CN109951873A - 一种物联网雾计算中信息不对称不确定下的任务卸载机制 - Google Patents

Abstract

随着智能设备和计算密集型应用的快速发展，雾计算已成为满足不断增长的计算需求的有前途的解决方案。特别地，在高峰时间，通过利用需求侧的未充分利用的计算资源，可以将计算任务从过载基站（BS）卸载到雾服务器。然而，在物联网（IoT）中阻碍雾计算的广泛部署存在两个主要障碍，即缺乏有效的激励机制和任务卸载算法。在本发明中，我们通过将契约理论与计算智能相结合来开发一种物联网雾计算中信息不对称不确定下的任务卸载机制。在第一阶段，我们提出了一种有效的激励机制，鼓励服务器通过契约理论分享其剩余的计算资源。在第二阶段，利用多臂赌博机（MAB）的在线学习能力，提出了一种分布式任务卸载算法。具体来说，我们提出了具有距离感知，服务器发生时间感知和任务属性感知的波动上置信区间算法，以最小化长期延迟任务卸载。

Description

一种物联网雾计算中信息不对称不确定下的任务卸载机制

技术领域

本发明属于无线通信领域，具体涉及到一种应用在物联网雾计算中信息不对称下的资源分享以及信息不确定下的任务卸载的优化算法，该算法利用契约理论，保证在信息不对称的场景下利用有限的预算招募到更多的雾服务器进行资源分享；利用机器学习，保证在信息不确定的场景下使用户仅通过本地信息探索并获取最佳服务器，从而获得最佳的时延性能。

背景技术：

通过5G通信和物联网的无缝集成，各种项目，包括智能手机，平板电脑，传感器，车辆和其他物理对象，将相互连接，以支持实时信息的获取，处理，并分享。这种集成将刺激一系列前所未有的应用，如自动驾驶，增强现实和移动人群感应等。另一方面，不利影响是要处理的数据量也急剧增加，这不可避免地导致在严重的网络过载，无法忍受的端到端延迟和高能耗。为了满足不断增长的计算需求，运营商必须通过部署更多的物理基础设施来不断扩展其网络容量。然而，基础设施部署的速度受到许多非技术因素的限制，包括资本支出和运营支出。此外，由于计算需求的快速时间和空间变化特征，密集部署的基础设施和过度供应的容量将在非高峰时间引起巨大的资源浪费。因此，如何通过具有成本效益的需求自适应方法来应对这些挑战仍然是一个悬而未决的问题。

一种名为雾计算的新范例已成为一种有前景的解决方案，它与其他具有密集地理分布，接近UE(user equipment)，高弹性和低部署成本的框架区分开来。在雾计算中，可以很好地利用需求侧的未充分利用的通信和计算资源，以在UE附近提供计算，存储和网络服务。此外，通过将一部分计算任务从不堪重负的BS(base station)卸载到分布式雾服务器，可以减轻蜂窝网络中的过载问题。尽管具有巨大的潜在优势，但是阻碍IoT雾计算的广泛部署存在两个主要障碍，总结如下。

首先，缺乏有效的激励机制来激励物联网雾服务器共享其计算资源。由于计算性能的下降和能耗的增加，自利和合理的雾服务器不愿共享资源，除非得到很好的补偿。此外，雾服务器的资源共享能力取决于几个因素，例如本地任务的计算大小，剩余计算资源和电池水平等等。然而，上述因素通常是私人信息，其仅对雾服务器本身可用但对BS不可用。换句话说，信息是不对称的。在高峰时段，由于开销成本和实现复杂性，BS收集大量雾服务器的信息是不现实的。如何设计和优化信息不对称下雾服务器的激励机制需要进一步研究。

其次，由于存在多个候选雾服务器，UE的关键挑战是如何选择用于任务卸载的最佳服务器，使得总延迟可以最小化。以前的集中式任务卸载方法主要依赖于整个网络的全局信息进行优化。也就是说，在做出最佳卸载决策之前，必须完全知道任何雾服务器的全方位信息以及任何信道状态信息。然而，实际上，不仅网络拓扑和信道状态是随时间变化的，而且雾服务器的计算资源和负载也随时间波动。结果，一旦全局信息不是先验的或随着时间的推移而发展，集中式方法将遭受显着的性能降级。

发明内容：

本发明首先模拟了由边缘服务器、BS、雾服务器、UE组成的物联网雾计算的场景，并通过将契约理论与计算智能相结合，开发了可靠地双层任务卸载策略。在第一层，以BS的效用最大化为目标，提出了一种信息不对称场景下基于契约理论的资源分享的激励机制。第二层，以UE的任务卸载时延最优化为目标，采用机器学习，提出了一种应用于信息不对称场景的任务卸载策略。具体过程如下：

1)图1为物联网雾计算架构图，包括两个不同的层：资源分享和任务卸载。我们考虑单小区方案存在与基站(BS)共处一地的边缘服务器。因此，为了简化起见，我们假设BS具有处理能力并且负责协调通信和计算资源。在高峰时间期间，计算任务可以从BS卸载，并由具有空闲计算资源的IoT雾服务器处理，例如智能电话，停放的车辆等。

2)服务器的关键属性被建模为服务器类型，这反映了其资源共享的能力。直观地说，与较低类型的服务器相比，具有更高类型的服务器更可能共享资源。将具有异构偏好的服务器分类为不同类型对BS是有益的，因为它可以动态地调整为每种类型设计的合同项以便最大化其效用。服务器类型的定义如下：雾服务器的集合定义为v＝{v₁,…,v_s,…,v_S}，将其分为D个类型。类型的集合定义为其中的元素按照升序的方式进行排列。对应的，每个类型的服务器分享资源的能力定义为Θ＝{θ₁,…,θ_d,…,θ_D}。因此可以确定1<…<d<…<D,θ₁<…<θ_d<…<θ_D。

对于v_s，共享资源所产生的成本包括两部分，即本地任务的处理延迟增加(时间成本)和额外的能量消耗(能源成本)。定义C_s为本地任务的平均计算量，为平均可分享的总资源量，δ_s为分享的资源，增加的处理延迟Δt_s可计算为

由于分享资源增加的能源消耗可以推导为其中代表计算功率。分享资源的总成本定为时间成本与能量成本加权和，权重为ω_s。定义v_s可容忍的最大分享资源成本为Q_s，因此可以推导出下述不等式最后推导得出，可分享资源的上限为其中δ_s,max代表v_s可以分享的资源的上限。δ_s,max肯定会落入一个[δ_min,δ_max]的闭区间，其中我们将这样的闭区间分为D等长的子区间，其中θ_d代表第d个子区间的下限。v_s属于类型d当且仅当θ_d≤δ_s,max<θ_d+1。

在信息不对称的情景下，基站可以利用统计知识估量服务类型。在不失一般性的情况下，认为基站知道v_s属于类型d的概率为γ_s,d。为了简化，我们认为因此，γ_s,d可以简化为γ_d，且

匹配理论的关键原理是设计刺激兼容的契约来无意识的获得服务器的私密信息，例如服务器类型。基站和服务器之间的契约由多个契约项促成，即 其中，(δ_d,π_d)表明了类型d服务器所需要的资源以及对应能获得的报酬。

相比于采用瞬时计算需求，设计优化契约是基于长期计算需求。基站所需要处理的总平均计算任务量为C_BS，基站所拥有的计算资源为δ_BS。C_BS可以通过历史数据来估计。因此，任务处理时间t_BS为通过利用类型d的服务器所贡献的资源，任务处理时延将会降低。为了简化，我们认为基站的收益与降低的时延成正比，即其中c是降低时延的单位收益。

和D个类型的服务签订合约，基站的期望效用为

因为类型越高的服务器越倾向于分享资源，我们用θ_d来量化π_d对类型d服务器的权重。因此类型d服务器接受契约项(δ_d,π_d)的效用为V_s(δ_d,π_d)＝θ_dπ_d-δ_d。

