CN109756371A - 一种基于博弈的网络节点资源感知激励方法及系统 - Google Patents
一种基于博弈的网络节点资源感知激励方法及系统 Download PDFInfo
- Publication number
- CN109756371A CN109756371A CN201811607890.7A CN201811607890A CN109756371A CN 109756371 A CN109756371 A CN 109756371A CN 201811607890 A CN201811607890 A CN 201811607890A CN 109756371 A CN109756371 A CN 109756371A
- Authority
- CN
- China
- Prior art keywords
- perception
- controller
- service node
- price
- perceived
- 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
Abstract
本发明公开了一种基于博弈的网络节点资源感知激励方法及系统,其中,该基于博弈的网络节点资源感知激励方法包括如下步骤:根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。该方法通过博弈,使得服务节点以最优资源感知频率向控制器反馈资源信息,控制器则以最优资源感知价格作为感知激励,可以保障网络的稳定运行。
Description
技术领域
本发明涉及一种基于博弈的网络节点资源感知激励方法,同时涉及相应的网络节点资源感知激励系统,属于智能计算技术领域。
背景技术
在过去的十年中,由于终端设备资源能力不足,云计算平台通过为用户提供数据中心服务和资源,成为物联网(IoT)不可缺少的组成部分,使得终端避免了大量的本地计算和决策。然而,随着网络连接终端设备的爆炸性增长,集中式数据中心位于核心网络中的网络结构经常导致连接到云服务器的无线链路上的延迟和沉重链路负担。目前,物联网应用的普及正在改变计算的主要因素。固定和集中的云计算平台可能会导致对自动驾驶等物联网应用中的移动性以及安全问题的支持不足。因此,基于云的网络几乎无法满足未来物联网应用对低延迟、大数据和高可靠性的要求,这就需要新的网络架构。
移动边缘计算/雾计算可以深度挖掘海量设备的内在闲置通信、存储、计算和控制资源,缓解云计算在链路拥塞、时延和能耗等方面的压力。在移动边缘计算/雾计算网络中,资源匮乏的移动应用程序的数据处理可以从资源受限的终端设备迁移到功能强大的移动云辅助平台;终端设备可以直接在网络边缘执行任务,满足移动应用的新需求。
随着终端数据流量的快速增长,移动边缘计算/雾计算网络的资源调度方案一直备受关注。资源调度方案是为了解决什么时候向哪个设备提供哪种服务的问题,其目的是移动边缘计算/雾计算系统中实现能耗与任务延迟之间的折中,并保证终端用户的服务质量(QoS)。
但是,如何准确实时感知网络中所有设备和海量的数据内容是移动边缘计算/雾计算网络中有效资源调度和卸载任务制定的重要前提。为此,对服务节点网络资源(如网络节点资源、信道状态、用户关系和数据内容)进行感知对于实现网络控制器的高效资源管理和更好的为终端用户服务具有重要意义。
发明内容
针对现有技术的不足,本发明所要解决的首要技术问题在于提供一种基于博弈的网络节点资源感知激励方法。
本发明所要解决的另一技术问题在于提供一种基于博弈的网络节点资源感知激励系统。
为实现上述发明目的,本发明采用下述的技术方案:
根据本发明实施例的第一方面,提供一种基于博弈的网络节点资源感知激励方法,包括如下步骤:
根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;
根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;
使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
其中较优地,计算控制器的净收益之后;对净收益进行优化,得到获取最大净收益时的最优资源感知价格。
其中较优地,根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格,包括如下步骤:
预测资源感知网络中所有服务节点的反馈策略,得到控制器的感知收益和感知成本;
根据控制器得到的感知收益和感知成本计算净收益;
计算净收益最大化时控制器的感知价格,将所述感知价格作为最优资源感知价格。
其中较优地,所述控制器的感知收益,采用如下公式获得:
其中,fc为控制器的感知收益;τi为感知频率,li为反馈信息大小,T为总时隙,W为传输信道带宽;为总时隙T内被用来进行感知的比例;i=1,2,……N;N为正整数。
其中较优地,所述控制器的感知成本,采用如下公式获得:
其中,gc为控制器的感知成本;πi为感知价格;τi为感知频率。
