CN114727319A - 基于vcg拍卖机制的5g mec计算任务卸载方法 - Google Patents

基于vcg拍卖机制的5g mec计算任务卸载方法 Download PDF

Info

Publication number
CN114727319A
CN114727319A CN202210383543.0A CN202210383543A CN114727319A CN 114727319 A CN114727319 A CN 114727319A CN 202210383543 A CN202210383543 A CN 202210383543A CN 114727319 A CN114727319 A CN 114727319A
Authority
CN
China
Prior art keywords
task
node
time
ecp
subtask
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.)
Pending
Application number
CN202210383543.0A
Other languages
English (en)
Inventor
邓超平
林少真
孙鑫
林文彬
陈锦山
祁琦
唐志军
余斯航
晁武杰
胡文旺
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202210383543.0A priority Critical patent/CN114727319A/zh
Publication of CN114727319A publication Critical patent/CN114727319A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • 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
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于VCG拍卖机制的5G MEC计算任务卸载方法，包括以下步骤：步骤S1；构建多任务节点多边缘节点网络系统模型；步骤S2:基于任务场景，根据多任务节点多边缘节点网络系统模型，建立以自身时延最小化为目标的任务调度问题；步骤S3:基于VCG拍卖机制求解步骤S2的任务调度问题，得到最优的任务卸载方案。本发明有效提高任务卸载的效率和质量。

Description

基于VCG拍卖机制的5G MEC计算任务卸载方法
技术领域
本发明涉及计算卸载技术技术领域，具体涉及一种基于VCG拍卖机制的5G MEC计算任务卸载方法。
背景技术
随着电力系统自动化程度的不断发展，近年来大量的检测、控制和监控等服务被应用于电力系统中。这种实时检测服务虽然可以实现故障的即时感知和自动化管理。然而，服务对网络服务质量、请求时延等网络性能的要求越来越高。尽管新的智能设备的任务处理单元算力越来越强大，但依然无法在短时间内处理巨大的应用程序。此外，本地处理这些应用也面临另一个问题，即电池电量的快速消耗和自身损耗。这些问题严重影响了应用程序在用户设备上的运行效率和用户体验。为了解决以上问题，业界提出了移动边缘计算和计算卸载技术。边缘计算是指在网络边缘部署计算和存储资源，为移动网络提供IT服务环境和计算能力，从而为用户提供超低时延和高带宽的网络服务解决方案。作为ECP中关键技术之一，计算卸载是指终端设备将部分或全部计算任务交给云计算环境处理的技术，以解决移动设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载技术主要包括卸载决策、资源分配和卸载系统实现这三方面。其中，卸载决策主要解决的是终端决定如何卸载、卸载多少以及卸载什么的问题；资源分配则重点解决终端在实现卸载后如何分配资源的问题；对于卸载系统的实现，则侧重于用户迁移过程中的实现方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于VCG拍卖机制的5G MEC计算任务卸载方法，有效提高任务卸载的效率和质量。
为实现上述目的，本发明采用如下技术方案：
一种基于VCG拍卖机制的5G MEC计算任务卸载方法，包括以下步骤：
步骤S1；构建多任务节点多边缘节点网络系统模型；
步骤S2:基于任务场景，根据多任务节点多边缘节点网络系统模型，建立以自身时延最小化为目标的任务调度问题；
步骤S3:基于VCG拍卖机制求解步骤S2的任务调度问题，得到最优的任务卸载方案。
进一步的，所述多任务节点多边缘节点网络系统模型，包括多个随机分布的异构计算节点ECP组成，这些节点计算资源和能力各异。
进一步的，考虑准静态的网络场景，即将时间划分为相同大小的时隙，每个时隙中的网络条件和用户分布都视为静态不变的；在任一特定的时隙中，每个ECP都被进一步划分为空闲状态和忙碌状态；每个时隙内，用户设备端有任务产生并需要处理；为在时延要求内完成任务的响应和处理，任务在本地节点处理或者卸载到附近计算能力更强的ECP上处理，即任务卸载；
规定ECP最多可以计算一个任务，若当前ECP已有任务正在执行，其他到来的任务将会存在等待队列；
设ECP之间占用正交的无线信道，即不同的ECP之间不会产生干扰，ECP通过时分多址或频分多址的方式为用户设备端服务
用户设备端在向同一ECP传输任务时，会共享或竞争通信资源，从用户设备端向ECP传输子任务的时间表示为：
Figure BDA0003592768070000031
Figure BDA0003592768070000032
Bk是节点k占用的带宽，gk是用户设备端和节点k之间的信道增益。w是白噪声。这里假设ECP拥有全部的信道状态信息；
计算时间由计算负载除以设备的计算能力来表示，两者都用CPU转数来表示，如下：
Figure BDA0003592768070000033
f为节点计算速率，即CPU的时钟频率，设每个节点只能计算一个任务，其余待执行任务记录在等待队列。
进一步的，所述步骤S2具体为：
步骤S21:设每个用户服务相对独立，有多个子任务组成，由集合W表示。每个用户待卸载任务被定义为W＝(A,D)，A所代表的n多个任务的总集，即任务集，D所代表的是不同任务之间的控制流以及数据流之间存在的关系；
步骤S22:将每一个子任务分为两类，分别为不存在前任子任务和存在前任子任务,对于不存在前任子任务j，即此子任务为任务Rk的第一个待执行的子任务，开始执行时间表述如下：
Figure BDA0003592768070000041
其中，
Figure BDA0003592768070000042
为任务Rk的到达卸载节点时间。
Figure BDA0003592768070000043
为节点Waiting queue中其他任务的结束时间；
Figure BDA0003592768070000044
为该子任务在卸载节点的排队时间；对于存在前任子任务的节点j，设其前任子任务i属于集合i∈predj,的执行开始时间表示为：
Figure BDA0003592768070000045
其中
Figure BDA0003592768070000046
为前任子任务完成时间，
Figure BDA0003592768070000047
为任务j的传输时延，
Figure BDA0003592768070000048
为排队时间；
对于所有子任务完成时间表示为：
Figure BDA0003592768070000049
对于完整任务Rk，其完成时间为最后一个子任务的结束时间，表示为：
Figure BDA00035927680700000410
从全局角度有K个任务，故系统优化目标表示为：
Figure BDA00035927680700000411
进一步的，所述步骤S3具体为：
步骤S31:将基于买卖博弈理论对ECP的资源分配和价格策略进行建模；
步骤S32:基于步骤S31的建模，获取最优卸载方案。
进一步的，所述步骤S31具体为：
卖方提供计算任务，即商品j，商品最小粒度是子任务；每个任务j对应一个估值Valuej；每个ASP维持待卸载任务队列Subtask queue；
ECP节点为出价竞拍方，每一个节点s对任务j有一个成本值Costj，还有一个Payment记为Pj；
其中，Valuej和Costj的计算如下：
Figure BDA0003592768070000051
Figure BDA0003592768070000052
为了将拍卖算法总体效用和系统总体时延进行结合，下面将最大社会福利Csocial定义为：
Figure BDA0003592768070000053
根据VCG机制定义，任务卸载环境下拍卖机制支付价格计算如下：
Figure BDA0003592768070000054
θ为所有待卸载节点的出价决策，θ-s为除了节点s外，所有待卸载节点的出价决策；设买方和卖方的收益分别为Us和Uu：
Uu＝Valuej-Pj
Us＝Pj-Costj。
进一步的，所述步骤S32具体为：
(1)每个ASP确定当前决策间隙下待卸载任务队列Subtask_queue；
(2)每个待卸载子任务通过拍卖商发布，ECP对所有子任务进行组合拍卖；计算估值和成本值运行VCG机制得到每个任务支付价格Payment；
(3)对于每个任务，找到max{Us}；确定获胜的ECP，确定最终成交价Payment和Uu；
(4)判断Uu>0；若是，则将子任务j进行卸载计算；若否，则否认拍卖结果，在本地计算；
(5)在每个决策间隙重复(1)-(4)，至全部任务卸载完毕。
本发明与现有技术相比具有以下有益效果：
1、本发明有效提高任务卸载的效率和质量；
2、本发明将问题建模为拍卖问题，可以在系统平均时延和受益任务节点数两个指标上逼近最优解，从而兼顾了系统利益和个体利益。
附图说明
图1是本发明任务卸载模型；
图2是本发明一实施例中系统平均时延VS任务节点数；
图3是本发明一实施例中拍卖算法与最优比较；
图4是本发明一实施例中受益任务数VS总任务数；
图5是本发明一实施例中算法运行时间。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于VCG拍卖机制的5G MEC计算任务卸载方法，包括以下步骤：
步骤S1；构建多任务节点多边缘节点网络系统模型；
步骤S2:基于任务场景，根据多任务节点多边缘节点网络系统模型，建立以自身时延最小化为目标的任务调度问题；
步骤S3:基于VCG拍卖机制求解步骤S2的任务调度问题，得到最优的任务卸载方案。
在本实施例中，拍卖机制定义与性质，具体如下：
用一个三元组(B,P,M)表示，其中B是报价空间，P是分配规则，M是支付规则。竞买人的估价空间是V，如果报价空间B与估价空间V是完全吻合的机制，称之为直接机制，如果存在差异，那么可能是机制设计没有要求竞买人提交其估价，或者机制本身设计问题。当给定竞买人的私人估价信息后，机制设计中策略分析的中心任务就是确定竞买人是否会真实地报告自己的估价。报价空间一致并不意味着竞买人一定会报告自己的真实价值。如果在一个直接机制中，竞买人报告自己的真实估价是一个均衡，那么这个直接机制就存在一个讲真话的均衡。对于机制设计的性质，有如下定义：
·显示原理：对于任何一个机制，都存在着一个具有讲真话均衡的直接机制，使得起均衡的结果与原来机制的均衡结果一致。直接机制自动替竞拍者完成了均衡的计算，这是显示原理背后的意义。
·激励兼容：在直接机制中，如果分配函数是单调非降的，也就是说，说真话总能使得自己的预期收益最大化，那么这个直接机制是激励兼容的。
·个体理性：一个直接机制，如果对于所有竞买人，收益不为负值，那么该机制为个体理性的。
·收益等价原理：如果直接机制(P,M)是激励兼容的，则对所有的竞买人及真实估价vi，其预期支付只与分配规则相关，支付规则决定一个常数项。这里的收益等价原理不再要求对称的假设。四种基本拍卖形式有着相同的分配规则，价高者得，因此竞买人的预期支付和售卖人的预期收益是一样的。
如果直接机制(P,M)是激励兼容的，则对所有的竞买人及真实估价vi，其预期支付只与分配规则相关，支付规则决定一个常数项。(注意这里不再要求对称性)通常情况下售卖者是机制的设计者，那么他们往往考虑在满足激励兼容和个体理性的约束下，设计一种最大化期望收益的机制，这种机制就是最优机制。之前关于定价的决策是：如果售卖者能够知道竞买者的真实估价的话，那直接就可以按照最高估价售卖，但是由于售卖者并不清楚真实估价，那么要用估计的方法得到竞买者的出价。售卖者估计的价值与真实的价值之间价值差距，对售卖者来说是剩余价值。根据竞买人的估价分布函数，构建模型，设计如下机制，可以使得售卖者收益最优。
φ(x)＝x-(1-F(x))/f(x)
分配规则为：拍卖品分配给虚拟价值最高的竞买人。如果对该虚拟价值做出适当的假设，满足正则型假设(虚拟价值与估价是单调递增函数)，最优机制简化为：
·分配规则为：拍卖品分配给虚拟价值最高的竞买人。
·支付规则为：收取保证他虚拟价值最高的最低可能估价值即
max(φ-1(0),other′s max value)
这样的话，最优拍卖就是一个就有保留价为φ-1(0)的第二价格拍卖。也就是说每个竞买人都会有一个与其估价分布相关保留价，这个虚拟价值有研究者将其与边际价值相关联。如果竞买者之间的对称性，那么这个保留价与前文的最优保留价是一致的。如果考虑正则性和对称性，那么具有保留价为φ-1(0)的第二价格密封拍卖就是最优机制。
在本实施例中，考虑一个具有一般性的多应用服务提供商ASP(Applicationservice provider)多边缘计算供应商ECP(edge computing provider)的异构网络。该计算网络由多个随机分布的异构计算节点ECP组成，这些节点计算资源和能力各异。为便于描述和分析，我们考虑准静态的网络场景，即将时间划分为相同大小的时隙，每个时隙中的网络条件和用户分布都可以视为静态不变的。在任一特定的时隙中，每个ECP都可以被进一步划分为空闲状态和忙碌状态。每个时隙内，ASP有任务产生并需要处理。为在严格的时延要求内完成任务的响应和处理，任务可能在本地节点处理或者卸载到附近计算能力更强的ECP上处理，即任务卸载。
需要指出的是，我们规定ECP最多可以计算一个任务。若当前ECP已有任务正在执行，其他到来的任务将会存在等待队列(Waiting queue)中。另外需要指出的是，这样一个任务卸载网络具有普遍意义，可以适用于不同的应用场景。对于边缘计算使能的机器人系统，ASP可以是执行任务的机器人，而ECP可以是房间或工厂中空闲的机器人、边缘节点等。对于雾计算使能的无线通信网络，ASP可以是移动用户设备，而ECP可以是附近配备有服务器的接入点、基站等。对于智慧交通系统，ASP可以是移动车辆，而ECP可以是路边单元等。对于智慧家庭系统，ASP可以是各种传感器、设备而ECP可以是房间中的路由、边缘节点等。
为便于分析，我们设有有k个任务，每个任务使用符号Rk表示。每个任务由二元组(z,h)表示，其中z代表任务大小，单位为bits；h表示任务计算量，单位是CPU转数/秒。
·通信模型
通信方面，我们假设ECP之间占用正交的无线信道，即不同的ECP之间不会产生干扰。这里还假设ECP通过时分多址或频分多址(Frequency Division Multiple Access，FDMA)的方式为ASP服务，这符合当前大多数无线标准。因此，ASP在向同一ECP传输任务时，会共享或竞争通信资源，如时间帧或资源块。此外，这里假设直到所有任务数据都完成传输之后，才开始处理这些任务。因此，从ASP向ECP传输子任务的时间可以表示为：
Figure BDA0003592768070000101
Figure BDA0003592768070000102
Bk是节点k占用的带宽，gk是ASP和节点k之间的信道增益。w是白噪声。这里假设ECP拥有全部的信道状态信息。
·计算模型
计算方面，计算时间可以由计算负载除以设备的计算能力来表示，两者都可以用CPU转数来表示，如下：
Figure BDA0003592768070000111
f为节点计算速率，即CPU的时钟频率(CPU转数/秒)。设每个节点只能计算一个任务，其余待执行任务记录在等待队列(Waiting queue)。
在本实施例中，设每个用户服务相对独立，有多个子任务组成，由集合W表示。每个用户待卸载任务被定义为W＝(A,D)，A所代表的n多个任务的总集，即任务集，D所代表的是不同任务之间的控制流以及数据流之间存在的关系。
将每一个子任务分为两类，分别为不存在前任子任务和存在前任子任务。对于不存在前任子任务j，即此子任务为任务Rk的第一个待执行的子任务，它的开始执行时间表述如下：
Figure BDA0003592768070000112
其中，
Figure BDA0003592768070000113
为任务Rk的到达卸载节点时间。
Figure BDA0003592768070000114
为节点Waiting queue中其他任务的结束时间。
Figure BDA0003592768070000115
为该子任务在卸载节点的排队时间。对于存在前任子任务的节点j，假设其前任子任务i属于集合i∈predj。它的执行开始时间可以表示为：
Figure BDA0003592768070000116
其中
Figure BDA0003592768070000117
为前任子任务完成时间，
Figure BDA0003592768070000118
为任务j的传输时延，
Figure BDA0003592768070000119
为排队时间。根据以上，对于所有子任务完成时间可以表示为：
Figure BDA0003592768070000121
对于完整任务Rk，其完成时间为最后一个子任务的结束时间，可以表示为：
Figure BDA0003592768070000122
从全局角度有K个任务，故系统优化目标可以表示为：
Figure BDA0003592768070000123
在本实施例中，VCG拍卖机制，具体为：
在时变的ECP环境下，为提供差异化的计算服务，将服务提供方(ECP)作为买方(竞拍方)，通过自身的计算，通信能力产生商品出价。用户设备端(ASP)作为卖方，根据任务大小，所需计算量大小，差异化的为任务产生估值(成本值)；卖方对任务计算资源报价越高，任务本身价值越高，那么卸载计算所获得的单位资源收益越高。不过过高的估值会降低买方的购买意愿，从而将更多的计算任务在本地终端处理，而造成ECP资源的空闲和ASP的队列积压。因此，买卖双方之间是一种非合作博弈，移动终端在卸载收益和卸载时延之间存在着折中关系。下面将基于买卖博弈理论对ECP的资源分配和价格策略进行建模。
·卖方提供计算任务j(商品)。商品最小粒度是子任务。每个任务j对应一个估值Valuej。每个ASP维持待卸载任务队列Subtask queue。
·ECP节点为出价竞拍方。每一个节点s对任务j有一个成本值Costj。还有一个Payment(出价)记为Pj。
其中，Valuej和Costj的计算如下：
Figure BDA0003592768070000131
Figure BDA0003592768070000132
为了将拍卖算法总体效用和系统总体时延进行结合，下面将最大社会福利Csocial定义为：
Figure BDA0003592768070000133
根据VCG机制定义，任务卸载环境下拍卖机制支付价格计算如下：
Figure BDA0003592768070000134
θ为所有待卸载节点的出价决策，θ-s为除了节点s外，所有待卸载节点的出价决策。设买方和卖方的收益分别为Us和Uu：
Uu＝Valuej-Pj
Us＝Pj-Costj
在本实施例中，任务卸载模型如图1。拍卖过程分为以下五个步骤：
1.每个ASP确定当前决策间隙下待卸载任务队列Subtask_queue。
2.每个待卸载子任务通过拍卖商发布，ECP对所有子任务进行组合拍卖。计算估值和成本值(Cost和Value)。运行VCG机制得到每个任务支付价格(Payment)。
3.对于每个任务，找到max{Us}。确定获胜的ECP(获得拍品)。确定最终成交价Payment和Uu。
4.判断Uu>0。若是，则将子任务j进行卸载计算。若否，则否认拍卖结果，在本地计算。
5.在每个决策间隙重复1-4，至全部任务卸载完毕。
在本实施例中，还提供一种基于VCG拍卖机制的5G MEC计算任务卸载系统，包括用户设备(ASP)、边缘服务节点(ECP)与拍卖商。
每种角色都需要履行相应的功能，才能维持系统的正常运行。下面对所提出模型具体实现中的重点问题进行分析，并给出相应的支撑技术方向。
ASP将计算任务卸载到边缘网络，在靠近用户的区域对应用请求进行预处理或直接响应，尽可能减少数据传输量，降低应用的响应时延，提升用户体验。在实际执行过程中，ASP还需解决两方面的技术问题：一方面是任务卸载带来的应用管理问题，涉及任务拆分、数据同步、容错设计等；另一方面是边缘计算带来的安全性问题，主要是如何在ECP执行计算任务的情况下保障数据隐私安全。
ECP基于VCG的竞价策略，可以利用空闲的系统资源换取收益。然而，成为ECP需要具备一定的条件：一方面，由于所提供的边缘计算服务面向ASP用户，因此所具备的计算资源必须达到一定规模以匹配任务需求；另一方面，计算资源要保证长期可用，以确保边缘计算服务的稳定。与ASP一样，ECP也面临着安全性挑战：既需要保障所承担计算任务的安全执行，防止外来入侵，同时需要防范攻击者伪装成ASP，利用恶意的任务代码进行内网渗透。
拍卖商作为任务卸载的中枢，是拍卖流程实现的关键。面向ASP，拍卖商代表区域内的所有ECP提供服务；面向ECP，拍卖商组织竞价，运行VCG机制并确定优胜者。拍卖商必须取得所有ECP的认可，以保障任务卸载的公平进行。具体而言，拍卖商需履行以下职责：(1)对于满足任务需求的ECP，平等发布任务信息，提供公平竞争机会；(2)按照既定拍卖算法，公正执行胜者裁决和价格计算；(3)维护合约，依据任务完成情况进行结算。然而，各ECP属于不同的机构，选择一个共同信任的第三方作为拍卖商十分困难。拍卖商的确立本质上是要在不可信的分布式环境中构建共识机制。针对这一问题，区块链技术[29]提供了有效的解决思路。同一区域内的所有ECP可以共同构建联盟链，如HyperledgerFabric[30]，然后通过选举产生拍卖商，并将拍卖算法写入配置规则。每次拍卖的信息，包括任务信息、竞价信息、拍卖结果等作为交易记录写入区块链账本。
实施例1：
在本实施例中，通过仿真来评估基于VCG拍卖算法的性能。考虑一个80m*80m的正方形区域，并把它分成4*4共16个网格。在每个网格内随机部署一个边缘节点。每个节点不仅有丰富的通信资源，还具有强大的计算能力。每个帮助节点的覆盖范围为20m，带宽为5MHz，计算能力为5GHz。任务节点随机分布在该区域内。为考虑任务节点和任务的异构性:(1)计算任务的大小和处理密度分别从[500,5000]KB和[500,3000]cycle/bit中随机选取；(2)任务节点的计算能力从[0.8,0.9,1.0,1.1,1.2]GHz中随机选取。任务默认创建为长度为3的任务集合。除此之外，所有任务节点的传输速率设为100mW，信道的噪声功率设为-100dBm。信道增益建模为
Figure BDA0003592768070000161
其中
Figure BDA0003592768070000162
是任务节点n和帮助节点k之间的距离，a＝4是路径损耗系数。
图2比较了本方法和以下基准方法在系统平均时延方面的性能:
·本地计算(Local):每个任务节点在本地设备处理其计算任务。
·随机卸载(Random):每个任务节点随机地将其计算任务卸载到某个帮助节点上或在本地设备处理。
·最优卸载(Optimal)；采用交叉熵(Cross Entropy)方法得到最小化系统平均时延的解。
如图3所示，系统平均时延随着任务节点数的增长而增长，但本任务卸载算法总能取得近似最优的系统平均时延，并比本地计算，最大数据传输率卸载及随机卸载减少了大量时延。
受益任务是指通过任务卸载，可以降低自身任务处理时延的任务(和本地计算相比)。因此，这个指标回答了有多少任务可以受益于任务卸载这一问题。所以，受益任务数不仅可以反映个体水平的时延表现，还可以从个体方面反映出对任务卸载结果的满意程度。
图4比较了本方法和基准方法在受益任务数量方面的表现。如图4所示，拍卖算法取得的受益任务数随着总任务数的增加而增加直到平稳。而且，拍卖算法和基准方法相比，总是可以获得近似一样多的受益任务节点。
图5比较了本方法和最优算法(交叉熵算法)的执行时间。拍卖算法的时间复杂度远低于交叉熵算法。若假设系统中存在N个任务，M个边缘服务器。在拍卖算法执行时每个服务器要对每个任务进行报价，并且在使用VCG计算支付价格时，还需要遍历M个服务器，故算法时间复杂度为：O(NM2)。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，包括以下步骤：
步骤S1；构建多任务节点多边缘节点网络系统模型；
步骤S2:基于任务场景，根据多任务节点多边缘节点网络系统模型，建立以自身时延最小化为目标的任务调度问题；
步骤S3:基于VCG拍卖机制求解步骤S2的任务调度问题，得到最优的任务卸载方案。
2.根据权利要求1所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，所述多任务节点多边缘节点网络系统模型，包括多个随机分布的异构计算节点ECP组成，这些节点计算资源和能力各异。
3.根据权利要求2所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，考虑准静态的网络场景，即将时间划分为相同大小的时隙，每个时隙中的网络条件和用户分布都视为静态不变的；在任一特定的时隙中，每个ECP都被进一步划分为空闲状态和忙碌状态；每个时隙内，用户设备端有任务产生并需要处理；为在时延要求内完成任务的响应和处理，任务在本地节点处理或者卸载到附近计算能力更强的ECP上处理，即任务卸载；
规定ECP最多可以计算一个任务，若当前ECP已有任务正在执行，其他到来的任务将会存在等待队列；
设ECP之间占用正交的无线信道，即不同的ECP之间不会产生干扰，ECP通过时分多址或频分多址的方式为用户设备端服务
用户设备端在向同一ECP传输任务时，会共享或竞争通信资源，从用户设备端向ECP传输子任务的时间表示为：
Figure FDA0003592768060000021
Figure FDA0003592768060000022
Bk是节点k占用的带宽，gk是用户设备端和节点k之间的信道增益。w是白噪声。这里假设ECP拥有全部的信道状态信息；
计算时间由计算负载除以设备的计算能力来表示，两者都用CPU转数来表示，如下：
Figure FDA0003592768060000023
f为节点计算速率，即CPU的时钟频率，设每个节点只能计算一个任务，其余待执行任务记录在等待队列。
4.根据权利要求3所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，所述步骤S2具体为：
步骤S21:设每个用户服务相对独立，有多个子任务组成，由集合W表示。每个用户待卸载任务被定义为W＝(A,D)，A所代表的n多个任务的总集，即任务集，D所代表的是不同任务之间的控制流以及数据流之间存在的关系；
步骤S22:将每一个子任务分为两类，分别为不存在前任子任务和存在前任子任务,对于不存在前任子任务j，即此子任务为任务Rk的第一个待执行的子任务，开始执行时间表述如下：
Figure FDA0003592768060000031
其中，
Figure FDA0003592768060000032
为任务Rk的到达卸载节点时间。
Figure FDA0003592768060000033
为节点Waiting queue中其他任务的结束时间；
Figure FDA0003592768060000034
为该子任务在卸载节点的排队时间；对于存在前任子任务的节点j，设其前任子任务i属于集合i∈predj,的执行开始时间表示为：
Figure FDA0003592768060000035
其中
Figure FDA0003592768060000036
为前任子任务完成时间，
Figure FDA0003592768060000037
为任务j的传输时延，
Figure FDA0003592768060000038
为排队时间；
对于所有子任务完成时间表示为：
Figure FDA0003592768060000039
对于完整任务Rk，其完成时间为最后一个子任务的结束时间，表示为：
Figure FDA00035927680600000310
从全局角度有K个任务，故系统优化目标表示为：
Figure FDA00035927680600000311
5.根据权利要求1所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，所述步骤S3具体为：
步骤S31:将基于买卖博弈理论对ECP的资源分配和价格策略进行建模；
步骤S32:基于步骤S31的建模，获取最优卸载方案。
6.根据权利要求5所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，所述步骤S31具体为：
卖方提供计算任务，即商品j，商品最小粒度是子任务；每个任务j对应一个估值Valuej；每个ASP维持待卸载任务队列Subtask queue；
ECP节点为出价竞拍方，每一个节点s对任务j有一个成本值Costj，还有一个Payment记为Pj；
其中，Valuej和Costj的计算如下：
Figure FDA0003592768060000041
Figure FDA0003592768060000042
为了将拍卖算法总体效用和系统总体时延进行结合，下面将最大社会福利Csocial定义为：
Figure FDA0003592768060000043
根据VCG机制定义，任务卸载环境下拍卖机制支付价格计算如下：
Figure FDA0003592768060000044
θ为所有待卸载节点的出价决策，θ-s为除了节点s外，所有待卸载节点的出价决策；设买方和卖方的收益分别为Us和Uu：
Uu＝Valuej-Pj
Us＝Pj-Costj。
7.根据权利要求5所述的基于VCG拍卖机制的5G MEC计算任务卸载方法，其特征在于，所述步骤S32具体为：
(1)每个ASP确定当前决策间隙下待卸载任务队列Subtask_queue；
(2)每个待卸载子任务通过拍卖商发布，ECP对所有子任务进行组合拍卖；计算估值和成本值运行VCG机制得到每个任务支付价格Payment；
(3)对于每个任务，找到max{Us}；确定获胜的ECP，确定最终成交价Payment和Uu；
(4)判断Uu>0；若是，则将子任务j进行卸载计算；若否，则否认拍卖结果，在本地计算；
(5)在每个决策间隙重复(1)-(4)，至全部任务卸载完毕。
CN202210383543.0A 2022-04-12 2022-04-12 基于vcg拍卖机制的5g mec计算任务卸载方法 Pending CN114727319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210383543.0A CN114727319A (zh) 2022-04-12 2022-04-12 基于vcg拍卖机制的5g mec计算任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210383543.0A CN114727319A (zh) 2022-04-12 2022-04-12 基于vcg拍卖机制的5g mec计算任务卸载方法

Publications (1)

Publication Number Publication Date
CN114727319A true CN114727319A (zh) 2022-07-08

Family

ID=82244039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210383543.0A Pending CN114727319A (zh) 2022-04-12 2022-04-12 基于vcg拍卖机制的5g mec计算任务卸载方法

Country Status (1)

Country Link
CN (1) CN114727319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886706A (zh) * 2023-09-07 2023-10-13 典基网络科技(上海)有限公司 一种应用程序放置方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886706A (zh) * 2023-09-07 2023-10-13 典基网络科技(上海)有限公司 一种应用程序放置方法、装置、电子设备和存储介质
CN116886706B (zh) * 2023-09-07 2023-11-28 典基网络科技(上海)有限公司 一种应用程序放置方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. Combinational auction-based service provider selection in mobile edge computing networks
Ferguson et al. Economic models for allocating resources in computer systems
Sun et al. Contract-based resource sharing for time effective task scheduling in fog-cloud environment
Xiao et al. Gridis: An incentive-based grid scheduling
Xu et al. Cost-aware resource management for federated clouds using resource sharing contracts
Pourebrahimi et al. Market-based resource allocation in grids
Besharati et al. An incentive-compatible offloading mechanism in fog-cloud environments using second-price sealed-bid auction
Sharghivand et al. A comprehensive survey on auction mechanism design for cloud/edge resource management and pricing
Li et al. Virtual machine trading in a federation of clouds: Individual profit and social welfare maximization
Passacantando et al. Service provisioning problem in cloud and multi-cloud systems
Sharmin et al. Toward sustainable micro-level fog-federated load sharing in internet of vehicles
Penmatsa et al. Cost minimization in utility computing systems
Xu et al. Optimized contract-based model for resource allocation in federated geo-distributed clouds
Saovapakhiran et al. Enhancing computing power by exploiting underutilized resources in the community cloud
Liu et al. Resource provision and allocation based on microeconomic theory in mobile edge computing
CN114727319A (zh) 基于vcg拍卖机制的5g mec计算任务卸载方法
Le et al. Sharing incentive mechanism, task assignment and resource allocation for task offloading in vehicular mobile edge computing
Mikavica et al. Deadline-aware task offloading and resource allocation in a secure fog-cloud environment
Mills et al. Can economics-based resource allocation prove effective in a computation marketplace?
Di et al. Ex-post efficient resource allocation for self-organizing cloud
CN115987541A (zh) 边缘联邦任务卸载中带宽拒绝分配攻击防护方法
Kang et al. Combinatorial auction-enabled dependency-aware offloading strategy in mobile edge computing
Xiao et al. Game theory–based resource pricing model in cloud platforms
Gao et al. A real-time task offloading strategy based on double auction for optimal resource allocation in edge computing
Di et al. Social-optimized win-win resource allocation for self-organizing cloud

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