CN112888002B - 一种基于博弈论的移动边缘计算任务卸载及资源分配方法 - Google Patents

Abstract

本发明涉及一种基于博弈论的移动边缘计算任务卸载及资源分配方法，属于无线通信领域，包括步骤：S1：建模博弈模型局中人：移动边缘计算MEC服务器及用户设备UE；S2：建模MEC服务器及UE策略；S3：建模MEC服务器效用函数；S4：建模UE效用函数；S5：建模博弈模型约束条件；S6：建模MEC服务器及UE效用函数优化模型；S7：基于双边匹配算法对博弈模型进行求解；S8：执行用户任务卸载及资源分配策略。本发明综合考虑MEC服务器效用及UE效用，为MEC服务器确定资源单价，为UE确定任务卸载策略及资源分配策略，实现了效用最大化。

Description

一种基于博弈论的移动边缘计算任务卸载及资源分配方法

技术领域

本发明属于无线通信领域，涉及一种基于博弈论的移动边缘计算任务卸载及资源分配方法。

背景技术

随着移动互联网的发展及智能终端的普及，增强虚拟现实、远程医疗及自动驾驶等新型应用不断涌现。然而，各类新型应用的计算资源密集特性对智能终端任务处理能力提出严峻挑战。为解决上述问题，移动边缘计算(Mobile Edge Computing，MEC)技术应运而生。该技术通过将具备较强计算能力的MEC服务器部署至无线接入网络中，支持用户将任务卸载至MEC服务器执行计算，可有效降低终端任务执行时延及能耗，显著提升用户服务质量。在MEC系统中，综合考虑用户需求及系统可用资源，为用户设计高效的任务卸载机制。

目前已有研究中，有文献针对多用户卸载的场景设计卸载策略，在满足最大可允许执行时延的前提下实现用户时延优化，通过求解各用户最优功率分配及最优计算资源分配策略得到各用户的卸载机制。又例如，有文献研究了采用动态频率及电压调整及能量收集技术实现执行时延最小化，提出了一种基于李雅普诺夫优化的动态计算卸载算法，该算法首先以时隙为单位做出二元卸载决策，继而为本地执行的用户分配计算资源或为卸载的用户分配功率。

现有基于多任务卸载用户网络场景方案的研究较少考虑MEC服务器效用问题，然而对于有限的MEC服务器计算资源，当多用户请求卸载服务时会导致严重的资源竞争，从而严重影响用户性能。

发明内容

有鉴于此，本发明的目的在于综合考虑MEC服务器效用及UE效用，为MEC服务器确定资源单价，为UE确定任务卸载策略及资源分配策略，实现效用最大化，提供一种基于博弈论的移动边缘计算任务卸载及资源分配方法。

为达到上述目的，本发明提供如下技术方案：

一种基于博弈论的移动边缘计算任务卸载及资源分配方法，包括以下步骤：

S1：建模博弈模型局中人：移动边缘计算MEC服务器及用户设备UE；

S2：建模MEC服务器及UE策略；

S3：建模MEC服务器效用函数；

S4：建模UE效用函数；

S5：建模博弈模型约束条件；

S6：建模MEC服务器及UE效用函数优化模型；

S7：基于双边匹配算法对博弈模型进行求解；

S8：执行用户任务卸载及资源分配策略。

进一步，步骤S1中，建模博弈局中人为MEC服务器及UE，MEC_n表示第n个MEC服务器，1≤n≤N，N为MEC服务器的数量，

表示MEC_n的计算能力；UE_m表示第m个用户设备，1≤m≤M，M为UE的总数；UE_m任务执行请求由三元组

描述，其中，I_m、S_m及

分别表示UE_m拟执行任务需输入数据量、待处理数据量及任务完成截止时间。

进一步，步骤S2中，局中人所选择策略为：UE_m的任务在本地设备执行或卸载至MEC服务器MEC_n执行，x_m,n＝{0,1}表示UE_m的任务卸载至边缘服务器MEC_n的调度决策标识，x_m,n＝1表示UE_m的任务卸载至边缘服务器MEC_n进行执行，否则，x_m,n＝0。

进一步，步骤S3中，建模博弈模型局中人MEC服务器效用函数

其中，

表示MEC_n的效用函数，建模为

表示MEC_n执行UE_m的任务对应的效用函数，建模为

和

分别表示MEC_n执行UE_m任务的收益和成本；

和

分别表示MEC_n的收益函数和成本函数的权重因子；

建模为

q_n表示MEC_n向UE提供计算卸载服务的单价；λ_m,n∈[0,1]表示MEC_n分配给UE_m的计算资源的比例；

建模为

B_n表示系统为MEC_n分配的传输带宽，μ_m,n∈[0,1]表示MEC_n为UE_m进行任务传输分配的带宽比例；

和

分别表示MEC_n提供的带宽和计算资源的权重因子，

中，上标s、b、f仅为标识，非具体参数，s表示服务器，b、f分别表示带宽及计算能力。

进一步，步骤S4中，建模博弈模型局中人UE效用函数

表示UE_m的效用函数，建模为

表示UE_m任务卸载至MEC_n执行对应的效用函数，建模为

和

分别表示UE_m任务卸载至MEC_n时的收益与成本，上标u表示用户UE；

和

表示UE_m任务卸载至MEC_n时的收益与成本权重因子，上标r、c分别对应收益及成本的权值标识；

建模为

和E_m,n分别表示UE_m任务完全本地执行的能耗和卸载至MEC_n执行时的能耗；

建模为

δ_m表示与UE_m性能有关的能耗系数，f_m表示UE_m的计算能力；E_m,n建模为

P_m,n表示UE_m的任务传输至MEC_n时对应的发送功率，

表示UE_m的任务传输至MEC_n的传输时延，

表示UE_m的任务卸载至MEC_n对应的传输速率，其中，h_m,n表示UE_m与MEC_n之间链路的信道增益，σ²表示信道噪声功率；

建模为

其中，C₀表示UE_m采用卸载计算服务的初始成本；γ表示权重因子。

进一步，步骤S5中，建模如下约束条件：

(1)任务卸载变量约束条件：

(2)资源单价变量约束条件：q_n≥0；

(3)计算资源分配变量约束条件：

(4)带宽资源分配变量约束条件：

(5)变量之间应满足：

其中，⊙表示同或逻辑关系；

(6)最小速率约束条件：

其中，

是UE_m可容忍的最小速率。

进一步，步骤S6中，建模MEC服务器及UE效用函数优化模型，即

进一步，步骤S7中，基于双边匹配算法对MEC服务器及UE效用函数进行优化求解，具体步骤如下：

S71：双边匹配算法中匹配双方分别为MEC＝{MEC₁,...,MEC_n,...,MEC_N}及UE＝{UE₁,...,UE_m,...,UE_M}；

S72：设初始值

将所有MEC服务器及UE均标记为未匹配，令i＝1；

S73：基于

各MEC服务器计算效用函数，对效用函数进行降序排列，建立偏好列表；具体地，MEC服务器MEC_n计算其执行各UE任务对应的效用函数

对

进行降序排列，建立服务器偏好列表；

S74：基于

各UE计算其任务卸载效用函数，对效用函数进行降序排列，建立偏好列表；具体地，UE_n计算其卸载任务至MEC服务器MEC_n对应的效用函数

对

进行降序排列，建立UE本地偏好列表；

S75：各未匹配UE查询本地偏好列表，确定位于其偏好列表第i位的MEC服务器(称为第i偏好服务器)，向第i偏好MEC服务器发送任务卸载匹配请求；

S76：各MEC服务查询本地偏好列表，确定位于其偏好列表首位的UE(称为第一偏好UE)；

S77：MEC服务器接收来自各UE的任务卸载请求，若接收到来自第一偏好UE的请求，则同意其请求，将该UE偏好标记为已匹配；

S78：验证是否所有UE都完成匹配；若是，转至步骤S710；否则，令i＝i+1，转至步骤S75；

S79：根据任务卸载策略，优化确定λ_m,n，μ_m,n，q_n，重复步骤S73～S79；

S710：确定任务卸载、资源分配及定价策略最优解，即：

进一步，步骤S8中，基于上述算法求解MEC服务器效用函数及UE效用函数，得对应策略，即

其中，

为UE_m任务执行的最优卸载决策；

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的计算资源最优比例，

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的带宽资源最优比例，

表示MEC_n最优定价策略。

本发明的有益效果在于：本发明综合考虑MEC服务器效用及UE效用，为MEC服务器确定资源单价，为UE确定任务卸载策略及资源分配策略，实现效用最大化。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为边缘服务器任务卸载网络示意图；

图2为本发明所述任务卸载方法流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提出的一种基于边缘服务器协作的多任务卸载方法，假设用户需执行一定计算任务，边缘服务器及用户设备均具有一定的任务计算及处理能力，用户可采用全部本地执行及边缘服务器执行，且同时考虑MEC服务器效用及UE效用，建模最大化效用为优化目标，确定MEC服务器资源单价策略，确定用户任务卸载策略及资源分配策略，最大化效用。

如图1所示，网络中存在多个任务待执行用户，用户基于自身效用选择合适的MEC服务器，MEC服务器通过自身效用选择用户，得到最优MEC服务器资源合理单价，用户任务卸载策略及资源分配策略，最大化效用。

如图2所示，本发明所述基于博弈论任务卸载及资源分配方法具体包括以下步骤：

1)建模博弈模型局中人：MEC服务器及UE

建模博弈局中人为MEC服务器及UE，具体为，令MEC_n表示第n个MEC服务器，1≤n≤N，N为MEC服务器的数量，令

表示MEC_n的计算能力；令UE_m表示第m个用户设备，1≤m≤M，M为UE的总数；UE_m任务执行请求由三元组

描述，其中，I_m、S_m及

分别表示UE_m拟执行任务所需输入数据量、待处理数据量及任务完成截止时间。

2)建模MEC服务器及UE策略

建模MEC服务器及UE策略，具体为，局中人所选择策略为：UE_m的任务可在本地设备执行或卸载至MEC服务器MEC_n执行，令x_m,n＝{0,1}表示UE_m的任务卸载至边缘服务器MEC_n的调度决策标识，x_m,n＝1表示UE_m的任务卸载至边缘服务器MEC_n进行执行，否则，x_m,n＝0。

3)建模MEC服务器效用函数

建模博弈模型局中人MEC服务器效用函数

其中，

表示MEC_n的效用函数，可建模为

其中，

表示MEC_n执行UE_m的任务对应的效用函数，可建模为

其中，

和

分别表示MEC_n执行UE_m任务的收益和成本；

和

分别表示MEC_n的收益函数和成本函数的权重因子；

建模为

其中，q_n表示MEC_n向UE提供计算卸载服务的单价；λ_m,n∈[0,1]表示MEC_n分配给UE_m的计算资源的比例；

建模为

B_n表示系统为MEC_n分配的传输带宽，μ_m,n∈[0,1]表示MEC_n为UE_m进行任务传输分配的带宽比例；

和

分别表示MEC_n提供的带宽和计算资源的权重因子。

4)建模UE效用函数

建模博弈模型局中人UE效用函数

表示UE_m的效用函数，建模为

表示UE_m任务卸载至MEC_n执行对应的效用函数，将其建模为

和

分别表示UE_m任务卸载至MEC_n时的收益与成本；

和

表示UE_m任务卸载至MEC_n时的收益与成本权重因子；将

建模为

其中，

和E_m,n分别表示UE_m任务完全本地执行的能耗和卸载至MEC_n执行时的能耗；

建模为

其中，δ_m表示与UE_m性能有关的能耗系数，f_m表示UE_m的计算能力；E_m,n建模为

其中，P_m,n表示UE_m的任务传输至MEC_n时对应的发送功率，

表示UE_m的任务传输至MEC_n所需的传输时延，

表示UE_m的任务卸载至MEC_n对应的传输速率，其中，h_m,n表示UE_m与MEC_n之间链路的信道增益，σ²表示信道噪声功率；

建模为

其中，C₀表示UE_m采用卸载计算服务的初始成本；γ表示权重因子。

5)建模博弈模型约束条件

建模博弈模型约束条件，具体为，如下约束条件：

(1)任务卸载变量约束条件：

(2)资源单价变量约束条件：q_n≥0；

(3)计算资源分配变量约束条件：

(4)带宽资源分配变量约束条件：

(5)变量之间应满足：

其中，⊙表示同或逻辑关系；

(6)最小速率约束条件：x_m,n＝0，if

其中，

是UE_m可容忍的最小速率。

6)建模MEC服务器及UE效用函数优化模型

建模MEC服务器及UE效用函数优化模型，即

7)基于双边匹配算法对博弈模型求解

基于双边匹配算法对MEC服务器及UE效用函数进行优化求解，具体步骤如下：

(1)双边匹配算法中匹配双方分别为MEC＝{MEC₁,...,MEC_n,...,MEC_N}及UE＝{UE₁,...,UE_m,...,UE_M}；

(2)设初始值

将所有MEC服务器及UE均标记为未匹配，令i＝1；

(3)基于

各MEC服务器计算效用函数，进而对效用函数进行降序排列，建立偏好列表；具体地，MEC服务器MEC_n计算其执行各UE任务对应的效用函数

对

进行降序排列，建立服务器偏好列表；

(4)基于

各UE计算其任务卸载效用函数，对效用函数进行降序排列，建立偏好列表；具体地，UE_n计算其卸载任务至MEC服务器MEC_n对应的效用函数

对

进行降序排列，建立UE本地偏好列表；

(5)各未匹配UE查询本地偏好列表，确定位于其偏好列表第i位的MEC服务器(称为第i偏好服务器)，向第i偏好MEC服务器发送任务卸载匹配请求；

(6)各MEC服务查询本地偏好列表，确定位于其偏好列表首位的UE(称为第一偏好UE)；

(7)MEC服务器接收来自各UE的任务卸载请求，若接收到来自第一偏好UE的请求，则同意其请求，将该UE偏好标记为已匹配；

(8)验证是否所有UE都完成匹配；若是，转至步骤(10)；否则，i＝i+1，转至步骤(5)；

(9)根据任务卸载策略，优化确定λ_m,n，μ_m,n，q_n，重复步骤(3)-(9)；

(10)确定任务卸载、资源分配及定价策略最优解，即：

8)执行用户任务卸载及资源分配策略

基于上述算法求解MEC服务器效用函数及UE效用函数，可得对应策略，即

其中，

为UE_m任务执行的最优卸载决策；

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的计算资源最优比例，

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的带宽资源最优比例，

表示MEC_n最优定价策略最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于博弈论的移动边缘计算任务卸载及资源分配方法，其特征在于：包括以下步骤：

S1：建模博弈模型局中人：移动边缘计算MEC服务器及用户设备UE；建模博弈局中人为MEC服务器及UE，MEC_n表示第n个MEC服务器，1≤n≤N，N为MEC服务器的数量，

表示MEC_n的计算能力；UE_m表示第m个用户设备，1≤m≤M，M为UE的总数；UE_m任务执行请求由三元组

描述，其中，I_m、S_m及

分别表示UE_m拟执行任务需输入数据量、待处理数据量及任务完成截止时间；

S2：建模MEC服务器及UE策略；局中人所选择策略为：UE_m的任务在本地设备执行或卸载至MEC服务器MEC_n执行，x_m,n＝{0,1}表示UE_m的任务卸载至边缘服务器MEC_n的调度决策标识，x_m,n＝1表示UE_m的任务卸载至边缘服务器MEC_n进行执行，否则，x_m,n＝0；

S3：建模MEC服务器效用函数；建模博弈模型局中人MEC服务器效用函数

其中，

表示MEC_n的效用函数，建模为

表示MEC_n执行UE_m的任务对应的效用函数，建模为

和

分别表示MEC_n执行UE_m任务的收益和成本；

和

分别表示MEC_n的收益函数和成本函数的权重因子；

建模为

q_n表示MEC_n向UE提供计算卸载服务的单价；λ_m,n∈[0,1]表示MEC_n分配给UE_m的计算资源的比例；

建模为

B_n表示系统为MEC_n分配的传输带宽，μ_m,n∈[0,1]表示MEC_n为UE_m进行任务传输分配的带宽比例；

和

分别表示MEC_n提供的带宽和计算资源的权重因子，

中，上标s、b、f仅为标识，非具体参数，s表示服务器，b、f分别表示带宽及计算能力；

S4：建模UE效用函数；建模博弈模型局中人UE效用函数

表示UE_m的效用函数，建模为

表示UE_m任务卸载至MEC_n执行对应的效用函数，建模为

和

分别表示UE_m任务卸载至MEC_n时的收益与成本，上标u表示用户UE；

和

表示UE_m任务卸载至MEC_n时的收益与成本权重因子，上标r、c分别对应收益及成本的权值标识；

建模为

和E_m,n分别表示UE_m任务完全本地执行的能耗和卸载至MEC_n执行时的能耗，上标u表示用户UE；

建模为

δ_m表示与UE_m性能有关的能耗系数，f_m表示UE_m的计算能力；E_m,n建模为E_m,n＝P_m,nD_m,n，P_m,n表示UE_m的任务传输至MEC_n时对应的发送功率，

表示UE_m的任务传输至MEC_n的传输时延，

表示UE_m的任务卸载至MEC_n对应的传输速率，其中，h_m,n表示UE_m与MEC_n之间链路的信道增益，σ²表示信道噪声功率；

建模为

其中，C₀表示UE_m采用卸载计算服务的初始成本；γ表示权重因子；

S5：建模博弈模型约束条件；建模如下约束条件：

(1)任务卸载变量约束条件：x_m,n∈{0,1}，

(2)资源单价变量约束条件：q_n≥0；

(3)计算资源分配变量约束条件：λ_m,n∈[0,1]，

(4)带宽资源分配变量约束条件：μ_m,n∈[0,1]，

(5)变量之间应满足：

其中，⊙表示同或逻辑关系；

(6)最小速率约束条件：x_m,n＝0，if

其中，

是UE_m可容忍的最小速率；

S6：建模MEC服务器及UE效用函数优化模型；包括建模MEC服务器及UE效用函数优化模型，即

S7：基于双边匹配算法对博弈模型进行求解；包括：

S71：双边匹配算法中匹配双方分别为MEC＝{MEC₁,...,MEC_n,...,MEC_N}及UE＝{UE₁,...,UE_m,...,UE_M}；

S72：设初始值

将所有MEC服务器及UE均标记为未匹配，令i＝1；

S73：基于

各MEC服务器计算效用函数，对效用函数进行降序排列，建立偏好列表；MEC服务器MEC_n计算其执行各UE任务对应的效用函数

对

进行降序排列，建立服务器偏好列表；

S74：基于

各UE计算其任务卸载效用函数，对效用函数进行降序排列，建立偏好列表；UE_n计算其卸载任务至MEC服务器MEC_n对应的效用函数

对

进行降序排列，建立UE本地偏好列表；

S75：各未匹配UE查询本地偏好列表，确定位于其偏好列表第i位的MEC服务器，称为第i偏好服务器，向第i偏好MEC服务器发送任务卸载匹配请求；

S76：各MEC服务查询本地偏好列表，确定位于其偏好列表首位的UE，称为第一偏好UE；

S77：MEC服务器接收来自各UE的任务卸载请求，若接收到来自第一偏好UE的请求，则同意其请求，将该UE偏好标记为已匹配；

S78：验证是否所有UE都完成匹配；若是，转至步骤S710；否则，令i＝i+1，转至步骤S75；

S79：根据任务卸载策略，优化确定λ_m,n，μ_m,n，q_n，重复步骤S73～S79；

S710：确定任务卸载、资源分配及定价策略最优解，即：

S8：执行用户任务卸载及资源分配策略，基于上述算法求解MEC服务器效用函数及UE效用函数，得对应策略，即

其中，

为UE_m任务执行的最优卸载决策；

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的计算资源最优比例，

为UE_m任务卸载至MEC_n执行时，MEC_n为其分配的带宽资源最优比例，

表示MEC_n最优定价策略。

Images