CN109831788B - 用于边缘接入场景的网络资源动态分配方法及系统 - Google Patents
用于边缘接入场景的网络资源动态分配方法及系统 Download PDFInfo
- Publication number
- CN109831788B CN109831788B CN201910071753.4A CN201910071753A CN109831788B CN 109831788 B CN109831788 B CN 109831788B CN 201910071753 A CN201910071753 A CN 201910071753A CN 109831788 B CN109831788 B CN 109831788B
- Authority
- CN
- China
- Prior art keywords
- network
- price
- user terminal
- optimal
- network resource
- 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.)
- Active
Links
Images
Landscapes
- Computer And Data Communications (AREA)
Abstract
本发明实施例提供一种用于边缘接入场景的网络资源动态分配方法及系统,包括:基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。本发明实施例基于斯塔克尔伯格博弈的网络接入资源动态分配模型,通过运营商和用户终端之间的两阶段博弈,根据粒子群算法得出最优的网络价格及资源分配,在保证用户满意度的同时,提高运营商的总体收益。
Description
技术领域
本发明实施例涉及无线通信技术领域,尤其涉及一种用于边缘接入场景的网络资源动态分配方法及系统。
背景技术
近年来,Wi-Fi技术由于其低部署成本和高数据传输速率得到快速发展,运营商通信网络持续向以分布式服务为核心的扁平化网络演进。无线共享网络则是基于分布式服务概念的新型网络,是一种典型的边缘侧可信多接入资源场景。通过鼓励个人共享私有Wi-Fi接入点(AP),快速、低成本聚集Wi-Fi覆盖范围和容量。运营商甚至无需安装新的AP,即可拥有覆盖广泛的网络资源。对于用户,在家接入自己的AP,出门接入其他用户的AP,随时享受网络服务。
目前,网络资源分配方法分为分布式和集中式两种。在集中式方法中,运营商直接把用户分配到不同的网络接入资源,缺点是网络架构成本比较高。在分布式方法中,用户自主选择接入网络,运营商不需在架构上投入额外成本,在无线共享网络中,由于网络资源是分布分散,且容量有限的,需要使用有限的资源为所有用户提供满意的服务。此外,不同网络提供服务的能力不同,网络资源的定价互有差异,而每个用户的资源需求也互有差异,因此不同用户接入不同网络为运营商带来的收益互有差异,为用户提供满意服务的同时最大化运营商的收益,关键在于为用户分配最合理的网络接入资源。
因此,现在亟需一种用于边缘接入场景的网络资源动态分配方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种用于边缘接入场景的网络资源动态分配方法及系统。
第一方面,本发明实施例提供了一种用于边缘接入场景的网络资源动态分配方法,包括:
基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;
根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;
根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;
根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
第二方面,本发明实施例提供了一种用于边缘接入场景的网络资源动态分配系统,包括:
第一处理模块,用于基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;
第二处理模块,用于根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;
第三处理模块,用于根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;
网络资源分配模块,用于根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于边缘接入场景的网络资源动态分配方法及系统,基于斯塔克尔伯格博弈的网络接入资源动态分配模型,通过运营商制定网络价格策略,激励用户执行网络选择策略的两阶段博弈,根据粒子群算法得出最优的网络价格及资源分配,使得在保证用户满意度的同时,提高了运营商的总体收益。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的无线共享网络体系的结构示意图;