其中较优地,根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率,包括如下步骤:
根据控制器提供的最优资源感知价格计算服务节点的感知收益和感知成本;
根据感知收益和感知成本计算服务节点的净收益;
计算净收益最大化时服务节点的感知频率,将所述感知频率作为最优资源感知频率。
其中较优地,所述服务节点的感知收益,采用如下公式获得:
其中,fi(τi)为服务节点i的感知收益;为控制器提供的最优资源感知价格;τi为服务节点i提供的感知频率。
其中较优地,所述服务节点的感知成本,采用如下公式获得:
gi(τi)=τipiTi;
其中,gi(τi)为服务节点i的感知成本;Ti为反馈传输时长;τi为感知频率;pi为反馈传输功率。
其中较优地,所述反馈传输功率,采用如下公式获得:
其中,τi为感知频率;为总时隙T内被用来进行感知的比例;li为反馈信息大小;T为总时隙;W为传输信道带宽;N0为信道干扰和噪声功率密度;γ为信道增益系数;di为服务节点与控制器的距离。
根据本发明实施例的第二方面,提供一种基于博弈的网络节点资源感知激励系统,包括处理器和存储器;所述存储器上存储有可用在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时实现如下步骤:
根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;
根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;
使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
本发明所提供的基于博弈的网络节点资源感知激励方法,通过博弈,服务节点和控制器根据优化的结果制定资源感知策略,控制器以最优资源感知价格支付给每个服务节点,而服务节点则以最优感知频率向控制器反馈其资源信息。控制器感知每个服务节点的资源信息,为用户制定任务卸载策略,提供最优质的服务。
附图说明
图1为本发明所提供的基于博弈的网络节点资源感知激励方法的流程图;
图2为本发明所提供的实施例中,控制器提供最优资源感知价格的流程图;
图3为本发明所提供的的实施例中,服务节点提供最优资源感知频率的流程图;
图4为本发明所提供的基于博弈的网络节点资源感知激励系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
本发明提出了一种基于博弈的网络节点资源感知激励方法,该激励方法通过综合考虑控制器和服务节点的特性和网络环境,选择最优的资源感知报酬价格和感知频率,最大化各自的净收益。每个服务节点都以各自最优的频率向控制器反馈自身的各种资源信息,该激励方法使得控制器和服务节点的净收益均达到最大化。如图1所示,本发明所提供的基于博弈的网络节点资源感知激励方法,包括如下步骤:首先,预测服务节点反馈策略,根据网络状态特征和用户节点特征,计算控制器的净收益;根据净收益提供最优资源感知价格;然后,根据服务节点的自身特性和当前网络状态以及控制器提供的最优资源感知价格,计算服务节点的净收益;通过最大化净收益,确定最优资源感知频率;最后,使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。下面对这一过程做详细具体的说明。
S1,预测服务节点反馈策略,根据网络状态特征和服务节点特征,计算控制器的净收益;根据净收益提供最优资源感知价格。
在资源感知网络中,为激励服务节点反馈其各种资源信息,控制器需付给每个服务节点感知报酬。控制器作为博弈的领导者,先行给出资源感知的价格。博弈的过程为:控制器首先预测服务节点反馈策略,根据信道特征(信道带宽、信道状态信息(CSI)等)和自身特征(感知收益与各因素的关系、感知准确度需求等),计算控制器的感知收益和感知成本之间的净收益;根据净收益提供最优资源感知价格。
控制器向服务节点提供感知报酬价格考虑的因素包括:一方面,服务节点提供的反馈频率的高低决定了资源感知的准确度,当其提供的反馈频率越高,控制器感知资源信息的准确度越高,由此带来的收益也越高;另一方面,服务节点提供的反馈频率越高,需要支付给服务节点的报酬越高,由此成本也越高;控制器为了获得最大的净收益,需要预测每个服务节点的资源感知策略,选择最优的感知价格,激励每个服务节点实时反馈其各种资源信息。在本发明所提供的实施例中,计算控制器的感知收益和感知成本之间的净收益之后;对净收益进行优化,得到获取最大净收益时的最优资源感知价格,即根据优化的净收益提供最优资源感知价格。
如图2所示,控制器提供最优资源感知价格的过程具体包括如下步骤:
S11,预测资源感知网络中所有服务节点的反馈策略,并根据网络状态特征和服务节点特征,得到控制器的感知收益和感知成本;
引入博弈,控制器作为领导者,首先预测这N个服务节点的资源感知策略,并根据网络状态特征和服务节点特征,得到感知收益fc和感知成本gc。
其中,控制器的感知收益为:其中I1(·)为增函数,τi为服务节点i的反馈频率。控制器的感知收益由服务节点反馈资源信息的准确度带来的收益。服务节点反馈信息的频率越高,控制器感知的准确度越高,对于资源分配和卸载调度能力越强,从而获得的总收益也越高,也就是控制器会从每个节点的资源信息反馈中获得收益,且频率越高,收益越大。由每个服务节点带来的感知收益与感知频率成正相关,感知总收益为所有服务节点带来的感知收益之和。
控制器的感知成本为:其中I2(·)为增函数,πi为控制器付给服务节点i的感知价格。控制器感知成本为支付给所有服务节点的总报酬。在给定的感知价格一定时,服务节点的资源信息反馈频率越高,支付给每个服务节点的感知报酬越多,感知总成本越高;同理,当感知价格越高时,其感知成本也越高。支付给每个服务节点感知报酬与感知频率和感知价格成正相关,感知总成本为支付给所有服务节点的感知报酬之和。
在本发明所提供的一个具体实施例中,控制器预测资源感知网络中所有服务节点的反馈策略,并根据网络状态特征和服务节点特征,得到控制器的感知收益,可以采用如下公式获得:
其中,fc为控制器的感知收益;τi为感知频率,li为反馈信息大小,T为总时隙,W为传输信道带宽;为总时隙T内被用来进行感知的比例。i=1,2,……N;N为正整数。
控制器的感知收益,可以采用如下公式获得:
其中,gc为控制器的感知成本;πi为感知价格;τi为感知频率。
S12,根据控制器得到的感知收益和感知成本计算净收益;
计算净收益uc(πi),uc(πi)=fc(πi)-gc(πi),其中πi为感知价格。
如果采用上述具体实施例计算控制器的净收益,则可得到:
S13,计算净收益最大化时控制器的感知价格,将该感知价格作为最优资源感知价格。
通过数学方法优化净收益,即通过数学求函数变量最大值的方法得到获取最大净收益时的最优资源感知价格。根据优化的净收益给每个服务节点i提供最优资源感知价格
s.t.πi≥0。
S2,根据服务节点的自身特性(位置、距离、反馈资源信息大小、反馈频率等)和当前信道特征(信道带宽、信道状态信息(CSI)等)以及控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率。
服务节点作为博弈的跟随者,根据领导者控制器的激励策略随后给出资源感知频率。博弈的过程为:服务节点根据自身特性和当前网络状态以及控制器提供的最优资源感知价格,计算其收入和成本之间的净收益;通过最大化自身净收益,决定向控制器反馈资源信息的最优资源感知频率;服务节点需要向控制器反馈的资源信息包括雾节点物理位置、移动性、通信和计算能力、缓存容量、电源、与附近终端的邻接关系等。
服务节点决定最优感知频率过程中需要考虑的因素包括:1)服务节点提供的反馈频率的高低决定了其收益的大小,当其提供的反馈频率越高,控制器给予的感知报酬价格也越高,获得的收益也越大。2)服务节点提供的反馈频率越高,每个时隙内消耗的能量越高,造成成本升高和资源浪费。由控制器提供的最优资源感知价格,服务节点基于博弈最大化净收益,得到最优的反馈频率。
在本发明所提供的实施例中,计算每个服务节点的净收益之后;对净收益进行优化,得到获取最大净收益时的最优资源感知频率。如附图3所示,网络中服务节点根据控制器提供的最优资源感知价格提供最优感知频率的过程具体包括如下步骤:
S21,根据控制器提供的最优资源感知价格以及服务节点的自身特性和网络状态计算服务节点的感知收益和感知成本;
在该博弈中,服务节点作为跟随者,根据控制器提供的最优资源感知价格,结合自身特性和网络状态计算其感知收益fi和感知成本gi。
其中,服务节点的感知收益为:fi=I2(πi,τi),I2(·)与上文中的相同,为增函数。服务节点i的感知收益为控制器所支付的感知报酬。当控制器给定的价格和提供的资源感知频率越高时,从控制器获得的资源感知报酬也越高。服务节点的感知收益与感知价格和感知频率成正相关。
服务节点的感知成本为:gi=I3(τi,pi,Ti),其中I3(·)为增函数,pi为服务节点i的反馈传输功率,Ti为服务节点i的反馈信息传输时长,Ti=li/ri,li为服务节点i反馈信息的大小,ri为信道的吞吐量,可由香农公式得到,ri与信道带宽、噪声干扰、传输距离以及传输功率pi有关。服务节点的感知主要是反馈传输的能耗成成本。服务节点感知成本与服务节点的反馈频率、反馈资源信息的功率和反馈时长成正相关。当服务节点提供的反馈频率越高,反馈资源信息的功率越大和反馈传输时间越长时,感知能量消耗越大,成本越高。
在本发明所提供的一个具体实施例中,服务节点根据控制器提供的最优资源感知价格以及服务节点的自身特性和网络状态计算服务节点的感知收益,可以采用如下公式获得:
其中,fi(τi)为服务节点i的感知收益;为控制器提供的最优资源感知价格;τi为服务节点i提供的感知频率。
服务节点的感知成本,可以采用如下公式获得:
gi(τi)=τipiTi;
其中,Ti为反馈传输时长,T为总时隙,为总时隙T内被用来进行感知的比例。又因为ri为信道吞吐量,其表达式为其中γ为信道增益系数,N0为信道干扰和噪声功率密度;pi为反馈传输功率;di为服务节点与控制器的距离;li为反馈信息大小。i=1,2,……N;N为正整数。
故可以得到:
因此服务节点的感知成本为:
S22,根据感知收益和感知成本计算服务节点的净收益;
计算服务节点的净收益ui(τi),ui(τi)=fi-gi,其中τi为感知频率。
如果采用上述具体实施例计算服务节点的净收益,则可得到:
S23,计算净收益最大化时服务节点的感知频率,将该感知频率作为最优资源感知频率。
通过数学方法优化净收益,即通过数学求函数变量最大值的方法得到获取最大净收益时的最优资源感知频率即:
s.t.τi≥0。
如果采用上述具体实施例计算服务节点的净收益,并对得到的服务节点净收益进行优化,则可得到的最优资源感知频率为:
s.t.τi≥0,;
即,得到的最优感知频率为:
S3,使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。控制器和服务节点都获得最大的净收益,通过对每个服务节点的资源信息感知,可以为终端用户提供优质卸载服务,并能保障网络稳定运行。
综上所述,本发明所提供的基于博弈的网络节点资源感知激励方法,目的是在移动边缘计算/雾计算网络中提供一种资源感知激励机制,通过预测服务节点反馈策略,根据网络状态特征和用户节点特征,计算控制器的净收益;根据净收益提供最优资源感知价格;然后,根据服务节点的自身特性和当前网络状态以及控制器提供的最优资源感知价格,计算服务节点的净收益;通过最大化净收益,确定最优资源感知频率;最后,使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。通过博弈,服务节点以最优资源感知频率向控制器反馈资源信息,控制器则以最优资源感知价格作为感知激励,一方面控制器和服务节点都获得最大的净收益;另一方面控制器对于节点的资源感知有利于服务节点为终端用户提供良好的服务,保障终端用户的QoS和网络的稳定运行。
本发明还提供了一种基于博弈的网络节点资源感知激励系统。如图4所示,该系统包括处理器42以及存储有处理器42可执行指令的存储器41;
其中,处理器42可以是通用处理器,例如中央处理器(CPU),还可以是数字信号处理器(DSP)、专用集成电路(ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
其中,存储器41,用于存储程序代码,并将该程序代码传输给CPU。存储器41可以包括易失性存储器,例如随机存取存储器(RAM);存储器41也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器41还可以包括上述种类的存储器的组合。
具体地,本发明实施例所提供的一种基于博弈的网络节点资源感知激励系统,包括处理器42和存储器41;存储器41上存储有可用在处理器42上运行的计算机程序,当计算机程序被处理器42执行时实现如下步骤:
根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;
根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;
使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
其中,当计算机程序被处理器42执行时实现如下步骤;
计算控制器的净收益之后;对净收益进行优化,得到获取最大净收益时的最优资源感知价格。
其中,当选根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格时,计算机程序被处理器42执行实现如下步骤;
预测资源感知网络中所有服务节点的反馈策略,得到控制器的感知收益和感知成本;
根据控制器得到的感知收益和感知成本计算净收益;
计算净收益最大化时控制器的感知价格,将该感知价格作为最优资源感知价格。
其中,当计算机程序被处理器42执行时实现如下步骤;
控制器的感知收益,采用如下公式获得:
其中,fc为控制器的感知收益;τi为感知频率,li为反馈信息大小,T为总时隙,W为传输信道带宽;为总时隙T内被用来进行感知的比例;i=1,2,……N;N为正整数。
其中,当计算机程序被处理器42执行时实现如下步骤;
控制器的感知成本,采用如下公式获得:
其中,gc为控制器的感知成本;πi为感知价格;τi为感知频率。
其中,当根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率时,计算机程序被处理器42执行实现如下步骤;
根据控制器提供的最优资源感知价格计算服务节点的感知收益和感知成本;
根据感知收益和感知成本计算服务节点的净收益;
计算净收益最大化时服务节点的感知频率,将该感知频率作为最优资源感知频率。
其中,当计算机程序被处理器42执行时实现如下步骤;
服务节点的感知收益,采用如下公式获得:
其中,fi(τi)为服务节点i的感知收益;为控制器提供的最优资源感知价格;τi为服务节点i提供的感知频率。
其中,当计算机程序被处理器42执行时实现如下步骤;
服务节点的感知成本,采用如下公式获得:
gi(τi)=τipiTi;
其中,gi(τi)为服务节点i的感知成本;Ti为反馈传输时长;τi为感知频率;pi为反馈传输功率。
其中,当计算机程序被处理器42执行时实现如下步骤;
反馈传输功率,采用如下公式获得:
其中,τi为感知频率;为总时隙T内被用来进行感知的比例;li为反馈信息大小;T为总时隙;W为传输信道带宽;N0为信道干扰和噪声功率密度;γ为信道增益系数;di为服务节点与控制器的距离。
本发明实施例还提供了一种计算机可读存储介质。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
上面对本发明所提供的基于博弈的网络节点资源感知激励方法及系统进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种基于博弈的网络节点资源感知激励方法,其特征在于包括如下步骤:
根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;
根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;
使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
2.如权利要求1所述的基于博弈的网络节点资源感知激励方法,其特征在于:
计算控制器的净收益之后;对净收益进行优化,得到获取最大净收益时的最优资源感知价格。
3.如权利要求2所述的基于博弈的网络节点资源感知激励方法,其特征在于根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格,包括如下步骤:
预测资源感知网络中所有服务节点的反馈策略,得到控制器的感知收益和感知成本;
根据控制器得到的感知收益和感知成本计算净收益;
计算净收益最大化时控制器的感知价格,将所述感知价格作为最优资源感知价格。
4.如权利要求3所述的基于博弈的网络节点资源感知激励方法,其特征在于所述控制器的感知收益,采用如下公式获得:
其中,fc为控制器的感知收益;τi为感知频率,li为反馈信息大小,T为总时隙,W为传输信道带宽;为总时隙T内被用来进行感知的比例;i=1,2,……N;N为正整数。
5.如权利要求4所述的基于博弈的网络节点资源感知激励方法,其特征在于所述控制器的感知成本,采用如下公式获得:
其中,gc为控制器的感知成本;πi为感知价格;τi为感知频率。
6.如权利要求5所述的基于博弈的网络节点资源感知激励方法,其特征在于根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率,包括如下步骤:
根据控制器提供的最优资源感知价格计算服务节点的感知收益和感知成本;
根据感知收益和感知成本计算服务节点的净收益;
计算净收益最大化时服务节点的感知频率,将所述感知频率作为最优资源感知频率。
7.如权利要求6所述的基于博弈的网络节点资源感知激励方法,其特征在于所述服务节点的感知收益,采用如下公式获得:
其中,fi(τi)为服务节点i的感知收益;为控制器提供的最优资源感知价格;τi为服务节点i提供的感知频率。
8.如权利要求7所述的基于博弈的网络节点资源感知激励方法,其特征在于所述服务节点的感知成本,采用如下公式获得:
gi(τi)=τipiTi;
其中,gi(τi)为服务节点i的感知成本;Ti为反馈传输时长;τi为感知频率;pi为反馈传输功率。
9.如权利要求8所述的基于博弈的网络节点资源感知激励方法,其特征在于所述反馈传输功率,采用如下公式获得:
其中,τi为感知频率;为总时隙T内被用来进行感知的比例;li为反馈信息大小;T为总时隙;W为传输信道带宽;N0为信道干扰和噪声功率密度;γ为信道增益系数;di为服务节点与控制器的距离。
10.一种基于博弈的网络节点资源感知激励系统,其特征在于包括处理器和存储器;所述存储器上存储有可用在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时实现如下步骤:
根据预测的服务节点反馈策略,计算控制器的净收益;并根据净收益提供最优资源感知价格;
根据控制器提供的最优资源感知价格,计算每个服务节点的净收益;通过最大化净收益,确定最优资源感知频率;
使服务节点以最优资源感知频率向控制器反馈各种资源信息,控制器以最优资源感知价格付给服务节点报酬。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607890.7A CN109756371B (zh) | 2018-12-27 | 2018-12-27 | 一种基于博弈的网络节点资源感知激励方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607890.7A CN109756371B (zh) | 2018-12-27 | 2018-12-27 | 一种基于博弈的网络节点资源感知激励方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109756371A true CN109756371A (zh) | 2019-05-14 |
CN109756371B CN109756371B (zh) | 2022-04-29 |
Family
ID=66404167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811607890.7A Active CN109756371B (zh) | 2018-12-27 | 2018-12-27 | 一种基于博弈的网络节点资源感知激励方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109756371B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112671558A (zh) * | 2020-12-08 | 2021-04-16 | 山东大学 | 基于博弈的软件定义网络控制器收益优化方法及系统 |
CN113037876A (zh) * | 2021-05-25 | 2021-06-25 | 中国人民解放军国防科技大学 | 基于合作博弈的云下行任务边缘节点资源分配方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110080302A (ko) * | 2010-01-05 | 2011-07-13 | 주식회사 오웨이브미디어 | 온라인 소셜 네트워크에서 개인의 네트워크 경쟁력과 네트워크 효과를 측정하는 방법 |
US8737212B2 (en) * | 2007-06-21 | 2014-05-27 | Intel Corporation | Distributing intelligence across networks |
CN104640141A (zh) * | 2015-01-30 | 2015-05-20 | 南京邮电大学 | 一种多中继节点合作博弈的激励方法 |
US20150350038A1 (en) * | 2014-05-27 | 2015-12-03 | Telefonaktiebolaget L M Ericsson (Publ) | Methods of generating community trust values for communities of nodes in a network and related systems |
CN107431984A (zh) * | 2015-03-12 | 2017-12-01 | 瑞典爱立信有限公司 | 用于设备到设备通信铺设蜂窝网络的功率分配 |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算系统中基于演进博弈的动态资源分配方法 |
CN107733518A (zh) * | 2017-09-30 | 2018-02-23 | 南京理工大学 | 基于合作博弈的leo卫星网络最优收益路由方法 |
US20180083483A1 (en) * | 2016-09-22 | 2018-03-22 | Seung Ho Hong | Incentive-based demand response method considering hierarchical electricity market |
CN108200610A (zh) * | 2018-02-26 | 2018-06-22 | 重庆邮电大学 | 采取分布式博弈的群智感知资源分配方法 |
CN108234603A (zh) * | 2017-12-12 | 2018-06-29 | 华南理工大学 | 一种基于定价的边缘计算资源分配方法及系统 |
CN108600014A (zh) * | 2018-04-27 | 2018-09-28 | 哈尔滨工业大学深圳研究生院 | 一种基于Stackelberg博弈的存储资源分配方法 |
CN108632860A (zh) * | 2018-04-17 | 2018-10-09 | 浙江工业大学 | 一种基于深度强化学习的移动边缘计算速率最大化方法 |
CN108664318A (zh) * | 2018-05-11 | 2018-10-16 | 北京邮电大学 | 计算迁移方法及用于计算迁移的服务端、边界服务端 |
CN108681921A (zh) * | 2018-05-14 | 2018-10-19 | 北京信息科技大学 | 一种基于随机博弈获取群智感知激励策略的方法及装置 |
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 |
CN108920273A (zh) * | 2018-06-21 | 2018-11-30 | 河南科技大学 | 一种边缘云的计算卸载激励方法 |
CN109003005A (zh) * | 2018-09-18 | 2018-12-14 | 南京邮电大学 | 一种面向边缘计算的数据回传的绿色能源分配方法 |
-
2018
- 2018-12-27 CN CN201811607890.7A patent/CN109756371B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8737212B2 (en) * | 2007-06-21 | 2014-05-27 | Intel Corporation | Distributing intelligence across networks |
KR20110080302A (ko) * | 2010-01-05 | 2011-07-13 | 주식회사 오웨이브미디어 | 온라인 소셜 네트워크에서 개인의 네트워크 경쟁력과 네트워크 효과를 측정하는 방법 |
US20150350038A1 (en) * | 2014-05-27 | 2015-12-03 | Telefonaktiebolaget L M Ericsson (Publ) | Methods of generating community trust values for communities of nodes in a network and related systems |
CN104640141A (zh) * | 2015-01-30 | 2015-05-20 | 南京邮电大学 | 一种多中继节点合作博弈的激励方法 |
CN107431984A (zh) * | 2015-03-12 | 2017-12-01 | 瑞典爱立信有限公司 | 用于设备到设备通信铺设蜂窝网络的功率分配 |
US20180083483A1 (en) * | 2016-09-22 | 2018-03-22 | Seung Ho Hong | Incentive-based demand response method considering hierarchical electricity market |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算系统中基于演进博弈的动态资源分配方法 |
CN107733518A (zh) * | 2017-09-30 | 2018-02-23 | 南京理工大学 | 基于合作博弈的leo卫星网络最优收益路由方法 |
CN108234603A (zh) * | 2017-12-12 | 2018-06-29 | 华南理工大学 | 一种基于定价的边缘计算资源分配方法及系统 |
CN108200610A (zh) * | 2018-02-26 | 2018-06-22 | 重庆邮电大学 | 采取分布式博弈的群智感知资源分配方法 |
CN108632860A (zh) * | 2018-04-17 | 2018-10-09 | 浙江工业大学 | 一种基于深度强化学习的移动边缘计算速率最大化方法 |
CN108600014A (zh) * | 2018-04-27 | 2018-09-28 | 哈尔滨工业大学深圳研究生院 | 一种基于Stackelberg博弈的存储资源分配方法 |
CN108664318A (zh) * | 2018-05-11 | 2018-10-16 | 北京邮电大学 | 计算迁移方法及用于计算迁移的服务端、边界服务端 |
CN108681921A (zh) * | 2018-05-14 | 2018-10-19 | 北京信息科技大学 | 一种基于随机博弈获取群智感知激励策略的方法及装置 |
CN108920273A (zh) * | 2018-06-21 | 2018-11-30 | 河南科技大学 | 一种边缘云的计算卸载激励方法 |
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 |
CN109003005A (zh) * | 2018-09-18 | 2018-12-14 | 南京邮电大学 | 一种面向边缘计算的数据回传的绿色能源分配方法 |
Non-Patent Citations (2)
Title |
---|
CHONGCHONG ZHANG; FEI SHEN; GUOWEI ZHANG; FEI QIN; FENG YAN: "An Incentive Framework for Collaborative Sensing in Fog Networks", 《2018 10TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 * |
FEI SHEN; KENZA HAMIDOUCHE; EJDER BASTUG; MEROUANE DEBBAH: "A Stackelberg Game for Incentive Proactive Caching Mechanisms in Wireless Networks", 《 2016 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112671558A (zh) * | 2020-12-08 | 2021-04-16 | 山东大学 | 基于博弈的软件定义网络控制器收益优化方法及系统 |
