CN106454958A - 一种网络资源分配方法及装置 - Google Patents
一种网络资源分配方法及装置 Download PDFInfo
- Publication number
- CN106454958A CN106454958A CN201610945275.1A CN201610945275A CN106454958A CN 106454958 A CN106454958 A CN 106454958A CN 201610945275 A CN201610945275 A CN 201610945275A CN 106454958 A CN106454958 A CN 106454958A
- Authority
- CN
- China
- Prior art keywords
- user
- service provider
- cloud service
- computing resource
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明实施例公开了一种网络资源分配方法及装置,应用于基于微云端的移动云计算网络系统,方法包括:根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数;基于用户端效用函数、微云端效用函数、云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;根据三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;根据最佳带宽及所述最佳传输功率,为用户端分配传输功率和带宽资源,根据最佳计算资源数量及所述最佳计算资源价格,为用户端分配计算资源。应用本发明实施例,最大化了网络性能。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种网络资源分配方法及装置。
背景技术
随着移动互联网与智能终端技术的发展,移动用户可以在智能终端上运行多元应用程序而获得丰富的。移动云计算(MCC,Mobile Cloud Computing),即移动智能终端将计算量与能耗密集的任务通过移动互联网卸载到云计算中心,通过云计算中心承载计算功能,以满足移动智能终端的计算服务需求。移动云计算是基于云计算的概念提出来的。MCC是移动用户/终端通过移动互联网以按需、易扩展的方式获得所需的基础设施、平台、软件或应用等的一种IT资源或信息服务的交付与使用模式,其是成为集移动计算、移动网络和云计算为一体的新型技术,因此,MCC被认为是5G(fifth-generation,移动电话系统第五代)网络最重要的技术之一。
MCC虽然摆脱了智能终端固有的限制,但也面临智能终端和云服务提供商之间时延高的问题。为了解决这一问题,在传统的MCC网络中增加了cloudlet(微云端),cloudlet位于智能终端附近,与云服务提供商通过高速网连接,是移动性强且规模小的云计算中心,基于cloudlet的MCC网络系统具有低延迟,并且可以提高整个MCC网络系统的效率。
基于cloudlet的MCC网络,运行实时应用程序需要云计算和无线网络的联合操作,需要对网络资源进行管理,这里所说的网络资源包括带宽、传输功率和计算资源等。与传统的无线资源管理问题相比,基于cloudlet的MCC的资源管理问题更加复杂,一方面是因为在无线网络侧,即用户侧,无线带宽资源是有限的,而且无线信道是时变的,需要确保用户端的资源合理分配;另一方面,cloudlet所拥有的计算资源远小于云服务提供商提供的计算资源,随着越来越多的应用卸载到云服务提供商,需要确保cloudlet端和云服务提供商的计算资源能够合理分配,因此,如何对网络资源进行分配,最大化网络性能是至关重要的。在现有技术中没有一个很有效的方法进行网络资源分配,亟需更好的网络资源的分配方法来最大化网络性能。
发明内容
本发明实施例的目的在于提供一种网络资源分配方法及装置,以最大化网络性能。
为达到上述目的,本发明实施例公开了一种网络资源分配方法,应用于基于微云端的移动云计算网络系统,所述方法包括:
根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数;
基于所述用户端效用函数、所述微云端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;
根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;
根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
较佳的,所述用户端效用函数为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用;
所述微云端效用函数为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量;
所述云服务提供商效用函数为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
较佳的,所述三阶段的斯坦伯克博弈模型为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源数量分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
较佳的,所述根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端最佳计算资源数量以及云服务商端最佳计算资源价格,包括:
基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽;
基于所述用户端效用函数对用户的传输功率求一阶偏导结果,获得用户端的最佳传输功率;
判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和;
如果否,根据第一更新函数更新云服务提供商的计算资源价格;
基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和;
如果大于,根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值,返回执行基于所述最佳带宽和所述传输功率,判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值的步骤;
