CN109005057A - 一种基于契约匹配理论的计算资源分配与任务卸载方案 - Google Patents

Abstract

本发明涉及应用在雾计算中的资源分配与任务卸载方案，通过利用附近车辆的未充分利用的资源，将计算任务从用户设备卸载到车辆雾节点。通过对契约理论和匹配理论的研究，提供了一种有效的激励机制和任务分配机制。本文所提出的契约理论‑匹配理论机制是一个两阶段的优化问题，在第一阶段，本文提出了一种基于契约理论的有效的激励机制，以激励车辆进行资源共享。通过设计针对每种车辆类型的契约，最大化基站的预期效用。在第二阶段，将任务分配问题转换为车辆和用户设备之间的双边匹配问题。该问题通过基于价格的匹配算法来解决，该算法根据动态的偏好列表迭代地执行“提出申请”和“提升价格”过程，最后得到车辆和用户之间的稳定匹配。

Description

一种基于契约匹配理论的计算资源分配与任务卸载方案

技术领域

本发明属于无线通信领域，具体涉及应用在雾计算中的资源分配与任务卸载方案，通过利用附近车辆的未充分利用的资源，将计算任务从基站卸载到车辆雾节点。首先，通过最优契约的设立鼓励车辆参与资源分配过程，然后通过对用户设备和车辆之间的匹配进行优化，有效地提高资源利用效率和最小化网络时延。

背景技术：

随着信息和通信技术的快速发展，各种移动设备和家用电器等大量传感器接入网络，使得数据速率和计算需求呈指数级增长。目前，用户设备距离远程控制中心较远，高峰时间段内基站过载严重，难以保障严格的用户的服务质量和服务体验要求。在未来，云计算不能满足大数据、实时性和可靠性的要求。

为了覆盖大规模的地理区域和提高资源的利用率，思科公司在2011年提出了雾计算的概念。雾计算能够将计算能力和数据分析应用扩展至网络边缘，在网络边缘层进行数据处理和储存，不仅降低了非高峰期资源的浪费，而且能够缓解基站压力，提高数据传输速率，降低网络时延。

一种有效的解决办法是利用附近资源丰富的车辆作为雾节点，以弥补云计算的不足。未来的车辆将配备车载计算机、数据存储单元和先进的通信模块，为驾驶人员提供极大的方便。同时，资源丰富的车辆能够提供空闲资源，方便用户将任务卸载到附近的车辆而不是遥远的基站，在缓解高峰时段网络拥塞的同时降低网络时延。

尽管车辆网雾计算有许多优势，但是其广泛部署仍面临着许多问题。首先，缺乏一种有效的激励机制刺激车辆提供空闲资源。作为雾节点的车辆通过消耗自身的计算资源和通信资源为用户设备处理任务，如果车辆的行为不能得到很好的补偿，它将不愿意参与资源分配活动。此外，车辆的资源状况属于其私有信息，基站并未掌握其精确信息，这给激励机制的设计带来巨大的挑战。其次，缺乏一种有效的任务分配机制。用户通过利用车辆空闲资源将任务卸载到车辆，依据不同偏好为任务选择合适的车辆以最小化网络时延。多变的偏好及冲突偏好使得问题更加复杂，因此，本文针对这两个方面的挑战进行了研究。

发明内容：

本发明首先模拟了三层架构的车辆网雾计算通信场景，以最小化网络总时延为目标，提出了一种基于契约匹配理论的车联网雾计算资源分配与任务卸载方案。该方案考虑到用户设备的服务质量和服务服务体验要求，通过利用附近车辆的丰富资源，将用户任务卸载到车辆雾节点上去处理，通过对雾层资源进行重新分配，优化用户设备和车辆之间的匹配，快速解决高峰时段内基站过载和网络时延问题。具体过程如下：

1)图1为车联网雾计算系统模型图，由一个基站，M辆车，N个用户设备组成。基站负责小区内的资源协调与任务分配，在高峰时期，基站选择车辆作为雾节点来进行任务部分处理，解决过载问题造成的高时延问题。车辆通过共享丰富的资源而成为雾节点，每辆车可以根据设计的激励机制动态地调整共享资源量，以最大化自身的效益。用户设备上具有一系列的任务，其任务可以卸载到基站或者雾节点计算。

