CN113115367B - 基于贪婪助手选择算法的数据卸载激励方法及装置 - Google Patents

基于贪婪助手选择算法的数据卸载激励方法及装置 Download PDF

Info

Publication number
CN113115367B
CN113115367B CN202110309057.XA CN202110309057A CN113115367B CN 113115367 B CN113115367 B CN 113115367B CN 202110309057 A CN202110309057 A CN 202110309057A CN 113115367 B CN113115367 B CN 113115367B
Authority
CN
China
Prior art keywords
service provider
node
content service
nodes
data
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
CN202110309057.XA
Other languages
English (en)
Other versions
CN113115367A (zh
Inventor
周欢
吴桐
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202110309057.XA priority Critical patent/CN113115367B/zh
Publication of CN113115367A publication Critical patent/CN113115367A/zh
Application granted granted Critical
Publication of CN113115367B publication Critical patent/CN113115367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明实施例提供一种基于贪婪助手选择算法的数据卸载激励方法及装置。方法包括：构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。本发明实施例提供的方法及装置，能够激励蜂窝网络中的节点参与数据卸载过程，缓解蜂窝网络中移动通信流量压力。

Description

基于贪婪助手选择算法的数据卸载激励方法及装置
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种基于贪婪助手选择算法的数据卸载激励方法及装置。
背景技术
近年来，智能设备和无线服务的迅速普及导致了移动网络中移动通信流量的爆炸式增长。用户对不同内容的巨大需求(如视频/音频流、社交网络、照片、在线游戏等)，对内容服务提供商(Content Service Provider,CSP)在5G移动网络环境下满足用户请求的服务质量和体验质量提出了迫切的需求。根据思科最近的报道，截至2017年底，全球移动通信流量为每月11.5艾字节，而到了2022年，全球移动通信流量将会达到每月77艾字节。因此，对于CSP而言，寻找一种快速且能有效的缓解蜂窝网络中移动通信流量压力的方法迫在眉睫。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于贪婪助手选择算法的数据卸载激励方法及装置。
第一方面，本发明实施例提供一种基于贪婪助手选择算法的数据卸载激励方法，包括：
构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；
基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
在一些实施例中，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，包括：
对于所述多个节点中的每一节点，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本；
将所述多个节点按照对应的所述实际节省的数据传输成本降序排列，依次判断所述内容服务提供商将所述节点选择为助手后，所述节点的边际贡献是否为正数，若是，则所述内容服务提供商将所述节点选择为助手，若否，则终止判断过程。
在一些实施例中，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本，包括：
获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本；
根据所述节省的数据传输成本和所述节点的期望报酬，获取所述内容服务提供商所实际节省的数据传输成本。
在一些实施例中，获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本，包括：
获取所述节点的卸载潜力；
根据所述单位数据传输成本、所述数据的大小、所述节点是否向所述基站请求所述数据的状态值以及所述节点的卸载潜力，获取所述内容服务提供商所节省的数据传输成本。
在一些实施例中，获取所述节点的卸载潜力，包括：
获取所述节点与所述多个节点中除自身之外的其他节点间的接触概率；
根据所述接触概率以及所述其他节点对所述数据的偏好概率，获取在最大容忍时延内所述节点将所述数据传输至所述其他节点的卸载概率；
根据所述卸载概率和所述数据的大小，获取所述节点的卸载潜力。
在一些实施例中，所述节点的边际贡献通过以下步骤获取：
根据所述内容服务提供商未选择助手时所述基站的数据传输成本，以及选择助手后所述内容服务提供商的数据传输成本，获取所述内容服务提供商的收益；
根据所述收益以及所述节点未参与数据卸载时所述内容服务提供商的收益，获取所述节点的边际贡献。
在一些实施例中，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，之后还包括：
基于标准Vickrey-Clarke-Groves机制，为助手支付报酬。
第二方面，本发明实施例提供一种基于贪婪助手选择算法的数据卸载激励装置，所述装置包括：
反向拍卖模型构建模块，用于构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；
求解模块，用于基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于贪婪助手选择算法的数据卸载激励方法及装置，通过构建反向拍卖模型并基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，即，本发明实施例提供的方法及装置能够激励蜂窝网络中的节点参与数据卸载过程，缓解蜂窝网络中移动通信流量压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的数据卸载激励方法的流程图；
图2为本发明实施例提供的数据卸载激励方法的应用场景示意图；
图3为MIT Reality数据集中，不同节点数量下CSP的成本示意图；
图4为在Infocom 06数据集中，不同节点数量下CSP的成本示意图；
图5为本发明实施例提供的数据卸载激励装置的结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的数据卸载激励方法的流程图，如图1所示，该方法包括：
步骤S1，构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本。
步骤S2，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
其中，步骤S2，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，包括：
步骤S21，对于所述多个节点中的每一节点，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本。
步骤S22，将所述多个节点按照对应的所述实际节省的数据传输成本降序排列，依次判断所述内容服务提供商将所述节点选择为助手后，所述节点的边际贡献是否为正数，若是，则所述内容服务提供商将所述节点选择为助手，若否，则终止判断过程。
其中，步骤S21中获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本，包括：
步骤S211，获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本。
步骤S212，根据所述节省的数据传输成本和所述节点的期望报酬，获取所述内容服务提供商所实际节省的数据传输成本。
其中，步骤S211，获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本，包括：
步骤S2111，获取所述节点的卸载潜力。
步骤S2112，根据所述单位数据传输成本、所述数据的大小、所述节点是否向所述基站请求所述数据的状态值以及所述节点的卸载潜力，获取所述内容服务提供商所节省的数据传输成本。
其中，步骤S2111，获取所述节点的卸载潜力，包括：
步骤S21111，获取所述节点与所述多个节点中除自身之外的其他节点间的接触概率。
步骤S21112，根据所述接触概率以及所述其他节点对所述数据的偏好概率，获取在最大容忍时延内所述节点将所述数据传输至所述其他节点的卸载概率。
步骤S21113，根据所述卸载概率和所述数据的大小，获取所述节点的卸载潜力。
在一些实施例中，步骤S22中所述节点的边际贡献通过以下步骤获取：
步骤S221，根据所述内容服务提供商未选择助手时所述基站的数据传输成本，以及选择助手后所述内容服务提供商的数据传输成本，获取所述内容服务提供商的收益。
步骤S222，根据所述收益以及所述节点未参与数据卸载时所述内容服务提供商的收益，获取所述节点的边际贡献。
在一些实施例中，步骤S2，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，之后还包括：
基于标准Vickrey-Clarke-Groves机制，为助手支付报酬。
为了更好地说明本发明实施例的方法，首先对该方法的应用场景进行说明。图2为本发明实施例提供的数据卸载激励方法的应用场景示意图，如图2所示，本发明实施例考虑由基站(Base Station，BS)、内容服务提供商(Content Service Provider，CSP)和多个移动节点(以下简称为节点)组成的单个蜂窝网络中的机会式数据卸载场景。其中，BS由CSP部署，此外假设所有的节点都在BS的服务覆盖范围内，每个节点可以从BS下载其喜爱的内容，BS负责将内容传输给所有请求内容的节点。由于BS具有有限的回程和无线接入容量，因此CSP可以选择一些节点作为助手以帮助卸载数据给那些请求内容的用户，尤其是在发生网络拥塞时。需要说明的是，在本发明实施例及以下实施例中，内容、数据、流量和蜂窝流量，四者互相之间可互换。
然而，一般来说网络中的节点是自私且理性的，它们不会愿意在没有任何收益的情况下帮忙卸载内容。为了激励节点提供数据卸载服务，CSP需要向助手支付报酬，以补偿其资源消耗。数据卸载过程可以描述如下：首先，在T0时刻，CSP通过蜂窝网络将内容传输给一小部分节点(称为助手)；然后，助手负责通过机会通信(如Wi-Fi、蓝牙或D2D)将内容传输到其他请求内容的节点；最后，如果请求没有在最大容忍时延内满足，则内容将由BS直接传送。
以下将对本发明实施例中的一些基础概念进行说明：
假设一旦两个节点相互接触，就可以成功地交付内容。蜂窝网络中的每对节点的接触都是相互独立的，其接触概率服从指数分布用βij表示。在机会移动网络中将接触概率假设为指数分布是一种常见的做法，节点i和j之间的接触概率βij可可以由以下时间平均法来计算：
Figure BDA0002989075200000071
其中，ηij表示节点i和节点j之间的接触次数，ICTij是节点i和节点j每次接触的持续时间。
然后，可以得出在最大容忍时延Tj内节点i可以为请求内容的节点j传输数据的卸载概率为：
Figure BDA0002989075200000072
其中，ej是节点j对内容感兴趣的概率，也即偏好概率。
然后，构建以下模型：
1)内容服务提供商的收入模型：定义通过蜂窝网络的流量的单位成本也即CSP的单位数据传输成本为α，内容的大小为s，X表示在选择助手之前，CSP应该传输的总蜂窝流量。如果CSP选择一些节点作为助手帮助卸载蜂窝流量，那么可以由助手卸载的总的蜂窝流量为Y。值得注意的是，并不是所有的助手本身都对内容感兴趣，如果一个助手并没有请求内容，则CSP需要为这个助手传输额外的蜂窝流量。考虑这种情况，用Z表示额外的蜂窝流量。如果暂不考虑为助手支付报酬，则通过蜂窝网络的CSP的传输成本函数表示为：
U(X,Y,Z)＝(X-Y+Z)α (3)
CSP启动拍卖并从节点收集投标。CSP根据周围节点的请求信息，对每个节点的卸载潜力进行评估。然后，CSP将选择最有价值的节点作为助手参与数据卸载。
2)节点竞标模型：假设网络中有N个节点，记为
Figure BDA0002989075200000084
并且有多个节点在同一时刻同时请求一个相同的内容，每一个节点
Figure BDA0002989075200000085
具有以下属性：
机会通信中单位成本的真实价值vi：这是通过帮助CSP服务数据卸载过程而导致的成本的真实价值。需要注意的是，vi是节点i的私有信息，其他节点甚至连CSP都无法获得。
节点i在机会通信中期望的单位价格也即期望报酬单价为bi：这是节点i希望从CSP获得的报酬，以补偿其提供数据卸载服务所造成的消耗。
在拍卖过程中，每个节点向CSP提交其竞标价格bi。为了使拍卖过程公平同时也为了使节点之间的交易互惠互利，应设计适当的激励机制来鼓励节点参与卸载过程。
3)反向拍卖模型：本发明实施例使用反向拍卖来激励节点参与数据卸载过程。CSP启动一个拍卖，在开始时收集节点的出价，然后根据每个节点对的历史接触记录计算它们的接触率，并评估每个节点的卸载潜力。CSP将根据节点的卸载潜力和他们的出价选择合适的助手。而助手将根据他们所卸载的流量获得相应的补偿。具体而言，CSP充当拍卖商的角色，购买助手的存储和卸载功能，通过机会通信来交付内容，同时，助手充当卖家的角色，向CSP提交期望的价格。反向拍卖的过程可以总结如下：
BS覆盖范围内的节点将其期望价格bi提交给CSP。
每个节点向CSP报告其对内容的偏好。接着，CSP根据接收到的信息选择一些节点作为助手，通过机会通信来卸载内容。
令xi∈{0,1}表示节点i是否被选择为助手，ai∈{0,1}表示节点i是否请求了该内容。如果选择节点i作为助手，xi＝1；否则，xi＝0。同样，如果节点i请求了该内容，ai＝1；否则ai＝0。
然后，可以得到CSP的成本函数所实际节省的数据传输成本如下：
Figure BDA0002989075200000081
目标函数(4)表示CSP通过蜂窝网络的传输成本和支付给助手的补偿之和。U(·)是没有考虑CSP支付报酬情况下的成本函数，如公式(3)所示。
Figure BDA0002989075200000095
是助手集合，Bi是节点i对数据卸载过程中消耗成本的期望补偿也即期望报酬，其计算如下：
Bi＝Sibi (5)
其中Si是卸载潜力，表示可由节点i卸载的蜂窝流量。之后详细介绍如何计算Si。
从CSP的角度来看，它的目标是减少自身的成本。优化目标可以表示如下：
Figure BDA0002989075200000091
Figure BDA0002989075200000092
Figure BDA0002989075200000093
Figure BDA0002989075200000094
上述公式中约束条件的含义如下：
约束(7)确保选择助手后BS传输的总流量(也即数据传输量)低于没有助手时的总流量。
约束(8)表示助手所期望的报酬(也即期望报酬单价)不能高于CSP传输内容的单位成本(也即单位数据传输成本)。
约束(9)保证二进制变量的整数性质。
提出的优化问题是一个非线性整数规划问题，具体而言是一个非线性0-1规划问题。众所周知，背包问题是一个具有组合优化的NP-complete问题。同时，可以明显地发现，提出的优化问题比背包问题更复杂，因此它自然也属于NP-complete问题。作为一个NP-complete问题，没有一种精确且快速的算法来解决此类问题。因此，本发明实施例接下来提出一种启发式算法，旨在降低算法的时间复杂度并获得近似最优解。
解决上述优化问题的一种简单方法是选择能给CSP降低最多成本的节点。因此，本发明实施例首先介绍一种贪婪助手选择算法(Greedy Helper Selection Method,GHSM)。
首先，本发明实施例介绍一些定义。然后，详细说明在GHSM中提出的助手选择规则。
定义1(节点i的卸载潜力)：节点
Figure BDA0002989075200000109
的卸载潜力被定义为选择节点i作为助手时，可以卸载的蜂窝流量，其计算公式如下：
Figure BDA0002989075200000101
其中Pij(T)表示节点j在容忍时延T内可以通过机会通信从节点i处获得内容的概率，其计算方法如公式(2)所示。
令Δi表示CSP通过节点i卸载内容可节省的成本(也即所节省的数据传输成本)，公式如下：
Δi＝α[Si-(1-ai)s], (11)
因此，Δi-Bi表示选择节点i作为助手后实际节省的成本(也即所实际节省的数据传输成本)。
定义2(CSP的收益)：所提出的优化目标是使CSP的成本最小，因此，CSP的收益定义为选择助手后CSP减少的成本，其计算公式如下：
Figure BDA0002989075200000102
其中第一部分表示在选择助手之前,需要通过BS传输内容所需的总成本，而第二部分表示选择助手后CSP的实际成本。
定义3(助手i的边际贡献值)：助手的边际贡献可以定义为选择节点i作为助手后CSP收益的增量，其计算公式如下：
Figure BDA0002989075200000103
其中
Figure BDA0002989075200000104
表示不考虑节点i参与竞标时的最优解。
为了有效地解决上述优化问题，本发明实施例设计了一种贪婪算法来选择具有更高卸载潜力和较少支付的节点作为助手。首先，CSP需要计算接触概率
Figure BDA0002989075200000105
根据βij，最大容忍时延T以及对内容的兴趣程度，CSP可以根据公式(2)获得节点j在最大容忍时延T内被节点i服务的概率
Figure BDA0002989075200000106
Figure BDA0002989075200000107
接着，CSP可以根据公式(10)获得每一个节点的卸载潜力
Figure BDA0002989075200000108
所有节点根据其可以帮助CSP减少的成本减去其期望报酬即Δi-Bi降序排列。每当CSP根据排序选择一个节点作为助手，都将核实该节点是否真的可以为CSP带来收益，这意味着该节点的边际效益是正的。只有当节点能够为CSP带来正收益才可以被最终选为助手。
在选择助手之后，CSP应该确定对他们支付的报酬以补偿他们的消耗。当选择助手时，CSP已经知道了他们的期望价格，但由于个体的理性和自私性，每个助手都希望获得更高的报酬，而这并不等于他们提供的实际价值。基于此，有必要制定统一的规则来保证支付的合理性。因此，本发明实施例提出了一种新颖的基于标准Vickrey-Clarke-Groves(VCG)机制的支付方案以激励节点在机会移动网络中参与数据卸载服务，支付方案可以激励自私和理性的节点参与数据卸载过程，并保证个体的合理性和真实性。
在标准的VCG方案中，竞标者在不知道其他竞标者的竞价的情况下提交报价并报告对项目的估价。每个获胜者将支付给其他参与竞标的人一定的“机会成本”。获胜者的“机会成本”定义为节点i不参与竞标时其余节点参与竞标的期望报酬之和减去节点i参与竞标时其他实际获胜节点的总报价。
通过定义1，Δi-Bi表示选择节点i作为助手后实际降低的成本，接着定义
Figure BDA0002989075200000111
作为不考虑节点i贡献时的最优解，其计算公式如下：
Figure BDA0002989075200000112
此外，我们令
Figure BDA0002989075200000113
表示节点i不参与竞标时的最优解。于是，支付给助手i的报酬计算如下：
Figure BDA0002989075200000114
令
Figure BDA0002989075200000115
表示助手i在数据卸载过程中实际消耗的总成本，于是可以得到每一个助手
Figure BDA0002989075200000116
的效用，表示如下：
Figure BDA0002989075200000117
没有被选择成为助手的节点的报酬和效用为0。
综上所述，本发明实施例相较于现有技术，具有如下有益效果：
1)本发明实施例将数据卸载问题转化为效用优化问题，旨在最小化CSP的成本，并且提出一种新的基于反向拍卖的激励机制反向拍卖的激励机制(Reverse Auction-basedIncentive Mechanism，RAIM)来激励机会移动网络(Opportunistic Mobile Networks，OMNs)中的节点参与数据卸载过程。
2)本发明实施例通过考虑机会移动网络中的延迟约束将优化问题建模为非线性整数规划问题，并引入一种低复杂度算法：贪婪助手选择算法(Greedy Helper SelectionMethod，GHSM)来解决优化问题。
3)本发明实施例提出了一种新颖的基于标准Vickrey-Clarke-Groves(VCG)机制的支付规则，该规则可以保证GHSM的个体合理性和真实性。
4)通过在真实数据集中的仿真实验表明，本发明实施例提出的GHSM在降低CSP的成本方面比随机助手选择算法表现更好。
以下通过具体的实验说明本发明实施例的有益效果：
仿真实验在两个真实数据集中进行：MIT Reality和Infocom 06数据集。其中MITReality数据集包含了97个节点在299天中的接触记录，而Infocom06trace包含了76个节点在4天内的接触记录。在本实验仅考虑一个内容，该内容被不同节点在同一个时刻请求，内容的大小为50MB。假设两个数据集中的所有节点都在BS的覆盖范围内，内容的流行度为0.8，它等于每一个节点请求内容的概率。CSP通过蜂窝网络传输内容的单位流量成本为0.2货币单位(例如，美元或人民币)/(MB)。每个节点的期望价格均匀分布于[0.01,0.05]货币单位。本发明实施例将提出的GHSM(Greedy)的性能与不选择助手的方法(Withouthelpers)以及随机助手选择方法(Random)进行比较，该方法选择一组助手随机参与数据卸载过程。为了公平起见，随机助手选择方法中所选助手的总数与本发明实施例提出的方法相同，本发明实施例使用CSP的成本作为评估指标。这里，CSP的成本定义为公式(4)。
图3为MIT Reality数据集中，不同节点数量下CSP的成本示意图，图3显示了当节点的数量逐渐增加时，CSP通过GHSM(Greedy)、随机助手选择方法(Random)以及不选择助手的方法(Without helpers)在MIT Reality数据集中的成本变化情况，在本实验中节点的最大容忍时延设置为T＝2(days)。随着节点数量的增加，更多的节点可以帮助CSP卸载流量，因此CSP的成本将不断降低。可以发现，当节点的数量增加时，GHSM比随机助手选择方法和不选择助手的方法表现得更好，特别是当节点的数量较大时。
图4为在Infocom 06数据集中，不同节点数量下CSP的成本示意图，图4显示了当节点的数量逐渐增加时，CSP通过GHSM(Greedy)、随机助手选择方法(Random)以及不选择助手的方法(Without helpers)在Infocom 06数据集中的成本变化情况，在本实验中节点的最大容忍时延设置为T＝90(mins)。随着节点数量的增加，更多的节点可以帮助CSP卸载流量，因此CSP的成本将不断降低。可以发现，当节点的数量增加时，GHSM比随机助手选择方法和不选择助手的方法表现得更好，特别是当节点的数量较大时。
图5为本发明实施例提供的数据卸载激励装置的结构示意图，如图5所示，所述装置包括：反向拍卖模型构建模块501，用于构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；求解模块502，用于基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储在存储器603上并可在处理器601上运行的计算机程序，以执行上述各实施例提供的方法，例如包括：构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于贪婪助手选择算法的数据卸载激励方法，其特征在于，包括：
构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；
基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载；
基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，包括：
对于所述多个节点中的每一节点，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本；
将所述多个节点按照对应的所述实际节省的数据传输成本降序排列，依次判断所述内容服务提供商将所述节点选择为助手后，所述节点的边际贡献是否为正数，若是，则所述内容服务提供商将所述节点选择为助手，若否，则终止判断过程；
其中，所述内容服务提供商的数据传输成本
Figure FDA0003747363710000011
的计算公式如下：
Figure FDA0003747363710000012
U(·)是没有考虑内容服务商支付报酬情况下的成本函数，
Figure FDA0003747363710000013
是助手集合，若选择节点i作为助手，xi＝1，否则xi＝0，若节点i请求了内容，ai＝1，否则ai＝0，Bi是节点i对数据卸载过程中消耗成本的期望补偿，
Figure FDA0003747363710000014
为网络中的节点集合，s为数据的大小；
所述节点的边际贡献通过以下步骤获取：
根据所述内容服务提供商未选择助手时所述基站的数据传输成本，以及选择助手后所述内容服务提供商的数据传输成本，获取所述内容服务提供商的收益；
根据所述收益以及所述节点未参与数据卸载时所述内容服务提供商的收益，获取所述节点的边际贡献。
2.根据权利要求1所述的方法，其特征在于，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本，包括：
获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本；
根据所述节省的数据传输成本和所述节点的期望报酬，获取所述内容服务提供商所实际节省的数据传输成本。
3.根据权利要求2所述的方法，其特征在于，获取所述内容服务提供商将所述节点选择为助手后，在不为所述节点支付报酬的情况下，所述内容服务提供商所节省的数据传输成本，包括：
获取所述节点的卸载潜力；
根据所述单位数据传输成本、所述数据的大小、所述节点是否向所述基站请求所述数据的状态值以及所述节点的卸载潜力，获取所述内容服务提供商所节省的数据传输成本；
获取所述节点的卸载潜力，包括：
获取所述节点与所述多个节点中除自身之外的其他节点间的接触概率；
根据所述接触概率以及所述其他节点对所述数据的偏好概率，获取在最大容忍时延内所述节点将所述数据传输至所述其他节点的卸载概率；
根据所述卸载概率和所述数据的大小，获取所述节点的卸载潜力。
4.根据权利要求1所述的方法，其特征在于，基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，之后还包括：
基于标准Vickrey-Clarke-Groves机制，为助手支付报酬。
5.一种基于贪婪助手选择算法的数据卸载激励装置，其特征在于，所述装置包括：
反向拍卖模型构建模块，用于构建反向拍卖模型，所述反向拍卖模型的目标是最小化内容服务提供商的数据传输成本，所述反向拍卖模型的约束条件是所述内容服务提供商从基站覆盖范围内的多个节点中选择助手后，所述基站的数据传输量不高于未选择助手时的数据传输量，且助手的期望报酬单价不高于所述内容服务提供商的单位数据传输成本；
求解模块，用于基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载；
基于贪婪助手选择算法对所述反向拍卖模型进行求解，使所述内容服务提供商从所述多个节点中选择助手以进行数据卸载，包括：
对于所述多个节点中的每一节点，获取所述内容服务提供商将所述节点选择为助手后所实际节省的数据传输成本；
将所述多个节点按照对应的所述实际节省的数据传输成本降序排列，依次判断所述内容服务提供商将所述节点选择为助手后，所述节点的边际贡献是否为正数，若是，则所述内容服务提供商将所述节点选择为助手，若否，则终止判断过程；
其中，所述内容服务提供商的数据传输成本
Figure FDA0003747363710000033
的计算公式如下：
Figure FDA0003747363710000031
U(·)是没有考虑内容服务商支付报酬情况下的成本函数，
Figure FDA0003747363710000032
是助手集合，若选择节点i作为助手，xi＝1，否则xi＝0，若节点i请求了内容，ai＝1，否则ai＝0，Bi是节点i对数据卸载过程中消耗成本的期望补偿，
Figure FDA0003747363710000034
为网络中的节点集合，s为数据的大小；
所述节点的边际贡献通过以下步骤获取：
根据所述内容服务提供商未选择助手时所述基站的数据传输成本，以及选择助手后所述内容服务提供商的数据传输成本，获取所述内容服务提供商的收益；
根据所述收益以及所述节点未参与数据卸载时所述内容服务提供商的收益，获取所述节点的边际贡献。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN202110309057.XA 2021-03-23 2021-03-23 基于贪婪助手选择算法的数据卸载激励方法及装置 Active CN113115367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110309057.XA CN113115367B (zh) 2021-03-23 2021-03-23 基于贪婪助手选择算法的数据卸载激励方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309057.XA CN113115367B (zh) 2021-03-23 2021-03-23 基于贪婪助手选择算法的数据卸载激励方法及装置

Publications (2)

Publication Number Publication Date
CN113115367A CN113115367A (zh) 2021-07-13
CN113115367B true CN113115367B (zh) 2022-09-02

Family

ID=76710507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110309057.XA Active CN113115367B (zh) 2021-03-23 2021-03-23 基于贪婪助手选择算法的数据卸载激励方法及装置

Country Status (1)

Country Link
CN (1) CN113115367B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657716A (zh) * 2016-01-21 2016-06-08 桂林电子科技大学 一种蜂窝网动态流量分担的频谱拍卖方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013100854A2 (en) * 2011-12-29 2013-07-04 Empire Technology Development Llc Bandwidth auctions
CN107426804B (zh) * 2017-06-06 2020-05-12 重庆邮电大学 一种基于拍卖机制的wlan系统无线接入点节能控制方法
CN109302709B (zh) * 2018-09-14 2022-04-05 重庆邮电大学 面向移动边缘计算的车联网任务卸载与资源分配策略
CN110972227B (zh) * 2019-11-19 2021-07-27 三峡大学 通过机会移动网络卸载蜂窝流量的种子节点选择方法
CN110856227B (zh) * 2019-11-19 2021-08-10 三峡大学 基于贪婪算法和反向拍卖的数据卸载方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105657716A (zh) * 2016-01-21 2016-06-08 桂林电子科技大学 一种蜂窝网动态流量分担的频谱拍卖方法

Also Published As

Publication number Publication date
CN113115367A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
US6718312B1 (en) Method and system for combinatorial auctions with bid composition restrictions
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
CN103886499A (zh) 基于组合拍卖的移动云资源在线电子拍卖方法及系统
US20060136320A1 (en) Systems and methods that facilitate maximizing revenue for multi-unit auctions with private budgets
US7133841B1 (en) Method and computer system for conducting a progressive, price-driven combinatorial auction
CN114047971B (zh) 边缘计算资源分配方法及装置
Wang et al. Smart contract-based caching and data transaction optimization in mobile edge computing
CN109831788A (zh) 用于边缘接入场景的网络资源动态分配方法及系统
Tong et al. Stackelberg game-based task offloading and pricing with computing capacity constraint in mobile edge computing
Han et al. Tiff: Tokenized incentive for federated learning
CN110856227B (zh) 基于贪婪算法和反向拍卖的数据卸载方法
US20100250362A1 (en) System and Method for an Online Advertising Exchange with Submarkets Formed by Portfolio Optimization
Yue et al. A double auction-based approach for multi-user resource allocation in mobile edge computing
Li et al. Federated learning based on Stackelberg game in unmanned-aerial-vehicle-enabled mobile edge computing
Kong et al. Incentivizing federated learning
CN113301158B (zh) 一种移动边缘计算环境下基于拍卖理论的资源分配方法
CN113127267B (zh) 一种分布式存储环境下强一致性多副本数据访问回应方法
Chen et al. A truthful double auction for two-sided heterogeneous mobile crowdsensing markets
CN113115367B (zh) 基于贪婪助手选择算法的数据卸载激励方法及装置
CN113115354B (zh) 基于衰减助手选择算法的数据卸载激励方法及装置
Han et al. Tokenized incentive for federated learning
Andrews Understanding the effects of quota trading on mobile usage dynamics
Kumar et al. Backhaul-aware storage allocation and pricing mechanism for RSU-based caching networks
CN116382806A (zh) 一种任务卸载方法、装置及计算机可读存储介质
Wang et al. Auction-based profit maximization offloading in mobile edge computing

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