CN114928612A - 移动边缘计算中协同卸载的激励机制与资源分配方法 - Google Patents

Abstract

本发明涉及无线通信和边缘计算技术领域，公开了一种移动边缘计算中协同卸载的激励机制与资源分配方法，步骤包括：构建一个具有空闲移动设备辅助MEC服务器卸载忙碌用户计算任务的系统模型；在满足基站BS计划征集的计算资源量的约束条件下，建立激励问题的数学模型，并设计计算资源共享拍卖CRSA机制以促使更多的空闲设备参与协同卸载；建立边缘计算模型，在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型；引入简化变量，改变系统总能耗的数学表达式，以获得简化后的以系统总能耗最小化为目标的优化问题数学模型，并提出资源分配方法使得系统能耗达到最小。本发明所设计的CRSA机制和资源分配方案，使得系统的能耗达到最小。

Description

移动边缘计算中协同卸载的激励机制与资源分配方法

技术领域

本发明涉及无线通信和边缘计算技术领域，尤其涉及一种移动边缘计算中协同卸载的激励机制与资源分配方法。

背景技术

移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴起的网络架构，正受到全球范围内学者的广泛关注。MEC通过将计算资源、存储资源下沉到网络边缘，邻近地为移动设备提供超低时延的计算服务。MEC允许移动设备将计算任务卸载到网络边缘，既能降低回传链路资源消耗，又能减少回传带来的时延。

MEC被认为是一种很有前途的技术，该技术支持移动用户将移动应用任务卸载至网络边缘处的MEC服务器上执行，从而满足移动应用对低时延和高计算能力的需求。MEC最近的一个趋势是集成协同任务卸载框架，即来自移动用户的计算任务不仅可以由网络边缘处的MEC服务器执行，而且可以卸载至用户附近空闲移动设备上，一方面能有效减轻MEC服务器的计算负载，从而缓解高峰时段的网络拥堵和非高峰时段的资源浪费，另一方面也能充分利用网络边缘处的资源，从而进一步提高MEC系统的能效。在协同任务卸载框架下，设计高能效MEC系统需要解决如何激励空闲移动设备参与协同卸载以及如何分配网络边缘资源以最小化系统能耗的问题。

合理地分配网络边缘处的资源是实现高能效MEC系统的关键，已有大量文献对其进行了研究。然而，这部分文献都没有考虑任务的协同卸载和激励机制的设计。对于协同任务卸载，一些文献提出了不同的实现方法以获得高能效MEC系统。然而，这些文献均假设设备无条件卸载计算任务，没有考虑激励机制设计。还有一些文献研究了MEC或车载MEC系统中协同任务卸载的激励机制设计问题。然而，这些文献又没有考虑高能效MEC系统的设计问题。

发明内容

有鉴于此，本发明的目的是提供一种移动边缘计算中协同卸载的激励机制与资源分配方法，不仅能促使更多的空闲设备参与任务的协同卸载，而且在协同卸载方式下能使系统能耗达到最小。

本发明通过以下技术手段解决上述技术问题：

移动边缘计算中协同卸载的激励机制与资源分配方法，包括以下步骤：

S1、构建一个具有空闲移动设备辅助MEC服务器卸载忙碌用户计算任务的系统模型，所述系统模型包括一个基站BS和多个移动用户；

S2、在满足基站BS计划征集的计算资源量的约束条件下，建立激励问题的数学模型，并设计计算资源共享拍卖机制以促使更多的空闲设备参与协同卸载；

S3、建立边缘计算模型，在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型；

S4、引入简化变量，改变系统总能耗的数学表达式，以获得简化后的以系统总能耗最小化为目标的优化问题数学模型，并提出资源分配方法使得系统能耗达到最小。

进一步，所述步骤S1的具体方法为：在基站BS处集成有一个MEC服务器，所述移动用户包括有计算需求的忙碌用户和能提供计算服务的空闲用户，所述空闲用户为协作者；用集合K＝{1,2,…,K}和E＝{1,2，…，E}分别表示K个忙碌用户和E个协作者，假设每个忙碌用户k都有一个计算密集且时延敏感型的应用程序任务k，面向数据分区的应用程序，对数据任意分区以进行并行处理，本发明考虑面向数据分区的应用程序，对于这类应用，输入数据事先已知，并且由于位独立性，可以对数据任意分区以进行并行处理；用A_k表示任务k的输入数据大小，单位为比特，忙碌用户的计算任务通过蜂窝链路卸载给MEC服务器和利用D2D技术卸载给愿意提供计算服务的协作者去执行；通过预测得到基站BS计划征集的计算资源量U，假设该信息可用。

进一步，对所述带宽资源分配做简化假设，具体为：假设将不同带宽分别分配给基站BS和协作者以避免蜂窝链路和D2D链路之间的传输干扰，并进一步假设基站BS占用正交子信道，每个子信道的带宽为W_b，为避免D2D链路之间的传输干扰，假设每个D2D链路对分配一个正交子信道，子信道的带宽用W_d表示，进一步假设W_d＝W_b＝W。

进一步，所述步骤S2的具体步骤为：

S201、将基站BS和协作者之间的互动建模为一个拍卖游戏，其中，基站BS是拍卖师，它向协作者征集投标，然后选出获胜标并将拍卖结果通知给协作者；每个协作者e可以向基站BS投递一个或者多个标，用集合L_e表示，标中元素f_e,n和l_e,n分别表示愿意提供的计算资源量和提供相对应计算资源量的价格；

S202、提供计算服务会消耗协作者的计算资源，则协作者e的成本为提供相对应计算资源量的价格减去得到的奖励，即Φ_e(x_e)＝∑_n∈N l_e,nx_e,n-r_e(∑_n∈N x_e,n)，其中，x_e,n表示投标是否为获胜投标的指示变量，r_e表示中标的协作者e可获得的奖励，基站BS的成本为给所有提供计算服务的协作者的奖励，

即Ψ(x)＝∑_e∈Er_e(∑_n∈Ex_e,n)，

将激励协作者提供计算服务的激励问题的目标设为最小化基站BS成本和所有协作者成本之和，即∑_e∈E∑_n∈N l_e,nx_e,n，称为总成本；

S203、在满足基站BS计划征集的计算资源量的约束条件下，建立的激励问题的数学模型为：

P1:

s.t.C1:x_e,n∈{0,1},e∈E,n∈N

C2:

C3:

其中，约束C1表明x_e,n是二元变量，约束C2表明每个协作者e最多只有一个投标获胜，约束C3表明征集到的总计算资源量应超过基站BS计划征集的计算资源量；

S204、对于获胜投标的确定问题，采用价格密度进行选择，即如果协作者e的价格密度l_e,n/f_e,n是最小的，则选择协作者e的第n个投标为获胜投标，并且始终选择的是提供计算资源量多且价格低的投标作为获胜投标，基站BS计划征集的计算资源量是有下限的，拍卖结束后，获胜投标所能提供的计算资源总量至少等于该下限，对于基站BS给获胜协者e的奖励，获胜协作者e可获得的奖励为获胜协作者e不参与拍卖时将胜出的协作者的价格密度与获胜协作者e所提供的计算资源量的乘积；

S205、在基站BS通知哪些协作者的投标是获胜投标并向获胜协作者支付奖励后，忙碌用户的计算任务就上传给MEC服务器和获胜协作者进行计算，用集合

表示一个MEC服务器和G个获胜协作者，统称为任务执行者，其中，0是代表MEC服务器。

进一步，所述步骤S3中边缘计算过程包括三个阶段，具体为：

上传阶段：忙碌用户k上传任务输入数据给任务执行者；

执行阶段：任务执行者执行任务k；

下载阶段：忙碌用户k从任务执行者处下载任务计算结果。

进一步，所述上传阶段中，忙碌用户k上传任务输入数据给任务执行者m的传输速率计算为

其中，z_k,m为计算资源分配指标，W为子信道带宽，

为忙碌用户k的发射功率，h_k,m为忙碌用户k和任务执行者m之间链路的信道功率增益，σ²表示白噪声功率，

则忙碌用户k上传任务输入数据给任务执行者的能耗为：

其中，

表示分配给任务执行者m的任务k的输入数据比特数，

表示上传阶段的持续时间，z_k＝(z_k,m)_m∈M,a_k＝(a_k,m)_m∈M,

f(x)＝σ²(2^x/W-1)；

任务执行者向忙碌用户k传输任务计算结果的能耗为：

其中，λ为任务计算结果量比例，t _m表示下载阶段的持续时间，t＝(t _m)_m∈M；

任务执行者执行任务k的能耗为：

其中，κ为CPU周期系数，ρ_m是能耗系数，表示与任务执行者m的硬件结构相关的常数，f_m为任务执行者m可提供的计算资源量；

系统的总能耗为：

其中，z＝(z_k)_k∈K,a＝(a_k)_k∈K。

进一步，所述步骤S3中在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型，具体为：

P2:

s.t.C4:z_k,m∈{0,1},k∈K,m∈M

C5:

C6:

C7:

其中，约束C4表明z_k,m是二元变量，约束C5表示每个任务执行者m最多可执行q_m个任务，约束C6表示任务的时延约束，约束C7表示分配的输入数据比特数的约束条件。

进一步，所述步骤S4具体为：引入新变量

得到该变量与无线资源分配变量和计算资源分配变量的关系：

y _k,m＝z_k,m t _m,q_k,m＝z_k,ma_k,m,k∈K,m∈M

通过使用适当的转化技术进行转化，得到简化后的以系统总能耗最小化为目标的优化问题数学模型：

P3:

s.t.C4-C7,

C8:

其中，

C9:

C10:

针对简化后的优化问题数学模型，提出资源分配方法使得系统能耗达到最小。

将二元整数变量z_k,m进行连续化处理，则约束条件C4写为：

C11:z_k,m∈[0,1],k∈K,m∈M

则经连续化处理后的以系统总能耗最小化为目标的优化问题数学模型为：

P4:

s.t.C5-C11

使用内点法求得最优资源分配方案，用

表示，如下所示：由于得到的z_k,m不是二元整数，那么该最优资源分配方案并非问题P3的资源分配方案；对于每一个任务执行者m∈M，如果满足不等式q_m≥K，则将z'中第m列的所有元素均设置1，否则，就将z'中第m列的最大的q_m个元素设置为1，其余元素均设置为0，然后基于调整的z'，再次使用内点法求解问题P4以获得新的资源分配方案。

本发明的有益效果：

本发明在满足基站BS计划征集的计算资源量的约束条件下，建立激励问题的数学模型，并设计一种CRSA机制以促使更多的空闲设备参与协同卸载；也在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型，并提出资源分配方法使得系统能耗达到最小；所以本发明既考虑了为鼓励空闲设备参与协同卸载的激励机制设计，也考虑了高效节能的资源分配方案的设计，更具有现实意义；且本发明所设计的CRSA机制和资源分配方案，能达到近似最优性能，系统的总能耗达到最小。

附图说明

图1是本发明提供的移动边缘计算中协同卸载的激励机制与资源分配方法的流程图；

图2是本发明中不同方案下总成本与协作者数量E关系图；

图3是本发明中不同方案下总成本与基站BS计划征集的计算资源量U关系图；

图4是本发明中不同方案下系统总能耗与时延D关系图；

图5是本发明中不同方案下系统总能耗与忙碌用户数量K关系图。

具体实施方式

以下将结合附图1-图5对本发明进行详细说明：

本实施例的移动边缘计算中协同卸载的激励机制与资源分配方法，如图1所示，具体步骤如下：

S1、构建一个有空闲移动设备辅助MEC服务器卸载忙碌用户计算任务的系统模型。

所述系统由一个基站BS和多个移动用户组成，基站BS处集成一个MEC服务器，网络中的移动用户划分为两种类型，有计算需求的忙碌用户和能提供计算服务的空闲用户，空闲用户也称为协作者。用集合K＝{1,2,…,K}和E＝{1,2，…，E}分别表示K个忙碌用户和E个协作者。假设每个忙碌用户k都有一个计算密集且时延敏感型的应用程序任务，也称为任务k，本实施例考虑面向数据分区的应用程序，对于这类应用，输入数据事先已知，并且由于位独立性，可以对数据任意分区以进行并行处理。典型的例子有病毒扫描、文件/数字压缩、识别和视觉应用程序。用A_k表示任务k的输入数据大小，单位为比特，忙碌用户的计算任务需要通过蜂窝链路卸载给MEC服务器和利用D2D技术卸载给愿意提供计算服务的协作者去执行。此外，基站BS计划征集的计算资源量为U，这一信息可通过预测得到，并且在本实施例的研究中假设该信息是可用的。

本发明对带宽资源分配做了一个简化假设。更具体地说，假设将不同带宽分别分配给基站BS和协作者以避免蜂窝链路和D2D链路之间的传输干扰，并进一步假设基站BS占用正交子信道，每个子信道的带宽为W_b。另外，为避免D2D链路之间的传输干扰，假设每个D2D链路对分配一个正交子信道，子信道的带宽用W_d表示，为了方便表达，进一步假设W_d＝W_b＝W。

S2、在满足基站BS计划征集的计算资源量的约束条件下，建立激励问题的数学模型，并设计一种计算资源共享拍卖CRSA机制以促使更多的空闲设备参与协同卸载。

将基站BS和协作者之间的互动建模为一个拍卖游戏，其中，基站BS是拍卖师，它向协作者征集投标，然后选出获胜标并将拍卖结果通知给协作者。每个协作者e可以向基站BS投递一个或者多个标，用集合L_e表示，标中元素f_e,n和l_e,n分别表示愿意提供的计算资源量和提供相对应计算资源量的价格。

提供计算服务会消耗协作者的计算资源，则协作者e的成本为提供相对应计算资源量的价格减去得到的奖励，即Φ_e(x_e)＝∑_n∈N l_e,nx_e,n-r_e(∑_n∈N x_e,n)，其中，x_e,n表示投标是否为获胜投标的指示变量，r_e表示中标的协作者e可获得的奖励。基站BS的成本为给所有提供计算服务的协作者的奖励，即Ψ(x)＝∑_e∈Er_e(∑_n∈Ex_e,n)。本发明将激励协作者提供计算服务的激励问题的目标设为最小化基站BS成本和所有协作者成本之和，即∑_e∈E∑_n∈Nl_e,nx_e,n，也称为总成本。

在满足基站BS计划征集的计算资源量的约束条件下，建立的激励问题的数学模型如下所示：

P1:

s.t.C1:x_e,n∈{0,1},e∈E,n∈N

C2:

C3:

其中，约束C1表明x_e,n是二元变量，约束C2表明每个协作者e最多只有一个投标获胜，约束C3表明征集到的总计算资源量应超过基站BS计划征集的计算资源量。

针对上述激励问题，提出了一个CRSA机制来选择获胜投标和计算出获胜协作者所应得的奖励。对于获胜投标的确定问题，采用价格密度进行选择，即如果协作者e的价格密度l_e,n/f_e,n是最小的，则选择协作者e的第n个投标为获胜投标，并且始终选择的是提供计算资源量多且价格低的投标作为获胜投标。基站BS计划征集的计算资源量是有下限的，获胜投标所能提供的计算资源总量至少等于该下限。对于基站BS给获胜协作者e的奖励，采用如下的定价机制。获胜协作者e可获得的奖励为获胜协作者e不参与拍卖时将胜出的协作者的价格密度与获胜协作者e所提供的计算资源量的乘积。

在基站BS通知哪些协作者的投标是获胜投标并向获胜协作者支付奖励后，忙碌用户的计算任务就可以上传给MEC服务器和获胜协作者进行计算，用集合

表示一个MEC服务器和G个获胜协作者，统称为任务执行者，其中，0是代表MEC服务器。获胜协作者所分配给忙碌用户的计算资源量与获胜投标中所申报的数量相同。在协同任务卸载方式下如何通过优化资源分配使得系统能耗达到最小的问题将在下部分进行介绍。

S3、建立边缘计算模型，在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型。

边缘计算过程可由如下三个阶段组成：

(1)上传阶段：忙碌用户k上传任务输入数据给任务执行者；

(2)执行阶段：任务执行者执行任务k；

(3)下载阶段：忙碌用户k从任务执行者处下载任务计算结果。

忙碌用户k上传任务输入数据给任务执行者m的传输速率可以计算为

其中，z_k,m为计算资源分配指标，W为子信道带宽，

为忙碌用户k的发射功率，h_k,m为忙碌用户k和任务执行者m之间链路的信道功率增益，σ²表示白噪声功率。则忙碌用户k上传任务输入数据给任务执行者的能耗为：

其中，

表示分配给任务执行者m的任务k的输入数据比特数，

表示上传阶段的持续时间，z_k＝(z_k,m)_m∈M,a_k＝(a_k,m)_m∈M,

f(x)＝σ²(2^x/W-1)。

同理，任务执行者向忙碌用户k传输任务计算结果的能耗为：

其中，λ为任务计算结果量比例，t _m表示下载阶段的持续时间，t＝(t _m)_m∈M。此外，任务执行者执行任务k的能耗为：

其中，κ为CPU周期系数，ρ_m是能耗系数，表示与任务执行者m的硬件结构相关的常数，f_m为任务执行者m可提供的计算资源量。因此，可得到系统的总能耗为：

其中，z＝(z_k)_k∈K,a＝(a_k)_k∈K。

在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型如下：

P2:

s.t.C4:z_k,m∈{0,1},k∈K,m∈M

C5:

C6:

C7:

其中，约束C4表明z_k,m是二元变量，约束C5表示每个任务执行者m最多可执行q_m个任务，约束C6表示任务的时延约束，约束C7表示分配的输入数据比特数的约束条件。

S4、引入简化变量，改变系统总能耗的数学表达式，以获得简化后的以系统总能耗最小化为目标的优化问题数学模型，并提出一种资源分配方法使得系统能耗达到最小。

引入新变量

得到该变量与无线资源分配变量和计算资源分配变量的如下关系：

y _k,m＝z_k,m t _m,q_k,m＝z_k,ma_k,m,k∈K,m∈M通过使用适当的转化技术，将上式进行转化，得到如下简化后的以系统总能耗最小化为目标的优化问题数学模型：

P3:

s.t.C4-C7,

C8:

其中，

C9:

C10:

针对上述简化后的优化问题数学模型，提出了如下的资源分配方法使得系统能耗达到最小。该方法的核心是将二元整数变量z_k,m进行连续化处理，则约束条件C4可写为：

C11:z_k,m∈[0,1],k∈K,m∈M

那么经连续化处理后的以系统总能耗最小化为目标的优化问题数学模型如下所示：

P4:

s.t.C5-C11

使用内点法求得最优资源分配方案，用

表示。由于得到的z_k,m不是二元整数，那么该最优资源分配方案并非问题P3的资源分配方案，具体做法为对于每一个任务执行者m∈M，如果满足不等式q_m≥K，则将z'中第m列的所有元素均设置1，否则，就将z'中第m列的最大的q_m个元素设置为1，其余元素均设置为0，然后，基于调整的z'，再次使用内点法求解问题P4以获得新的资源分配方案。

下面将本发明的技术方案与其他方案，在总成本与协作者数量E关系、总成本与基站BS计划征集的计算资源量U关系、系统总能耗与时延D关系，以及系统总能耗与忙碌用户数量K关系进行比较，结果如图2-图5所示。

如图2和图3所示，本发明给出了总成本与协作者数量E和基站BS计划征集的计算资源量U的关系。可以看出所提CRSA机制性能非常接近基线方案2(最优方案)性能，且远优于基线方案1(基站BS随机选择投标，直到满足其计划征集的计算资源量为止)性能。随着E的增加，总成本在减少，其主要原因是协作者越多，竞争就会愈发激励，使得低价格协作者的数量增加。低价格协作者获胜的几率往往会更大，使得总成本在减小。此外，总成本会随着U的增加而增加，这是因为基站BS需雇佣更多的协作者以保证忙碌用户的计算任务被顺利执行。

如图4和图5所示，本发明给出了系统总能耗与时延D和忙碌用户数K的关系。从图中可以看出，所提资源分配方法能达到近似最优性能，且优于RA方案(将计算资源随机分配给忙碌用户)性能。随着D的增加，所有方案的系统总能耗都会减少，这是因为在无线边缘有更多的通信资源可用。此外，还可以看到系统总能耗随着K的增加而增加，这是因为有更多忙碌用户的计算任务需上传给任务执行者去执行。

综上所述，本发明考虑了空闲设备辅助MEC服务器卸载用户计算任务的场景，首先为促使空闲设备参与任务的协同卸载，在满足基站BS计划征集的计算资源量的约束条件下，设计了一个激励机制。其次在协作卸载方式下，通过考虑用户的时延约束，提出了一种资源分配方法，使得系统的总能耗达到最小。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (8)

1.一种移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于，包括以下步骤：

S1、构建一个具有空闲移动设备辅助MEC服务器卸载忙碌用户计算任务的系统模型，所述系统模型包括一个基站BS和多个移动用户；

S2、在满足基站BS计划征集的计算资源量的约束条件下，建立激励问题的数学模型，并设计计算资源共享拍卖CRSA机制以促使更多的空闲设备参与协同卸载；

S3、建立边缘计算模型，在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型；

S4、引入简化变量，改变系统总能耗的数学表达式，以获得简化后的以系统总能耗最小化为目标的优化问题数学模型，并提出资源分配方法使得系统能耗达到最小。

2.根据权利要求1所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述步骤S1的具体方法为：在基站BS处集成有一个MEC服务器，所述移动用户包括有计算需求的忙碌用户和能提供计算服务的空闲用户，所述空闲用户为协作者；用集合K＝{1,2,…,K}和E＝{1,2，…，E}分别表示K个忙碌用户和E个协作者，假设每个忙碌用户k都有一个计算密集且时延敏感型的应用程序任务k，面向数据分区的应用程序，对数据任意分区以进行并行处理；用A_k表示任务k的输入数据大小，单位为比特，忙碌用户的计算任务通过蜂窝链路卸载给MEC服务器和利用D2D技术卸载给愿意提供计算服务的协作者去执行；通过预测得到基站BS计划征集的计算资源量U，假设该信息可用。

3.根据权利要求2所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：对所述带宽资源分配做简化假设，具体为：假设将不同带宽分别分配给基站BS和协作者以避免蜂窝链路和D2D链路之间的传输干扰，并进一步假设基站BS占用正交子信道，每个子信道的带宽为W_b，为避免D2D链路之间的传输干扰，假设每个D2D链路对分配一个正交子信道，子信道的带宽用W_d表示，进一步假设W_d＝W_b＝W。

4.根据权利要求3所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述步骤S2的具体步骤为：

S201、将基站BS和协作者之间的互动建模为一个拍卖游戏，其中，基站BS是拍卖师，它向协作者征集投标，然后选出获胜标并将拍卖结果通知给协作者；每个协作者e可以向基站BS投递一个或者多个标，用集合L_e表示，标中元素f_e,n和l_e,n分别表示愿意提供的计算资源量和提供相对应计算资源量的价格；

S202、提供计算服务会消耗协作者的计算资源，则协作者e的成本为提供相对应计算资源量的价格减去得到的奖励，即Φ_e(x_e)＝∑_n∈Nl_e,nx_e,n-r_e(∑_n∈Nx_e,n)，其中，x_e,n表示投标是否为获胜投标的指示变量，r_e表示中标的协作者e可获得的奖励，基站BS的成本为给所有提供计算服务的协作者的奖励，即

Ψ(x)＝∑_e∈Er_e(∑_n∈Ex_e,n)，将激励协作者提供计算服务的激励问题的目标设为最小化基站BS成本和所有协作者成本之和，即∑_e∈E∑_n∈Nl_e,nx_e,n，称为总成本；

S203、在满足基站BS计划征集的计算资源量的约束条件下，建立的激励问题的数学模型为：

P1:

∑_e∈E∑_n∈Nl_e,nx_e,n

s.t.C1:x_e,n∈{0,1},e∈E,n∈N

C2:

C3:

其中，约束C1表明x_e,n是二元变量，约束C2表明每个协作者e最多只有一个投标获胜，约束C3表明征集到的总计算资源量应超过基站BS计划征集的计算资源量；

S204、对于获胜投标的确定问题，采用价格密度进行选择，即如果协作者e的价格密度l_e,n/f_e,n是最小的，则选择协作者e的第n个投标为获胜投标，并且始终选择的是提供计算资源量多且价格低的投标作为获胜投标，基站BS计划征集的计算资源量是有下限的，拍卖结束后，获胜投标所能提供的计算资源总量至少等于该下限，对于基站BS给获胜协作者e的奖励，获胜协作者e可获得的奖励为获胜协作者e不参与拍卖时将胜出的协作者的价格密度与获胜协作者e所提供的计算资源量的乘积；

S205、在基站BS通知哪些协作者的投标是获胜投标并向获胜协作者支付奖励后，忙碌用户的计算任务就上传给MEC服务器和获胜协作者进行计算，用集合

表示一个MEC服务器和G个获胜协作者，统称为任务执行者，其中，0是代表MEC服务器，获胜协作者所分配给忙碌用户的计算资源量与获胜投标中所申报的数量相同。

5.根据权利要求4所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述步骤S3中边缘计算过程包括三个阶段，具体为：

上传阶段：忙碌用户k上传任务输入数据给任务执行者；

执行阶段：任务执行者执行任务k；

下载阶段：忙碌用户k从任务执行者处下载任务计算结果。

6.根据权利要求5所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述上传阶段中，忙碌用户k上传任务输入数据给任务执行者m的传输速率计算为

其中，z_k,m为计算资源分配指标，W为子信道带宽，

为忙碌用户k的发射功率，h_k,m为忙碌用户k和任务执行者m之间链路的信道功率增益，σ²表示白噪声功率，

则忙碌用户k上传任务输入数据给任务执行者的能耗为：

其中，

表示分配给任务执行者m的任务k的输入数据比特数，

表示上传阶段的持续时间，z_k＝(z_k,m)_m∈M,a_k＝(a_k,m)_m∈M,

f(x)＝σ²(2^x/W-1)；

任务执行者向忙碌用户k传输任务计算结果的能耗为：

其中，λ为任务计算结果量比例，t _m表示下载阶段的持续时间，t＝(t _m)_m∈M；

任务执行者执行任务k的能耗为：

其中，κ为CPU周期系数，ρ_m是能耗系数，表示与任务执行者m的硬件结构相关的常数，f_m为任务执行者m可提供的计算资源量；

系统的总能耗为：

其中，z＝(z_k)_k∈K,a＝(a_k)_k∈K。

7.根据权利要求6所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述步骤S3中在满足时延的约束条件下，建立以系统总能耗最小化为目标的优化问题数学模型，具体为：

P2:

s.t.C4:z_k,m∈{0,1},k∈K,m∈M

C5:

C6:

C7:

其中，约束C4表明z_k,m是二元变量，约束C5表示每个任务执行者m最多可执行q_m个任务，约束C6表示任务的时延约束，约束C7表示分配的输入数据比特数的约束条件。

8.根据权利要求7所述的移动边缘计算中协同卸载的激励机制与资源分配方法，其特征在于：所述步骤S4具体为：引入新变量

得到该变量与无线资源分配变量和计算资源分配变量的关系：

y _k,m＝z_k,m t _m,q_k,m＝z_k,ma_k,m,k∈K,m∈M

通过使用适当的转化技术进行转化，得到简化后的以系统总能耗最小化为目标的优化问题数学模型：

其中，

y＝(y _k,m)_k∈K,m∈M,q＝(q_k,m)_k∈K,m∈M。

针对简化后的优化问题数学模型，提出资源分配方法使得系统能耗达到最小。

将二元整数变量z_k,m进行连续化处理，则约束条件C4写为：

C11:z_k,m∈[0,1],k∈K,m∈M

则经连续化处理后的以系统总能耗最小化为目标的优化问题数学模型为：

P4:

s.t.C5-C11

使用内点法求得最优资源分配方案，用

表示，对于每一个任务执行者m∈M，如果满足不等式q_m≥K，则将z'中第m列的所有元素均设置1，否则，就将z'中第m列的最大的q_m个元素设置为1，其余元素均设置为0，然后基于调整的z'，再次使用内点法求解问题P4以获得新的资源分配方案。

Images