在系统中，采用离散时间模型。在基站的通信范围内，车辆和用户设备在每个时隙内数量保持恒定，但是其数量随着不同时隙变化。在时隙t内，假设有M辆车和N个用户设备，分别表示为和 假设用户在每个时间间隙在处理了任务。任务的性质由一个数组{D_n,C_n,τ_n}表示，D_n表示任务数据大小，C_n是处理任务需要的计算资源，τ_n表示时延约束。

将车辆同意共享的资源量定义为车辆类型，相比于低类型的车辆，高类型的车辆更愿意共享资源，因此基站更愿意雇佣高类型的车辆作为雾节点。根据M辆车共享资源的意愿，将其按照升序分为M类，表示为Θ＝{θ₁,…,θ_m,…θ_M}，其中θ₁<…<θ_m…<θ_M,m＝1,…,M。假设基站只知道车辆有M种类型以及其所属类型的概率分布λ_m，

基站为M类车设计M项条款，每一项条款对应每类车辆。车辆在类型θ_m的情况下签订合同项目(δ_m,π_m)，δ_m和π_m分别表示类型为θ_m的车辆提供的资源和其相应的奖励。整个的合同集合表示为

在项目条款(δ_m,π_m)下，类型为θ_m的车辆效用函数为：

考虑M种车辆类型时，基站的预期效用为：

基站的目标是在信息不对称的情况下，通过优化每个项目条款最大化预期效用，因此相应的目标函数为：

C1、C2、和C3分别为个人理性、激励兼容性和单调性约束，C4为δ_m的上界。其中，个人理性约束条件表示为：在选择签订契约(δ_m,π_m)后，类型为θ_m的车辆的收益非负；激励兼容性约束条件表示为：类型为θ_m的车辆只有在选择为其设计的专属契约时才能够获得最大收益；单调性约束为：类型为θ_m的车辆的奖励高于类型为θ_m-1的车辆的奖励，低于类型为θ_m+1的车辆的奖励。通过使用KKT(Karush-Kuhn-Tucher)条件求解目标函数中的最优契约，该契约规定了车辆提供计算资源与获得的奖励之间的关系。在设立契约之后，基站广播契约，并且每个车辆选择其期望的契约项目以最大化其收益。

2)在契约签订结束后，与基站签订契约的车辆作为雾节点为用户设备提供资源。任务分配问题被建模为双边匹配问题，用户设备根据个人喜好、网络时延、任务执行时延、任务大小和匹配成本对车辆进行排序，建立喜好表。通过基于定价的匹配策略使用户设备和车辆之间达到稳定匹配。

将上述匹配问题的目标函数建模为所有用户设备的总时延，通过研究如何将用户任务分配给车辆来最小化时延。其目标函数为：

其中，C5和C6保证用户设备和车辆之间一对一的匹配关系；C7和C8表示任务分配和任务传输的时延约束，表示在用户设备通信范围内车辆的停留时间；X是一个N×M矩阵，表示用户设备和车辆之间的任务分配决策，矩阵中的元素是二进制变量，x_n,m＝1表示任务卸载到车辆，由车辆处理；x_n,n＝1表示任务未卸载到车辆，必须由基站处理；表示由基站处理的任务的总时延。

为了解决匹配问题，用户建立对不同类型车辆的喜好表。对于用户设备U_n，当它和不同的车辆匹配时能够达到不同的时延性能。因此，为了最小化网络时延，将时延的倒数定义为喜好表。所以，用户设备U_n对车辆V_m的喜好表可以表示为：

其中，φ(U_n)＝V_m代表用户设备U_n将任务卸载到车辆V_m，表示任务卸载到车辆的总时延，P_m是租用车辆V_m的计算资源的价格，其初始值为零。

根据建立的喜好表，在匹配过程中执行“提出申请”和“提高价格”的过程，以获得车辆和用户设备之间的稳定匹配。用户设备先向它最喜欢的车辆提出匹配申请，如果该车辆只有这一个申请者，车辆将会与之临时匹配。当多个用户设备向同一辆车提出申请时，将会发生申请冲突。为了解决同时有多个用户设备对向同一类车辆提出申请的申请者冲突问题，引入“价格”的概念，车辆资源的价格没有实际意义，只是在匹配过程中作为匹配成本而存在。当同一车辆接收到多个用户设备的匹配申请时，它的价格就会每次增加ΔP_m，使得用户设备和车辆匹配的成本增加。随着匹配的成本增加，用户设备就向其他车辆提出申请，直到最后只剩下一个提出申请的用户设备。当某一个设备被所有车辆拒绝时，其任务将会由基站处理。该算法的收敛次数随用户设备和车辆类型增加而增加，当匹配结束时，用户设备与车辆之间的匹配达到稳定状态。