在所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值不大于所述第一预设阈值,且在所述微云端在第三时刻的效用值与在第四时刻的效用值的差值不大于第二预设阈值时,获得所述微云端最佳计算资源数量及云服务商端最佳计算资源价格。
较佳的,所述用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比;
所述用户端的最佳传输功率为:
其中,为用户k的最佳传输功率,为用户k从所述微云端获得的总带宽,gik为干扰用户i到用户k的信道增益,用户k到信道增益;为用户k的加性高斯白噪声;
所述第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量;
所述第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为所述用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
为达到上述目的,本发明实施例还公开了一种网络资源分配装置,应用于基于微云端的移动云计算网络系统,所述装置包括:
第一建立模块,用于根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数;
第二建立模块,用于基于所述用户端效用函数、所述微云端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;
获得模块,用于根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;
分配模块,用于根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
较佳的,所述用户端效用函数为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用;
所述微云端效用函数为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量;
所述云服务提供商效用函数为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
较佳的,所述三阶段的斯坦伯克博弈模型为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
较佳的,所述获得模块,包括:
第一获得子模块,用于基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽;
第二获得子模块,用于基于所述用户端效用函数对用户的传输功率求一阶偏导结果,获得用户端的最佳传输功率;
第一判断子模块,用于判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和;
第一更新子模块,用于在第一判断子模块判断结果为否的情况下,根据第一更新函数更新云服务提供商的计算资源价格;
第二判断子模块,用于基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和;
第二更新子模块,用于在第二判断子模块判断结果为大于的情况下,根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值,返回执行所述第一判断子模块;
第三获得子模块,用于在所述第一判断子模块的判断结果为是,且所述第二判断子模块的判断结果为不大于时,获得所述微云端最佳计算资源数量及云服务商端最佳计算资源价格。
较佳的,所述用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比;
所述用户端的最佳传输功率为:
其中,为用户k的最佳传输功率,为用户k从所述微云端获得的总带宽,gik为干扰用户i到用户k的信道增益,为用户k的加性高斯白噪声;
所述第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量;
所述第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为所述用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
由上述技术方案可见,本发明实施例提供了一种网络资源分配方法及装置,应用于基于微云端的移动云计算网络系统,方法包括:根据云服务提供商、微云端及用户三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数;基于所述用户端效用函数、所述微云端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。应用本发明实施例,根据建立的效用函数及三阶段斯坦伯克博弈模型,用户端、微云端及云服务提供商之间进行博弈,使得网络资源得到最佳的分配,从而最大化了网络性能。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于微云的移动云网络系统的模型示意图;
图2为本发明实施例提供的一种网络资源分配方法的流程示意图;
图3为本发明实施例在不同的计算资源价格下,云服务提供商的效用值变化图;
图4为本发明实施例提供的一种网络资源分配装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术问题,本发明实施例提供了一种网络资源分配方法及装置。下面首先对本发明实施例所提供的一种网络资源分配方法进行介绍。
需要说明的是,本发明实施例优选应用于基于微云端的移动云计算网络系统,示例性的,如图1所示,该移动云计算网络系统中包括微云端、R个云服务提供商和K个用户,云服务提供商与微云之间进行通信,微云与用户之间通过Q个接入点进行通信,具体的,用户与微云通过与该用户对应的接入点,其中,R个云服务提供商分别为:云服务提供商1、云服务提供商2……云服务提供商R,K个用户分别用户1、用户2、用户3……用户K,Q个接入点分别为接入点1、接入点2、接入点3、……接入点Q。
图2为本发明实施例提供的一种网络资源分配方法的流程示意图,包括如下步骤:
S101:根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数。
