CN112799833A - 面向边缘计算的车辆应用卸载的分布式定价方法与系统 - Google Patents
面向边缘计算的车辆应用卸载的分布式定价方法与系统 Download PDFInfo
- Publication number
- CN112799833A CN112799833A CN202110101578.6A CN202110101578A CN112799833A CN 112799833 A CN112799833 A CN 112799833A CN 202110101578 A CN202110101578 A CN 202110101578A CN 112799833 A CN112799833 A CN 112799833A
- Authority
- CN
- China
- Prior art keywords
- edge server
- task
- price
- unloading
- strategy
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向边缘计算的车辆应用卸载的分布式定价方法与系统,包括:1)边缘服务器广播初始资源价格;2)车辆用户根据接收到边缘服务器的价格策略,满足自身效用最大情况下确定卸载策略并反馈给边缘服务器;3)边缘服务器根据接收到的车辆用户卸载策略,调节自身价格,并将新的价格策略广播;4)重复步骤2)和3)直到边缘服务器调整后策略和调整前策略的效用函数绝对值之差小于或等于收敛精度,或者迭代次数达到最大限制;4)最后达成共识,车辆用户确定自身卸载的边缘服务器,将任务卸载到确定的边缘服务器,边缘服务器确定自己的定价并进行任务处理。本发明提高资源配置效益和服务器运营商收益,并满足任务卸载时延需求保证用户服务质量。
Description
技术领域
本发明涉及无人驾驶场景下边缘计算资源定价的技术领域,尤其是指一种面向边缘计算的车辆应用卸载的分布式定价方法与系统。
背景技术
车辆成为日常生活的一部分,人们对于各种车载应用的服务需求增加,同时对资源的需求急剧增加以及对应用程序性能要求变严格。对于资源有限的车辆终端来说,爆炸式增长的计算量对于车来说是一个很大的负担。为了满足这些应用的爆炸式资源需求,可以将部分计算任务卸载到云端服务器进行执行缓解终端压力。但是移动云端距离车辆较远,要处理的应用任务上传到远端云服务器需要耗费较大的开销,如时延和能耗。为了解决这个问题,边缘计算被认为是一个较好的解决方法。但是与云数据中心相比,边缘服务器计算资源有限,无法满足所有卸载过来的计算任务的时延要求,尤其是在车辆密集交通拥挤时候。这导致希望在其附近获取资源的用户之间的竞争加剧。边缘资源的稀缺性为用户创造了竞争环境,同时不同边缘计算资源提供商之间也存在竞争关系。车辆用户在选择要卸载的服务器时会考虑到不同服务器计算资源价格因素,在提供差不多计算资源情况下,用户会更倾向选择价格低的服务器进行计算卸载。因此对于边缘服务器来说,制定合适的价格策略很重要,价格过高会使得用户车辆选择别的竞争者服务器;价格过低,在资源有限饱和情况下仍然不一定是最佳收益。
互联网中有各种定价策略,例如在云计算环境下不同云服务的种类成为定价方案中的一个研究因子,如基于流量转移机制的定价策略。
现如今关于边缘计算卸载研究中,大多以降低时延和能耗为目的的计算卸载。以降低时延为目标的卸载决策方案,主要分析时延模型。
在车车互联中有关于计算卸载的研究。例如有研究(VFC)车载雾计算,利用附近车辆未充分利用的计算资源,将计算任务从基站转移到车载雾节点。有为了进一步降低计算卸载的延迟和传输成本提出一种基于云的移动边缘计算(MEC)车辆网络卸载框架。
这些关于计算卸载的研究有考虑时延、能耗、用户服务质量等,但并没有以资源定价为主要目标。计算资源定价关乎服务提供商收益,影响用户的计算服务选择,进而影响整体计算资源的动态分配。在定价过程中,不仅仅需要考虑自己单方面的收益,也要考虑用户方面的满意度相对应地,在服务提供商和用户的收益函数中取得一个满足条件的平衡点是一个十分重要的研究内容。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种面向边缘计算的车辆应用卸载的分布式定价方法与系统,利用多主多从形式的Stackelberg博弈模型建模了边缘计算下车辆任务卸载和资源分配的过程,使得能够充分利用边缘服务器资源,提高资源配置效益和服务器运营商收益,并满足任务卸载时延需求和保证用户服务质量。
为实现上述目的,本发明所提供的技术方案为:面向边缘计算的车辆应用卸载的分布式定价方法,该方法根据车辆用户和边缘服务器之间的交互特性,引入了一种多主多从Stackelberg博弈模型,博弈中参与者分为领导者和跟随者,属于两种不平等的地位,在这个主从博弈中,把每个边缘服务器看成领导者,每个车辆用户看成跟随者,其包括以下步骤:
S1、边缘服务器根据历史价格确定单元计算资源初始价格策略P,并向规定范围内行驶的车辆广播出去;
S2、车辆用户接收到边缘服务器的价格策略,根据车辆用户效用函数计算效用,其中效用函数定义引入了弹性时间区间;根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器;
S3、边缘服务器根据接收到的车辆用户卸载策略,对申请卸载的任务进行一次筛选和安排,获得边缘服务器的任务执行队列,其中卸载任务的筛选采用了贪心算法;边缘服务器根据车辆用户的策略分布,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播;
S4、重复步骤S2和S3,直到边缘服务器调整后策略和调整前策略的效用函数绝对值之差小于或等于收敛精度θ,或者迭代次数达到最大限制NUM;
S5、最后用户车辆确定自身最终卸载的服务器将任务卸载到相应边缘服务器,或因卸载请求没有被服务器接收而本地处理;边缘服务器确定自己的定价方案,对申请的用户车辆进行筛选后,确定最终执行的任务队列并进行任务处理。
进一步,在步骤S2中,用户效用函数由基于任务被接收处理的概率的收益和用户花费组成,包括以下步骤:
S21、针对任务被接收处理的概率,引入弹性时间区间概念;
弹性时间区间是指在满足任务截至时间的条件下,选择任务开始执行时间的时间区域范围,即任务开始执行时间不能早于这个时间范围,也不能超过这个时间范围;弹性时间区间越大,任务调度调整的弹性越大,即任务安排越灵活;将弹性时间区域引入到边缘服务器任务调度上,任务在边缘服务器上开始执行的弹性时间区间越大,则任务调度调整越灵活;在多个任务竞争服务器执行区间时,弹性时间区间越大的任务越容易被边缘服务器接收安排,具备更高的优先级;
任务在边缘服务器上开始执行的弹性时间区间长度E为:
E=Tlast-Tc
式中,Tc是任务到达边缘服务器的时间,包括车辆行驶到边缘服务器覆盖的可卸载范围的行驶时间T1和任务传输到边缘服务器的上传时间T2;其中行驶到边缘服务器覆盖的可卸载范围内的路程信息d能够通过GPS获得并计算,v是车辆行驶的速度,则任务上传中,传输速率为B是信道带宽,p是上传功率,h是信道增益,是白噪声功率电平,da表示任务数据量大小,传输时间因此,Tc能够表示为:
式中,Tlast是任务为了不超过最大时延限制,最迟允许开始执行的时间,Tlast=Td-Tex,其中Td是任务截止时间,Tex是任务在边缘服务器上的执行时间;其中w表示任务工作负载,f是边缘服务器的CPU执行功率;因此,Tlast能够表示为:
因此,任务在边缘服务器上开始执行的弹性时间区间长度为:
S22、根据定义的弹性时间区间长度,定义出车辆用户效用函数;
用户效用函数C由基于任务被接收处理的概率的收益和用户花费组成,车辆用户i的效用函数表示为:
Ci=Ui(Ei,j)-Pj·Nij
C1式子表示任务i在边缘服务器j上的总支付价格不能超过用户给该任务定的预期最高出价;其中Pj表示边缘服务器j的单位计算资源定价,dai是车辆用户i的任务数据量大小,wi是车辆用户i的任务工作负载,fj是边缘服务器j的CPU执行功率,Pri是车辆用户i给该任务定的预期最高出价;
其中,Nij表示用户i需要边缘服务器j的计算资源;
Ui(Ei,j)表示用户车辆基于任务被接收处理的概率的收益,Ei,j表示车辆用户i的任务被边缘服务器j接收处理的弹性时间区间长度;任务在一个边缘服务器上的弹性时间区间越大,说明该任务能够被灵活安排,即被边缘服务器接收安排处理的可能性越大;间接也说明留给边缘服务器安排执行其它应用的空间越大,边缘服务器的收益也有可能增大;因此,定义基于弹性时间区间的效用函数能够表示如下:
Ui(Ei,j)=αlog(1+Ei,j)
式中,α是一个大于零的常量,跟具体用户体验相关;
因此,车辆用户i的效用函数表示为:
车辆用户根据效用函数计算最大效用,确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器。
进一步,所述步骤S3包括以下步骤:
S31、边缘服务器根据接收到的车辆用户卸载策略,采用了贪心算法对申请卸载的任务进行一次筛选和安排,获得服务器的任务执行队列;
一个资源有限的边缘服务器,当有多个任务申请卸载时,因为边缘服务器一个时间段只能处理一个任务,且申请卸载的部分任务之间可能会存在执行时间重叠问题,边缘服务器需要对申请卸载任务进行筛选执行;每一个任务到达边缘服务器的时间不同,任务执行所需时间和截止时间也不同,即任务在边缘服务器上的弹性时间也不同,边缘服务器上单位时间资源价格是一定的;使用贪心算法,在选择一个任务后,使得每一轮分布式定价博弈的时间T周期内,剩下的时间片资源能够被更多的其它任务使用;具体步骤如下:
S311、一个边缘服务器j对申请卸载的所有任务按照任务各自最早结束时间TF进行升序排序,获得有序的申请卸载队列req;其中TF=Tc+Tex,Tc是任务到达边缘服务器的时间,Tex是任务在该边缘服务器上的执行时间;
S312、选择在边缘服务器上最早结束的任务放入边缘服务器的执行队列Qj中,保证选择的任务不会与之前已选任务时间冲突;
S313、重复执行步骤S312,直到所有申请来的任务都轮询一次或者边缘服务器资源分配已满;
S32、边缘服务器对申请卸载的任务进筛选和安排,获得边缘服务器的任务执行队列后,根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,具体步骤如下:
S321、边缘服务器的效用函数定义如下:
作为计算资源的提供者,边缘服务器通过售卖计算资源给用户车辆来获得收益,收益就是边缘服务器向移动车辆用户出售的计算资源得到的费用,将其获得的收益定义为效用的一部分,边缘服务器成本用一个线性函数表示,边缘服务器j的效用函数表示为:
Fj(Pj,G)=Hj·Pj-Zj·Hj
其中,G是车辆用户卸载策略,Pj是边缘服务器j的价格策略;Zj>0,是边缘服务器j的成本系数;Hj是边缘服务器j出售的总计算资源;通过步骤S31进行任务筛选后,最终获得的边缘服务器执行队列里的任务所需要的总计算资源就是边缘服务器实际出售的计算资源Hj,其中n是边缘服务器执行队列里任务的数量,Nij表示用户i需要边缘服务器j的计算资源,T是一轮分布式定价博弈的时间;
S322、边缘服务器j在时刻t价格策略为Pj(t),根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,在t+1时刻获得新的单位计算资源价格策略Pj(t+1),价格迭代方程为:
其中,xj表示价格策略调节步长,G(t)是在时刻t的车辆用户卸载策略;服务器自身效用函数对于价格的偏导数能够用一个小的变化量γ来计算:
博弈中当边缘服务器接收到车辆用户卸载策略后,服务器提供商之间是竞争关系,相互之间不会进行信息交流,只能获得局部信息,因此通过价格迭代不断接近最优解,即最优价格;边缘服务器将新的价格策略广播给车辆用户。
面向边缘计算的车辆应用卸载的分布式定价系统,包括:
车辆用户任务卸载策略制定单元,根据车辆用户接收到边缘服务器的CPU执行功率、服务器位置和单位时间计算资源价格策略信息,计算弹性时间区间;根据车辆用户效用函数计算效用,并根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器;
边缘服务器定价策略制定单元,根据边缘服务器接收到的车辆用户卸载策略,通过贪心算法对申请卸载的任务进行筛选和安排,获得边缘服务器的任务执行队列;根据车辆用户卸载策略,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播;
车辆用户任务卸载执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据车辆用户确定自身最终卸载的边缘服务器,将要执行的任务传送给确定的边缘服务器进行执行,或因卸载请求没有被边缘服务器接收而本地处理;
边缘服务器任务执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据边缘服务器确定自己的定价方案,对申请的车辆用户的卸载任务采用贪心算法进行筛选后,确定最终执行的任务队列,并对任务进行执行。
本发明与现有技术相比,具有如下优点与有益效果:
本发明关于无人驾驶边缘卸载问题,首次以资源定价为主要目标。提出的面向边缘计算的车辆应用卸载的分布式定价方法与系统,考虑到服务提供商的收益、任务时延和用户的效用满意度,本发明对于每一次定价情况下资源有限且申请卸载任务过多的边缘服务器,提出了一种贪心算法,对边缘服务器上申请卸载的任务进行筛选和执行安排,达到该定价策略情况下服务器效用最优。另外,本发明不需要中心控制,边缘服务器自主进行价格调整,利用价格广播出去后收到的用户卸载申请反馈来评估自身定价的合理性,并进行价格微调。
附图说明
图1为面向边缘计算的车辆应用卸载场景图。
图2为本发明方法的流程图。
图3为任务在服务器上的时间区间。
图4为本发明系统的架构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
参见图1所示,为面向边缘计算的车辆应用卸载场景图,该场景中路边分布有多个路边单元RSUs,每一个RSU配置一个边缘服务器。有的路段部分RSUs分布密集,有的路段部分RSUs分布稀疏。该场景下边缘服务器没有中心控制,利用用户卸载申请反馈来评估自身定价的合理性,自主进行价格调整。车辆在行驶过程中将提出任务卸载需求,这些任务包括在线视频、即时通信、电子邮件等。各卸载任务的时间延迟的要求差别很大,用户对时延的敏感程度以及支付意愿也各不相同。其中边缘服务器一个时间段只能处理一个任务,任务处理时候是独占边缘服务器资源不能被打断,一个任务只能被卸载在一个边缘服务器上进行处理;一次任务资源调度过程是在一个调度时间T内进行,一轮时间T内任务调度结束,进入新的一轮任务资源调度;进入执行队列中的任务是一定会被安排执行的,即我们的定价策略一定会保证达成交易的任务被完成。
参见图2所示,本实施例所提供的面向边缘计算的车辆应用卸载的分布式定价方法,包括以下步骤:
S1、边缘服务器根据历史价格确定单元计算资源初始价格策略P,并向一定范围内行驶的车辆广播出去。
S2、车辆用户接收到边缘服务器的价格策略,根据车辆用户效用函数计算效用,其中效用函数定义引入了弹性时间区间,并根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器,具体过程如下:
S21、针对任务被接收处理的概率,我们引入弹性时间区间概念。
弹性时间区间是指在满足任务截至时间的条件下,选择任务开始执行时间的时间区域范围,即任务开始执行时间不能早于这个时间范围,也不能超过这个时间范围。弹性时间区间越大,任务调度调整的弹性越大,即任务安排越灵活。参见图3所示,将弹性时间区域引入到边缘服务器任务调度上,任务在边缘服务器上开始执行的弹性时间区间越大,则任务调度调整越灵活。在多个任务竞争服务器执行区间时,弹性时间区间越大的任务越容易被边缘服务器接收安排,具备更高的优先级。
任务在边缘服务器上开始执行的弹性时间区间长度E为:
E=Tlast-Tc
Tc是任务到达边缘服务器的时间,包括车辆行驶到该边缘服务器覆盖的可卸载范围的行驶时间T1和任务传输到边缘服务器的上传时间T2。其中行驶到该边缘服务器覆盖的可卸载范围内的路程信息d可以通过GPS获得并计算,v是车辆行驶的速度,则任务上传中,传输速率为B是信道带宽,p是上传功率,h是信道增益,是白噪声功率电平,da表示任务数据量大小,传输时间因此Tc可以表示为:
Tlast是任务为了不超过最大时延限制,最迟允许开始执行的时间,Tlast=Td-Tex,其中Td是任务截止时间,Tex是任务在该边缘服务器上的执行时间。其中da表示任务数据量大小,w表示任务工作负载,f是边缘服务器的CPU执行功率。因此Tlast可以表示为:
因此,任务在边缘服务器上开始执行的弹性时间区间长度为:
S22、根据定义的弹性时间区间长度,定义出车辆用户效用函数。
用户效用函数C由基于任务被接收处理的概率的收益和用户花费组成,车辆用户i的效用函数表示为:
Ci=Ui(Ei,j)-Pj·Nij
C1式子表示任务i在边缘服务器j上的总支付价格不能超过用户给该任务定的预期最高出价。其中Pj表示边缘服务器j的单位计算资源定价,dai是车辆用户i的任务数据量大小,wi是车辆用户i的任务工作负载,fj是服务器j的CPU执行功率,Pri是车辆用户i给该任务定的预期最高出价。
其中Nij表示用户i需要边缘服务器j的计算资源。
Ui(Ei,j)表示用户车辆基于任务被接收处理的概率的收益,Ei,j表示车辆用户i的任务被边缘服务器j接收处理的弹性时间区间长度。任务在一个边缘服务器上的弹性时间区间越大,说明该任务可以被灵活安排,即被边缘服务器接收安排处理的可能性越大;间接也说明留给边缘服务器安排执行其它应用的空间越大,服务器的收益也有可能增大。因此,我们定义基于弹性时间区间的效用函数可表示如下:
Ui(Ei,j)=αlog(1+Ei,j)
α是一个大于零的常量,跟具体用户体验相关。
因此,车辆用户i的效用函数表示为:
车辆用户根据效用函数计算最大效用,确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器。
S3、边缘服务器根据接收到的车辆用户卸载策略,对申请卸载的任务进行一次筛选和安排,获得边缘服务器的任务执行队列,其中卸载任务的筛选采用了贪心算法;边缘服务器根据车辆用户的策略分布,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播。具体步骤为:
S31、边缘服务器根据接收到的车辆用户卸载策略,采用了贪心算法对申请卸载的任务进行一次筛选和安排,获得服务器的任务执行队列。
一个资源有限的边缘服务器,当有多个任务申请卸载时,因为边缘服务器一个时间段只能处理一个任务,且申请卸载的部分任务之间可能会存在执行时间重叠问题,边缘服务器需要对申请卸载任务进行筛选执行。每一个任务到达边缘服务器的时间不同,任务执行所需时间和截止时间也不同,即任务在边缘服务器上的弹性时间也不同,边缘服务器上单位时间资源价格是一定的。使用贪心算法,在选择一个任务后,使得每一轮分布式定价博弈的时间T周期内,剩下的时间片资源可以被尽量多的其他任务使用。具体步骤为:
S311、一个边缘服务器j对申请卸载的所有任务按照任务各自最早结束时间TF进行升序排序,获得有序的申请卸载队列req。其中TF=Tc+Tex,Tc是任务到达边缘服务器的时间,Tex是任务在该边缘服务器上的执行时间;
S312、选择在边缘服务器上最早结束的任务放入边缘服务器的执行队列Qj中,保证选择的任务不会与之前已选任务时间冲突;
S313、重复执行步骤S312,直到所有申请来的任务都轮询一次或者边缘服务器资源分配已满。
S32、边缘服务器对申请卸载的任务进筛选和安排,获得边缘服务器的任务执行队列后,根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,具体步骤为:
S321、边缘服务器的效用函数定义。
作为计算资源的提供者,边缘服务器通过售卖计算资源给用户车辆来获得收益。收益就是边缘服务器向移动车辆用户出售的计算资源得到的费用,将其获得的收益定义为效用的一部分,边缘服务器成本用一个线性函数表示。边缘服务器j的效用函数表示为:
Fj(Pj,G)=Hj·Pj-Zj·Hj
其中G是车辆用户卸载策略,Pj是边缘服务器j的价格策略。Zj>0,是边缘服务器j的成本系数。Hj是边缘服务器j出售的总计算资源。通过步骤S31进行任务筛选后,最终获得的边缘服务器执行队列里的任务所需要的总计算资源就是边缘服务器实际出售的计算资源Hj,其中n是边缘服务器执行队列里任务的数量,Nij表示用户i需要边缘服务器j的计算资源,T是一轮分布式定价博弈的时间。
S322、边缘服务器j在时刻t价格策略为Pj(t),根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,在t+1时刻获得新的单位计算资源价格策略Pj(t+1),价格迭代方程为:
其中xj表示价格策略调节步长,G(t)是在时刻t的车辆用户卸载策略。边缘服务器效用函数对于价格的偏导数可以用一个很小的变化量γ(如γ=10-4)来计算:
博弈中当边缘服务器接收到车辆用户卸载策略后,服务器提供商之间是竞争关系,相互之间不会进行信息交流,只能获得局部信息,因此通过价格迭代不断接近最优解,即最优价格。边缘服务器将新的价格策略广播给车辆用户。
S4、重复步骤S2和S3,直到边缘服务器调整后策略和调整前策略的效用函数绝对值之差小于或等于收敛精度θ,或者迭代次数达到最大限制NUM。
S5、最后用户车辆确定自身最终卸载的边缘服务器将任务卸载到相应边缘服务器,或因卸载请求没有被边缘服务器接收而本地处理;边缘服务器确定自己的定价方案,对申请的用户车辆进行筛选后,确定最终执行的任务队列并进行任务处理。
参见图4所示,本实施例也提供了一种面向边缘计算的车辆应用卸载的分布式定价系统,包括:
车辆用户任务卸载策略制定单元,根据车辆用户接收到边缘服务器的CPU执行功率、服务器位置和单位时间计算资源价格策略信息,计算弹性时间区间;根据车辆用户效用函数计算效用,并根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器;
边缘服务器定价策略制定单元,根据边缘服务器接收到的车辆用户卸载策略,通过贪心算法对申请卸载的任务进行筛选和安排,获得边缘服务器的任务执行队列;根据车辆用户卸载策略,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播;
车辆用户任务卸载执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据车辆用户确定自身最终卸载的边缘服务器,将要执行的任务传送给确定的边缘服务器进行执行,或因卸载请求没有被边缘服务器接收而本地处理;
边缘服务器任务执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据边缘服务器确定自己的定价方案,对申请的车辆用户的卸载任务采用贪心算法进行筛选后,确定最终执行的任务队列,并对任务进行执行。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.面向边缘计算的车辆应用卸载的分布式定价方法,其特征在于:该方法根据车辆用户和边缘服务器之间的交互特性,引入了一种多主多从Stackelberg博弈模型,博弈中参与者分为领导者和跟随者,属于两种不平等的地位,在这个主从博弈中,把每个边缘服务器看成领导者,每个车辆用户看成跟随者,其包括以下步骤:
S1、边缘服务器根据历史价格确定单元计算资源初始价格策略P,并向规定范围内行驶的车辆广播出去;
S2、车辆用户接收到边缘服务器的价格策略,根据车辆用户效用函数计算效用,其中效用函数定义引入了弹性时间区间;根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器;
S3、边缘服务器根据接收到的车辆用户卸载策略,对申请卸载的任务进行一次筛选和安排,获得边缘服务器的任务执行队列,其中卸载任务的筛选采用了贪心算法;边缘服务器根据车辆用户的策略分布,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播;
S4、重复步骤S2和S3,直到边缘服务器调整后策略和调整前策略的效用函数绝对值之差小于或等于收敛精度θ,或者迭代次数达到最大限制NUM;
S5、最后用户车辆确定自身最终卸载的服务器将任务卸载到相应边缘服务器,或因卸载请求没有被服务器接收而本地处理;边缘服务器确定自己的定价方案,对申请的用户车辆进行筛选后,确定最终执行的任务队列并进行任务处理。
2.根据权利要求1所述的面向边缘计算的车辆应用卸载的分布式定价方法,其特征在于,在步骤S2中,用户效用函数由基于任务被接收处理的概率的收益和用户花费组成,包括以下步骤:
S21、针对任务被接收处理的概率,引入弹性时间区间概念;
弹性时间区间是指在满足任务截至时间的条件下,选择任务开始执行时间的时间区域范围,即任务开始执行时间不能早于这个时间范围,也不能超过这个时间范围;弹性时间区间越大,任务调度调整的弹性越大,即任务安排越灵活;将弹性时间区域引入到边缘服务器任务调度上,任务在边缘服务器上开始执行的弹性时间区间越大,则任务调度调整越灵活;在多个任务竞争服务器执行区间时,弹性时间区间越大的任务越容易被边缘服务器接收安排,具备更高的优先级;
任务在边缘服务器上开始执行的弹性时间区间长度E为:
E=Tlast-Tc
式中,Tc是任务到达边缘服务器的时间,包括车辆行驶到边缘服务器覆盖的可卸载范围的行驶时间T1和任务传输到边缘服务器的上传时间T2;其中行驶到边缘服务器覆盖的可卸载范围内的路程信息d能够通过GPS获得并计算,v是车辆行驶的速度,则任务上传中,传输速率为B是信道带宽,p是上传功率,h是信道增益,是白噪声功率电平,da表示任务数据量大小,传输时间因此,Tc能够表示为:
式中,Tlast是任务为了不超过最大时延限制,最迟允许开始执行的时间,Tlast=Td-Tex,其中Td是任务截止时间,Tex是任务在边缘服务器上的执行时间;其中w表示任务工作负载,f是边缘服务器的CPU执行功率;因此,Tlast能够表示为:
因此,任务在边缘服务器上开始执行的弹性时间区间长度为:
S22、根据定义的弹性时间区间长度,定义出车辆用户效用函数;
用户效用函数C由基于任务被接收处理的概率的收益和用户花费组成,车辆用户i的效用函数表示为:
Ci=Ui(Ei,j)-Pj.Nij
C1式子表示任务i在边缘服务器j上的总支付价格不能超过用户给该任务定的预期最高出价;其中Pj表示边缘服务器j的单位计算资源定价,dai是车辆用户i的任务数据量大小,wi是车辆用户i的任务工作负载,fj是边缘服务器j的CPU执行功率,Pri是车辆用户i给该任务定的预期最高出价;
其中,Nij表示用户i需要边缘服务器j的计算资源;
Ui(Ei,j)表示用户车辆基于任务被接收处理的概率的收益,Ei,j表示车辆用户i的任务被边缘服务器j接收处理的弹性时间区间长度;任务在一个边缘服务器上的弹性时间区间越大,说明该任务能够被灵活安排,即被边缘服务器接收安排处理的可能性越大;间接也说明留给边缘服务器安排执行其它应用的空间越大,边缘服务器的收益也有可能增大;因此,定义基于弹性时间区间的效用函数能够表示如下:
Ui(Ei,j)=αlog(1+Ei,j)
式中,α是一个大于零的常量,跟具体用户体验相关;
因此,车辆用户i的效用函数表示为:
车辆用户根据效用函数计算最大效用,确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器。
3.根据权利要求1所述的面向边缘计算的车辆应用卸载的分布式定价方法,其特征在于,所述步骤S3包括以下步骤:
S31、边缘服务器根据接收到的车辆用户卸载策略,采用了贪心算法对申请卸载的任务进行一次筛选和安排,获得服务器的任务执行队列;
一个资源有限的边缘服务器,当有多个任务申请卸载时,因为边缘服务器一个时间段只能处理一个任务,且申请卸载的部分任务之间可能会存在执行时间重叠问题,边缘服务器需要对申请卸载任务进行筛选执行;每一个任务到达边缘服务器的时间不同,任务执行所需时间和截止时间也不同,即任务在边缘服务器上的弹性时间也不同,边缘服务器上单位时间资源价格是一定的;使用贪心算法,在选择一个任务后,使得每一轮分布式定价博弈的时间T周期内,剩下的时间片资源能够被更多的其它任务使用;具体步骤如下:
S311、一个边缘服务器j对申请卸载的所有任务按照任务各自最早结束时间TF进行升序排序,获得有序的申请卸载队列req;其中TF=Tc+Tex,Tc是任务到达边缘服务器的时间,Tex是任务在该边缘服务器上的执行时间;
S312、选择在边缘服务器上最早结束的任务放入边缘服务器的执行队列Qj中,保证选择的任务不会与之前已选任务时间冲突;
S313、重复执行步骤S312,直到所有申请来的任务都轮询一次或者边缘服务器资源分配已满;
S32、边缘服务器对申请卸载的任务进筛选和安排,获得边缘服务器的任务执行队列后,根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,具体步骤如下:
S321、边缘服务器的效用函数定义如下:
作为计算资源的提供者,边缘服务器通过售卖计算资源给用户车辆来获得收益,收益就是边缘服务器向移动车辆用户出售的计算资源得到的费用,将其获得的收益定义为效用的一部分,边缘服务器成本用一个线性函数表示,边缘服务器j的效用函数表示为:
Fj(Pj,G)=Hj.Pj-Zj.Hj
其中,G是车辆用户卸载策略,Pj是边缘服务器j的价格策略;Zj>0,是边缘服务器j的成本系数;Hj是边缘服务器j出售的总计算资源;通过步骤S31进行任务筛选后,最终获得的边缘服务器执行队列里的任务所需要的总计算资源就是边缘服务器实际出售的计算资源Hj,其中n是边缘服务器执行队列里任务的数量,Nij表示用户i需要边缘服务器j的计算资源,T是一轮分布式定价博弈的时间;
S322、边缘服务器j在时刻t价格策略为Pj(t),根据车辆用户卸载策略和自身效用函数,通过价格迭代来调节自身价格,在t+1时刻获得新的单位计算资源价格策略Pj(t+1),价格迭代方程为:
其中,xj表示价格策略调节步长,G(t)是在时刻t的车辆用户卸载策略;服务器自身效用函数对于价格的偏导数能够用一个小的变化量γ来计算:
博弈中当边缘服务器接收到车辆用户卸载策略后,服务器提供商之间是竞争关系,相互之间不会进行信息交流,只能获得局部信息,因此通过价格迭代不断接近最优解,即最优价格;边缘服务器将新的价格策略广播给车辆用户。
4.面向边缘计算的车辆应用卸载的分布式定价系统,其特征在于,包括:
车辆用户任务卸载策略制定单元,根据车辆用户接收到边缘服务器的CPU执行功率、服务器位置和单位时间计算资源价格策略信息,计算弹性时间区间;根据车辆用户效用函数计算效用,并根据最大效用确定车辆用户卸载策略,将车辆用户卸载策略反馈给边缘服务器;
边缘服务器定价策略制定单元,根据边缘服务器接收到的车辆用户卸载策略,通过贪心算法对申请卸载的任务进行筛选和安排,获得边缘服务器的任务执行队列;根据车辆用户卸载策略,通过价格迭代来调节自身价格,使得无限接近最优价格,并将新的价格策略广播;
车辆用户任务卸载执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据车辆用户确定自身最终卸载的边缘服务器,将要执行的任务传送给确定的边缘服务器进行执行,或因卸载请求没有被边缘服务器接收而本地处理;
边缘服务器任务执行单元,在用户和边缘服务器进行多轮交互,达成共识后,根据边缘服务器确定自己的定价方案,对申请的车辆用户的卸载任务采用贪心算法进行筛选后,确定最终执行的任务队列,并对任务进行执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101578.6A CN112799833B (zh) | 2021-01-26 | 2021-01-26 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101578.6A CN112799833B (zh) | 2021-01-26 | 2021-01-26 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799833A true CN112799833A (zh) | 2021-05-14 |
CN112799833B CN112799833B (zh) | 2023-02-10 |
Family
ID=75811631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101578.6A Active CN112799833B (zh) | 2021-01-26 | 2021-01-26 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112799833B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269461A (zh) * | 2021-06-09 | 2021-08-17 | 北京理工大学 | 一种基于博弈的边缘计算资源管理方法 |
CN113676420A (zh) * | 2021-07-28 | 2021-11-19 | 北京信息科技大学 | 移动边缘计算场景下的资源分配方法及装置 |
CN113726862A (zh) * | 2021-08-20 | 2021-11-30 | 北京信息科技大学 | 多边缘服务器网络下的计算卸载方法及装置 |
CN114466023A (zh) * | 2022-03-07 | 2022-05-10 | 中南大学 | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
CN115242800A (zh) * | 2022-09-22 | 2022-10-25 | 湖北工业大学 | 一种基于博弈论的移动边缘计算资源优化方法及装置 |
CN116112976A (zh) * | 2022-12-20 | 2023-05-12 | 暨南大学 | 设备计算迁移方法、装置、设备及存储介质 |
CN117896697A (zh) * | 2023-12-29 | 2024-04-16 | 江西理工大学 | 一种闲置车辆辅助车载边缘计算卸载与资源定价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
US20180083483A1 (en) * | 2016-09-22 | 2018-03-22 | Seung Ho Hong | Incentive-based demand response method considering hierarchical electricity market |
US20180083482A1 (en) * | 2016-09-19 | 2018-03-22 | Nestfield Co., Ltd. | Supply-demand balancing method and system for power management in smart grid |
CN111885147A (zh) * | 2020-07-20 | 2020-11-03 | 兰州理工大学 | 边缘计算中的一种资源动态定价方法 |
-
2021
- 2021-01-26 CN CN202110101578.6A patent/CN112799833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180083482A1 (en) * | 2016-09-19 | 2018-03-22 | Nestfield Co., Ltd. | Supply-demand balancing method and system for power management in smart grid |
US20180083483A1 (en) * | 2016-09-22 | 2018-03-22 | Seung Ho Hong | Incentive-based demand response method considering hierarchical electricity market |
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
CN111885147A (zh) * | 2020-07-20 | 2020-11-03 | 兰州理工大学 | 边缘计算中的一种资源动态定价方法 |
Non-Patent Citations (2)
Title |
---|
SEONG-HWAN KIM等: "An Optimal Pricing Scheme for the Energy-Efficient Mobile Edge Computation Offloading With OFDMA", 《IEEE COMMUNICATIONS LETTERS》 * |
张伟: "边缘计算的任务迁移机制研究", 《软件导刊》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269461A (zh) * | 2021-06-09 | 2021-08-17 | 北京理工大学 | 一种基于博弈的边缘计算资源管理方法 |
CN113676420A (zh) * | 2021-07-28 | 2021-11-19 | 北京信息科技大学 | 移动边缘计算场景下的资源分配方法及装置 |
CN113676420B (zh) * | 2021-07-28 | 2023-09-01 | 北京信息科技大学 | 移动边缘计算场景下的资源分配方法及装置 |
CN113726862A (zh) * | 2021-08-20 | 2021-11-30 | 北京信息科技大学 | 多边缘服务器网络下的计算卸载方法及装置 |
CN114466023A (zh) * | 2022-03-07 | 2022-05-10 | 中南大学 | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
CN115242800A (zh) * | 2022-09-22 | 2022-10-25 | 湖北工业大学 | 一种基于博弈论的移动边缘计算资源优化方法及装置 |
CN116112976A (zh) * | 2022-12-20 | 2023-05-12 | 暨南大学 | 设备计算迁移方法、装置、设备及存储介质 |
CN116112976B (zh) * | 2022-12-20 | 2024-05-03 | 暨南大学 | 设备计算迁移方法、装置、设备及存储介质 |
CN117896697A (zh) * | 2023-12-29 | 2024-04-16 | 江西理工大学 | 一种闲置车辆辅助车载边缘计算卸载与资源定价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112799833B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112799833B (zh) | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 | |
Luo et al. | Adaptive video streaming with edge caching and video transcoding over software-defined mobile networks: A deep reinforcement learning approach | |
US8140371B2 (en) | Providing computing service to users in a heterogeneous distributed computing environment | |
CN113377516B (zh) | 面向边缘计算的车辆任务卸载的集中式调度方法与系统 | |
CN110213796A (zh) | 一种车联网中的智能资源分配方法 | |
CN113438621A (zh) | 一种基于网联车辅助的边缘计算卸载与资源分配方法 | |
CN109802998A (zh) | 一种基于博弈的雾网络协同调度激励方法及系统 | |
WO2018081634A1 (en) | Price-aware real-time auction-based ride-sharing system | |
Wang et al. | Application-aware offloading policy using SMDP in vehicular fog computing systems | |
JPH11196113A (ja) | ミクロ経済学に基いてフロー制御を行うネットワーク制御システム、方法、及び記録媒体 | |
CN109600849B (zh) | 一种基于移动边缘计算系统的并行资源分配方法 | |
CN110489218B (zh) | 基于半马尔可夫决策过程的车载雾计算系统任务卸载方法 | |
CN108234603A (zh) | 一种基于定价的边缘计算资源分配方法及系统 | |
CN114980029B (zh) | 车联网中基于任务关联性的卸载方法 | |
Xiao et al. | Multi-round auction-based resource allocation for edge computing: Maximizing social welfare | |
CN112887314B (zh) | 一种时延感知的云雾协作视频分发方法 | |
CN113176936A (zh) | QoE感知的分布式边缘任务调度和资源管理方法及系统 | |
CN108664318A (zh) | 计算迁移方法及用于计算迁移的服务端、边界服务端 | |
CN108901003A (zh) | 一种d2d协作网络场景下基于社会关系的功率分配方法 | |
CN114519150A (zh) | 物联网网络的互信评价方法及系统 | |
CN110365608B (zh) | 一种容忍不完整数据传输的流组传输调度方法 | |
Rahati-Quchani et al. | An efficient mechanism for computation offloading in mobile-edge computing | |
CN117896697B (zh) | 一种闲置车辆辅助车载边缘计算卸载与资源定价方法 | |
CN115133973B (zh) | 一种卫星轻量级分布式编排系统及方法 | |
CN113282413B (zh) | 车辆边缘计算网络中QoS需求自适应的资源配置方法 |
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 |