图2为本发明实施例提供的用于边缘接入场景的网络资源动态分配方法的流程示意图;
图3为本发明实施例提供的用户愿意支付的网络价格与数据传输速率的函数关系示意图;
图4为本发明实施例提供的运营商制定网络价格策略阶段的算法迭代次数示意图;
图5为本发明实施例提供的用户终端制定网络选择策略阶段的算法迭代次数示意图;
图6为本发明实施例提供的运营商制定网络价格策略阶段的算法收敛过程图;
图7为本发明实施例提供的用户终端制定网络选择策略阶段的算法收敛过程图;
图8为本发明实施例提供的用于边缘接入场景的网络资源动态分配系统的结构示意图;
图9为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在现有的无线网络资源分配技术中,多数以用户为中心,建立完全分布式资源分配模型,却没有考虑整体收益,导致运营商的总收益降低,称为“公地悲剧”。原因有两个,一是用户终端无法获取全局信息,选择的是局部最优。二是由于用户的理性与自私,会选择满足自身利益最大化的网络,而不考虑其他人。即使考虑了网络整体的效益,但是大多针对数据速率或吞吐量等物理性能,却忽略了上层用户需求,没有考虑用户的满意情况。因此,在边缘接入场景中,研究接入资源合理分配,既保证运营商收益最大化,同时把用户满意度考虑入内具有重要的研究价值。
无线共享网络体系结构共包含三种角色,图1为本发明实施例提供的无线共享网络体系的结构示意图,如图1所示,Wi-Fi共享者提供私有Wi-Fi,即Wi-Fi接入点,组成网络接入资源池,并授予部分管理权限给运营商;Wi-Fi运营商是网络接入资源池的管理者,负责资源定价,并通过定价影响用户的网络策略选择,完成网络资源的合理分配;用户终端,选择并接入一个Wi-Fi资源,开启数据传输,结束后向运营商支付金钱。在本发明实施例中,以运营商和用户终端为博弈双方进行说明。需要说明的是,在t时刻,一个无线共享网络中,各个网络资源的覆盖区域和预接入用户终端的相对地理位置保持不变。预接入用户终端是指,想要接入但尚未确定网络接入资源的用户终端。每个网络资源服务能力的初始值(如:数据传输速率)和用户终端的数据传输量是已知常量,由于有些Wi-Fi的覆盖区域存在重叠,位于重叠区域的预接入用户终端可接入的网络数量多于1个,即这些预接入用户终端处于边缘接入场景中,运营商通过定价影响预接入用户终端的网络选择,同时完成资源分配过程,最后每个预接入用户终端有且只能连入1个网络。为方便描述,在后续本发明实施例中,如无特殊说明,将处于边缘接入场景的预接入用户终端简称为用户终端进行说明。
图2为本发明实施例提供的用于边缘接入场景的网络资源动态分配方法的流程示意图,如图2所示,本发明实施例提供了一种用于边缘接入场景的网络资源动态分配方法,包括:
步骤201,基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;
步骤202,根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;
步骤203,根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;
步骤204,根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
在本发明实施例中,首先,通过步骤201,基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数。运营商先做价格策略,用户再执行网络选择策略,二者并不平等,符合两阶段斯塔克尔伯格博弈模型中领导者和跟随者的关系。在本发明实施例中,运营商是领导者,用户终端是跟随者,运营商制定价格策略以使总体收益最大化,然后用户终端执行网络选择策略,以使得个体收益最大化。因此,为了准确的定义博弈目标,描述博弈过程,网络资源动态分配模型定义了用于描述运营商和用户终端各自收益的效用函数。
进一步地,在本发明实施例中,通过步骤202,根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格。然后通过步骤203,根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略。运营商每制定一次网络价格策略,然后用户终端完成一次网络选择策略为一个轮次,运营商作为领导者,知晓用户终端上一轮次的选择。算法流程为,博弈双方制定初始化策略;运营商基于用户终端的网络选择,博弈双方制定第二轮策略;然后,制定第三轮策略,直到纳什均衡,双方无法单方面提高效用。最后,通过步骤204,根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。博弈者制定策略是对最优化问题的求解,同时搜索多个变量取值可以减少寻找最优解过程中的循环次数,提高计算速度。从第二轮开始,运营商基于上一轮的网络选择调整网络价格。在本发明实施例中,寻找使运营商效用函数达到最优网络价格的取值通过经典粒子群算法即可求解;寻找用户终端效用函数达到最优用户满意度的取值通过离散量子粒子群算法求解得到。
本发明实施例提供的一种用于边缘接入场景的网络资源动态分配方法,基于斯塔克尔伯格博弈的网络接入资源动态分配模型,通过运营商制定网络价格策略,激励用户执行网络选择策略的两阶段博弈,根据粒子群算法得出最优的网络价格及资源分配,使得在保证用户满意度的同时,提高了运营商的总体收益。
在上述实施例的基础上,所述运营商效用函数公式为:
其中,N表示网络数量,Xj表示第j个网络的数据传输总量,xi表示用户i传输的数据量,nj表示第j个网络的接入用户数量,pj表示第j个网络的价格。
在本发明实施例中,首先定义运营商的网络价格策略,P=(p1,p2,…,pN),分别表示第1个,第2个,……,第N个网络的价格,需要说明的是,在本发明各实施例中,网络价格是指网络接入资源间的相对价格,而不是绝对价格。由上述运营商效用函数定义了所有无线网络资源带来的总收入,即等于每个网络各自收入之和,也就是每个网络收入等于使用本网络传输的数据量和传输价格之间的乘积。
在上述任一实施例的基础上,所述用户终端效用函数公式为:
πi(Y)=qj(rj(nj(Y)))*xi-pj*xi;
其中,Y表示策略集合,nj(Y)表示在策略集合Y中,第j个网络的用户数量,rj(nj(Y))表示在用户数量为nj(Y)的情况下的第j个网络的数据传输速率,qj(rj(nj(Y)))表示在数据传输速率为rj(nj(Y))的情况下,用户愿意向第j个网络支付的最高价格,pj表示第j个网络的实际价格。
在本发明实施例中,首先对用户终端的网络选择策略进行定义,可参考图1所示,3个Wi-Fi网络由于覆盖区域存在重叠被分为5个子区域,从左至右,用户数依次为U1、U2、U3、U4和U5,然而,仅有区域2和区域4的用户需要进行网络选择并参与博弈。其中,参与者i的策略集合sij表示参与者i可以选择接入的第j个网络组成的策略集合,当si=1时,表示用户i选择接入网络1。需要说明的是,在本发明实施例中,用户的诉求是能够获得满意的服务,为了使用公式量化用户的满意情况,根据用户的预期与实际情况之间的差值来描述用户的满意度。即,用户终端获得的收益是用户终端预期支付的价格与实际支付价格的差异带来的支付总金额的差异。其中,用户愿意支付的最高价格表示用户预期支付的价格,数据传输速率越高,用户愿意支付的价格越高。基于边际效应递减规律,建立一个递增凹函数模型。图3为本发明实施例提供的用户愿意支付的网络价格与数据传输速率的函数关系示意图,如图3所示,当传输速率为0时,用户不需要进行支付,当传输速率为r1时,用户愿意支付的网络价格为q(r1),当传输速率为r2时,用户愿意支付的网络价格为q(r2),即q(r2)﹣q(r1)表示数据传输速率提高时,用户愿意支付的价格增长。因此,根据上述函数关系,在数据传输速率为rj(nj(Y))的情况下,用户愿意向网络j支付的最高价格qj(rj(nj(Y)))对应的公式为:
q(r)=αlog(1+r);
其中,r表示网络传输速率,a表示常数。
在本发明实施例中,用户愿意支付的网络价格与数据传输速率有关,而数据传输速率取决于网络拥塞程度,根据IEEE802.11g标准,将数据传输速率为rj(nj(Y))通过表示,当n个用户同时接入同一个Wi-Fi网络时该网络的数据传输速率,公式为:
其中,τ是平均竞争成功率,L表示平均负载长度,Tb表示退避窗口长度,Tc表示碰撞窗口长度,Ts表示成功窗口长度。随着用户数量的增加,网络平均资源减少,且用户之间的竞争产生资源浪费,从而导致用户获得的数据传输速率下降。
在上述任一实施例的基础上,在所述基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数之后,所述方法还包括:
获取初始网络资源价格,并将所述初始网络资源价格发送到用户终端;
获取用户终端根据所述初始网络资源价格确定的初始网络选择策略;
基于斯塔克尔伯格博弈的网络资源动态分配模型,根据所述初始网络资源价格和所述初始网络选择策略,获取下一轮的网络资源价格和网络选择策略,以对网络资源进行动态分配。
在本发明实施例中,在进行网络资源动态分配之前,第一轮的初始网络价格由运营商预先设定,由于网络数据传输速率取决于网络资源的拥挤程度,因此初始网络价格的设定和用户终端的数据传输速率直接影响用户的网络选择策略。运营商每制定一次网络价格策略,然后用户终端完成一次网络选择策略为一个轮次,运营商作为领导者,知晓用户终端上一轮次的选择。在博弈双方制定初始化策略之后,运营商基于用户终端的网络选择,博弈双方制定第二轮策略;然后,制定第三轮策略,直到纳什均衡,双方无法单方面提高效用,从而对网络资源进行动态分配。
在上述任一实施例的基础上,所述根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格,包括:
根据所述运营商效用函数,得到个体最佳适应值和全局最佳适应值对应的粒子位置;
基于粒子群算法,根据个体最佳适应值和全局最佳适应值对应的粒子位置,对粒子位置和粒子速度进行更新处理,得到更新后的网络资源价格,若更新后的网络资源价格满足预设条件,则得到最优网络资源价格。
在本发明实施例中,通过逆向归纳法的求解思想,基于粒子群算法对网络资源动态分配模型进行求解。首先,设置粒子群中初始粒子的位置、速度、长度和粒子规模,即:
p(t)=[p1(t),p2(t),…,pM(t)];
v(t)=[v1(t),v2(t),…,vM(t)];
其中,t表示迭代次数,pi(t)表示粒子位置,对应本轮次的网络价格,v(t)表示粒子速度,N表示粒子长度,对应本轮次的网络个数,M表示粒子规模。
在本发明实施例中,对于每个粒子,根据粒子位置pi(t),使用离散量子粒子群算法,计算用户终端的网络选择策略Y*[pi(t)],其中,使用二进制值表示网络的选择与否,表示形式为一串二进制数。
从第二轮开始,运营商基于用户终端的上一轮次的网络选择,对网络价格进行调整。在本发明实施例中,使运营商效用函数达到最优网络价格的取值,是一个典型的最优化问题,通过经典粒子群算法即可求解。因此,将运营商效用函数作为适应度函数,在初始化粒子之后,根据用户终端的网络选择策略Y*和适应度函数,计算每个粒子的适应值L[pi(t)],从而得到个体最佳适应值和全局最佳适应值对应的粒子位置,即pbest(t)和gbest(t),其中,
pbest(t)=(pbest1(t),pbest2(t),…,pbestM(t));
然后,根据个体最佳适应值和全局最佳适应值对应的粒子位置,通过下列公式对粒子位置和速度进行更新,更新公式为:
pi(t+1)=pi(t)+vi(t+1);
其中,pi(t+1)和vi(t+1)表示第t+1轮迭代的位置与速度,μ1和μ2表示学习因子,w表示惯性权重,rand()表示介于(0,1)之间的随机数,更新后的网络资源价格表示为:
p(t+1)=[p1(t+1),p2(t+1),…,pM(t+1)];
在本发明实施例中,通过对运营商适应度函数进行迭代处理,若网络资源价格的全局最佳适应值连续4次保持不变,则获取到最优解,否则,再次使用更新公式对网络资源价格进行更新。
在上述任一实施例的基础上,所述根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略,包括:
根据所述用户终端效用函数,得到离散粒子向量的个体最佳适应值和全局最佳适应值;
基于离散量子粒子群算法,根据离散粒子向量的个体最佳适应值和全局最佳适应值,对量子粒子向量和离散粒子向量进行更新处理,得到更新后的离散粒子向量,若更新后的离散粒子向量满足预设条件,则得到对应的最优网络选择策略。
在本发明实施例中,在每一轮次运营商制定网络资源价格之后,用户执行相应的网络选择策略,最优解使得用户终端效用函数达到最大值的网络选择的取值。由于网络选择的取值不是常规类型的连续变量,基于离散量子粒子群算法,可以解决变量值不连续的问题。使用二进制数字表示用户的网络选择策略,二进制数字的长度取决于可接入的网络数量,二进制数字的位值表示对应网络选择与否。可参考图1所示,从上往下依次有5个子区域,博弈参与者为区域2和区域4的用户终端,每个区域内的用户终端可接入的网络数量为2,则每个用户终端对应一个长度为2的二进制数字,用于表示两个可接入网络的选择情况,其中,取值为1时,表示选择该网络,取值为2时,表示不选择该网络。由于每个用户终端的网络选择结果有且只能接入一个网络,当位值等于0、2个位值等于1或者2个以上位值等于1时,策略无效。因此,策略组合Y表示为将所有二进制数据依次连接,长度为1×(U2×2+U4×2),用户终端通过选择最优策略组合Y使得用户终端的适应值最大。
根据用户终端效用函数建立用户终端的适应度函数,若策略组合Y为有效策略,公式为:
若策略组合Y为无效策略,则f(Y)=L。
在本发明实施例中,基于离散量子粒子群算法,首先,初始化用户终端的量子粒子向量、离散粒子向量、粒子长度和粒子规模,即:
Q(t)=[q1(t),q2(t),…,qN(t)];
P(t)=[p1(t),p2(t),…,pN(t)];
其中,Q(t)表示量子粒子向量,P(t)表示离散粒子向量,m表示粒子长度,N表示粒子规模。
根据用户终端的适应度函数,计算离散粒子向量的适应值f(pj(t),从而得到离散粒子向量的个体最佳适应值和全局最佳适应值,即pj selfbest(t)和pgloballbest(t),其中,
然后,对量子粒子向量进行更新,公式为:
qglobalbest(t)=αpglobalbest(t)1-pglobalbest(t);
其中,a和β表示控制参数,0﹤a﹤1,0﹤β﹤1,且a+β=1,c1、c2和c3表示下一轮q的产生依赖的局部最优和全局最优的长度,c1+c2+c3=1。
根据更新后的量子粒子向量Q(t),对离散粒子向量进行更新,公式为:
当离散粒子向量的全局最佳适应值等于0时,则停止迭代更新,从而得到最优解对应的最优网络选择策略,否则,继续对量子粒子向量和离散粒子向量进行更新。
为了验证上述实施例的有效性,通过MATLAB进行仿真实验。在上述实施例的基础上,可参考图1所示,在一个无线共享网络中,3个Wi-Fi共享者提供了3个Wi-Fi接入点,且3个Wi-Fi网络两两重叠,参数设置如表1所示:
表1网络参数设置
设置子区域2和4的用户终端数分别为5和10,对区域中的用户终端按顺序进行编号后,依次需要传输的数据量分别为10、11、12、13、14、4、5、2、8、10、12、12、13、14和2,单位为Mb。
然后,对粒子群优化算法参数和离散量子粒子群算法参数进行设置,分别如表2和表3所示:
表2粒子群优化算法参数设置
表3离散量子粒子群算法参数设置
在完成参数设置之后,通过MATLAB实现基于粒子群算法的网络资源动态分配求解算法,得出最优的网络价格及资源分配,对算法性能及网络资源分配结果进行分析。
图4为本发明实施例提供的运营商制定网络价格策略阶段的算法迭代次数示意图,如图4所示,在运营商制定网络价格策略阶段,通过进行100次仿真实验,记录每次收敛所需的迭代次数。图5为本发明实施例提供的用户终端制定网络选择策略阶段的算法迭代次数示意图,如图5所示,在用户终端进行网络选择策略阶段,同样进行100次仿真实验,记录每次收敛所需的迭代次数。选取其中一次迭代过程,图6为本发明实施例提供的运营商制定网络价格策略阶段的算法收敛过程图,横轴表示迭代次数,纵轴表示运营商网络资源价格的全局最佳适应值,可参考图6所示,在运营商制定网络价格阶段,通过粒子群算法,网络价格策略的最优解在第5次迭代获得。图7为本发明实施例提供的用户终端制定网络选择策略阶段的算法收敛过程图,横轴表示迭代次数,纵轴表示用户满意度的全局最佳适应值,可参考图7所示,在用户终端进行网络选择策略阶段,通过离散量子粒子群算法,在第178次迭代时,获取用户终端收益的最优解,即用户的最优满意度。
图8为本发明实施例提供的用于边缘接入场景的网络资源动态分配系统的结构示意图,如图8所示,本发明实施例提供了一种用于边缘接入场景的网络资源动态分配系统,包括:第一处理模块801、第二处理模块802、第三处理模块803和网络资源分配模块804,其中,第一处理模块801用于基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;第二处理模块802用于根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;第三处理模块803用于根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;网络资源分配模块804用于根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
本发明实施例提供的一种用于边缘接入场景的网络资源动态分配系统,基于斯塔克尔伯格博弈的网络接入资源动态分配模型,通过运营商制定网络价格策略,激励用户执行网络选择策略的两阶段博弈,根据粒子群算法得出最优的网络价格及资源分配,使得在保证用户满意度的同时,提高了运营商的总体收益。
在上述任一实施例的基础上,所述系统还包括:初始价格生成模块、接收模块和第四处理模块,其中,初始价格生成模块用于获取初始网络资源价格,并将所述初始网络资源价格发送到用户终端;接收模块用于获取用户终端根据所述初始网络资源价格确定的初始网络选择策略;第四处理模块用于基于斯塔克尔伯格博弈的网络资源动态分配模型,根据所述初始网络资源价格和所述初始网络选择策略,获取下一轮的网络资源价格和网络选择策略,以对网络资源进行动态分配。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图9为本发明实施例提供的电子设备结构示意图,如图9所示,该电子设备可以包括:处理器(Processor)901、通信接口(Communications Interface)902、存储器(Memory)903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令,以执行如下方法:基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
此外,上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述实施例所提供的用于边缘接入场景的网络资源动态分配方法,例如包括:基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略;根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种用于边缘接入场景的网络资源动态分配方法,其特征在于,包括:
基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;
根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;
根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略,所述用户终端效用函数公式为:
πi(Y)=qj(rj(nj(Y)))*xi-pj*xi;
其中,Y表示策略集合,nj(Y)表示在策略集合Y中,第j个网络的用户数量,xi表示用户i传输的数据量,rj(nj(Y))表示在用户数量为nj(Y)的情况下的第j个网络的数据传输速率,qj(rj(nj(Y)))表示在数据传输速率为rj(nj(Y))的情况下,用户愿意向第j个网络支付的最高价格,pj表示第j个网络的实际价格;在数据传输速率为rj(nj(Y))的情况下,用户愿意向网络j支付的最高价格qj(rj(nj(Y)))对应的公式为:
q(r)=αlog(1+r);
其中,r表示网络传输速率,a表示常数;
当n个用户同时接入同一个Wi-Fi网络时,该Wi-Fi网络的数据传输速率,公式为:
根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
3.根据权利要求1所述的方法,其特征在于,在所述基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数之后,所述方法还包括:
获取初始网络资源价格,并将所述初始网络资源价格发送到用户终端;
获取用户终端根据所述初始网络资源价格确定的初始网络选择策略;
基于斯塔克尔伯格博弈的网络资源动态分配模型,根据所述初始网络资源价格和所述初始网络选择策略,获取下一轮的网络资源价格和网络选择策略,以对网络资源进行动态分配。
4.根据权利要求1所述的方法,其特征在于,所述根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格,包括:
根据所述运营商效用函数,得到个体最佳适应值和全局最佳适应值对应的粒子位置;
基于粒子群算法,根据个体最佳适应值和全局最佳适应值对应的粒子位置,对粒子位置和粒子速度进行更新处理,得到更新后的网络资源价格,若更新后的网络资源价格满足预设条件,则得到最优网络资源价格。
5.根据权利要求1所述的方法,其特征在于,所述根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略,包括:
根据所述用户终端效用函数,得到离散粒子向量的个体最佳适应值和全局最佳适应值;
基于离散量子粒子群算法,根据离散粒子向量的个体最佳适应值和全局最佳适应值,对量子粒子向量和离散粒子向量进行更新处理,得到更新后的离散粒子向量,若更新后的离散粒子向量满足预设条件,则得到对应的最优网络选择策略。
6.一种用于边缘接入场景的网络资源动态分配系统,其特征在于,包括:
第一处理模块,用于基于斯塔克尔伯格博弈的网络资源动态分配模型,获取运营商效用函数和用户终端效用函数;
第二处理模块,用于根据所述运营商效用函数,通过粒子群算法,得到最优网络资源价格;
第三处理模块,用于根据所述用户终端效用函数,通过粒子群算法,获取用户终端根据所述最优网络资源价格确定的最优网络选择策略,所述用户终端效用函数公式为:
πi(Y)=qj(rj(nj(Y)))*xi-pj*xi;
其中,Y表示策略集合,nj(Y)表示在策略集合Y中,第j个网络的用户数量,xi表示用户i传输的数据量,rj(nj(Y))表示在用户数量为nj(Y)的情况下的第j个网络的数据传输速率,qj(rj(nj(Y)))表示在数据传输速率为rj(nj(Y))的情况下,用户愿意向第j个网络支付的最高价格,pj表示第j个网络的实际价格;在数据传输速率为rj(nj(Y))的情况下,用户愿意向网络j支付的最高价格qj(rj(nj(Y)))对应的公式为:
q(r)=αlog(1+r);
其中,r表示网络传输速率,a表示常数;
当n个用户同时接入同一个Wi-Fi网络时,该Wi-Fi网络的数据传输速率,公式为:
网络资源分配模块,用于根据所述最优网络资源价格和所述最优网络选择策略,对网络资源进行动态分配。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
初始价格生成模块,用于获取初始网络资源价格,并将所述初始网络资源价格发送到用户终端;
接收模块,用于获取用户终端根据所述初始网络资源价格确定的初始网络选择策略;
第四处理模块,用于基于斯塔克尔伯格博弈的网络资源动态分配模型,根据所述初始网络资源价格和所述初始网络选择策略,获取下一轮的网络资源价格和网络选择策略,以对网络资源进行动态分配。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071753.4A CN109831788B (zh) | 2019-01-25 | 2019-01-25 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071753.4A CN109831788B (zh) | 2019-01-25 | 2019-01-25 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109831788A CN109831788A (zh) | 2019-05-31 |
CN109831788B true CN109831788B (zh) | 2020-12-25 |
Family
ID=66862527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071753.4A Active CN109831788B (zh) | 2019-01-25 | 2019-01-25 | 用于边缘接入场景的网络资源动态分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109831788B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825517B (zh) * | 2019-09-29 | 2020-09-08 | 清华大学 | 一种基于演化博弈论的分布式资源动态分配方法 |
US11153212B2 (en) * | 2019-11-20 | 2021-10-19 | International Business Machines Corporation | Transmission frequency management for edge devices of an interconnected distributed network |
CN111127139B (zh) * | 2019-12-06 | 2023-06-27 | 成都理工大学 | 一种基于ProbS与HeatS计算模式改进的混合推荐算法 |
CN111800422B (zh) * | 2020-07-06 | 2022-05-17 | 中国人民公安大学 | 扭曲信息的干预方法、装置及电子设备 |
CN112769641B (zh) * | 2020-12-24 | 2022-05-03 | 电子科技大学长三角研究院(衢州) | 面向智能数据处理的区块链算力优化调度方法 |
CN114826921B (zh) * | 2022-05-05 | 2024-05-17 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023381A (zh) * | 2014-05-28 | 2014-09-03 | 北京邮电大学 | 一种基于有效容量的上行ofdma家庭基站双层网络的功率控制方法 |
CN105071389A (zh) * | 2015-08-19 | 2015-11-18 | 华北电力大学(保定) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101557080B1 (ko) * | 2014-10-28 | 2015-10-05 | 한양대학교 에리카산학협력단 | 실시간 가격 기반 전력 관리 방법 및 시스템 |
CN106454958B (zh) * | 2016-11-02 | 2019-06-14 | 北京邮电大学 | 一种网络资源分配方法及装置 |
-
2019
- 2019-01-25 CN CN201910071753.4A patent/CN109831788B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023381A (zh) * | 2014-05-28 | 2014-09-03 | 北京邮电大学 | 一种基于有效容量的上行ofdma家庭基站双层网络的功率控制方法 |
CN105071389A (zh) * | 2015-08-19 | 2015-11-18 | 华北电力大学(保定) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109831788A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109831788B (zh) | 用于边缘接入场景的网络资源动态分配方法及系统 | |
CN111757354B (zh) | 一种基于竞争博弈的多用户切片资源分配方法 | |
CN109831796B (zh) | 无线网络虚拟化中的资源分配方法 | |
CN111182570A (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
CN109547555A (zh) | 基于公平性准则的非平衡边缘云网络接入与资源分配机制 | |
Wang et al. | A truthful QoS-aware spectrum auction with spatial reuse for large-scale networks | |
Zhang et al. | DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing | |
Kim | Asymptotic shapley value based resource allocation scheme for IoT services | |
CN111405587B (zh) | 基于信道定价的虚拟无线网络资源分配方法 | |
CN113938394B (zh) | 监控业务带宽分配方法、装置、电子设备及存储介质 | |
CN112004265B (zh) | 一种基于srm算法的社交网络资源分配方法 | |
Feng et al. | Hybrid pricing for TV white space database | |
CN109089266B (zh) | 多信道防Sybil攻击的动态频谱分配方法、计算机程序 | |
CN114375058A (zh) | 任务队列感知的边缘计算实时信道分配和任务卸载方法 | |
Rahman et al. | Radio access network selection mechanism based on hierarchical modelling and game theory | |
Pang et al. | When data sponsoring meets edge caching: A game-theoretic analysis | |
CN109451542A (zh) | 一种基于频谱开销的预售系统模型及分层学习算法 | |
Vamvakas et al. | A user-centric economic-driven paradigm for rate allocation in non-orthogonal multiple access wireless systems | |
CN112596910A (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
CN107295526B (zh) | 一种基于稳定匹配算法的保证需求下限的频谱分配方法 | |
CN115567983A (zh) | 一种基于Stackelberg博弈的D2D计算卸载方法 | |
Raoof et al. | Auction and game-based spectrum sharing in cognitive radio networks | |
CN109327514B (zh) | 一种基于内容复用的数据下载开销博弈优化模型及方法 | |
Touati et al. | Controlled matching game for user association and resource allocation in multi-rate WLANs? | |
Nuggehalli et al. | Pricing and QoS in wireless random access networks |
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 |