CN113037876A - 基于合作博弈的云下行任务边缘节点资源分配方法 - Google Patents
基于合作博弈的云下行任务边缘节点资源分配方法 Download PDFInfo
- Publication number
- CN113037876A CN113037876A CN202110570431.1A CN202110570431A CN113037876A CN 113037876 A CN113037876 A CN 113037876A CN 202110570431 A CN202110570431 A CN 202110570431A CN 113037876 A CN113037876 A CN 113037876A
- Authority
- CN
- China
- Prior art keywords
- task
- edge node
- cloud
- edge
- resources
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000005284 excitation Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 abstract description 6
- 230000011273 social behavior Effects 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 description 40
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 206010011971 Decreased interest Diseases 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于合作博弈的云下行任务边缘节点资源分配方法,通过将云下行任务建模为重叠联盟从而形成博弈,然后采用合作博弈的思想来激励边缘节点合作执行云下行任务,形成多个云服务下行任务对应的重叠联盟,以实现资源分配均衡,从而避免资源集中在回报率高的任务上,造成回报率高的任务资源浪费,回报率低的任务无法收集足够多资源的现象。此外,本发明分析了博弈中边缘节点的合作行为,根据其行为定义了一种边缘节点交替操作,基于交替操作,提出了一种两阶段重叠联盟构造优化算法,不断通过边缘节点提供资源的交替行为来,以求解边缘节点在博弈中的策略,得到了近似最优解。
Description
技术领域
本发明涉及边缘计算环境中云服务下行的合作,尤其涉及一种基于合作博弈的云下行任务边缘节点资源分配方法。
背景技术
随着5G技术的发展,近几年来边缘计算正在兴起并得到蓬勃发展。通过将云服务从远程云下行到靠近终端用户的网络边缘,边缘计算具有多重优势:边缘计算节约了用于数据传输的网络带宽,缓解了网络流量压力,尤其是当前流行的虚拟现实、视频分析等数据密集型应用带来的流量压力;在边缘计算中,终端用户可以获得时间敏感型应用程序的即时响应,网络服务质量(QoS)显著提高;充分利用边缘节点的资源空闲,增强了整个网络的计算能力。由于边缘计算具有种种优势,学术界和工业界的研究人员都就边缘计算展开了大量研究,比如边缘计算中的服务放置和请求调度。
在边缘计算环境中,激励边缘节点参与云服务下行任务的激励机制至关重要。当为云平台运行下行云服务时,边缘节点需要消耗其自身资源,包括计算、通信、存储和电源资源。这会产生大量的成本,牺牲了边缘节点自身的利益。出于理性和自私的考虑,边缘节点如果不能从其提供资源的任务中获得令人满意的报酬,就不愿参与执行云服务下行任务。因此,云平台如果不支付有足够吸引力的报酬作为资源成本的补偿,将无法从边缘节点处收集到足够的资源来运行这些下行的云服务,无法保证这些下行云服务的性能。一些学者已经注意到了上述问题,为边缘计算中的云服务下行系统设计了激励机制。例如,RMCS重点关注移动人群感知问题,设计了一种深度学习和边缘计算集成的激励兼容框架以招募积极的参与者;另外有部分工作考虑了雾节点的异构性,提出了基于合同理论的计算资源下行激励机制。还有基于斯塔克伯格博弈设计了不同的激励机制来鼓励边缘节点充分从云节点承担任务的方法。然而,大多数现有工作都假设边缘节点在选择云服务下行任务时独立地进行决策,或者只对单任务问题进行研究,没有考虑多个云服务下行任务进行决策时边缘节点的策略将如何每个任务的性能。在这种情况下,边缘节点倾向于参与高额报酬的云服务下行任务,以最大程度地提高自身利润。这将导致不同云服务下行任务之间所收集的资源分配不平衡。一方面,总报酬高的任务吸引了许多边缘节点提供资源,导致该任务收集过多资源而形成资源浪费以及每个参与者从这项任务中分得报酬较低。另一方面,总报酬低的任务无法招募足够的参与者,使得任务无法被保质保量地执行。
发明内容
本发明目的在于提供一种基于合作博弈的云下行任务边缘节点资源分配方法,以解决现有方法云下行任务边缘节点资源分配不平衡的现有技术问题。
为实现上述目的,本发明提供了一种基于合作博弈的云下行任务边缘节点资源分配方法,参见图1,包括以下步骤:
S1:获取云-边-端三层架构的边缘计算环境。
首先通过图2对云下行系统进行说明。图2展示了边缘计算云服务下行系统的示例,其中,云服务与边缘节点间虚线表示云节点给边缘节点的报酬,云服务与边缘节点间实线表示边缘节点为云节点提供的资源,终端用户与边缘节点间虚线表示本地终端用户向其对应的边缘节点支付的奖励,终端用户与边缘节点间实线表示边缘节点为终端用户提供的资源。每个云节点可以将其服务下行到多个边缘节点,每个边缘节点可以同时参与多个云服务下行任务。从图2可以看出,云服务下行系统共有三个层次:第一层是一个由多个云节点组成的云平台,第二层是多个由边缘服务器构成的边缘节点,第三层是许多靠近边缘节点的终端用户。本发明获取的云-边-端三层架构的边缘计算环境亦为此类环境。