附图说明：

图1是车联网雾计算系统模型图。

图2是本发明进行仿真时的仿真参数。

图3是车辆的效益与不同的契约条款的关系图。

图4是本发明提出的基站的效益与不同契约条款的关系图。

图5是本发明提出的车辆的收益与不同契约条款的关系图。

图6是本发明提出的基于定价的匹配算法在N＝15,N＝20和N＝25情况下收敛的速度以及性能对比。

图7是本发明提出的网络时延随用户数量的变化以及基于定价的匹配算法以及穷举算法下的性能对比图。

图8是本发明提出的归一化时延与网络时延约束的关系图。

具体实施方式

本发明的实施方式分为两个步骤，第一步为建立模型，第二步为算法的实施。其中，建立的模型如图1所示，它和发明内容中车联网雾计算系统模型图的介绍完全对应。

1)对于系统模型，由基站获取车辆的类型分布概率和用户需求，考虑到基站不能掌握车辆的精确信息，普通的激励机制不再适用，急需设计一种针对信息不对称情况的激励机制。契约理论是经济学的经典理论，能够有效地处理信息不对称问题。目前，契约理论已经广泛应用于无线网络的优化。如图1所示，基站负责小区内的资源协调与任务分配，在设计契约之后向资源丰富的车辆广播契约项目。车辆在最大化自身利益的前提下为用户设备提供资源，缓解基站高峰时段的压力。车辆在与基站签订契约之后则作为雾节点为车辆提供资源。用户设备根据不同的偏好将任务卸载到不同的车辆，获得不同的网络时延，因此在任务分配过程需要设计有效的任务卸载机制。

2)为了解决上述问题，首先要设计一种有效的激励机制激励车辆参与资源分配过程。由于该过程中基站不能知道车辆的精确信息，使得设计激励机制更加复杂。通过设计针对每种类型车辆的契约项目，在个人理性、激励兼容性和单调性约束下最大化基站的预期效用。为了使问题易于处理，通过探索相邻车辆类型之间的关系来减少个人理性和激励兼容性约束的个数。然后，通过使用Karush-Kuhn-Tucker(KKT)条件求解目标函数。其次设计一种有效的激励机制，将任务卸载问题建模为一个双边匹配问题，提出基于定价的匹配算法，根据动态的喜好使用户设备和车辆之间达到稳定的匹配。

对于本发明，我们进行了大量仿真。仿真中的具体参数如图表2所示，M辆车和N个用户设备随机分布在半径为R＝1000m的蜂窝网络，用户的通信范围为200m。每个用户设备仅能与一种类型的车辆进行匹配。下面从契约的可行性与网络时延方面进行讨论。

图3是车辆的效益与不同的契约条款的关系图。仿真结果显示了类型5、类型10和类型15的车辆在不同项目条款下的效益。结果表明，当且仅当车辆选择专门为其设计的契约时，每辆车的效益才能最大化。此外，数值结果也表明，车辆的效用随着车辆类型的增加而增加。

图4和图5显示了基站的效益和车的效益与不同项目条款的关系。研究结果表明，不对称信息实际上能够保护车辆资源不被基站过度的利用。在信息对称条件下，基站通过设计合同获得大于信息不对称时的效益。两种条件下我的性能差距随着车辆类型单调增加。在信息对称情况下，基站通过设计合同使得车辆效益为零。因此，信息不对称实际上对车辆是有益的，避免了基站对车辆资源的过度利用。在“接收或离开”契约中，任何类型为θ_m<θ_th的车辆因为约束C₄而拒绝契约。在这种情况下，基站或车辆的效益为零。只有类型高于阈值的车辆才能够获得非零的效益，其原因是“接收或离开”契约不是激励兼容的。

图6显示了基于定价的匹配算法在N＝15,N＝20和N＝25情况下收敛的速度以及性能对比。仿真表明，在有效的迭代次数内，收敛逐渐达到稳定，并且收敛需要的迭代次数随着用户的数量而增加。用户设备之间的竞争随着用户数量的增加而加剧，因此需要提升价格才能够解决竞争问题。图7显示了网络时延随用户数量的增加而增加。此外，所提出的基于定价的匹配方案能够在复杂度很低的情况下接近穷举算法的性能。