需要说明的是,这里所说的微云端可以理解为图1中的微云,用户端可以为图1中的任意一个用户。
具体的,所述用户端效用函数为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用。
具体的,
其中,Rk为用户k的最大传输功率,γ为信号干扰噪声比,gkk为从用户k到其相应的接入点的信道增益,为用户k的加性高斯白噪声;根据香浓公式,pi可以理解为干扰用户i的传输功率,gik为干扰用户i到用户k的信道增益。
用户端效用函数可以理解为用户端的总收益,该用户端效用函数包括基于带宽与传输功率的收益和花费;花费为向微云端支付的费用。需要说明的是,这里所说的用户均为移动用户,示例性,用户k是移动用户k。
在网络资源分配的过程中,对用户端来说就是对网络资源的需求,所以可以将用户端的网络资源需求问题转换为如下公式:
bk≥0,pk≥0
其中,b-k为除了用户k以外的其他用户的带宽,p-k为除了用户k以外的其他用户的传输功率,为所有用户的带宽要之和是受限制的,不大于基于微云端的移动云计算网络系统总的带宽,bk≥0表示用户k的带宽大于或等于零,pk≥0表示用户k的传输功率大于或等于零。
所述微云端效用函数为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量。
在网络资源分配的过程中,对微云端来说就是对网络资源的需求,所以可以将微云端的网络资源需求问题转换为如下公式:
其中,为微云端最佳计算资源数量,为所述微云端从云服务提供商r获得的计算资源数量不超过提供商所拥有的计算资源的数量,mkr≥0为从云服务提供商r给用户k的计算资源的数量大于或等于0。
所述云服务提供商效用函数为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
需要说明的是,云服务提供商以VMs(Virtual Machines,虚拟机)的形式提供计算资源,因为可以理解为计算资源是VMs,云服务提供商所制定的单位计算资源价格可以理解为一个VMs的价格。
在网络资源分配的过程中,对云服务提供商来说就是对网络资源的供给,所以可以将云服务提供商的网络资源供给问题转换为如下公式:
s.t.λr≥0
其中,λ-r表示除了云服务提供商r以外的云服务提供商的计算资源价格。
S102:基于所述用户端效用函数、所述微云端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型。
具体的,所述三阶段的斯坦伯克博弈模型为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源数量分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
本领域技术人员可以理解的是,在建立斯坦伯克博弈模型时,通常,我们将最先采取行动的博弈局中人称为领导者,而称跟随领导者的行动而采取应对策略的局中人为跟随者,并称这样的一个由局中人领导者与跟随者构成的博弈为斯坦伯克博弈。博弈过程中的领导者会根据自身情况及自己对跟随者应对策略的预测事先制定行动策略。当观测到领导者的行动之后,跟随者会根据自身情况及其观测结果制定应对策略进行回应。在本发明实施例中,三阶段斯坦伯克博弈模型可以理解为在该博弈模型中分为三个阶段进行博弈。
在本发明实施例中,在第一阶段中,领导者是云服务器提供商,跟随者是微云端,云服务提供商决定计算资源的价格,即决定单位VMs的价格;在第二阶段中,领导者是微云端,跟随者是用户端,微云端根据云服务提供商决定的计算资源的价格,确定自身从云服务提供商获取计算资源的数量,并且为用户端提供计算资源;在第三阶段中,用户端既是领导者,也是跟随者,用户端决定自身的带宽和传输功率需求。因此,可以认为(λ*,m*,b*,p*)是三阶段斯坦伯克博弈的斯坦伯克均衡,其中,b*为用户端最佳带宽分配策略,p*为用户端最佳传输功率分配策略,m*为微云端最佳计算资源数量分配策略,λ*云服务提供商最佳计算资源价格策略。
S103:根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格。
本领域技术人员可以理解的是,在三阶段斯坦伯克博弈模型中,用户端决定自身的带宽与传输功率,可以根据用户端效用函数及网络资源需求问题,从而获得用户端的最佳带宽和最佳传输功率。微云端根据云服务提供的计算资源价格,确定自身从云服务提供商获得的计算资源的数量,云服务提供商根据微云需求的计算资源的数量,调整自身所提供的计算资源价格;微云端与云服务提供商进行反复博弈,从而获得微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格。需要说明的是,在微云端与云服务提供商在博弈的过程中,利用迭代方法计算云服务提供商的效用值及微云端获取的计算资源的数量,从而获得微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格。这里所说的迭代方法是后向迭代方法,后向迭代方法是现有技术,在这里不进行赘述。
具体的,根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格,包括:
基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽。
用户端效用函数对带宽是凸函数,需要利用凸函数的性质,获得用户端的最佳带宽。在本发明实施例中,首先对用户k的带宽bk求二阶偏导,得到:
根据求二阶偏导的结果,确定在用户端效用函数对bk求一阶偏导等于零的点,用户端效用函数对bk存在最大值,因此,在确定b-k和pk的情况下,用户端效用函数对bk求一阶偏导,可以得到用户端最佳带宽,用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比。
基于所述用户端效用函数对用户的传输功率求一阶偏导的结果,获得用户端的最佳传输功率。
在本发明实施例中,求用户端效用函数对传输功率pk的一阶偏导数,求一阶偏导的结果为:
使得该一阶偏导的结果恒等于零,则可以获得用户端的最佳传输功率为:
其中,为所述用户k的最佳传输功率,为用户k从所述微云端获得的最佳总带宽,gik为干扰用户i到用户k的信道增益;为用户k的加性高斯白噪声。
判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和。
根据第一更新函数更新云服务提供商的计算资源价格。
第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量。
基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和。
需要说明的是,微云端效用函数中包含用户的带宽和传输功率,在计算微云端在第三时刻的效用值与第四时刻的效用值时,需要将最佳带宽与最佳传输功率代入计算。
根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值。
第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
在实际应用中,第一时刻的增加值可以是第一预设值,第三时刻的增加值可以是第二预设值。
在更新计算资源的价格及增加第一时刻的值之后,重复执行判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值的步骤。
在实际应用中,如果λr(t+1)-λr(t)≤ε,r=1,2,...,R,则停止增加第一时刻的值,即停止迭代的过程,其中,t为第一时刻,1为第一预设值,需要说明的是,在这里只是举例说明,第一预设值还可以为其他的值。ε是第一预设阈值,该第一预设阈值可以根据实际情况设置。同理,如果Uc(τ+1)-Uc(τ)≤ζ,则停止增加第三时刻的值,即迭代停止,其中,τ为第四时刻,1为第二预设值,需要说明的是,在这里只是举例说明,第二预设值还可以为其他的值,ζ是第二预设阈值,该第二预设阈值可以根据实际情况设置。在实际应用中,第一预设值与第二预设值可以相同,也可以不相同。
在所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值不大于所述第一预设阈值,且在所述微云端在第三时刻的效用值与在第四时刻的效用值的差值不大于第二预设阈值时,获得所述微云端最佳计算资源及云服务商端最佳计算资源价格。
需要说明的是,云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值不大于第一预设阈值,且在微云端在第三时刻的效用值与在第四时刻的效用值的差值不大于第二预设阈值,说明微云端与云服务提供商之间的博弈结束,微云端获得了最大的效用值,云服务提供商也获得了最大的利益。在微云端与云服务提供商博弈结束时的计算资源价格就是最佳计算资源价格,在微云端与云服务提供商博弈结束时的计算资源数量就是最佳计算资源数量。需要说明的是,云服务提供商的效用值随计算资源价格进行变动,如图3所示,云服务提供商1和云服务提供商2随着计算资源价格的增大而增大,在计算资源价格为6时,云服务提供商1和云服务提供商2的效用值最大,通过图3也说明了云服务提供商1和云服务提供商2之间存在纳什均衡点。
S104:根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
根据用户端的最佳带宽及最佳传输功率,为用户端分配网络资源,使得用户端的效用值最大,即用户端获得最大的收益,根据最佳计算资源数量及最佳计算资源价格,为用户端分配计算资源,使得微云端获得最大的收益,也使得云服务商获得最大的收益,从而使得网络资源得到最佳的分配,最大化了网络性能。
应用本发明实施例,根据建立的效用函数及三阶段斯坦伯克博弈模型,用户端、微云端及云服务提供商之间进行博弈,使得网络资源得到最佳的分配,从而最大化了网络性能。
图4为本发明实施例提供的一种网络资源分配装置的结构示意图,装置可以包括第一建立模块401、第二建立模块402、获得模块403和分配模块404。
第一建立模块401,用于根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端端效用函数及云服务提供商效用函数;
第二建立模块402,用于基于所述用户端效用函数、所述微云端端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;
获得模块403,用于根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;
分配模块404,用于根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
具体的,所述用户端效用函数可以为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用;
所述微云端效用函数可以为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量;
所述云服务提供商效用函数可以为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
具体的,所述三阶段的斯坦伯克博弈模型可以为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源数量分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
具体的,所述获得模块403,可以包括第一获得子模块、第二获得子模块、第一判断子模块、第一更新子模块、第二判断子模块、第二更新子模块和第三获得子模块(图中未示出)。
第一获得子模块,用于基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽;
第二获得子模块,用于基于所述用户端效用函数对用户的传输功率求一阶偏导结果,获得用户端的最佳传输功率;
第一判断子模块,用于判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和;
第一更新子模块,用于在第一判断子模块判断结果为否的情况下,根据第一更新函数更新云服务提供商的计算资源价格;
第二判断子模块,用于基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和;
第二更新子模块,用于在第二判断子模块判断结果为大于的情况下,根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值,返回执行所述第一判断子模块;
第三获得子模块,用于在所述第一判断子模块的判断结果为是,且所述第二判断子模块的判断结果为不大于时,获得所述微云端最佳计算资源数量及云服务商端最佳计算资源价格。