CN113037876A (zh) * | 2021-05-25 | 2021-06-25 | 中国人民解放军国防科技大学 | 基于合作博弈的云下行任务边缘节点资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109756371B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111163519B (zh) | 系统收益最大化的无线体域网资源分配与任务卸载方法 | |
CN111431941B (zh) | 一种基于移动边缘计算的实时视频码率自适应方法 | |
CN107111597B (zh) | 用于动态地控制基于需求收费的网络中的客户流量的方法和设备 | |
CN109802998B (zh) | 一种基于博弈的雾网络协同调度激励方法及系统 | |
US9264878B2 (en) | Method of providing rate tiers in wireless communication systems | |
US6748220B1 (en) | Resource allocation in wireless networks | |
EP1993231A1 (en) | Allocation method, system and device for network resource in communication network | |
US9391749B2 (en) | System and method for distributed data management in wireless networks | |
US10819760B2 (en) | Method and apparatus for streaming video applications in cellular networks | |
EP2962427B1 (en) | Method and system to represent the impact of load variation on service outage over multiple links | |
WO2016086406A1 (zh) | 一种网络资源部署方法和设备 | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
CN107466083A (zh) | 一种无线路由器及其信道选择方法和系统 | |
CN109756371A (zh) | 一种基于博弈的网络节点资源感知激励方法及系统 | |
JP7151705B2 (ja) | 無線リソース管理方法、管理装置、及び無線通信システム | |
EP3366060B1 (en) | Allocating radio resources in a cellular network | |
Abbas et al. | Price-aware traffic splitting in D2D HetNets with cost-energy-QoE tradeoffs | |
Kim | Heterogeneous network bandwidth management scheme based on the principal-agent game model | |
CN109151747A (zh) | 业务兑换处理方法、运营服务器和业务服务器 | |
US10652159B2 (en) | Mobile packet data rate control based on radio load and other measures | |
Hosein et al. | CSP: Customer Satisfaction based Pricing for Advanced Cellular Networks | |
Zachariadis et al. | Dynamic pricing and resource allocation using revenue management for multiservice networks | |
Schoenen et al. | Economics of user-in-the-loop demand control with differentiated QoS in cellular networks | |
Oloyede et al. | Energy efficient short term spectrum auction using the concept of green payments | |
Bai et al. | Flexible spectrum allocation methods for wireless network providers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |