CN111625287A - 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 - Google Patents
基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN111625287A CN111625287A CN202010266213.4A CN202010266213A CN111625287A CN 111625287 A CN111625287 A CN 111625287A CN 202010266213 A CN202010266213 A CN 202010266213A CN 111625287 A CN111625287 A CN 111625287A
- Authority
- CN
- China
- Prior art keywords
- task
- tasks
- unloaded
- bait
- reward
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于诱饵效应的雾节点任务卸载方法、系统、介质及设备,本发明考虑了诱饵效应对用户的激励作用,建立了能够影响雾节点行为决策的任务发布环境,并向环境中卸载任务提供了任务吸引力值,通过任务发布和任务吸引力值有指向性地引导雾节点决策;通过设置诱饵任务,提高了目标任务的客观吸引力值;在此基础上引入偏好系数,反映雾节点的真实决策行为,诱饵任务的加入提高了部分雾节点主观偏好值,使更多雾节点参与任务阈值得到满足,提高了雾节点的参与数量。同时,相较于对比的机制,本方案不需要提高任务报酬就使更多的任务被选择了,提高了移动设备的总效用,本方案能有更实际和更有效的激励效果。
Description
技术领域
本发明属于雾计算卸载技术领域,特别涉及一种基于诱饵效应的雾节点任务卸载方法、系统、介质及设备。
背景技术
雾计算是在终端设备和云中心之间通过雾节点提供计算,存储和网络服务的平台。车辆、基站、接入点等资源有限的设备以及计算机簇等资源丰富的设备都可以作为雾节点(Fog Node)。雾计算相较于云计算,具有低时延,位置感知,实时交互和移动支持等一系列优点。
由于雾节点的私有性,雾节点的所有者不愿主动提供任务卸载服务,导致不可接受的时延甚至服务中断。并且雾计算网络是基于机会的卸载,因此需要根据不同的应用需求设计合理的激励机制,以激励雾节点积极参与计算卸载任务。
现阶段计算卸载中的激励机制主要可以分为基于娱乐、服务和货币三种类型的激励机制。其中货币机制是最为直接的激励机制。基于货币的激励机制又可以分成基于拍卖和基于博弈论两类,在计算卸载中拍卖机制的应用最为广泛。然而,现有的计算卸载激励机制都是基于传统经济学设计,这些机制都普遍认为向任务集中增加一类任务会降低之前每一类任务的被选概率,因为分母增大而分子不变。并且这些机制的任务报酬都是根据任务时间成本来制定的,这意味着若想使高时间成本任务的卸载率提高,只能通过提高这类任务的报酬才能达到,这必然会降低移动设备的效用,也不符合技术发展方向。然而,行为经济学诱饵效应的研究表明,在被选集合中加入特定的诱饵项,不仅不会分走已有选项的被选概率,反而会使某个旧选项更具吸引力。然后,在实际生活中,雾节点的偏好是不一样的,偏好的不同会对其选择有影响。比如有的雾节点更喜欢低成本的任务,这类雾节点对时间成本属性更为敏感;有的更偏好于高报酬的任务,其对报酬属性更为敏感;还有的雾节点不会因为报酬或者时间的增加而对其相对的属性有更高的预期要求,其偏好是中性的。
综上所述,急需一种考虑诱饵效应对用户行为决策影响的、更有效的激励雾节点参与计算卸载的方法来解决上述问题。
发明内容
针对上述技术问题,本发明提供一种基于诱饵效应的雾节点任务卸载方法、系统、介质及设备,该方案将任务的报酬属性值和时间成本属性值抽象为吸引力值,并基于诱饵效应理论的参照依赖特性设计诱饵任务,根据偏好理论对雾节点偏好进行建模设计,从而提高雾节点参与率,并更大限度提高移动设备效用的激励方法。
本发明提供了以下技术方案:
一方面,一种基于诱饵效应的雾节点任务卸载方法,包括:
待卸载任务分类,依据所有移动设备上的所有待卸载任务提出的预计平均报酬和平均时间,将所有待卸载任务分为三类:高报酬长时间类任务、低报酬短时间类任务以及其他类任务;
以高报酬长时间类任务为目标任务,低报酬短时间类任务为目标任务的竞争任务,设计诱饵任务项;
确定具体的诱饵任务,结合所述诱饵任务项和所有待卸载任务提出的平均报酬和平均时间,以使得诱饵效果值在正向诱饵效应范围内取得最大值时,得到诱饵任务项的报酬诱饵因子和时间诱饵因子,确定诱饵任务的具体报酬和时间;
任务发布,将其他类任务的报酬和时间均修改为所述诱饵任务的报酬与时间后,更新所有待卸载任务并发布;
雾节点选择待卸载任务,依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务类,并对所选的类任务中每个待卸载任务进行出价,选择出价最低的待卸载任务;
移动设备选择雾节点,若某个待卸载任务被多个雾节点选中,则依据雾节点对任务出价的高低顺序,选择出价最低的雾节点作为对应移动设备发出的待卸载任务进行任务卸载。
本方案根据理论与仿真实验数据,采用本方案卸载成功的目标任务与总任务数量大于采用对比的机制(PMMRA机制,PMMRA是计算卸载系统中经典的激励机制)时的任务数量,本质上在于通过设置诱饵任务,提高了目标任务(待卸载任务)的客观吸引力值;在此基础上引入偏好系数,反映雾节点的真实决策行为,诱饵任务的加入提高了部分雾节点主观偏好值,使更多雾节点参与任务阈值得到满足,提高了雾节点的参与数量。同时,相较于对比的机制(任务预计报酬根据市场供需关系定),本方案不需要提高任务报酬就使更多的任务被选择了,提高了移动设备的总效用。
移动设备与雾节点就是卸载服务请求方与执行方;
所述诱饵任务项的报酬诱饵因子小于1和时间诱饵因子大于1;
进一步地,所述诱饵效果值是利用高报酬长时间类任务、低报酬短时间类任务分别在基本参考点和诱饵转移参考点下的吸引力计算获得;
M(τtt|r)=Ptt(vtt|vave)+Qtt(ttt|tave)
其中,M(τtt|r)表示某一类任务τtt基于参考点r的吸引力,,Ptt(vtt|vave)表示tt类任务基于vave的报酬吸引力;Qtt(ttt|tave)表示tt类任务基于tave的时间成本吸引力;tt∈{A,B,C},A、B、C分别表示高报酬长时间类任务、低报酬短时间类任务以及其他类任务的标记;τgoal表示主推目标任务,τcompete表示竞争任务;
其中,α和β表示受益和损失区间的价值函数的凹凸程度,取值范围为(0,1);λ表示损失厌恶程度,λ>1;
r表示基本参考点,是指所有待卸载任务提出的预计平均报酬vave和平均时间tave,r'表示诱饵转移参考点,是指高报酬长时间类任务、低报酬短时间类任务以及诱饵任务提出的预计平均报酬v'ave和平均时间t'ave。
α和β取值范围为(0,1),表示无论是获得还是损失,它们带来的价值都是边际递减的;λ大于1表示损失厌恶程度,它表示损失区间比收益区间更陡;根据卡尼曼和特沃斯基的实验结果,α=β=0.88,λ=2.25。
某一类任务在诱饵转移参考点下的吸引力计算与在基本参考点下的吸引力计算公式类似,即利用诱饵转移参考点的报酬和时间对应替换基本参考点下的报酬和时间;
进一步地,所述依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务的具体过程如下:
构建雾节点对各类卸载任务的报酬和时间的偏好函数;
Wi,tt=δiPtt(vtt|vave)+(1-δi)Qtt(ttt|tave)
其中,Wi,tt表示雾节点i对tt类任务的整体偏好值,δi表示雾节点i对任务报酬的偏好系数,1-δi表示雾节点对任务时间的偏好系数;
δi>0.5为报酬偏好用户;δi<0.5为成本偏好用户;δi=0.5为无偏好用户。
雾节点i选择待卸载任务j的出价按以下公式计算:
其中,bi,j表示雾节点i选择待卸载任务j的出价,Ci,j(tj,fi)表示雾节点i选择任务j的成,本,且tj表示待卸载任务j的所需时间,fi表示雾节点i的时钟频率;tt*表示选中的任务类标记,T={A,B,decoy},decoy表示诱饵任务,T-tt*为其他类任务;为选中任务的偏好满足感,是该类任务的偏好值与其他类任务偏好值的差值的最大值。
雾节点对任务的出价=成本+偏好满足感,即偏好满足感大于0的话,雾节点会以低于成本出价,反之则高于成本价。(在PMMRA机制中出价等于成本);
吸引力值和偏好值分别对应的是任务和雾节点。类似于商场里的商品,商家会首先根据商品的客观属性制定价格,比如低价的低质量商品和高价的高质量商品,这两者难以抉择时添加一项高价的一般质量商品可以增大高价商品销量。但用户实际选择时存在主观因素,即用户个体不同的对价格和质量的偏好,加入这个因素才能反映出用户真实的选择。
加入偏好因素之后两类任务的客观的吸引力值就转变为对每个雾节点而言主观的偏好值。雾节点选择偏好高的那一类任务,并根据该出价公式对任务出价。
进一步地,依据雾节点选中的待卸载任务,构建雾节点与带卸载任务的匹配矩阵,在雾节点选择待卸载任务之前,匹配矩阵A={ai,j}I×J所有元素均为零;
其中,ai,j表示雾节点i和待卸载任务j之间对应的矩阵元素为ai,j,若雾节点i对待卸载任务j进行出价,则ai,j=1。
进一步地,遍历匹配矩阵,若匹配矩阵每列至多只有1个元素为1,则输出匹配矩阵,否则在每一列中为每个待卸载任务选择出价最低的雾节点作为最终实施任务卸载的执行者。
若匹配矩阵中某列多于1项元素为1,则由该列代表的卸载任务(移动设备)选择雾节点,在具体实例中通过Vickrey拍卖方式确定中标的雾节点及任务成交价。具体来说,移动设备作为买方,提出的预计报酬为其使用卸载服务愿意给出的报酬;雾节点作为卖方,提出的出价为其执行卸载任务希望得到的报酬。
Vickrey拍卖,又称第二价位拍卖。目的就是让竞标者尽量用接近自身最真实的最低价参与拍卖。因为直接最低价得的话,竞标者为保障自己利益,往往出价略高于心理价格。
由于任务预计的报酬和雾节点的出价都是与其自身的效用有关。对任务而言,预计报酬反映其期望给出的报酬,高于这个报酬,可能卸载任务要支付的钱高于其本地计算的代价,但这并不一定,因为移动设备同样具有主观性,其对设定的预期报酬不一定是完全理性的等于其本地计算成本。但这一部分我们不做考虑,因为第一步的任务分类实际上其他类任务就属于异常任务被筛选掉了,剩下的两类任务基本符合预计报酬近似其时间成本。
而雾节点的主观性通过偏好值体现出来了,所以其出价是成本加上偏好的影响,因此雾节点的出价会普遍低于任务预期的报酬(对任务方而言报酬越低效用越高)。由于使用第二价位拍卖,最终任务成交价一定是高于雾节点出价的。
若某列所有元素均为0,则说明该任务没有雾节点选择,卸载失败。
进一步地,若任务发布前,其他类任务的数量为0,则利用第三方服务提供商一项诱饵任务,并将新建的诱饵任务加入待卸载任务中后,再进行任务发布。
进一步地,α=β=0.88,λ=2.25。
另一方面,一种基于诱饵效应的雾节点任务卸载系统,包括:
待卸载任务分类模块,用于依据所有待卸载任务所提出的预计平均报酬和平均时间,将所有待卸载任务分为三类:高报酬长时间类任务、低报酬短时间类任务以及其他类任务;
诱饵任务项设计模块,用于以高报酬长时间类任务为目标任务,低报酬短时间类任务为目标任务的竞争任务,设计诱饵任务项;
具体诱饵任务确定模块,用于结合所述诱饵任务项和所有待卸载任务所提出的预计平均报酬和平均时间,以使得诱饵效果值在正向诱饵效应范围内取得最大值时,得到诱饵任务项的报酬诱饵因子和时间诱饵因子,确定诱饵任务的具体报酬和时间;
任务发布模块,用于将其他类任务的报酬和时间均修改为所述诱饵任务的报酬与时间后,更新所有待卸载任务并发布;
雾节点选择待卸载任务模块,依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务类,并对所选的类任务中每个待卸载任务进行出价,选择出价最低的待卸载任务;
移动设备选择雾节点模块,用于判断若某个待卸载任务被多个雾节点选中,则依据雾节点对任务出价的高低顺序,选择出价最低的雾节点作为对应移动设备发出的待卸载任务进行任务卸载。
另一方面,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于诱饵效应的雾节点任务卸载方法。
再一方面,一种基于诱饵效应的雾节点任务卸载设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于诱饵效应的雾节点任务卸载设备执行如上述基于诱饵效应的雾节点任务卸载方法。
有益效果
本发明提出了一种基于诱饵效应的雾节点任务卸载方法、系统、介质及设备,与现有的技术相比,现有的激励机制基于传统经济学的有限理性假设设计,而本发明考虑了诱饵效应对用户的激励作用,建立了能够影响雾节点行为决策的任务发布环境,并向环境中卸载任务提供了任务吸引力值,通过任务发布和任务吸引力值有指向性地引导雾节点决策;通过设置诱饵任务,提高了目标任务(待卸载任务)的客观吸引力值;在此基础上引入偏好系数,反映雾节点的真实决策行为,诱饵任务的加入提高了部分雾节点主观偏好值,使更多雾节点参与任务阈值得到满足,提高了雾节点的参与数量。同时,相较于对比的机制(任务预计报酬根据市场供需关系定),本方案不需要提高任务报酬就使更多的任务被选择了,提高了移动设备的总效用,本方案能有更实际和更有效的激励效果。
附图说明
图1为本发明所述技术方案的流程示意图;
图2为图1中属性计算机制的流程图;
图3为相同数据下使用本发明实施例与现有的具有代表性的方法,雾节点参与卸载任务数量性能比较曲线示意图;
图4为相同数据下使用本发明实施例与现有的具有代表性的方法,移动设备总效用比较图。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
实施例一
下面将结合附图和实施例对本发明做进一步详细说明:
步骤1:构建计算卸载系统环境,并根据任务信息进行任务分类。如图1所示,假设环境中共有I个雾节点(I≥2),J个卸载任务(J≥2),任务集合Γ={τ1,τ2,...,τJ},对应Γ中每个任务τj∈Γ(j∈[1,J])的预计报酬是vj,预计时间成本是tj。参照点定义为任务集中J个任务的两属性平均点r(vave,tave)其中
基于参照点将任务分为三类:包括高报酬高成本的A类任务集ΓA和低成本低报酬的B类任务集ΓB,其他任务划分为C类任务用于改造成诱饵任务ΓC。每类任务τtt包含报酬vtt和时间成本ttt两属性τtt(vtt,ttt),(tt∈{A,B,C}),每类属性值由其平均值取得;
对于本发明进行仿真实验。具体参数如表1所示,I个雾节点和J个卸载任务,每个设备的时钟频率在1–1.5GHz范围内取随机值。假设每个任务的预计时间成本在200-2000Megacycles范围内取随机值,预计报酬在2-20元内取随机值。
表1仿真参数
步骤2:设计诱饵任务参数。
根据下面公式计算任务每一类(tt∈{A,B,C})的吸引力值:
M(τtt|r)=Ptt(vtt|vave)+Qtt(ttt|tave)
其中Ptt(vtt|vave)表示tt类任务基于vave参考点的报酬吸引力;Qtt(ttt|tave)表示tt类任务基于tave的时间成本吸引力,其表达式分别如下:
其中,α和β表示受益和损失区间的价值幕函数的凹凸程度,α=β=0.88。λ表示损失厌恶,当它大于1时,表示损失区间比收益区间更陡,在本实例中,λ=2.25。
选择A类任务为主推目标任务,则有τgoal=τA,τcompete=τB。
设计诱饵任务τdecoy(vdecoy,tdecoy)。由于诱饵任务需要与τgoal一起构成诱饵效应,所以用报酬诱饵因子χ=vdecoy/vgoal和成本诱饵因子γ=tdecoy/tgoal来反映这两类任务在属性上的关系,并由此设计诱饵任务的属性值。根据诱饵项次优的定义,诱饵的报酬需低于目标项,即χ∈(0,1);诱饵的时间成本需高于目标项,即γ>1。
加入诱饵项后参照点转移为r'(v'ave,t'ave),此时A,B类任务吸引力值分别为M(τgoal|r'),M(τcompete|r'),其中参照点由以下公式计算:
步骤3:确定诱饵任务参数。结合诱饵效应的概念,诱饵效果值由以下公式计算:
其中,K>1,则表示发生了正的诱饵效应,此时K值越大对目标任务的诱饵效果越好;K<1,则表示发生了负的诱饵效应,此时K值越接近0对竞争任务的诱饵效果越好;K=1,表示没有产生诱饵效应。
可以得到产生正向诱饵效应的报酬诱饵因子和时间成本诱饵因子取值范围分别为:
步骤4:任务发布。设计诱饵任务vdecoy=χ0vgoal,tdecoy=γ0tgoal,将步骤1得到的C类任务属性改造成诱饵任务属性,若C类任务数为零,则由第三方服务提供商新建一项诱饵任务,再将诱饵任务加入任务集中Γ={Γgoal,Γcompete,Γdecoy};
步骤5:雾节点选择任务。
考虑偏好对雾节点行为选择的影响,提出雾节点的报酬偏好系数δi∈[0,1],则雾节点的时间成本偏好系数为1-δi。δi>0.5为报酬偏好用户;δi<0.5为成本偏好用户;δi=0.5为无偏好用户。结合偏好系数构造雾节点的偏好函数如下:
Wi,tt=δiPtt(vtt|vave)+(1-δi)Qtt(ttt|tave)
其中,Wi,tt表示雾节点i对tt类任务(tt∈{A,B})的偏好值,Ptt(vtt|vave)为任务报酬吸引力值,Qtt(ttt|tave)为任务时间成本吸引力值。
雾节点i选择待卸载任务j的出价按以下公式计算:
其中,bi,j表示雾节点i选择待卸载任务j的出价,Ci,j(tj,fi)表示雾节点i选择任务j的成,本,且tj表示待卸载任务j的所需时间,fi表示雾节点i的时钟频率;tt*表示选中的任务类标记,T={A,B,decoy},decoy表示诱饵任务,T-tt*为其他类任务;为选中任务的偏好满足感,是该类任务的偏好值与其他类任务偏好值的差值的最大值。
雾节点与任务的选择情况由匹配矩阵A表示为:
首轮匹配矩阵A={ai,j}I×J所有元素均为零,雾节点出价后,若不为0,则雾节点i和任务j对应的矩阵元素ai,j=1。如图2所示,如果匹配矩阵每列至多只有1个元素为1,则输出匹配矩阵,否则由移动设备反选雾节点;
步骤6:移动设备选择雾节点。
如果任务j被多个雾节点选择,出价最低的雾节点i就成为该任务的优胜者,该轮第二低的出价为最终任务j最终需支付的报酬pi,j,同时将匹配成功的雾节点和任务对应的匹配矩阵元素ai,j=1,该列其他元素修改为0;
步骤7:计算任务选择过程结束后的边缘设备总效用。边缘设备总效用的计算公式如下所示:
其中,fj表示任务j的时钟频率,Cj(tj,fj)表示任务在本地执行的成本,U表示移动设备总效用。
在本实施例中,首先评估了环境中不同任务总量时,加入诱饵任务前后对环境中雾节点选择任务数和移动设备总效用的影响,相关的仿真实验结果如下表2和表3所示,表2是不同雾节点总量下的加入诱饵前后雾节点选择任务数的比较,表3是不同雾节点总量下加入诱饵前后移动设备总效用的比较。
为了更进一步评估本发明的性能,本发明也与其它目前有代表性的方法(PMMRA)进行比较,如图3和图4所示。验证结果表明,本发明的性能均优于其它目前最先进的方法。其中图3显示在卸载任务数量不变的情况下,随着雾节点数量的增加,τA和τB的被选择情况,加入τdecoy的前后的被选择情况分别用τA、τB、τgoal和τcompete表示。可以看到加入诱饵任务前,选择τA和τB的雾节点数基本保持一致,加入诱饵任务后,选择τgoal的雾节点数明显多于τcompete,选择τdecoy的雾节点数接近于0,这是由于τdecoy作为诱饵任务,其吸引力明显低于τgoal,所以很少会有雾节点会选。
表2不同雾节点总数下的加入诱饵前后雾节点选择任务数
环境中雾节点数 | I=10 | I=20 | I=30 | I=40 | I=50 | I=60 |
τ<sub>goal</sub> | 8 | 14 | 20 | 28 | 35 | 42 |
τ<sub>compete</sub> | 2 | 6 | 10 | 11 | 15 | 18 |
τ<sub>decoy</sub> | 0 | 0 | 0 | 0 | 0 | 0 |
τ<sub>A</sub> | 6 | 6 | 13 | 16 | 21 | 27 |
τ<sub>B</sub> | 4 | 7 | 13 | 17 | 23 | 28 |
表3不同任务总量下加入诱饵前后移动设备总效用
环境中雾节点数 | I=10 | I=20 | I=30 | I=40 | I=50 | I=60 |
PMMRA | 30.439222 | 82.058451 | 90.004187 | 116.26470 | 133.35491 | 155.79162 |
DIMI | 45.187249 | 89.598879 | 113.71312 | 144.37879 | 205.77688 | 254.28228 |
基于上述方法,本发明实施例还提供一种基于诱饵效应的雾节点任务卸载系统,包括:
待卸载任务分类模块,用于依据所有待卸载任务所提出的预计平均报酬和平均时间,将所有待卸载任务分为三类:高报酬长时间类任务、低报酬短时间类任务以及其他类任务;
诱饵任务项设计模块,用于以高报酬长时间类任务为目标任务,低报酬短时间类任务为目标任务的竞争任务,设计诱饵任务项;
具体诱饵任务确定模块,用于结合所述诱饵任务项和所有待卸载任务所提出的预计平均报酬和平均时间,以使得诱饵效果值在正向诱饵效应范围内取得最大值时,得到诱饵任务项的报酬诱饵因子和时间诱饵因子,确定诱饵任务的具体报酬和时间;
任务发布模块,用于将其他类任务的报酬和时间均修改为所述诱饵任务的报酬与时间后,更新所有待卸载任务并发布;
雾节点选择待卸载任务模块,依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务类,并对所选的类任务中每个待卸载任务进行出价,选择出价最低的待卸载任务;
移动设备选择雾节点模块,用于判断若某个待卸载任务被多个雾节点选中,则依据雾节点对任务出价的高低顺序,选择出价最低的雾节点作为对应移动设备发出的待卸载任务进行任务卸载。
应当理解,本发明各个实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于诱饵效应的雾节点任务卸载方法,其有益效果参见方法部分的有益效果,在此不再赘述。
本发明实例还提供一种基于诱饵效应的雾节点任务卸载设备,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于诱饵效应的雾节点任务卸载设备执行如上述基于诱饵效应的雾节点任务卸载方法,其有益效果参见方法部分的有益效果,在此不再赘述。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种基于诱饵效应的雾节点任务卸载方法,其特征在于,包括:
待卸载任务分类,依据所有移动设备上的所有待卸载任务提出的预计平均报酬和平均时间,将所有待卸载任务分为三类:高报酬长时间类任务、低报酬短时间类任务以及其他类任务;
以高报酬长时间类任务为目标任务,低报酬短时间类任务为目标任务的竞争任务,设计诱饵任务项;
确定具体的诱饵任务,结合所述诱饵任务项和所有待卸载任务提出的平均报酬和平均时间,以使得诱饵效果值在正向诱饵效应范围内取得最大值时,得到诱饵任务项的报酬诱饵因子和时间诱饵因子,确定诱饵任务的具体报酬和时间;
任务发布,将其他类任务的报酬和时间均修改为所述诱饵任务的报酬与时间后,更新所有待卸载任务并发布;
雾节点选择待卸载任务,依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务类,并对所选的类任务中每个待卸载任务进行出价,选择出价最低的待卸载任务;
移动设备选择雾节点,若某个待卸载任务被多个雾节点选中,则依据雾节点对任务出价的高低顺序,选择出价最低的雾节点作为对应移动设备发出的待卸载任务进行任务卸载。
2.根据权利要求1所述的方法,其特征在于,所述诱饵效果值是利用高报酬长时间类任务、低报酬短时间类任务分别在基本参考点和诱饵转移参考点下的吸引力计算获得;
M(τtt|r)=Ptt(vtt|vave)+Qtt(ttt|tave)
其中,M(τtt|r)表示某一类任务τtt基于参考点r的吸引力,,Ptt(vtt|vave)表示tt类任务基于vave的报酬吸引力;Qtt(ttt|tave)表示tt类任务基于tave的时间成本吸引力;tt∈{A,B,C},A、B、C分别表示高报酬长时间类任务、低报酬短时间类任务以及其他类任务的标记;τgoal表示主推目标任务,τcompete表示竞争任务;
其中,α和β表示受益和损失区间的价值函数的凹凸程度,取值范围为(0,1);λ表示损失厌恶程度,λ>1;
r表示基本参考点,是指所有待卸载任务提出的预计平均报酬vave和平均时间tave,r'表示诱饵转移参考点,是指高报酬长时间类任务、低报酬短时间类任务以及诱饵任务提出的预计平均报酬v'ave和平均时间t'ave。
3.根据权利要求2所述的方法,其特征在于,所述依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务的具体过程如下:
构建雾节点对各类卸载任务的报酬和时间的偏好函数;
Wi,tt=δiPtt(vtt|vave)+(1-δi)Qtt(ttt|tave)
其中,Wi,tt表示雾节点i对tt类任务的整体偏好值,δi表示雾节点i对任务报酬的偏好系数,1-δi表示雾节点对任务时间的偏好系数;
雾节点i选择待卸载任务j的出价按以下公式计算:
5.根据权利要求4所述的方法,其特征在于,遍历匹配矩阵,若匹配矩阵每列至多只有1个元素为1,则输出匹配矩阵,否则在每一列中为每个待卸载任务选择出价最低的雾节点作为最终实施任务卸载的执行者。
6.根据权利要求1所述的方法,其特征在于,若任务发布前,其他类任务的数量为0,则利用第三方服务提供商一项诱饵任务,并将新建的诱饵任务加入待卸载任务中后,再进行任务发布。
7.根据权利要求2所述的方法,其特征在于,α=β=0.88,λ=2.25。
8.一种基于诱饵效应的雾节点任务卸载系统,其特征在于,包括:
待卸载任务分类模块,用于依据所有待卸载任务所提出的预计平均报酬和平均时间,将所有待卸载任务分为三类:高报酬长时间类任务、低报酬短时间类任务以及其他类任务;
诱饵任务项设计模块,用于以高报酬长时间类任务为目标任务,低报酬短时间类任务为目标任务的竞争任务,设计诱饵任务项;
具体诱饵任务确定模块,用于结合所述诱饵任务项和所有待卸载任务所提出的预计平均报酬和平均时间,以使得诱饵效果值在正向诱饵效应范围内取得最大值时,得到诱饵任务项的报酬诱饵因子和时间诱饵因子,确定诱饵任务的具体报酬和时间;
任务发布模块,用于将其他类任务的报酬和时间均修改为所述诱饵任务的报酬与时间后,更新所有待卸载任务并发布;
雾节点选择待卸载任务模块,依据雾节点进行任务卸载的报酬与时间偏好,选择待卸载任务类,并对所选的类任务中每个待卸载任务进行出价,选择出价最低的待卸载任务;
移动设备选择雾节点模块,用于判断若某个待卸载任务被多个雾节点选中,则依据雾节点对任务出价的高低顺序,选择出价最低的雾节点作为对应移动设备发出的待卸载任务进行任务卸载。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述基于诱饵效应的雾节点任务卸载方法。
10.一种基于诱饵效应的雾节点任务卸载设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述基于诱饵效应的雾节点任务卸载设备执行如权利要求1至7中任一项所述基于诱饵效应的雾节点任务卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266213.4A CN111625287B (zh) | 2020-04-07 | 2020-04-07 | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266213.4A CN111625287B (zh) | 2020-04-07 | 2020-04-07 | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111625287A true CN111625287A (zh) | 2020-09-04 |
CN111625287B CN111625287B (zh) | 2021-04-16 |
Family
ID=72259693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010266213.4A Active CN111625287B (zh) | 2020-04-07 | 2020-04-07 | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111625287B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379999A (zh) * | 2020-10-20 | 2021-02-19 | 广东工业大学 | 一种基于联盟博弈的雾节点任务卸载方法 |
CN113873024A (zh) * | 2021-09-23 | 2021-12-31 | 中国科学院上海微系统与信息技术研究所 | 一种边缘雾网络中数据差分化下载方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2602715A1 (en) * | 2011-12-05 | 2013-06-12 | Deutsche Telekom AG | Task subdivision, distribution, and offloading for systems from mobile environments to data centers |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109636484A (zh) * | 2018-12-25 | 2019-04-16 | 中南大学 | 一种基于行为经济学偏好理论的群智感知系统的激励方法 |
CN109951873A (zh) * | 2019-02-28 | 2019-06-28 | 华北电力大学 | 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 |
-
2020
- 2020-04-07 CN CN202010266213.4A patent/CN111625287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2602715A1 (en) * | 2011-12-05 | 2013-06-12 | Deutsche Telekom AG | Task subdivision, distribution, and offloading for systems from mobile environments to data centers |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109636484A (zh) * | 2018-12-25 | 2019-04-16 | 中南大学 | 一种基于行为经济学偏好理论的群智感知系统的激励方法 |
CN109951873A (zh) * | 2019-02-28 | 2019-06-28 | 华北电力大学 | 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 |
Non-Patent Citations (2)
Title |
---|
XIUMIN WANG等: "Towards Truthful Auction Mechanisms for Task Assignment in Mobile Device Clouds", 《IEEE INFOCOM 2017-IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 * |
王蓓蓓等: "激励机制赋能高效雾网络", 《电信科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379999A (zh) * | 2020-10-20 | 2021-02-19 | 广东工业大学 | 一种基于联盟博弈的雾节点任务卸载方法 |
CN112379999B (zh) * | 2020-10-20 | 2024-04-09 | 广东工业大学 | 一种基于联盟博弈的雾节点任务卸载方法 |
CN113873024A (zh) * | 2021-09-23 | 2021-12-31 | 中国科学院上海微系统与信息技术研究所 | 一种边缘雾网络中数据差分化下载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111625287B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11010794B2 (en) | Methods for viewer modeling and bidding in an online advertising campaign | |
US11120467B2 (en) | Systems and methods for predicting and pricing of gross rating point scores by modeling viewer data | |
US9129313B1 (en) | System and method for optimizing real-time bidding on online advertisement placements utilizing mixed probability methods | |
US6718312B1 (en) | Method and system for combinatorial auctions with bid composition restrictions | |
US20090307073A1 (en) | Social marketing | |
CN108335182B (zh) | 一种基于双边拍卖机制的云平台Web服务交易系统及方法 | |
Bubeck et al. | Online auctions and multi-scale online learning | |
US10007926B2 (en) | Systems and methods for predicting and pricing of gross rating point scores by modeling viewer data | |
CN111625287B (zh) | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 | |
Courty et al. | Product launches and buying frenzies: A dynamic perspective | |
US20140278749A1 (en) | Method and apparatus for determining website polarization and for classifying polarized viewers according to viewer behavior with respect to polarized websites | |
Bhave et al. | Primary-Market Auctions for Event Tickets: Eliminating the Rents of'Bob the Broker'? | |
CN111626563B (zh) | 一种双目标鲁棒移动群智感知系统及其激励方法 | |
US20140304089A1 (en) | System and Method for Conducting a Recurring Auction Using a Participant Retention Mechanism | |
CN107103526A (zh) | 拍卖方法和拍卖服务器 | |
US10346868B2 (en) | Gift exchange platform | |
Zhang | Promoting honesty in electronic marketplaces: Combining trust modeling and incentive mechanism design | |
CN114298728A (zh) | 一种数据处理方法及相关装置 | |
Shi et al. | An equilibrium analysis of market selection strategies and fee strategies in competing double auction marketplaces | |
Sarne et al. | On the choice of obtaining and disclosing the common value in auctions | |
CN109377273B (zh) | 广告投放方法、装置以及计算机可读存储介质 | |
Toulis et al. | Mertacor: a successful autonomous trading agent | |
US10878448B1 (en) | Using a PID controller engine for controlling the pace of an online campaign in realtime | |
US20140180769A1 (en) | Methods, Systems and Apparatus for Human Judges, Products and Services Evaluations | |
Hsieh et al. | To score or not to score? estimates of a sponsored search auction model |
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 |