具体的,所述用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比;
所述用户端的最佳传输功率为:
其中,为用户k的最佳传输功率,为用户k从所述微云端获得的总带宽,gik为干扰用户i到用户k的信道增益,为用户k的加性高斯白噪声;
所述第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量;
所述第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为所述用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
应用本发明实施例,根据建立的效用函数及三阶段斯坦伯克博弈模型,用户端、微云端及云服务提供商之间进行博弈,使得网络资源得到最佳的分配,从而最大化了网络性能。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种网络资源分配方法,应用于基于微云端的移动云计算网络系统,所述方法包括:
根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端效用函数及云服务提供商效用函数;
基于所述用户端效用函数、所述微云端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;
根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端的最佳计算资源数量以及云服务商端的最佳计算资源价格;
根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
2.根据权利要求1所述的方法,其特征在于,所述用户端效用函数为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用;
所述微云端效用函数为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量;
所述云服务提供商效用函数为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
3.根据权利要求2所述的方法,其特征在于,所述三阶段的斯坦伯克博弈模型为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源数量分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端最佳计算资源数量以及云服务商端最佳计算资源价格,包括:
基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽;
基于所述用户端效用函数对用户的传输功率求一阶偏导的结果,获得用户端的最佳传输功率;
判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和;
如果否,根据第一更新函数更新云服务提供商的计算资源价格;
基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和;
如果大于,根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值,返回执行基于所述最佳带宽和所述传输功率,判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值的步骤;
在所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值不大于所述第一预设阈值,且在所述微云端在第三时刻的效用值与在第四时刻的效用值的差值不大于第二预设阈值时,获得所述微云端端最佳计算资源数量及云服务商端最佳计算资源价格。
5.根据权利要求4所述的方法,其特征在于,所述用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比;
所述用户端的最佳传输功率为:
其中,为用户k的最佳传输功率,为用户k从所述微云端获得的最佳总带宽,gik为干扰用户i到用户k的信道增益,为用户k的加性高斯白噪声;
所述第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量;
所述第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为所述用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
6.一种网络资源分配装置,应用于基于微云端的移动云计算网络系统,所述装置包括:
第一建立模块,用于根据云服务提供商、微云端及用户端三者之间的资源供求关系,建立用户端效用函数、微云端端效用函数及云服务提供商效用函数;
第二建立模块,用于基于所述用户端效用函数、所述微云端端效用函数、所述云服务提供商效用函数,建立三阶段斯坦伯克博弈模型;
获得模块,用于根据所述三阶段斯坦伯克博弈模型,获得用户端的最佳带宽和最佳传输功率、微云端端的最佳计算资源数量以及云服务商端的最佳计算资源价格;
分配模块,用于根据所述最佳带宽及所述最佳传输功率,为所述用户端分配传输功率和带宽资源,根据所述最佳计算资源数量及所述最佳计算资源价格,为所述用户端分配计算资源。
7.根据权利要求6所述的装置,其特征在于,所述用户端效用函数为:
Uk=Bkηkrb-bkcb-pkcp
其中,Uk为用户k的效用值,Bk为用户k从所述微云端获得的总带宽,K为用户总数,bk为用户k从所述微云端获得的带宽,B为所述移动云计算网络系统的总带宽,b0为所述移动云计算网络系统的保留带宽;pk为用户k的传输功率;ηk为用户k的频谱效率;rb为用户k单位传输功率收益;cb为用户k获得单位带宽所产生的费用;cp为用户k获得单位传输功率所产生的费用,Bkηkrb为用户k因为分配到的带宽和传输功率带来的收益,bkcb+pkcp为用户k向所述微云端支付的费用;
所述微云端效用函数为:
其中,Uc为所述微云端的效用值,Mk为用户k从所有云服务提供商获得计算资源的总量,其中,N为所有云服务提供商所拥有的计算资源总量,λr为云服务提供商r所制定的单位计算资源价格,rm为所述微云端分配单位计算资源所获得的收益;mkr为所述用户k从云服务提供商r处获得的计算资源数量;
所述云服务提供商效用函数为:
Ur=λr*Nr
其中,Ur为云服务提供商r的效用值,Nr为云服务提供商r所拥有的计算资源总量。
8.根据权利要求7所述装置,其特征在于,所述三阶段的斯坦伯克博弈模型为:
G=(λ,m,b,p,Ur(λ),UC(m),Uk(b,p))
其中,G为所述三阶段的斯坦伯克博弈模型,λ={λ1,λ2,...,λR}为第一阶段斯坦伯克博弈策略,即云服务提供商计算资源价格策略;m={m11,m22,...,mKR}为第二阶段斯坦伯克博弈策略,即微云端计算资源数量分配策略;b={b1,b2,...,bK}为用户端带宽分配策略,p={p1,p2,...,pK}为用户端传输功率分配策略,b和p均为第三阶段斯坦伯克博弈策略,Ur(λ)为所述三阶段斯坦斯坦伯克博弈模型中云服务提供商效用函数;UC(m)为所述三阶段斯坦斯坦伯克博弈模型中微云端效用函数;Uk(b,p)为所述三阶段斯坦斯坦伯克博弈模型中用户端效用函数。
9.根据权利要求8所述的装置,其特征在于,所述获得模块,包括:
第一获得子模块,用于基于所述用户端效用函数对用户从所述微云端获得的带宽求一阶偏导的结果,获得用户端的最佳带宽;
第二获得子模块,用于基于所述用户端效用函数对用户的传输功率求一阶偏导的结果,获得用户端的最佳传输功率;
第一判断子模块,用于判断所述云服务提供商在第一时刻所制定的单位计算资源的价格与在第二时刻所制定的单位计算资源的价格差值是否不大于第一预设阈值,其中,所述第二时刻为所述第一时刻与第一预设值之和;
第一更新子模块,用于在第一判断子模块判断结果为否的情况下,根据第一更新函数更新云服务提供商的计算资源价格;
第二判断子模块,用于基于更新后的云服务提供商的计算资源价格及所述最佳带宽和所述传输功率,判断所述微云端在第三时刻的效用值与在第四时刻的效用值的差值是否不大于第二预设阈值,其中,所述第四时刻为所述第三时刻与第二预设值之和;
第二更新子模块,用于在第二判断子模块判断结果为大于的情况下,根据第二更新函数更新微云端的计算资源数量,增加所述第一时刻的值及第三时刻的值,返回执行所述第一判断子模块;
第三获得子模块,用于在所述第一判断子模块的判断结果为是,且所述第二判断子模块的判断结果为不大于时,获得所述微云端最佳计算资源数量及云服务商端最佳计算资源价格。
10.根据权利要求9所述的装置,其特征在于,所述用户端最佳带宽为:
其中,为所述用户k最佳带宽,γ为信号干扰噪声比;
所述用户端的最佳传输功率为:
其中,为用户k的最佳传输功率,为用户k从所述微云端获得的总带宽,gik为干扰用户i到用户k的信道增益,为用户k的加性高斯白噪声;
所述第一更新函数为:
其中,λr(t+X)为云服务提供商r在所述第二时刻所定制的单位计算资源价格,X为所述第一预设值,λr(t)为云服务提供商r在所述第一时刻所定制的单位计算资源的价格,wr为第一常量;
所述第二更新函数为:
其中,mkr(τ+Y)所述用户k在所述第四时刻从所述云服务提供商r获得的计算资源数量,Y为第二预设值,mkr(τ)为所述用户k在所述第三时刻从云服务提供商r获得的计算资源数量,vk为第二常量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945275.1A CN106454958B (zh) | 2016-11-02 | 2016-11-02 | 一种网络资源分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945275.1A CN106454958B (zh) | 2016-11-02 | 2016-11-02 | 一种网络资源分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106454958A true CN106454958A (zh) | 2017-02-22 |
CN106454958B CN106454958B (zh) | 2019-06-14 |
Family
ID=58177678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610945275.1A Active CN106454958B (zh) | 2016-11-02 | 2016-11-02 | 一种网络资源分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106454958B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295109A (zh) * | 2017-08-16 | 2017-10-24 | 重庆邮电大学 | 自组织网络云计算中的任务卸载与功率分配联合决策方法 |
CN108418850A (zh) * | 2018-01-11 | 2018-08-17 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
CN108900628A (zh) * | 2018-07-20 | 2018-11-27 | 南京工业大学 | 边缘计算环境中基于定价机制的微云计算资源分配方法 |
CN109146164A (zh) * | 2018-08-08 | 2019-01-04 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101868030A (zh) * | 2010-05-25 | 2010-10-20 | 华南理工大学 | 一种分布式无线网络无线资源分配方法 |
CN101945397A (zh) * | 2010-09-07 | 2011-01-12 | 南京邮电大学 | 基于博弈论的分等级定价的频谱资源管理方法 |
CN105657750A (zh) * | 2015-12-29 | 2016-06-08 | 北京邮电大学 | 一种网络动态资源的计算方法及装置 |
-
2016
- 2016-11-02 CN CN201610945275.1A patent/CN106454958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101868030A (zh) * | 2010-05-25 | 2010-10-20 | 华南理工大学 | 一种分布式无线网络无线资源分配方法 |
CN101945397A (zh) * | 2010-09-07 | 2011-01-12 | 南京邮电大学 | 基于博弈论的分等级定价的频谱资源管理方法 |
CN105657750A (zh) * | 2015-12-29 | 2016-06-08 | 北京邮电大学 | 一种网络动态资源的计算方法及装置 |
Non-Patent Citations (2)
Title |
---|
MAKHLOUF HADJI, WAJDI LOUATI, DJAMAL ZEGHLACHE: "Constrained Pricing for Cloud Resource Allocation", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON NETWORK COMPUTING AND APPLICATIONS》 * |
ZHIYUAN YIN: "Joint Cloud and Wireless Networks Operations in Mobile Cloud Computing Environments with Telecom Operator Cloud", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295109A (zh) * | 2017-08-16 | 2017-10-24 | 重庆邮电大学 | 自组织网络云计算中的任务卸载与功率分配联合决策方法 |
CN108418850A (zh) * | 2018-01-11 | 2018-08-17 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
CN108418850B (zh) * | 2018-01-11 | 2020-12-22 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
CN108900628A (zh) * | 2018-07-20 | 2018-11-27 | 南京工业大学 | 边缘计算环境中基于定价机制的微云计算资源分配方法 |
CN109146164A (zh) * | 2018-08-08 | 2019-01-04 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109146164B (zh) * | 2018-08-08 | 2021-09-07 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109831788A (zh) * | 2019-01-25 | 2019-05-31 | 北京邮电大学 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106454958B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106454958A (zh) | 一种网络资源分配方法及装置 | |
CN107045455A (zh) | 一种基于负载预测的Docker Swarm集群资源调度优化方法 | |
CN113599803A (zh) | 一种基于边缘计算的数据处理方法、设备及可读存储介质 | |
CN109857546A (zh) | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 | |
CN109829332A (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
CN105007287A (zh) | 公共云资源动态配置方法及系统 | |
CN104573304A (zh) | 一种基于信息熵和聚类分群的用户质态评估方法 | |
Zhan et al. | Incentive mechanism design for federated learning: Challenges and opportunities | |
CN108182640A (zh) | 一种基于用户行为传播模型求解影响力最大化问题的方法 | |
CN101126991A (zh) | 一种在网络游戏中为用户分配游戏资源的方法及系统 | |
CN107105453B (zh) | 基于层次分析法和进化博弈理论的异构网络选择接入方法 | |
Loiseau et al. | Incentive mechanisms for internet congestion management: Fixed-budget rebate versus time-of-day pricing | |
CN108052387A (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
CN104820945A (zh) | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 | |
CN102932460A (zh) | 一种基于贡献值的园区网p2p激励方法 | |
CN109615200A (zh) | 虚拟互动道具发放方法、存储介质、电子设备及系统 | |
CN108449606A (zh) | 一种弹幕限制方法、装置、服务器及介质 | |
CN107592296A (zh) | 垃圾账户的识别方法和装置 | |
Khare et al. | A Shapley value approach for transmission usage cost allocation under contingent restructured market | |
CN108551585A (zh) | 一种弹幕校验方法、装置、服务器及介质 | |
CN101986608B (zh) | 一种异构覆盖网络负载均衡程度的评价方法 | |
Shukla | Elasticity of internet traffic distribution in computer network in two market environment | |
CN109660623A (zh) | 一种云服务资源的分配方法、装置和计算机可读存储介质 | |
CN106669145A (zh) | 一种策略游戏的资源分配系统和方法 | |
CN103577481A (zh) | 一种广告数据搜索的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |