，包括如下步骤：实时监测智算中心各层级网络的流量状态参数，其中，所述智算中心各层级网络包括：边缘接入层、汇聚层和核心层；

基于各层级网络流量状态参数分别计算各层级的拥塞系数；

设定各层级网络动态拥塞阈值；

当单层拥塞系数超过动态拥塞阈值时，分别对各层级网络进行拥塞控制；

当两个及以上层级拥塞系数超过动态拥塞阈值时，进行跨层级协同优化。

2.根据权利要求1所述的方法，其特征在于，所述计算各层级的拥塞系数，具体公式为：其中，E表示边缘接入层拥塞指数，A表示汇聚层拥塞指数，C表示核心层拥塞指数，BWm和BWc分别表示最近10ms窗口内的峰值带宽和当前分配的链路带宽，Qd和Qm分别表示当前队列深度和最大队列深度，表示丢包率变化梯度，RTTn表示归一化后的往返时间RTT值，NQ表示队列不均衡度，CE表示ENC拥塞标记占比，ΔDelay和Delay分别表示最近一秒内的时延变化量和当前时延，μ表示时延方差，BU表示带宽利用率，表示平均带宽利用率，Fc表示ECMP哈希冲突的流冲突率。

3.根据权利要求1所述的方法，其特征在于，所述各层级网络动态拥塞阈值，具体公式为：其中，TE表示边缘接入层动态拥塞阈值，TA表示汇聚层动态拥塞阈值，TC表示核心层动态拥塞阈值，Eh表示历史同期ECI均值，t表示小时级时间，i表示第i小时，σE表示最近一小时ECI标准差，W表示滑动窗口大小，表示滑动窗口内队列深度和，σQ表示滑动窗口内队列深度标准差，BW表示总带宽，λ(o)表示时段负载因子，σD表示最近一小时时延方差，表示最近一小时带宽波动率。

4.根据权利要求1所述的方法，其特征在于，所述分别对各层级网络进行拥塞控制，具体包括：对边缘接入层的带宽进行动态分配；对汇聚层的优先级队列进行权重调整；对核心层进行多路径优化。

5.根据权利要求4所述的方法，其特征在于，所述对边缘接入层的带宽进行动态分配，具体包括以下步骤：基于业务类型对流量进行优先级标记；

基于优先级标记进行动态分配带宽，具体公式为：

其中，BWx表示当前业务类型分配的带宽，N表示业务类型总数，Px表示当前业务类型的优先级，Py表示第y个业务类型的优先级，G表示GPU利用率，α＝0.8表示调节因子。

6.根据权利要求5所述的方法，其特征在于，所述对汇聚层的优先级队列进行权重调整，具体公式为：其中，Mm表示当前队列的权重，M表示队列总数，表示当前队列的优先级，表示第n个队列的优先级，Qm表示当前队列时延，Qn表示第n个队列时延，k＝0.1表示时延敏感系数。

7.根据权利要求5所述的方法，其特征在于，所述对核心层进行多路径权重优化，具体包括：进行路径权重计算，具体公式为：

其中，Rd表示当前路径的权重，R表示队列总数，BWRd表示当前路径的带宽，BWRg表示第g个路径的带宽，Dd表示当前路径时延，Dg表示第j个路径时延；

每10ms更新一次路径权重。

8.根据权利要求1所述的方法，其特征在于，所述跨层级协同优化，具体包括以下步骤：分别获取边缘接入层的网络状态特征、汇聚层的队列时序特征和核心层拓扑特征；

将边缘接入层的网络状态特征、汇聚层的队列时序特征和核心层拓扑特征进行多模态特征嵌入，具体公式为：Z＝Concat(MLP(XE),TCN(XA),GAT(XC))其中，Z表示多模态特征，Concat表示连接函数，MLP表示全连接层，TCN表示膨胀卷积层，GAT表示图注意力，XE、XA和XC分别表示边缘接入层的网络状态特征矩阵、汇聚层的队列时序特征矩阵和核心层拓扑特征矩阵；

将多模态特征输入时空图卷积网络；

对时空图卷积网络进行目标损失函数优化，具体公式为：

L＝0.5LQ+0.3Lf+0.2Lc

其中，L表示目标损失函数，LQ表示服务质量损失函数，Lf表示公平性损失函数，Lc表示一致性损失函数；

分别输出边缘接入层带宽分配矩阵、汇聚层队列权重矩阵和核心层路径权重矩阵。

9.根据权利要求8所述的方法，其特征在于，所述服务质量损失函数LQ的具体公式为：其中，Dpred和Dreal分别表示预测时延和实际时延，Bpred和Breal分别表示预测带宽利用率和实际带宽利用率，||·||2表示L2范数，cs表示余弦相似度函数；

所述公平性损失函数Lf的具体公式为：

其中，BWa和BWb分别表示第a和第b业务类型的带宽，Pa和Pb分别表示第a和第b业务类型的优先级；

所述一致性损失函数Lc的具体公式为：

其中，和分别表示边缘接入层拥塞系数梯度和核心层拥塞系数梯度，表示汇聚层拥塞系数时间导数，||·||1表示L1范数。