CN112929915B - 一种移动边缘计算的动态数据卸载方法及系统 - Google Patents

一种移动边缘计算的动态数据卸载方法及系统 Download PDF

Info

Publication number
CN112929915B
CN112929915B CN202110195102.3A CN202110195102A CN112929915B CN 112929915 B CN112929915 B CN 112929915B CN 202110195102 A CN202110195102 A CN 202110195102A CN 112929915 B CN112929915 B CN 112929915B
Authority
CN
China
Prior art keywords
server
data
time slot
user
unloading
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
Application number
CN202110195102.3A
Other languages
English (en)
Other versions
CN112929915A (zh
Inventor
张德宇
张琳
张尧学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110195102.3A priority Critical patent/CN112929915B/zh
Publication of CN112929915A publication Critical patent/CN112929915A/zh
Application granted granted Critical
Publication of CN112929915B publication Critical patent/CN112929915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种移动边缘计算的动态数据卸载方法及系统，方法包括：通过构建基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，由所述双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器。具有充分照顾到终端用户和服务器双方的权益，有效解决边缘计算资源交易中一方处于垄断地位，满足边缘计算资源需求多样性等优点。

Description

一种移动边缘计算的动态数据卸载方法及系统
技术领域
本发明涉及计算机网络技术领域，尤其涉及一种移动边缘计算的动态数据卸载方法及系统。
背景技术
移动边缘计算(Mobile Edge Computing，MEC)已经成为在网络边缘和靠近移动终端用户的地方提供计算资源的重要解决方案。终端用户可以将他们的计算任务卸载到MEC服务器，MEC服务器可以进一步处理用户卸载的任务。MEC技术的主要好处在于能够减少延迟，从而提高移动应用程序的性能，降低移动设备的能源消耗，减轻本地执行计算任务的负担。软件定义网络(Software Define Network，SDN)具有设计动态、可管理性、适应性强和成本效益高的特点，使得MEC系统可以大大受益于SDN技术。博弈论(Game Theory)也被用于处理MEC系统中的数据卸载问题，终端用户可以通过分布式方式自主制定数据卸载决策。
当前有很多技术关注对移动边缘计算数据卸载和资源分配问题的研究。文献1(Y.Wang，M.Sheng，X.Wang，L.Wang and J.Li，″Mobile-Edge Computing：PartialComputation Offloading Using Dynamic Voltage Scaling，″in IEEE Transactions onCommunications，2016.)提出了一种MEC计算和通信资源的联合分配方案，以最大限度地减少终端用户在MEC服务器上的能耗和应用程序的执行延迟。文献2(C.You，K.Huang，H.Chaeand B.Kim，″Energy-Efficient Resource Allocation for Mobile-Edge ComputationOffloading，″in IEEE Transactions on Wireless Communications，2017.)提出了一个集中优化问题，目标是终端用户能耗的加权和最小化，同时考虑了终端用户的计算延迟约束。此外，文献3(S.Guo，J.Liu，Y.Yang，B.Xiao and Z.Li，″Energy-Efficient DynamicComputation Offloading and Cooperative Task Scheduling in Mobile CloudComputing，″in IEEE Transactions on Mobile Computing，2019.)关注MEC系统的节能运行，并提出了一种动态计算卸载和任务调度方案，以缩短应用程序完成时间和减少终端用户的能耗。
现有技术中的这些工作在研究MEC系统的计算卸载和资源分配问题时，通常将终端用户默认为理智的，忽略了终端用户的自私行为，缺少针对终端用户行为的激励机制研究。由于MEC服务器的计算能力有限，如果过多的计算任务被卸载到MEC服务器，就会出现网络拥塞。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种充分照顾到终端用户和服务器双方的权益，有效解决边缘计算资源交易中一方处于垄断地位，满足边缘计算资源需求多样性的移动边缘计算的动态数据卸载方法及系统。
为解决上述技术问题，本发明提出的技术方案为：一种移动边缘计算的动态数据卸载方法，包括，通过构建基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，由所述双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器；
所述用户效益函数基于用户感知满意度与用户成本确定；
所述服务器收益函数基于服务器的收益确定。
进一步地，所述双层优化问题模型如式(1)所示：
Figure BDA0002945697630000021
式(1)中，b(t)*为在时隙t所有终端用户的最优数据卸载向量，
Figure BDA0002945697630000022
为在时隙t终端用户u向服务器s的数据卸载量，u为终端用户编号，s为服务器编号，t为时隙编号，U为终端用户的集合，
Figure BDA0002945697630000023
为在时隙t终端用户u的用户效益函数，
Figure BDA0002945697630000031
为在时隙t不含终端用户u的其余终端用户的数据卸载矢量，p(t)为在时隙t所有服务器的价格向量，p(t)*为在时隙t所有服务器的最优价格向量，Ps (t)(b(t)，p(t))为服务器s的服务器收益函数，b(t)为在时隙t所有终端用户的数据卸载矢量。
进一步地，所述用户效益函数根据终端用户享受服务器的满意度和成本定义，如式(2)所示：
Figure BDA0002945697630000032
式(2)中，αu和βu为针对终端用户u的预设参数，
Figure BDA0002945697630000033
为在时隙t终端用户u的相对数据卸载，
Figure BDA0002945697630000034
为在时隙t服务器s的定价，
Figure BDA0002945697630000035
为在时隙t终端用户u预设的消费动力，
Figure BDA0002945697630000036
其余参数的定义与上文相同；
所述服务器收益函数根据服务器的收入和成本定义，如式(3)所示：
Figure BDA0002945697630000037
式(3)中，
Figure BDA0002945697630000038
为在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA0002945697630000039
为在时隙t服务器s的单位数据计算成本，其余参数的定义与上文相同。
进一步地，通过所述双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器的具体步骤包括：
通过迭代计算确定每个终端用户的数据卸载量、每个服务器的定价和每个终端用户向每个服务器卸载数据的动作概率；
所述迭代计算过程包括：
S1.根据式(4)计算终端用户的数据卸载量，
Figure BDA00029456976300000310
根据式(5)计算服务器的定价，
Figure BDA00029456976300000311
式(4)和式(5)中，
Figure BDA0002945697630000041
为本轮迭代计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA0002945697630000042
为经上一轮迭代后得到的在时隙t其余终端用户u′向服务器的数据卸载总量，
Figure BDA0002945697630000043
为经上一轮迭代后得到的在时隙t服务器s的定价，
Figure BDA0002945697630000044
为本轮迭代计算得到的在时隙t服务器s的定价，
Figure BDA0002945697630000045
为经上一轮迭代后得到的在时隙t服务器s的单位数据计算成本；
S2.根据式(6)计算终端用户向服务器卸载数据的动作概率，
Figure BDA0002945697630000046
式(6)中，
Figure BDA0002945697630000047
为在本轮迭代得到的在时隙t终端用户u向服务器s卸载数据的动作概率，
Figure BDA0002945697630000048
为在时隙t-1时计算得到的终端用户u向服务器s卸载数据的动作概率，η为预设的学习率参数，0＜η＜1，
Figure BDA0002945697630000049
为在时隙t服务器s的奖励概率，
Figure BDA00029456976300000410
为在时隙t终端用户u的动作集合，
Figure BDA00029456976300000411
为在时隙t-1终端用户u的动作集合；
所述奖励概率如式(7)所示：
Figure BDA00029456976300000412
式(7)中，
Figure BDA00029456976300000413
Figure BDA00029456976300000414
ω1、ω2、ω3分别为预设的权重参数，
Figure BDA00029456976300000415
和
Figure BDA00029456976300000416
为在本轮迭代中计算得到的在时隙t服务器的定价，
Figure BDA00029456976300000417
为在本轮迭代中计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA00029456976300000418
为服务器能够处理的总数据量，其余参数的定义与上文相同；
S3.当对于任意终端用户，均满足前后两轮迭代计算得到的数据卸载量之差小于预设的第一收敛阈值，且对于任意服务器，均满足前后两轮迭代计算得到的定价之差小于预设的第二收敛阈值时，迭代结束，得到终端用户的数据卸载量，服务器的定价和终端用户向服务器卸载数据的动作概率；否则转至步骤S1；
进一步地，终端用户以所述动作概率为目标服务器选择概率，从所述服务器中随机选择目标服务器。
一种移动边缘计算的动态数据卸载系统，包括基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，所述双层优化问题模型根据如上任一项所述的移动边缘计算的动态数据卸载方法确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器。
与现有技术相比，本发明的优点在于：
1、本发明引入非合作博弈进行动态卸载，能够充分照顾到终端用户和资源提供者双方的权益，采用动态定价的方式，有效地解决了边缘计算资源交易过程中一方处于垄断地位的问题，能够满足边缘计算资源需求的多样性，加入博弈充分平衡终端用户和资源提供者双方的利益，最后交易成交过程采用动态定价大大提高了资源利用率。
2、本发明在边缘计算资源分配中引入服务器定价管理，可优化资源分配，达到资源负载均衡，减少资源闲置。
3、通过为服务器制定合理的价格策略，对终端用户卸载计算任务起到一定制衡作用，采取网络经济定价激励机制以激励终端用户之间协作，更高效地利用无线网络计算资源，从而提高网络计算资源利用率，提升移动边缘计算系统性能，节约系统部署、运维以及扩展升级成本，也避免MEC服务器超负荷运行。
附图说明
图1为本发明具体实施例的流程示意图。
图2为本发明具体实施例在不同学习率下服务器的平均收益对比示意图。
图3为本发明具体实施例在不同学习率下终端用户的平均效益对比示意图。
图4为本发明具体实施例在不同卸载机制下服务器的平均收益对比示意图。
图5为本发明具体实施例在不同卸载机制下终端用户的平均效益对比示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
在本实施例中，以由多个MEC服务器和多个终端用户组成的SDN控制器驱动的MEC系统为例进行说明。整个系统的运行过程被划分为很多个时隙，其中T＝{1，...，t，...，|T|}为对应的时隙集合。SDN控制器决定终端用户对MEC服务器的选择，MEC服务器决定自己的最优价格，终端用户则决定卸载到所选MEC服务器的最优数据。在时隙t下，MEC服务器s与SDN控制器通信，其中s∈S，S＝{1，...，s，...|S|}，设定其计算服务价格即定价为
Figure BDA0002945697630000061
并向终端用户宣布。终端用户u向SDN控制器发送信息，其中u∈U，U＝{1，...，u，...|U|}，以便将其数据
Figure BDA0002945697630000062
卸载到所选的服务器s上进行处理。每个终端用户u都有执行计算任务所需处理的最大数据量
Figure BDA0002945697630000063
其中一部分数据被卸载到MEC服务器，即
Figure BDA0002945697630000064
其余的数据在本地处理。
如图1所示，移动边缘计算的动态数据卸载方法，包括，通过构建基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，由双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器；
用户效益函数基于用户感知满意度与用户成本确定；
服务器收益函数基于服务器的收益确定。
在本实施例中，双层优化问题模型如式(1)所示：
Figure BDA0002945697630000071
式(1)中，b(t)*为在时隙t所有终端用户的最优数据卸载向量，
Figure BDA0002945697630000072
为在时隙t终端用户u向服务器s的数据卸载量，u为终端用户编号，s为服务器编号，t为时隙编号，U为终端用户的集合，
Figure BDA0002945697630000073
为在时隙t终端用户u的用户效益函数，
Figure BDA0002945697630000074
为在时隙t不含终端用户u的其余终端用户的数据卸载矢量，p(t)为在时隙t所有服务器的价格向量，p(t)*为在时隙t所有服务器的最优价格向量，Ps (t)(b(t)，p(t))为服务器s的服务器收益函数，b(t)为在时隙t所有终端用户的数据卸载矢量。
在本实施例中，用户效益函数根据终端用户享受服务器的满意度和成本定义，如式(2)所示：
Figure BDA0002945697630000075
式(2)中，αu和βu为针对终端用户u的预设参数，
Figure BDA0002945697630000076
为在时隙t终端用户u的相对数据卸载，
Figure BDA0002945697630000077
为在时隙t服务器s的定价，
Figure BDA0002945697630000078
为在时隙t终端用户u预设的消费动力，
Figure BDA0002945697630000079
其余参数的定义与上文相同。在具体的实现过程中，
Figure BDA00029456976300000710
表示所有MEC服务器公布的定价的价格向量。
服务器收益函数根据服务器的收入和成本定义，如式(3)所示：
Figure BDA00029456976300000711
式(3)中，
Figure BDA00029456976300000712
为在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA00029456976300000713
为在时隙t服务器s的单位数据计算成本，其余参数的定义与上文相同。
在本实施例中，在每个时隙t，终端用户u向SDN控制器发送其执行计算任务所需的最大数据量
Figure BDA00029456976300000714
SDN控制器确定MEC服务器s上终端用户u的最优卸载数据量
Figure BDA00029456976300000715
鉴于MEC服务器有限的计算能力，其余终端用户的数据卸载策略会影响MEC服务器s宣布的价格
Figure BDA0002945697630000081
从而影响终端用户u的数据卸载量
Figure BDA0002945697630000082
为了表示终端用户u的感知满意度，将终端用户的相对数据卸载定义为
Figure BDA0002945697630000083
其中，
Figure BDA0002945697630000084
表示剩余终端用户u′的数据卸载总量，u′∈U-{u}。
在时隙t内，终端用户实际感知到的满意度
Figure BDA0002945697630000085
随着相对数据卸载
Figure BDA0002945697630000086
不断增加，因为请求的计算任务一部分被卸载到服务器上进行处理，不消耗终端用户的本地计算资源。然而，当终端用户将其全部数据
Figure BDA0002945697630000087
卸载到MEC服务器后，由于终端用户无法从MEC服务器的计算服务中获得更多好处，其感知的满意度已经饱和。因此，本实施例在不丧失一般性的情况下，采用对数函数来定义终端用户的实际感知满意度
Figure BDA0002945697630000088
为
Figure BDA0002945697630000089
各参数的定义与上文相同，其中，αu和βu为终端用户u确定对数函数的斜率。
在本实施例中，每个终端用户在使用MEC服务器的计算服务时，根据其相关数据的卸载情况，服务器公平地向终端用户收取一定的费用。通过禁止预算高的终端用户控制系统，这种策略可以使得预算低的终端用户在某种程度上也能利用MEC服务器的计算能力。因此，终端用户u卸载数据的成本函数为
Figure BDA00029456976300000810
其中，消费动力
Figure BDA00029456976300000811
反映了终端用户u从MEC服务器购买计算而花费更多成本的动态行为。那么终端用户u的效益函数为其实际感知满意度和其成本差值，如式(2)所示。
在本实施例中，在时隙t，MEC服务器接收到的数据量等于选择该MEC服务器来卸载其数据的所有终端用户的计算需求。为了处理接收到的数据量，MEC服务器实际需要花费计算成本
Figure BDA00029456976300000812
同时，服务器向终端用户收取其提供的计算服务的价格
Figure BDA00029456976300000813
服务器s处理终端用户卸载数据的总收入取决于服务器宣布的价格，总收入为
Figure BDA00029456976300000814
MEC服务器执行处理已卸载数据的总成本为
Figure BDA00029456976300000815
式中各参数的定义与上文相同，则MEC服务器的收益函数为其收减去总成本，如式(3)所示。
在本实施例中，如果MEC服务器能够很好地渗透到终端用户的计算需求中，那么它对终端用户的声誉就会提高。具体来说，MEC服务器s的渗透率被定义为在时间段T内该服务器处理的数据量与系统中内所处理的总数据量的比值，即
Figure BDA0002945697630000091
设每个MEC服务器s能够处理的数据量为
Figure BDA0002945697630000092
每个时隙t中服务器处理终端用户已卸载数据的拥塞情况，可以表示为服务器在时隙t中处理的总数据量
Figure BDA0002945697630000093
与服务器能够处理的总数据量
Figure BDA0002945697630000094
的比值，即
Figure BDA0002945697630000095
则可定义MEC服务器在系统环境中的声誉评价为
Figure BDA0002945697630000096
在本实施例中，终端用户通过感知系统环境，并根据过去累积的经验做出未来的决策。在时隙t，终端用户u可以选择一个MEC服务器s为其服务，因此终端用户u在时隙t的动作集合为
Figure BDA0002945697630000097
当xs＝1表示终端用户u选择将数据卸载到服务器s。SDN控制器拥有终端用户的卸载数据b(t)和MEC服务器宣布提供计算服务的价格p(t)，从而可以确定MEC服务器的声誉分数
Figure BDA0002945697630000098
将其规范化得出奖励概率如式(7)所示。
Figure BDA0002945697630000099
表示终端用户选择将其数据卸载到MEC服务器s可能获得的潜在回报，并且
Figure BDA00029456976300000910
终端用户u的行为概率向量为
Figure BDA00029456976300000911
其中
Figure BDA00029456976300000912
为在时隙t终端用户u向服务器s卸载数据的动作概率，动作概率
Figure BDA00029456976300000913
的更新规则如式(6)所示，为
Figure BDA00029456976300000914
其中，学习率参数表示终端用户为卸载数据而探索可用MEC服务器的学习速度，第一个式子表示，在当前时隙t，终端用户u选择与前一时隙t-1不同的MEC服务器卸载数据的概率，第二个式子则表示，在当前时隙t，终端用户继续选择前一时隙t-1相同的MEC服务器卸载数据的概率。在本实施例中，终端用户的初始化动作概率为
Figure BDA0002945697630000101
在本实施例中，每个终端用户都选择一个MEC服务器来卸载其数据，对于MEC服务器来说，其目标是通过处理终端用户的数据来实现利润最大化，对于终端用户来说，其目标是通过向选定的MEC服务器卸载最佳数量的数据，使得其效益函数最大化，即本实施例实现的是将边缘计算的数据卸载问题转化为了如式(1)所示的基于用户效益函数最大化和服务器收益函数最大化的双层优化问题。在式(1)中，b(t)*和p(t)*是相互依赖的，终端用户通过将其个人效益函数的优化问题作为一种非合作博弈来解决，从而确定最佳数据卸载量为b(t)*，其次，通过解决一个优化问题，服务器根据终端用户的数据卸载量决定最优服务价格为p(t)*。
在本实施例中，在时隙t，每个终端用户u选择卸载到MEC服务器s的最佳数据卸载
Figure BDA0002945697630000102
是确定的。在终端用户之间建立了一个非合作博弈
Figure BDA0002945697630000103
这些终端用户相互竞争以确定其最佳数据卸载。博弈G由三个部分组成：(a)终端用户U＝[1，...，u，...，|U|]；(b)策略空间
Figure BDA0002945697630000104
其中
Figure BDA0002945697630000105
(c)终端用户的效益函数
Figure BDA0002945697630000106
每个终端用户都希望最大化其个人效益函数，即有
Figure BDA0002945697630000107
根据纳什均衡的理论，可采用纳什均衡的概念来确定系统的稳定运行点。在纳什均衡点，任何终端用户都没有动力去改变它的数据卸载量，因为没有终端用户可以通过单方面改变它的数据卸载策略来提高它的效益。如果对于每一个终端用户u都有
Figure BDA0002945697630000108
Figure BDA0002945697630000109
成立，那么数据卸载向量
Figure BDA00029456976300001010
s∈S是博弈
Figure BDA00029456976300001011
的纳什平衡点。
纳什平衡点存在并唯一存在的理论依据为：
策略空间
Figure BDA0002945697630000111
表示终端用户u可以卸载到MEC服务器s的数据量，因此策略空间是欧氏空间
Figure BDA0002945697630000112
的一个非空凸子集。
此外，效益函数
Figure BDA0002945697630000113
在
Figure BDA0002945697630000114
中是连续的，进而得到效益函数
Figure BDA0002945697630000115
对
Figure BDA0002945697630000116
的二阶导数如下：
Figure BDA0002945697630000117
由于
Figure BDA0002945697630000118
所以
Figure BDA0002945697630000119
在
Figure BDA00029456976300001110
中是凹的。因此，博弈
Figure BDA00029456976300001111
的纳什均衡点存在。
为了确定每个终端用户的最佳数据卸载策略，计算
Figure BDA00029456976300001112
的临界点，如下所示：
Figure BDA00029456976300001113
终端用户u的数据卸载应满足物理限制，即
Figure BDA00029456976300001114
因此有以下几种情况：
情况A：如果
Figure BDA00029456976300001115
那么最佳卸载是
Figure BDA00029456976300001116
然而，由于施加的物理限制状态是
Figure BDA00029456976300001117
且函数是凹的，所以最佳卸载数据量是
Figure BDA00029456976300001118
情况B：如果
Figure BDA00029456976300001119
那么最佳卸载是
Figure BDA00029456976300001120
然而，由于施加的物理限制状态是
Figure BDA00029456976300001121
且函数是凹的，所以最佳卸载数据量是
Figure BDA00029456976300001122
情况C：如果
Figure BDA00029456976300001123
那么满足物理限制的最佳卸载是
Figure BDA00029456976300001124
因此，因此，最佳卸载数据量是
Figure BDA00029456976300001125
所以，博弈G的纳什均衡点存在，并且，终端用户最佳数据卸载策略为
Figure BDA0002945697630000121
其中，
Figure BDA0002945697630000122
对于纳什均衡点的唯一性。针对情况A和情况B，纳什均衡点是唯一的，而对于情况C，应该证明最佳数据卸载函数具有如下性质：
·非负性：f(x)≥0；
·单调性：如果x≥x′，那么f(x)≥f(x′)；
·扩展性：对于所有a＞1，a·f(x)≥f(a·x)。
可以很容易证明终端用户的最佳数据卸载函数具有上述性质。因此，博弈G的纳什均衡点是唯一的。
通过上述分析，可以确定，纳什平衡点存在并唯一存在，且终端用户的最佳数据卸载量为
Figure BDA0002945697630000123
而对于MEC服务器的定价的确定，MEC服务器计算服务的最优定价是为了在终端用户已卸载数据的情况下最大化MEC服务器的收益，因此，对应的MEC服务器的最优定价问题可以表述为
Figure BDA0002945697630000124
由此可以确定，MEC服务器计算服务的最优定价问题是价格
Figure BDA0002945697630000125
均函数。为了确定MEC服务器宣布的最优价格，对
Figure BDA0002945697630000126
取一阶导数，得到
Figure BDA0002945697630000127
则其临界点可由式
Figure BDA0002945697630000128
确定，通过计算Ps (t)(b(t)，p(t))对
Figure BDA0002945697630000129
的二阶导数，有
Figure BDA00029456976300001210
因此，服务器为了最大化收益所宣布的价格为
Figure BDA00029456976300001211
在本实施例中，通过双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器的具体步骤包括：
通过迭代计算确定每个终端用户的数据卸载量、每个服务器的定价和每个终端用户向每个服务器卸载数据的动作概率；
迭代计算过程包括：
S1.根据式(4)计算终端用户的数据卸载量，
Figure BDA0002945697630000131
根据式(5)计算服务器的定价，
Figure BDA0002945697630000132
式(4)和式(5)中，
Figure BDA0002945697630000133
为本轮迭代计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA0002945697630000134
为经上一轮迭代后得到的在时隙t其余终端用户u′向服务器的数据卸载总量，
Figure BDA0002945697630000135
为经上一轮迭代后得到的在时隙t服务器s的定价，
Figure BDA0002945697630000136
为本轮迭代计算得到的在时隙t服务器s的定价，
Figure BDA0002945697630000137
为经上一轮迭代后得到的在时隙t服务器s的单位数据计算成本；
S2.根据式(6)计算终端用户向服务器卸载数据的动作概率，
Figure BDA0002945697630000138
式(6)中，
Figure BDA0002945697630000139
为在本轮迭代得到的在时隙t终端用户u向服务器s卸载数据的动作概率，
Figure BDA00029456976300001310
为在时隙t-1时计算得到的终端用户u向服务器s卸载数据的动作概率，η为预设的学习率参数，0＜η＜1，
Figure BDA00029456976300001311
为在时隙t服务器s的奖励概率，
Figure BDA00029456976300001312
为在时隙t终端用户u的动作集合，
Figure BDA00029456976300001313
为在时隙t-1终端用户u的动作集合；
奖励概率如式(7)所示：
Figure BDA00029456976300001314
式(7)中，
Figure BDA0002945697630000141
Figure BDA0002945697630000142
ω1、ω2、ω3分别为预设的权重参数，且ω1+ω2+ω3＝1，
Figure BDA0002945697630000143
和
Figure BDA0002945697630000144
为在本轮迭代中计算得到的在时隙t服务器的定价，
Figure BDA0002945697630000145
为在本轮迭代中计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure BDA0002945697630000146
为服务器能够处理的总数据量，其余参数的定义与上文相同；
S3.当对于任意终端用户，均满足前后两轮迭代计算得到的数据卸载量之差小于预设的第一收敛阈值，且对于任意服务器，均满足前后两轮迭代计算得到的定价之差小于预设的第二收敛阈值时，迭代结束，得到终端用户的数据卸载量，服务器的定价和终端用户向服务器卸载数据的动作概率；否则转至步骤S1；在本实施例中，迭代终止的条件可表示为：对于
Figure BDA0002945697630000147
都存在
Figure BDA0002945697630000148
和
Figure BDA0002945697630000149
则停止，其中ε1和ε2是收敛控制参数，即第一收敛阈值和第二收敛阈值。
在本实施例中，终端用户以动作概率为目标服务器选择概率，从服务器中随机选择目标服务器。通过动作概率随机选择目标服务器的过程在具体代码实现中，可采用np.random.choice(a，size＝None，replace＝True，p＝None)函数来实现，其中参数p即为动作概率。
一种移动边缘计算的运态数据卸载系统，包括基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，双层优化问题模型根据如上任一项的移动边缘计算的动态数据卸载方法确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器。
在本实例中，通过仿真实验对本实施例的方法进行了对比实验，在不同学习率下服务器的平均收益对比图如图2所示，可以发现，更小的学习率使得算法收敛速度更慢，需要花费更久的时间才能达到服务器收益最大化。这是因为学习率越小，终端用户为卸载数据而探索可用服务器的学习速度就越慢，需要更多的探索时间去选择最佳的服务器进行数据卸载。在不同学习率下终端用户的平均效益如图3所示，表明更小的学习率使得算法收敛速度更慢，需要花费更久的时间才能达到用户效益最大化。学习率低意味着终端用户在非合作博弈中更愿意选择让自己效益更大的已知服务器，不愿意去探索其他可用服务器，从而耗费更多时间。在不同卸载机制下服务器的平均收益如图4所示，表明终端用户向服务器卸载的数据越多，服务器的平均收益就越高。在服务器平均收益达到收敛之前，固定卸载方式的曲线趋势是逐步下降至一个稳定值，然而，动态卸载方式下的服务器收益是逐渐上升最终趋于稳定的。同时可以发现，服务器在动态卸载方式下的平均收益与卸载比例固定为58.6％时的平均收益基本一致。在不同卸载机制下终端用户的平均效益如图5所示，它与服务器的平均收益变化趋势相反，该图表明终端用户卸载数据越多，相应的用户效益就越低。由于卸载到服务器能够带来更高的感知满意度，不需要本地计算代价，因此终端用户平均效益在达到收敛之前是处于上升趋势的。同时可以发现，动态卸载方式所获得的平均效益显著高于固定卸载方式，通过动态卸载计算量的方式，可以使得终端用户获得更高的平均效益。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (3)

1.一种移动边缘计算的动态数据卸载方法，其特征在于，
通过构建基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，由所述双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器；
所述用户效益函数基于用户感知满意度与用户成本确定；
所述服务器收益函数基于服务器的收益确定；
所述双层优化问题模型如式(1)所示：
Figure FDA0003673242420000011
式(1)中，b(t)*为在时隙t所有终端用户的最优数据卸载向量，
Figure FDA0003673242420000012
为在时隙t终端用户u向服务器s的数据卸载量，u为终端用户编号，s为服务器编号，t为时隙编号，U为终端用户的集合，
Figure FDA0003673242420000013
为在时隙t终端用户u的用户效益函数，
Figure FDA0003673242420000014
为在时隙t不含终端用户u的其余终端用户的数据卸载矢量，p(t)为在时隙t所有服务器的价格向量，p(t)*为在时隙t所有服务器的最优价格向量，
Figure FDA0003673242420000015
为服务器s的服务器收益函数，b(t)为在时隙t所有终端用户的数据卸载矢量；
所述用户效益函数根据终端用户享受服务器的满意度和成本定义，如式(2)所示：
Figure FDA0003673242420000016
式(2)中，αu和βu为针对终端用户u的预设参数，
Figure FDA0003673242420000017
为在时隙t终端用户u的相对数据卸载，
Figure FDA0003673242420000018
为在时隙t服务器s的定价，
Figure FDA0003673242420000019
为在时隙t终端用户u预设的消费动力，
Figure FDA00036732424200000110
其余参数的定义与上文相同；
所述服务器收益函数根据服务器的收入和成本定义，如式(3)所示：
Figure FDA0003673242420000021
式(3)中，
Figure FDA0003673242420000022
为在时隙t终端用户u向服务器s的数据卸载量，
Figure FDA0003673242420000023
为在时隙t服务器s的单位数据计算成本，其余参数的定义与上文相同；
通过所述双层优化问题模型求解确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器的具体步骤包括：
通过迭代计算确定每个终端用户的数据卸载量、每个服务器的定价和每个终端用户向每个服务器卸载数据的动作概率；
所述迭代计算过程包括：
S1.根据式(4)计算终端用户的数据卸载量，
Figure FDA0003673242420000024
根据式(5)计算服务器的定价，
Figure FDA0003673242420000025
式(4)和式(5)中，
Figure FDA0003673242420000026
为本轮迭代计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure FDA0003673242420000027
为经上一轮迭代后得到的在时隙t其余终端用户u′向服务器的数据卸载总量，
Figure FDA0003673242420000028
为经上一轮迭代后得到的在时隙t服务器s的定价，
Figure FDA0003673242420000029
为本轮迭代计算得到的在时隙t服务器s的定价，
Figure FDA00036732424200000210
为经上一轮迭代后得到的在时隙t服务器s的单位数据计算成本；
S2.根据式(6)计算终端用户向服务器卸载数据的动作概率，
Figure FDA00036732424200000211
式(6)中，
Figure FDA00036732424200000212
为在本轮迭代得到的在时隙t终端用户u向服务器s卸载数据的动作概率，
Figure FDA00036732424200000213
为在时隙t-1时计算得到的终端用户u向服务器s卸载数据的动作概率，η为预设的学习率参数，0＜η＜1，
Figure FDA00036732424200000214
为在时隙t服务器s的奖励概率，
Figure FDA0003673242420000031
为在时隙t终端用户u的动作集合，
Figure FDA0003673242420000032
为在时隙t-1终端用户u的动作集合；
所述奖励概率如式(7)所示：
Figure FDA0003673242420000033
式(7)中，
Figure FDA0003673242420000034
Figure FDA0003673242420000035
ω1、ω2、ω3分别为预设的权重参数，
Figure FDA0003673242420000036
和
Figure FDA0003673242420000037
为在本轮迭代中计算得到的在时隙t服务器的定价，
Figure FDA0003673242420000038
为在本轮迭代中计算得到的在时隙t终端用户u向服务器s的数据卸载量，
Figure FDA0003673242420000039
为服务器能够处理的总数据量，其余参数的定义与上文相同，k为所述服务器的编号，K为服务器k的数量；
S3.当对于任意终端用户，均满足前后两轮迭代计算得到的数据卸载量之差小于预设的第一收敛阈值，且对于任意服务器，均满足前后两轮迭代计算得到的定价之差小于预设的第二收敛阈值时，迭代结束，得到终端用户的数据卸载量，服务器的定价和终端用户向服务器卸载数据的动作概率；否则转至步骤S1。
2.根据权利要求1所述的移动边缘计算的动态数据卸载方法，其特征在于：终端用户以所述动作概率为目标服务器选择概率，从所述服务器中随机选择目标服务器。
3.一种移动边缘计算的动态数据卸载系统，其特征在于：包括基于用户效益函数最大化和服务器收益函数最大化的双层优化问题模型，所述双层优化问题模型根据权利要求1或2所述的方法确定终端用户的数据卸载量、服务器的定价和终端用户进行数据卸载的目标服务器，终端用户将数据卸载至目标服务器。
CN202110195102.3A 2021-02-20 2021-02-20 一种移动边缘计算的动态数据卸载方法及系统 Active CN112929915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195102.3A CN112929915B (zh) 2021-02-20 2021-02-20 一种移动边缘计算的动态数据卸载方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195102.3A CN112929915B (zh) 2021-02-20 2021-02-20 一种移动边缘计算的动态数据卸载方法及系统

Publications (2)

Publication Number Publication Date
CN112929915A CN112929915A (zh) 2021-06-08
CN112929915B true CN112929915B (zh) 2022-08-02

Family

ID=76169947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195102.3A Active CN112929915B (zh) 2021-02-20 2021-02-20 一种移动边缘计算的动态数据卸载方法及系统

Country Status (1)

Country Link
CN (1) CN112929915B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347267B (zh) * 2021-06-22 2022-03-18 中南大学 一种移动边缘云计算网络中的mec服务器部署方法
CN114461299B (zh) * 2022-01-26 2023-06-06 中国联合网络通信集团有限公司 一种卸载决策确定方法、装置、电子设备及存储介质
CN114466023B (zh) * 2022-03-07 2023-07-11 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
CN115242800B (zh) * 2022-09-22 2023-03-24 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
CN116069414B (zh) * 2023-03-06 2023-06-09 湖北工业大学 一种电力物联网计算任务卸载激励优化方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415763A (zh) * 2018-02-11 2018-08-17 中南大学 一种边缘计算系统的分配方法
CN110505165A (zh) * 2019-08-26 2019-11-26 北京邮电大学 一种基于双向拍卖机制的边缘计算任务卸载方法及装置
CN110888687A (zh) * 2019-09-27 2020-03-17 华北水利水电大学 基于合约设计的移动边缘计算任务卸载最优合约设计方法
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110113195B (zh) * 2019-04-26 2021-03-30 山西大学 一种移动边缘计算系统中联合卸载判决和资源分配的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415763A (zh) * 2018-02-11 2018-08-17 中南大学 一种边缘计算系统的分配方法
CN110505165A (zh) * 2019-08-26 2019-11-26 北京邮电大学 一种基于双向拍卖机制的边缘计算任务卸载方法及装置
CN110888687A (zh) * 2019-09-27 2020-03-17 华北水利水电大学 基于合约设计的移动边缘计算任务卸载最优合约设计方法
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Game-theoretic Learning-based QoS Satisfaction in Autonomous Mobile Edge Computing;Pavlos Athanasios Apostolopoulos et.al;《2018 Global Information Infrastructure and Networking Symposium (GIIS)》;20190207;全文 *
Joint Channel Allocation and Resource Management for Stochastic Computation Offloading in MEC;Ju Ren et.al;《IEEE Transactions on Vehicular Technology2》;20200526;全文 *
基于Stackelberg博弈的资源动态定价策略;薛建彬等;《华中科技大学学报(自然科学版)》;20191231(第04期);全文 *
面向物联网的边缘计算卸载方法研究;黄振希;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210215;全文 *

Also Published As

Publication number Publication date
CN112929915A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112929915B (zh) 一种移动边缘计算的动态数据卸载方法及系统
CN112860350B (zh) 一种边缘计算中基于任务缓存的计算卸载方法
CN110113190B (zh) 一种移动边缘计算场景中卸载时延优化方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN109240818B (zh) 一种边缘计算网络中基于用户体验的任务卸载方法
CN110971706B (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN111262944B (zh) 异构移动边缘计算网络中分层任务卸载的方法与系统
CN108416465B (zh) 一种移动云环境下的工作流优化方法
Zhang et al. A deep reinforcement learning approach for online computation offloading in mobile edge computing
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN114706631B (zh) 基于深度q学习的移动边缘计算中卸载决策方法及系统
Yu-Jie et al. Balanced computing offloading for selfish IoT devices in fog computing
CN112905315A (zh) 移动边缘计算mec网络中的任务处理方法、装置及设备
Li et al. Computation offloading and service allocation in mobile edge computing
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN116209084A (zh) 一种能量收集mec系统中任务卸载和资源分配方法
Lakshmi et al. An adaptive multi-cloud offloading using hierarchical game-theoretic approach
CN114650568A (zh) 一种移动Ad Hoc云中基于能量收集的分布式卸载方法
Singh et al. Profit optimization for mobile edge computing using genetic algorithm
Li et al. Service Caching and Task Offloading of Internet of Things Devices Guided by Lyapunov Optimization
CN110768827B (zh) 一种基于群智能算法的任务卸载方法
CN111148155A (zh) 一种基于移动边缘计算的任务卸载方法
CN114945025B (zh) 面向电网中云边协同的价格驱动正和博弈卸载方法及系统
Jiang et al. Computing Resource Allocation in Mobile Edge Networks Based on Game Theory

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