边缘计算云服务下行系统分为云服务下行和终端用户请求上行两个部分。在云服务下行过程中,云平台将同时发布多个云服务下行任务,并招募边缘节点作为缓存这些服务的托管者,来确保这些延迟敏感型服务的网络服务质量。边缘节点靠近终端用户,可以提供资源给从云节点下行的服务,从而执行来自附近终端用户的请求,而这些请求原本由云节点来处理。云平台需要招募边缘节点提供足够的资源,才能保证下行云服务的服务质量。考虑到边缘节点的自私性和个体理性,云平台将提供相应报酬给提供资源的边缘节点。在终端用户请求上行过程中,每个边缘节点需要处理原本就由其承担的附近终端用户发送的请求。这些终端用户在请求完成后,将为相应的边缘节点支付任务奖励。
S2:基于所述边缘计算环境采用贪婪策略获得重叠联盟形成博弈问题的初始解决方案。
本发明的云服务下行系统由一个具有多个云节点构成的云平台,一些资源容量有限的边缘节点,以及多个终端用户共同组成。该云平台旨在将延迟敏感和数据密集型服务从云节点下行到与终端用户接近的边缘节点。下行云服务以消耗边缘节点资源为代价来减轻网络流量压力,并显著提高这些服务的性能。
本发明将云服务下行任务定义为将云服务从一个云节点放置到多个边缘节点的事件。云平台首先公布N个云服务下行任务,其集合由表示。边缘节点集合对这些云服务下行任务很感兴趣,并通过提供资源的参与方式来选择一些任务加入。每个边缘节点可以选择多个云服务下行任务,每个任务需要多个边缘节点来承担下行云服务以确保任务性能。边缘节点在参与云服务下行任务时会消耗自己的资源,从而产生相应的资源成本。为了补偿边缘节点的资源成本损失,云平台需要为每个已完成的云服务下行任务发送报酬。同时,除了托管下行云服务外,每个边缘节点还为其附近的终端用户提供本地服务。这也会消耗边缘节点的资源,所以边缘节点反过来可以从终端用户处获得对应的奖励。因此边缘节点需要联合考虑资源成本、来自云平台的报酬以及来自终端用户的奖励,来决定为各云服务下行任务提供多少资源。最后,在接收到边缘节点所提供的资源后,云平台会按照资源提供情况计算每个云服务下行任务的总报酬,并根据任务性能将报酬发送给参与的边缘节点。至此,整个云服务下行任务完成。
在云服务下行任务中,云平台的目标是最大化其自身的效用(即净利润),而不考虑每个边缘节点的效用。同样的,每个边缘节点的目标是最大化其自身的效用。通常,边缘节点由华为、亚马逊和谷歌等不同的边缘服务器提供商拥有和控制,所以本文作出边缘节点是自私理性的假设是合理的。此外,边缘节点除非从云服务下行任务获得满意的报酬,否则将不愿参与此任务。
在参与多个云服务下行任务时,边缘节点将倾向于与其他边缘节点进行合作,以提高获得的任务报酬,并避免云节点收集到的资源浪费。通常,受任务报酬的激励,边缘节点会涌向总报酬高的任务,这将导致云服务下行任务之间的资源分配不平衡。也就是说,不受欢迎的任务无法接收到足够的资源,而受欢迎的任务则收集资源溢出。对于每个任务,总任务性能随收集的资源量而边际递减。如果在此任务中来自边缘节点的资源过多,则会降低每个参与者的单位资源报酬,使得边缘节点利益受损。本文关注边缘节点参与云服务下行任务时的合作行为,研究边缘节点如何通过合作来最大化自身效用。
在合作激励机制中,云平台发布云服务下行任务集合由边缘节点选择参与。每个云任务 具有对应的任务性能,所有任务性能的总和就是云平台性能。边缘节点将从任务集中选择一个任务子集,为每个选定的任务提供资源。资源收集过量不仅造成资源浪费,对任务性能没有任何贡献,还会使对应任务中所有参与的边缘节点收到的报酬降低。因此边缘节点倾向于与其他边缘节点进行合作,以决定是否参与任务,决定如果参与任务则要提供的资源量。
每个云服务下行任务的预算也受到限制。令表示云服务下行任务的单位报酬。每个边缘节点从云服务下行任务中获得支付的金额与其提供的资源成比例。因此,边缘节点从任务中获得的报酬是。对于每个云服务下行任务,每个参与者从此任务中获得的报酬总和不能超过其总预算,即
其中是一个转换因子,表示云服务下行任务的收集资源量与其任务性能间的价值关系,项反映了云服务下行任务从边缘节点收集的资源中获得的收益边际递减。从公式(3)可以得出,随着任务从边缘节点接收更多资源,任务性能的边际收益会降低。直观上可以得出,边缘节点可能倾向于参与高的云服务下行任务,以获取高回报,但如果一项任务收集到了过多的资源,其任务性能则边际下降,每个边缘节点从该任务获得的报酬将减少。
当执行云服务下行任务时,边缘节点会消耗自己的资源,这会使边缘节点产生资源成本。因此,边缘节点通常只在获得报酬的情况下才愿意参加任务。为了激励这些边缘节点,云平台需要向边缘节点支付其贡献。对于实际的云服务下行系统,云平台提供了这样一种激励机制,以促使边缘节点托管已下行的云服务,而自私和理性的边缘节点则试图最大化自己的净利润。
边缘节点的效用(即边缘节点的净利润)由三个部分组成,包括边缘节点从所有参与的云服务下行任务中获得的报酬,来自其本地终端用户的奖励,以及它为完成任务所产生的总资源成本。令表示本地终端用户为边缘节点支付的单位资源奖励,表示边缘节点的单位资源成本。边缘节点的效用如下:
分析关于的二阶导数,可以得出当时的一阶导数为负。因此,随着云服务下行任务从参与者处收集的资源量增加,其单位报酬逐渐降低。为了最大化其自身的效用,自私的边缘节点倾向于不参与单位报酬低的任务,因为这类任务很可能收集到大量资源使得参与的边缘节点分得的报酬过低。这有效避免了边缘节点都涌向个别总报酬高的任务,解决了单位报酬高的任务资源浪费问题和任务之间资源分配不均衡问题。
S3:采用重叠联盟优化算法对获得的所述初始解决方案进行调整,以获得边缘节点资源策略的近似最优解。
在S2中,本发明提出通过合作激励机制来解决云服务下行任务间资源分配不均衡问题。S3引入了重叠联盟博弈对该合作激励机制进行建模,然后分析边缘节点在合作过程中的行为,定义了边缘节点的交替操作。基于该交替操作,提出了一个两阶段构造优化算法来求解重叠联盟博弈。
在S2建立的激励机制中,所有理性而自私的边缘节点不会完全倾向于选择传统流行的云服务下行任务,因为这些任务通常会收集大量资源,导致单位报酬较低。但是每个边缘节点为哪个任务提供多少资源的相关信息是不公开的。也就是说,边缘节点在任务停止招募资源之前不知道其他边缘节点的决定。由于信息的不透明性,每个边缘节点可能选择参与原始单位报酬较高的任务,最终导致资源浪费。
考虑到信息不透明,本发明提出了一种合作激励机制,在此机制中边缘节点可以在决策时进行协作来参与多个云服务下行任务。将云服务下行系统的合作激励机制建模为重叠联盟形成博弈,并引入了一些符号来说明重叠联盟形成博弈模型。
在重叠联盟形成博弈中,边缘节点被视为局中人,其目标是最大化其自身的效用,即净利润。边缘节点的一种策略表示为,其中表示边缘节点决定提供给云服务下行任务的资源量。如果边缘节点不参与此任务,则。用表示边缘节点的所有策略的集合。将云服务下行任务的联盟定义为,其中表示边缘节点是联盟的成员。对于任意,将作为联盟中的成员集。如果没有边缘节点愿意参加相应任务,则成员集为空。
根据上述定义,本发明给出重叠联盟形成博弈的定义如下。
联盟的目标是最大化其联盟价值,而边缘节点旨在最大化其自身效用,这可能与联盟的目标相矛盾。为了保证个人理性,边缘节点如果不能从该联盟中获得正效用,则不会加入该联盟。此外,该模型中的联盟可以重叠,这意味着一个边缘节点可以加入多个联盟。这种设定符合实际,因为边缘节点可能会划分其资源并提供给多个云服务下行任务。
从公式(11)中可以得到单位报酬关于边缘节点提供资源的函数。按公式(9)可以从关于的导数中得出,单位报酬随着联盟收集的资源增加而降低。与传统的非合作激励机制不同,合作机制使同一个联盟中的边缘节点拥有共同的目标,即最大化联盟价值。因此,边缘节点不仅会加入原始单位报酬较高的联盟。他们也可能加入原始单位报酬较低的联盟。这样有效避免了联盟中原始单位报酬较高的任务资源浪费的情况,同时解决了云服务下行任务之间资源分配不平衡的问题。
前文介绍了云服务下行系统的合作激励机制,并基于重叠联盟形成博弈对其建模。下文则关注该模型中边缘节点的合作行为,并根据边缘节点的合作行为定义其在联盟形成过程中的基本操作。然后,提出了一种两阶段重叠联盟构造优化算法来求解合作激励机制中各边缘节点的资源贡献策略。
本发明分析了合作激励机制中边缘节点的行为,并将其定义为交替操作。
首先对交替操作进行了定义,并说明其相应的执行条件。
边缘节点每次执行交替操作都会导致联盟结构发生变化,从而影响云平台和其他边缘节点的效用。一个交替操作可以分为两个部分:对一个联盟的资源减少和对另一个联盟的资源增加。当执行交替操作时,边缘节点首先减少给联盟提供的资源量,然后增加给联盟提供的资源量。在一个交替操作中,边缘节点可能只会减少一个联盟的资源或只增加另一个联盟的资源,即或可以成立。之后,为了简单明了地描述联盟的变化,令和分别表示边缘节点减少资源后和增加资源后的联盟。
其中,表示边缘节点增加提供的资源后联盟给出的单位报酬,和分别表示增加后联盟从边缘节点处收集的资源量和除边缘节点以外所有边缘节点投给联盟的资源总和。除了边缘节点,其他边缘节点都没有改变其提供给联盟的资源量。
根据边缘节点资源容量限制和联盟的预算限制,定义交替操作的约束满足性如下:
由此,给出交替操作盈利性的定义:
此外,当边缘节点执行交替操作时,应考虑联盟中其他成员的意见。交替操作可能导致联盟其他成员 的报酬减少。交替操作后,中的边缘节点从联盟获得的报酬可能低于其用相同资源量从本地终端用户的奖励。因此可以提出合理假设:联盟的其他成员有权决定边缘节点能否增加提供给该联盟的资源。当联盟内其他所有成员都许可时,交替操作才可行。
时,每个边缘节点从云服务下行任务中获得的报酬高于用相同资源量从终端用户处获得的奖励。其中,边缘节点增加提供的资源后联盟给出的单位报酬,是联盟中其他成员的本地终端用户支付的单位奖励。本发明给出交替操作被允许的定义如下:
通过可行性的判定,边缘节点每一次交替操作都可以在保证其他节点个体理性的前提下,优化该边缘节点自身效用。
基于边缘节点的交替操作,本发明提出了一种两阶段的重叠联盟构造优化算法,来求解基于重叠联盟形成博弈的合作激励机制中各边缘节点的最优策略。该合作激励机制在激励边缘节点参与边缘计算云服务下行任务的同时,保证了边缘节点资源在多任务间分配均衡。
算法的第一阶段是联盟初始化阶段(算法1),该阶段形成了云服务下行系统的初始非重叠联盟结构。第二阶段是联盟优化阶段(算法2),该阶段利用边缘节点的交替操作将第一阶段初始化的非重叠联盟结构调整为最佳重叠联盟结构。
令表示边缘节点的联盟的盈利指数,也就是联盟相应云服务下行任务的盈利指数。从等式(7)中可以看出,当云服务下行任务从边缘节点收集的资源增加时,其支付的总报酬的增长量与任务性能的增长量有关。任务性能的边际增长越高,任务的利润就越高,当前边缘节点参加该任务就越能盈利。因此,盈利指数可以定义为任务性能关于资源收集量的导数,即
算法1展示了在联盟初始化阶段构造非重叠联盟的过程。该算法基于贪婪策略来获得重叠联盟形成博弈问的初始解决方案。首先,分别对边缘节点和云服务下行任务进行排序。其中,边缘节点按照其对应的单位奖励降序进行排序。通常,只有当云服务下行任务的单位奖励高于边缘节点的终端用户提供的单位奖励时,边缘节点才愿意参加该任务。终端用户支付的单位奖励越高,对应的边缘节点需要选择单位奖励越高的云服务下行任务,来获得更高的利益。因此,单位奖励较高的边缘节点优先选择任务并决定提供的资源量,以便云平台可以从边缘节点中收集更多资源。云服务下行任务按照其盈利指数的降序进行排序。盈利指数高的任务对边缘节点更具吸引力。相比盈利指数低的任务,边缘节点更有可能从盈利指数高的任务中获得高报酬。
算法1 联盟初始化算法
Else
end if;
end while;
排序后,序列中的边缘节点依次为序列中的任务提供资源,提供的资源量与边缘节点的资源容量一致。如果相应的任务已收集了很多资源并且由于预算限制而无法接收边缘节点单位的资源,则边缘节点将从当前联盟遍历每个联盟(即任务),直到找到要加入的联盟或所有联盟都无法继续收集资源为止。
算法1考虑了边缘节点的自私性和个体理性,并通过任务按盈利指数降序进行排序来最大化每个边缘节点的效用。基于算法1,本文提出了重叠联盟优化算法(算法2)来对联盟初始化阶段获得的初始联盟结构进行调整,以获得边缘节点资源策略的近似最优解。算法2同时考虑了最大化云平台和边缘节点各自的效用,按单位奖励的降序对云服务下行任务进行排序。
算法2 重叠联盟优化算法
Else
End if
End while
算法2给出了联盟优化阶段的详细说明。当同时满足以下三个条件时,边缘节点可以通过交替操作来调整联盟结构:
至少存在一个具有剩余资源的边缘节点;
至少存在一项任务,其向边缘节点支付的总报酬未超过其预算。
执行交替操作前将边缘节点按单位奖励的降序排序,得到边缘节点序列,分别按盈利指数的升序和降序对云服务下行任务进行排序,得到任务序列和。具有较高盈利指数的联盟通常会向任务参与者支付更多报酬,所以考虑让边缘节点将提供的资源从低的联盟转移到高的联盟。将升序任务序列的第一个联盟设置为联盟,边缘节点在交替操作中减少提供给该联盟的资源;而降序任务序列的第一个联盟作为联盟,边缘节点增加投资给该联盟的资源。其中,执行交替操作的边缘节点是联盟参与者中单位奖励最高的边缘节点。
基于交替操作的联盟优化算法具体思路如下。首先,查找在联盟初始化阶段中未提供资源的边缘节点。如果存在这样的边缘节点,则执行替换操作,其中边缘节点在联盟中增加资源。其中,联盟是序列中第一个满足预算约束的任务,增加的资源量由定义6中所有可行性约束(12)、(13)、(14)和(15)共同决定。
当所有边缘节点都为联盟提供资源后,获得低报酬的边缘节点将其资源从盈利指数最低的联盟转移到最高的联盟。转移的资源量和是满足可行性约束和盈利指数不等式(即)的最大值。联盟的盈利指数随着边缘节点减少提供资源而逐渐增长,而联盟的盈利指数随着提供资源增加而逐渐减少。前者的获利指数不能大于后者,否则这部分资源交替无法给边缘节点带来更多报酬。不断通过交替操作来提升各边缘节点的效用,直到不存在可行的交替操作。最后,根据公式(8)计算各任务的单位报酬。
为了最大化自身效用,边缘节点在合作时不会为了最大化云平台的效用而牺牲自己的利益。在大多数情况下,基于重叠联盟形成博弈的合作激励机制无法实现整个系统效用的最大值。然而,合作激励机制考虑了边缘节点的自私性和个体利益,更符合实际情况,更有助于构建持续可扩展的边缘计算资源池。
本发明包括以下优点:
1.本发明将终端用户也纳入云服务下行系统中,各边缘节点终端用户的请求将会影响该边缘节点加入云服务下行任务的积极性。
2.本发明在现有机制的基础上提出一种让边缘节点协作完成云服务下行任务的合作激励机制,从而合理分配边缘节点的资源。
3.本发明将边缘节点给多个云服务下行任务提供资源建模为重叠联盟形成博弈。然后,分析了博弈中边缘节点的合作行为,基于贪婪策略提出了一种两阶段重叠联盟构造优化算法,不断通过边缘节点提供资源的交替行为来,以求解边缘节点在博弈中的策略,得到了近似最优解。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明基于合作博弈的云下行任务边缘节点资源分配方法流程图;
图2是本发明所述的边缘计算云服务下行系统示例图;
图3是本发明优选实施例所述的重叠联盟形成算法中迭代次数的累积分布函数图;
图4是本发明优选实施例所述的云服务下行数量对所有方案云平台效用的影响对比图;
图5是本发明优选实施例所述的边缘节点数量对云平台效用的影响对比图;
图6是本发明优选实施例所述的云服务下行任务之间的资源分配情况图;
图7是传统非合作方法之间的资源分配情况图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本实施例评估了在不同场景下合作激励机制的性能。影响该激励机制性能的因素包括边缘节点的数量和云服务下行任务的数量。设置任务数量从20增长到70,每次增量为10,边缘节点的数量从200增长到700,每次增量为100。每种设置随机生成100个场景并展示平均结果。表1列出了每个参数的设置。对边缘节点的资源容量标准化,并相应地设置其他参数。其中,将描述任务执行的激励强度设置为0.5,其他参数从均匀分布中随机采样。
表1 参数取值表。
本实施例将提出的合作激励机制Co.与三个基准策略进行了比较。
集中式方案(Cen.)。在集中式方案中,云平台控制着整个云服务下行系统。云平台将下行的云任务分配给边缘节点,并为边缘节点确定提供给每个任务的资源量。边缘节点被强制参加云服务下行任务,并且不因其共享资源而获得任何报酬。该方案的目标是最大化云平台的效用,而不考虑每个边缘节点的效用。
非合作方案(NonCo)。本文以斯塔克伯格博弈作为非合作激励机制的方法。在非合作机制中,云平台和每个边缘节点都旨在最大化各自的效用。与合作机制不同的是,边缘节点没有通过合作来避免资源浪费和分配不均衡的情况。
随机分配方案(Ran.)。在随机分配方案中,每个边缘节点随机选择云服务下行任务,然后为每个任务提供随机数量的资源。
图3描述了两阶段重叠联盟构造优化算法迭代次数的累积分布函数(CDF,Cumulative Distribution Function)。其中,云服务下行任务的数量为40。边缘节点的数量从200增长至500,增量为100。从图中可以看到,随着边缘节点数量的增加,收敛速度几乎呈线性下降,每种情况下的迭代次数都位于较小范围内。在具有500个边缘节点的大规模场景中,该算法可以在数百次迭代中快速收敛。因此,该算法可以稳定收敛,并且不存在突变情况。
本文在不同的场景下评估了所提出的合作激励机制Co.和基准策略(即Cen.,NonCo和Ran.)的性能。图4显示了云服务下行数量对所有方案云平台效用的影响。设置边缘节点数量为500,云服务下行任务的数量从20增加到70,增量为10。云服务下行任务数量随而变化。可以看出,随着云平台发布更多任务,云平台效用会逐渐增加,边际效用逐渐递减。云平台效用增加是因为边缘节点有更多任务可供选择,并且当任务更多时,边缘节点提供的资源可以在任务之间更平衡地分配。然而,由于边缘节点资源容量有限,随着任务数量增加,各任务性能提升越来越有限,云平台的边际效用就逐渐减少。
与基准策略相比,合作激励机制Co.获得的云平台效用高于非合作方案NonCo和随机Ran.。这表明云平台可以从边缘节点的合作中受益。此外,在Co.与Cen.方案中,云平台效用的差距很小。集中式方案Cen.是在不考虑边缘节点的自私性情况下的最优解。这说明合作激励机制Co.不会因为考虑边缘节点的自私理性而造成云平台有大量的利益损失。
图5展示了边缘节点数量对云平台效用的影响。随着边缘节点数量的增加,合作激励机制Co.的云平台效用逐渐增加,并越来越接近集中式方案Cen.的结果。这是因为随着更多的边缘节点参与云服务下行任务,云平台能够收集到更多资源来提高其任务性能。此外,从图中可以看出在所有场景设置中合作激励机制Co.比非合作方式NonCo和随机方案Ran.表现更好。
为评估多个云服务下行任务间资源分配情况,本实施例随机选择一个实例并显示该实例中每个任务收集的资源量。该实例包含了40个云服务下行任务和500个边缘节点。图6显示了本文所提出的合作激励机制Co.中40个任务之间的资源收集结果。从图中可以观察到每个任务都从边缘节点中收集了相似数量的资源。所有任务都收集了大约6单位资源。图7显示了非合作方案NonCo的结果。可以看出,在非合作方案NonCo中,少量任务收集了超过20单位资源,而超过一半的任务收集的资源量不到5单位,一定数量的任务没有收集到资源。在非合作激励机制中,边缘节点都倾向于参与部分的云服务下行任务,大多数任务收到的资源很少。因此,与非合作激励机制相比,本文所提出的合作机制可以有效地改善任务间资源分配不均衡问题,避免部分任务资源浪费的情况,同时保证所有任务的服务质量。本文在相同设置下对大量实例进行了仿真,获得了相似的结果。
本实施例中对合作激励机制进行仿真模拟,并利用重叠联盟构造优化算法求解边缘节点的近似最优策略,通过将结果与基准策略进行对比来评估合作激励机制的性能。结果表明,该合作激励机制的重叠联盟构造优化算法能够稳定快速收敛。同时,合作激励机制的云平台效用明显优于非合作机制(即斯塔克伯格博弈)和随机方案,并接近忽略边缘节点自私理性的集中式方案的最优解。在资源分配方面,该合作激励机制可以有效地改善边缘节点资源在多个云服务下行任务间分配不均衡问题,从而避免资源浪费,保证任务的服务质量。
综上可知,本发明首先说明云-边-端环境中云服务下行任务的定义,然后针对多任务云服务下行系统提出了一种合作激励机制,从而激励边缘节点提供资源来托管从云平台下行的云服务,并避免边缘节点贡献的资源在任务间分配不均衡的情况。最终,为了解决云-边-端环境中多任务激励机制任务间资源分配不均衡的问题,本发明引入了重叠联盟形成(OCF)博弈,其中理性的局中人可以同时加入多个联盟。基于重叠联盟形成博弈设计了一种合作激励机制,以鼓励边缘节点在从云平台选择多个下行云服务时相互协作。合作博弈能够防止边缘节点全部涌向个别总报酬高的云服务下行任务,从而避免了云平台收集资源的浪费和任务间资源分配不均衡的情况,也避免了边缘节点都加入单一任务而各自分配的报酬过低的情况。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于合作博弈的云下行任务边缘节点资源分配方法,其特征在于,包括以下步骤:
获取云-边-端三层架构的边缘计算环境;
基于所述边缘计算环境采用贪婪策略获得重叠联盟形成博弈问题的初始解决方案;
采用重叠联盟优化算法对获得的所述初始解决方案进行调整,以获得边缘节点资源策略的近似最优解。
2.根据权利要求1所述的基于合作博弈的云下行任务边缘节点资源分配方法,其特征在于,采用贪婪策略获得重叠联盟形成博弈问题需要考虑以下参数:边缘节点集合、云服务下行任务的集合、边缘节点数量、云服务下行任务数量、边缘节点为云服务下行任务提供的资源量、云平台为云服务下行任务向参与的边缘节点支付的单位资源报酬、边缘节点的效用、云平台的效用、云服务下行任务的任务性能、云平台的性能、边缘节点的单位资源成本、边缘节点本地终端用户的单位资源奖励、边缘节点的资源容量、云服务下行任务的预算、任务性能激励强度的尺度参数、描述云服务下行任务收集资源和任务性能关系的转换因子、边缘节点所有策略的集合、边缘节点的一个策略、云服务下行任务的联合、边缘节点为云服务下行任务提供的资源量、联盟中成员的集合、云服务下行任务的联盟价值。
3.根据权利要求2所述的基于合作博弈的云下行任务边缘节点资源分配方法,其特征在于,边缘节点的资源容量:
云平台为云服务下行任务向参与的边缘节点支付的单位资源报酬:
云服务下行任务的任务性能:
云平台的性能:
云平台效用为:
边缘节点的效用:
云服务下行任务的预算:
云平台为云服务下行任务向参与的边缘节点支付的单位资源报酬:
5.根据权利要求1所述的基于合作博弈的云下行任务边缘节点资源分配方法,其特征在于,重叠联盟优化算法采用交替操作实现,具体为:从联盟中减少提供的资源,然后将一定量的资源重新提供给另一个联盟。
6.根据权利要求5所述的基于合作博弈的云下行任务边缘节点资源分配方法,其特征在于,交替操作包括以下约束:
边缘节点的容量约束、交替操作的盈利约束、联盟其他节点许可约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570431.1A CN113037876B (zh) | 2021-05-25 | 2021-05-25 | 基于合作博弈的云下行任务边缘节点资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570431.1A CN113037876B (zh) | 2021-05-25 | 2021-05-25 | 基于合作博弈的云下行任务边缘节点资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037876A true CN113037876A (zh) | 2021-06-25 |
CN113037876B CN113037876B (zh) | 2021-08-24 |
Family
ID=76455693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570431.1A Active CN113037876B (zh) | 2021-05-25 | 2021-05-25 | 基于合作博弈的云下行任务边缘节点资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037876B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113395676A (zh) * | 2021-08-17 | 2021-09-14 | 南京航空航天大学 | 一种基于重叠联盟形成博弈的无人机任务协作方法 |
CN113992676A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和完全信息下分层联邦学习的激励方法及系统 |
CN113992692A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和不完全信息下分层联邦学习的方法及系统 |
CN114048018A (zh) * | 2022-01-14 | 2022-02-15 | 北京大学深圳研究生院 | 基于区块链的云原生任务分配系统、方法和装置 |
CN114826917A (zh) * | 2022-04-25 | 2022-07-29 | 中国农业银行股份有限公司 | 一种基于博弈的网络资源分配方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
CN107784561A (zh) * | 2017-11-10 | 2018-03-09 | 东南大学 | 一种移动众包系统中在线激励机制的实现方法 |
CN107948983A (zh) * | 2017-11-13 | 2018-04-20 | 南京邮电大学 | 一种基于联盟博弈的能量采集小基站资源分配方法 |
CN107979846A (zh) * | 2017-12-29 | 2018-05-01 | 中国人民解放军陆军工程大学 | 一种情景知觉下的重叠联盟博弈模型及空间自适应算法 |
CN109460295A (zh) * | 2018-10-19 | 2019-03-12 | 中南大学 | 一种基于多用户竞争行为模型的边缘计算性能优化方法 |
CN109756371A (zh) * | 2018-12-27 | 2019-05-14 | 上海无线通信研究中心 | 一种基于博弈的网络节点资源感知激励方法及系统 |
US20190205534A1 (en) * | 2018-01-02 | 2019-07-04 | International Business Machines Corporation | Resource reallocation based on expected rewards |
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
CN110928956A (zh) * | 2020-02-10 | 2020-03-27 | 中国人民解放军国防科技大学 | 一种边缘-云计算环境中云服务下行的方法、装置及设备 |
CN110971707A (zh) * | 2019-12-17 | 2020-04-07 | 大连理工大学 | 一种在移动边缘网络中的分布式服务缓存方法 |
US20200322225A1 (en) * | 2019-04-05 | 2020-10-08 | Mimik Technology Inc. | Method and system for distributed edge cloud computing |
CN111866601A (zh) * | 2020-07-21 | 2020-10-30 | 中国科学技术大学 | 一种基于合作博弈的移动边缘场景中的视频码率决策方法 |
CN112804361A (zh) * | 2021-03-31 | 2021-05-14 | 中国人民解放军国防科技大学 | 一种面向内容协作缓存的边缘联盟博弈方法 |
-
2021
- 2021-05-25 CN CN202110570431.1A patent/CN113037876B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
CN107784561A (zh) * | 2017-11-10 | 2018-03-09 | 东南大学 | 一种移动众包系统中在线激励机制的实现方法 |
CN107948983A (zh) * | 2017-11-13 | 2018-04-20 | 南京邮电大学 | 一种基于联盟博弈的能量采集小基站资源分配方法 |
CN107979846A (zh) * | 2017-12-29 | 2018-05-01 | 中国人民解放军陆军工程大学 | 一种情景知觉下的重叠联盟博弈模型及空间自适应算法 |
US20190205534A1 (en) * | 2018-01-02 | 2019-07-04 | International Business Machines Corporation | Resource reallocation based on expected rewards |
CN109460295A (zh) * | 2018-10-19 | 2019-03-12 | 中南大学 | 一种基于多用户竞争行为模型的边缘计算性能优化方法 |
CN109756371A (zh) * | 2018-12-27 | 2019-05-14 | 上海无线通信研究中心 | 一种基于博弈的网络节点资源感知激励方法及系统 |
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
US20200322225A1 (en) * | 2019-04-05 | 2020-10-08 | Mimik Technology Inc. | Method and system for distributed edge cloud computing |
CN110971707A (zh) * | 2019-12-17 | 2020-04-07 | 大连理工大学 | 一种在移动边缘网络中的分布式服务缓存方法 |
CN110928956A (zh) * | 2020-02-10 | 2020-03-27 | 中国人民解放军国防科技大学 | 一种边缘-云计算环境中云服务下行的方法、装置及设备 |
CN111866601A (zh) * | 2020-07-21 | 2020-10-30 | 中国科学技术大学 | 一种基于合作博弈的移动边缘场景中的视频码率决策方法 |
CN112804361A (zh) * | 2021-03-31 | 2021-05-14 | 中国人民解放军国防科技大学 | 一种面向内容协作缓存的边缘联盟博弈方法 |
Non-Patent Citations (5)
Title |
---|
FAHEEM ZAFARI: ""Let’s Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds"", 《IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT》 * |
WEI ZHAO: "Optimal Replica Distribution in Edge-Node-Assisted", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
XIN YU: "Competition and Cooperation between Edge and Remote Clouds:A Stackelberg Game Approach", 《2018 IEEE 4TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》 * |
Z. XU: ""Collaborate or Separate? Distributed Service"", 《IEEE INFOCOM 2020 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 * |
朱新峰: ""移动边缘计算环境下的动态资源分配策略"", 《计算机工程与科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113395676A (zh) * | 2021-08-17 | 2021-09-14 | 南京航空航天大学 | 一种基于重叠联盟形成博弈的无人机任务协作方法 |
CN113395676B (zh) * | 2021-08-17 | 2021-11-09 | 南京航空航天大学 | 一种基于重叠联盟形成博弈的无人机任务协作方法 |
US11567512B1 (en) | 2021-08-17 | 2023-01-31 | Nanjing University Of Aeronautics And Astronautics | Unmanned aerial vehicle (UAV) task cooperation method based on overlapping coalition formation (OCF) game |
CN113992676A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和完全信息下分层联邦学习的激励方法及系统 |
CN113992692A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和不完全信息下分层联邦学习的方法及系统 |
CN113992676B (zh) * | 2021-10-27 | 2022-09-06 | 天津大学 | 端边云架构和完全信息下分层联邦学习的激励方法及系统 |
CN113992692B (zh) * | 2021-10-27 | 2022-09-06 | 天津大学 | 端边云架构和不完全信息下分层联邦学习的方法及系统 |
CN114048018A (zh) * | 2022-01-14 | 2022-02-15 | 北京大学深圳研究生院 | 基于区块链的云原生任务分配系统、方法和装置 |
CN114048018B (zh) * | 2022-01-14 | 2022-04-15 | 北京大学深圳研究生院 | 基于区块链的云原生任务分配系统、方法和装置 |
CN114826917A (zh) * | 2022-04-25 | 2022-07-29 | 中国农业银行股份有限公司 | 一种基于博弈的网络资源分配方法及装置 |
CN114826917B (zh) * | 2022-04-25 | 2023-12-08 | 中国农业银行股份有限公司 | 一种基于博弈的网络资源分配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113037876B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037876B (zh) | 基于合作博弈的云下行任务边缘节点资源分配方法 | |
Etesami et al. | Smart routing of electric vehicles for load balancing in smart grids | |
Lotfi et al. | Economics of quality sponsored data in non-neutral networks | |
Siew et al. | Dynamic pricing for resource-quota sharing in multi-access edge computing | |
Cao et al. | Data center demand response with on-site renewable generation: A bargaining approach | |
Yang et al. | Coalitional game-based cooperative computation offloading in MEC for reusable tasks | |
WO2023222061A1 (zh) | 意图驱动的无线网络资源冲突解决方法及其装置 | |
Georgiadis et al. | Exchange of services in networks: competition, cooperation, and fairness | |
CN114466023B (zh) | 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 | |
CN108990067A (zh) | 一种应用于超密集异构网络的能效控制方法 | |
Sterz et al. | Multi-stakeholder service placement via iterative bargaining with incomplete information | |
CN117493020A (zh) | 一种数据网格的计算资源调度实现方法 | |
Fu et al. | A pricing mechanism for resource allocation in wireless multimedia applications | |
Misra et al. | RACE: QoI-aware strategic resource allocation for provisioning Se-aaS | |
Deng et al. | Rl-based radio resource slicing strategy for software-defined satellite networks | |
CN116684291A (zh) | 一种适用通用化平台的服务功能链映射资源智能分配方法 | |
Kim | Bargaining game based offloading service algorithm for edge-assisted distributed computing model | |
CN100413265C (zh) | 网络资源管理方法 | |
CN115361392A (zh) | 基于区块链的算力网络的控制方法、系统和存储介质 | |
Sun et al. | Competitive pricing for resource trading in sliced mobile networks: A multi-agent reinforcement learning approach | |
Sun et al. | Application loading and computing allocation for collaborative edge computing | |
CN108541071B (zh) | 基于双层博弈的无线通信系统多用户资源分配系统 | |
de Lucena Falcao et al. | Incentivising resource sharing in federated clouds | |
Lotfi et al. | The economics of quality sponsored data in wireless networks | |
Modina et al. | Multi resource allocation for network slices with multi-level fairness |
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 |