图8显示了归一化时延与网络时延约束的关系图。随着时延约束的增加，满足要求的车辆数量随之增加，大量的任务能够卸载到车辆而非在过载的基站上处理。通过利用车辆的空闲资源，能够极大地降低网络时延，同时提高资源利用率。仿真结果还表明，提出的算法能够接近穷举算法的性能。

尽管为说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (3)

1.一种应用在雾计算中基于契约理论和匹配理论的资源分配与任务卸载方案，其特征在于：

1)考虑在信息不对称情况下利用契约理论设计激励机制，以鼓励车辆进行资源共享；

2)在契约理论结束后，提出基于定价机制的双边匹配算法，优化车辆和用户设备之间的匹配，以进行任务卸载。

2.如权利要求1步骤1)所述的在基站只知道车辆类型概率分布的情况下利用契约理论设计激励机制以进行资源分配，其特征在于，需要考虑特定车辆类型下基站效用问题：

1)首先考虑M种车辆类型时，车辆在类型θ_m的情况下签订合同项目(δ_m，π_m)，基站的预期效用为：

δ_m和π_m分别表示类型为θ_m的车辆提供的资源和其相应的奖励；λ_m表示类型为θ_m的车辆的概率。

2)基站的目标是在信息不对称的情况下，通过优化每个项目条款最大化预期效用，因此相应的目标函数为：

P1：

s.t.C1：θ₁π₁-δ₁＝0

C2：δ_m＝δ_m-1+θ_m(π_m-π_m--1)，2≤m≤M

C3：

C4：

C1、C2、和C3分别为个人理性、激励兼容性和单调性约束，C4为δ_m的上界；通过使用KKT(Karush-Kuhn-Tucher)条件求解目标函数中的最契约。

3.如权利要求1步骤2)所述的基于定价机制的双边匹配算法的任务卸载机制，其特征在于，在契约建立过程结束后，通过对任务卸载进行建模，将其转化为双边匹配问题；根据动态的喜好表，在匹配过程中执行“提出申请”和“提高价格”的过程，以获得车辆和用户设备之间的稳定匹配，其步骤如下所示：

1)本研究目的是通过利用车辆未充分利用的计算资源来减轻基站负载以降低时延，因此将匹配过程的目标函数建模为所有用户设备的总时延，通过研究如何将用户任务分配给车辆来最

小化时延；其目标函数为：

P2：

s.t.C5：

C6：

C7：

C8：

其中，C5和C6保证用户设备和车辆之间一对一的匹配关系；C7和C8表示任务分配和任务传输的时延约束，表示在用户设备通信范围内车辆的停留时间；X是一个N×M矩阵，表示用户设备和车辆之间的任务分配决策，矩阵中的元素是二进制变量，x_n，m＝1表示任务卸载到车辆，由车辆处理；x_n，n＝1表示任务未卸载到车辆，必须由基站处理；表示由基站处理的任务的总时延。

2)为了解决网络总时延最小化的问题，需要将上述问题转化为双边匹配问题；进行双边匹配问题的求解，首先建立用户设备对类型为θ_m车辆的喜好列表；为了最小化总时延，用户设备U_n对车辆V_m的喜好表可以表示为：

其中，φ(U_n)＝V_m代表用户设备U_n将任务卸载到车辆V_m，表示任务卸载到车辆的总时延，P_m是租用车辆V_m的计算资源的价格，其初始值为零；根据建立的喜好表，用户设备会向它最喜欢的车辆提出匹配申请；为了解决同时有多个用户设备对向同一类车辆提出申请的冲突问题，引入“价格”的概念，车辆资源的价格没有实际意义，只是在匹配过程中作为匹配成本而存在；当同一车辆接收到多个用户设备的匹配申请时，它的价格就会每次增加ΔP_m，使得用户设备和车辆匹配的成本增加；随着匹配的成本增加，用户设备就向其他车辆提出申请，直到最后只剩下一个提出申请的用户设备；该算法的收敛次数随用户设备和车辆类型增加而增加，当匹配结束时，用户设备与车辆之间的匹配达到稳定状态。