雇佣一个类型d服务器的社会效用定义为基站和服务器的效用和，即

基站的目标为最大化其期望效用。契约优化问题可以表达为

其中C₁、C₂和C₃分别代表IR、IC和单调性约束。IR约束保证了任何类型d服务器，当且仅当他们的效用不小于0时才会接受契约项(δ_d,π_d)。IC约束保证任何类型d服务器，当且仅当他们选择契约项(δ_d,π_d)时才能获得最大的效用。单调性约束保证了任何类型d服务器的收益都高于较低类型服务器且低于较高类型服务器。C₄表明了可分享资源的上限。

通过数学过程，问题P1可以简化为

P2是一个凸优化问题，可以利用拉格朗日对偶分解来解决。利用作为拉格朗日乘数向量，分别对应于拉格朗日方程为

利用对偶分解，上述方程可以分解为

利用KKT条件，在第z轮迭代时，最优值δ_d(z)和π_d(z)为

利用梯度下降法，拉格朗日乘子更新为

其中，ψ_μd,ψ_μ1,ψ_ηd,ψ_η1,和ψ_ξd是步长。步长的选择决定了收敛速度与优化效果。直到两次相邻迭代过程获得的目标值相差小于所给出的阀值则迭代过程停止，即

在无信息不对称时，最优的契约项应当满足即

在无信息不对称时，任何类型d服务器，最优的报酬为

3)对于T个时间时隙，将其分为α个时期，标签为n,即n＝1,2,…α。假定在一个时期内，对于UEu_i来说，可用服务器集合保持不变。每一个时期可以进一步分解为多个时隙，在一个时隙内，信道保持不变。t_n0和t_n′代表第n个时期的初始和结束时隙，因此第n个时期的长度为t_n′-t_n0个时隙。假定一定成立。

在所发明的任务卸载模型中，认为每个UE可以直接将任务卸载给在第个t时隙u_i所产生的任务可以由三个因素量化：(i)任务数据大小x_t；(ii)计算结果数据大小y_t；(iii)计算复杂度λ_t，即计算一比特的任务所需要的CPU圈数。因此，总共需要x_tλ_tCPU圈来处理这个任务。

在第t个时隙，v_s可用的计算资源为因为v_s的资源可能用于同时处理其他任务，因此成立。如果u_i将任务卸载到v_s上，计算时延为

传输时延包含两部分，分别为上行任务上传时延，和下行结果反馈时延。上行任务上传时延为

其中，B_i代表上行信道带宽。和G_i,s为u_i上行传输功率以及u_i和v_s之间的信道增益。I_i,s为v_s接收到的小区内干扰。σ²为噪声功率。

同样的，下行传输时延为

其中，B_s代表下行信道带宽。和G_s,i为v_s下行传输功率以及v_s和u_i之间的信道增益。I_s,i为u_i接收到的小区内干扰。

因此，u_i的总时延为上行传输时延、计算时延以及下行传输时延之和，即

u_i的目标是最小化T个时隙的总时延。优化变量定义为其代表在第t个时隙所选择的服务器。因此，时延最小化问题建模为

本发明采用MAB(多臂赌博机)架构，即u_i相当于玩家，每个集合里的候选服务器等同于一个有着未知时延性能的臂。在第n个时期的第t个时隙，u_i在集合中选择一个服务器v_s来卸载自身的任务。和v_s相关的总时延并非先验信息，只能在每一轮的选择后观察获得。因此，u_i只能感知到UE侧的信息，包括第t个时隙的任务数据大小x_t、计算结果数据大小y_t、计算复杂度λ_t、观察到的时延τ_s,t以及u_i与v_s之间的距离l_s,t。

UCB1算法是一个解决连续选择问题的有效方法。本发明将距离感知、可用感知以及任务属性感知融合入UCB1算法学习过程，并提出信息不确定场景下的在线任务卸载方案。方案的核心是通过考虑距离、服务器发生时间以及任务属性的对于探索成本的影响，重新设计置信区间。第t个时隙的经验时延性能为即τ_s,t-1的样本平均。到第t个时隙v_s被选择过的次数为k_s,t-1。用t_s代表v_s出现的时间，即v_s首次可用的时隙的标号。所提出的卸载方案包括两个阶段，分别为初始化阶段和学习阶段。

在初始化阶段，u_i卸载任务到里任一个新可用的服务器，获得对应的时延τ_s,t。更新时延经验信息以及出现时间为

在学习阶段，根据本地信息，u_i预测v_s的能力，预测式为

代表归一化距离，即

其中l⁺和l^-分别代表归一化的上限和下限。

同理，

x⁺、λ⁺、x^-和λ^-分别是归一化的上限和下限。

u_i卸载任务到服务器a_t上，其中

在接收到计算结果后，u_i观察对应的时延并更新信息为

方案在第一阶段和第二阶段之间循环运行直到t>T。

附图说明：

图1是物联网雾计算架构。

图2是本发明所提出的机制、线性价格机制以及无信息不对称的最优契约在所获资源随服务器类型变化方面的性能对比。

图3是本发明所提出的机制、线性价格机制以及无信息不对称的最优契约在所付出报酬随服务器类型变化方面的性能对比。

图4是本发明所提出的机制中类型5、类型10、类型15和类型20的服务器选择不同类型的契约时的效用对比。

图5是本发明所提出的机制、线性价格机制以及无信息不对称的最优契约在基站效用随服务器类型变化方面的性能对比。

图6是本发明所提出的机制、线性价格机制以及无信息不对称的最优契约在服务器效用随服务器类型变化方面的性能对比。

图7是本发明所提出的机制、线性价格机制以及无信息不对称的最优契约在社会效用随服务器类型变化方面的性能对比。

图8是仿真场景中服务器平均的可用情况以及对应可用的资源。

图9是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在服务器波动时的平均时延性能对比。

图10是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在服务器波动时的学习遗憾性能对比。

图11是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在服务器波动时的最优选择概率性能对比。

图12是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在任务属性波动时的平均时延性能对比。

图13是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在任务属性波动时的学习遗憾性能对比。

图14是本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在任务属性波动时的最优选择概率性能对比。

具体实施方式

本发明的实施方式分为两个步骤，第一步服务器招募，第二步为任务卸载。其中，所适用的物联网雾计算架构如图1所示。本发明进行了大量的仿真以评估所提议的物联网雾计算中信息不对称不确定下的任务卸载机制的性能。

1)区间[δ_min,δ_max]设定为[2,4]GHz，并且将其等分为20个区间，即D＝20。认为服务器类型遵循等概率分布。对于基站，设定C_BS＝20GHz，δ_BS＝10GHz，并且c＝10。

图2和图3展示了所获得的资源以及相对应的报酬随着服务器类型单调递增。这说明了机制的可靠性和可行性。在无信息不对称时，基站可以设计最优契约以促使服务器贡献其所有的资源，直到他们的效用为0。图2展示了所提出的机制与线性价格机制之间的差距随着服务器类型增大而增大。原因是，线性价格机制对所有类型的服务器同等待遇，因此高类型服务器的资源分享能力没有得到充分的利用。

图4展示了类型5、类型10、类型15和类型20的服务器选择不同类型的契约时的效用。这验证了我们所提出的机制是激励兼容的。类型20的服务器当且仅当选择类型20的契约时收货其最大的效用。换句话说，通过观察所选择的契约项可以轻易的推断出服务器类型。

图5和图6展示了在信息不对称的情况下，基站和服务器的效用随着服务器类型的增长而增长。在无信息不对称时，任务服务器的效用都为0。在线性价格机制中，相比于我们所提出的机制，，基站收获的效用更低。原因是高类型服务器的资源分享能力没有得到充分的利用。除此以外，相比于无信息不对称情况下的最优契约，我们所提出的机制可以获得更高的服务器效用，这保护了服务器被基站过度剥削。

图7展示了三种机制的社会效用。可以观察到所提出的机制收获最高的社会效用。无信息不对称情况下最优契约的社会效用甚至比线性价格机制更差。原因是高类型服务器被基站过度剥削，这严重的影响了社会效用。

2)假定场景里有一个UE和五个候选服务器，总时隙T＝1200。UE的通信范围为200米。信道增益A₀＝-17.8dB。l_s,t在[10,200]之间变化，每个时隙变化范围为[-10,10]米。假定B_i＝B_s＝10MHz,σ²＝10^-13W。

假定x_t＝0.5Mbits,λ_t＝10³CPU cycles/bit,y_t＝0.2Mbits。全体时隙均分为四个时期，每个时期包含500个时隙。图8展示了服务器平均的可用情况以及对应可用的资源。√代表了服务器是可用的，×代表服务器是不可用的。在每一个时隙，服务器可贡献的资源为50％δ_s～60％δ_s。

图9和图10展示了在服务器波动情况下的平均时延和学习遗憾。可以看出相比于UCB1(传统上限置信区间算法)，所提出的机制可以实现高收敛速度，因为其考虑了服务器的出现时间。

图11展示了本发明所提出的机制、传统上限置信区间算法以及无信息不确定的最优情况在服务器波动时的学习遗憾性能对比。最优选择的概率定义为最优选择的数量和总选择次数之比。所提出的机制相比于UCB1算法来说在最优选择概率以及收敛速度都有着更优异的性能。原因是所提出的机制具有距离感知以及任务属性感知特性的，其能够使UE更快速地意识到最优的选择。

假定x_t属于[0.5,1]Mbits，λ_t属于[10³,2×10³]CPU cycles/bit，以及y_t属于[0.2,0.4]Mbits，x^-＝0.5Mbits，x⁺＝1Mbits，λ^-＝10³CPU cycles/bit，λ⁺＝2×10³CPU cycles/bit。

图12、图13和图14展示了在任务属性波动下平均时延、学习遗憾以及最优选择概率的情况。所提出的算法机制性能优于UCB1算法因为其具有任务属性感知。根据以上的案例研究可以看出，本发明提出的物联网雾计算中不确定下的任务卸载机制可以在信息不对称的情况下招募到更多的服务器参与资源分享，可以在信息不确定的情况下减小用户的任务卸载时延，对于建立起经济有效的物联网雾计算机构有着重要的意义。

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 (2)

1.一种物联网雾计算中信息不对称不确定下对雾服务器的招募与对长期任务卸载时延优化的任务卸载机制，其特征在于

1)考虑在信息不对称情况下，设备所有者可能不愿进行资源分享的情况，提出基于契约理论的雾服务器招募机制；

2)考虑到信息不确定情况下，由于服务器的波动性而导致任务卸载失败的情况，提出一种长期任务卸载时延优化的任务卸载机制。

2.如权利要求1步骤1)服务器的关键属性被建模为服务器类型，这反映了其资源共享的能力；直观地说，与较低类型的服务器相比，具有更高类型的服务器更可能共享资源；将具有异构偏好的服务器分类为不同类型对BS是有益的，因为它可以动态地调整为每种类型设计的合同项以便最大化其效用；服务器类型的定义如下：

雾服务器的集合定义为v＝{v₁,…,v_s,…,v_S}，将其分为D个类型；类型的集合定义为D＝{1,…,d,…,D}，其中的元素按照升序的方式进行排列；对应的，每个类型的服务器分享资源的能力定义为Θ＝{θ₁,…,θ_d,…,θ_D}；

对于v_s，共享资源所产生的成本包括两部分，即本地任务的处理延迟增加(时间成本)和额外的能量消耗(能源成本)；定义C_s为本地任务的平均计算量，为平均可分享的总资源量，δ_s为分享的资源，增加的处理延迟Δt_s可计算为

由于分享资源增加的能源消耗可以推导为其中代表计算功率；分享资源的总成本定为时间成本与能量成本加权和，权重为ω_s；v_s可容忍的最大分享资源成本为Q_s，最后推导得出，可分享资源的上限为其中δ_s,max落入闭区间[δ_min,δ_max]；将其分为D等长的子区间，θ_d代表第d个子区间的下限；v_s属于类型d当且仅当θ_d≤δ_s,max<θ_d+1；

在信息不对称的情景下，基站利用统计知识估量服务类型；假设其知道v_s属于类型d的概率为γ_s,d；为了简化，认为因此，γ_s,d可以简化为γ_d，且

基站所需要处理的总平均计算任务量为C_BS，基站所拥有的计算资源为δ_BS；C_BS可以通过历史数据来估计；因此，任务处理时间为

我们认为基站的收益与降低的时延成正比，即其中c是降低时延的单位收益；

和D个类型的服务签订合约，基站的期望效用为

我们用θ_d来量化π_d对类型d服务器的权重；因此类型d服务器接受契约项(δ_d,π_d)的效用为V_s(δ_d,π_d)＝θ_dπ_d-δ_d；

雇佣一个类型d服务器的社会效用定义为基站和服务器的效用和，即

基站的目标为最大化其期望效用；契约优化问题可以表达为

通过数学过程，问题P1可以简化为

P2是一个凸优化问题，可以利用拉格朗日对偶分解来解决；利用{μ_d},{η_d},{ξ_d},作为拉格朗日乘数向量，分别对应于拉格朗日方程为

利用对偶分解，上述方程可以分解为

利用KKT条件，在第z轮迭代时，最优值δ_d(z)和π_d(z)为

利用梯度下降法，拉格朗日乘子更新为

其中，和是步长；步长的选择决定了收敛速度与优化效果；直到两次相邻迭代过程获得的目标值相差小于所给出的阀值则迭代过程停止，即

2)对于T个时间时隙，将其分为α个时期，标签为n；假定在一个时期内，对于UEu_i来说，可用服务器集合保持不变；每一时期可进一步分解为多个时隙，在一个时隙内，信道保持不变；t_n0和t_n′代表第n个时期初始和结束时隙，第n个时期的长度为t_n′-t_n0个时隙；

在第个t时隙u_i所产生的任务可以由三个因素量化：(i)任务数据大小x_t；(ii)计算结果数据大小y_t；(iii)计算复杂度λ_t，即计算一比特的任务所需要的CPU圈数；在第t个时隙，v_s可用的计算资源为且成立；如果u_i将任务卸载到v_s上，计算时延为

上行任务上传时延为

其中，B_i代表上行信道带宽；和G_i,s为u_i上行传输功率以及u_i和v_s之间的信道增益；I_i,s为v_s接收到的小区内干扰；σ²为噪声功率；

同样的，下行传输时延为

其中，B_s代表下行信道带宽；和G_s,i为v_s下行传输功率以及v_s和u_i之间的信道增益；I_s,i为u_i接收到的小区内干扰；

因此，u_i的总时延为

u_i的目标是最小化T个时隙的总时延；优化变量定义为因此，时延最小化问题建模为

第t个时隙的经验时延性能为即τ_s,t-1的样本平均；到第t个时隙v_s被选择过的次数为k_s,t-1；用t_s代表v_s出现的时间，即v_s首次可用的时隙的标号；

所提出的卸载方案包括初始化阶段和学习阶段；在初始化阶段，u_i卸载任务到里任一个新可用的服务器，获得对应的时延τ_s,t；更新时延经验信息以及出现时间为t_s＝t；

在学习阶段，根据本地信息，u_i预测v_s的能力，预测式为

x⁺、λ⁺、l⁺、l^-、x^-和λ^-分别是归一化的上限和下限；

u_i卸载任务到服务器a_t上，其中

在接收到计算结果后，u_i观察对应的时延并更新信息为

方案在第一阶段和第二阶段之间循环运行直到t>T。