CN114945025B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114945025B
CN114945025B CN202210438826.0A CN202210438826A CN114945025B CN 114945025 B CN114945025 B CN 114945025B CN 202210438826 A CN202210438826 A CN 202210438826A CN 114945025 B CN114945025 B CN 114945025B
Authority
CN
China
Prior art keywords
user
edge
cloud
edge server
server
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
CN202210438826.0A
Other languages
English (en)
Other versions
CN114945025A (zh
Inventor
江璟
王玉东
崔云飞
辛培哲
肖智宏
刘丽榕
邵炜平
凌芝
章毅
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.)
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Original Assignee
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
State Grid Economic and Technological Research Institute
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 Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd, State Grid Economic and Technological Research Institute filed Critical Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210438826.0A priority Critical patent/CN114945025B/zh
Publication of CN114945025A publication Critical patent/CN114945025A/zh
Application granted granted Critical
Publication of CN114945025B publication Critical patent/CN114945025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/22—Payment schemes or models
    • G06Q20/28—Pre-payment schemes, e.g. "pay before"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L67/1029—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers using data related to the state of servers by a load balancer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5014—Reservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种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，其包括：边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。本发明能有效缓解网络中可能存在的计算资源不足问题，使更多用户参与卸载，降低用户的平均开销。

Description

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
技术领域
本发明涉及一种边缘计算技术领域，特别是关于一种面向电网云边协同网络中的价格驱动的正和博弈云边协同卸载方法及系统。
背景技术
随着新型电力系统的发展，电力业务相关应用程序日益复杂，也给通信网络带来了更多的计算和连接需求。这些应用程序对资源需求有不同的偏好，并且大量的计算任务也可能导致网络中的流量的激增，降低用户服务质量。云边协同作为一种新兴技术，可以提供灵活的资源调度，以满足不同场景的资源需求，是解决上述问题的有效方案。许多文献关注联合云和边缘节点来优化工业互联网的资源分配问题，例如，基于供求关系的定价模型，考虑云服务器和边缘服务器之间的供求关系而不是资源管理；采用联盟模型来解决边缘服务器的资源受限问题，然而他们大多只关注场景的性能提升，而忽略了设备的异质性和资源分配的公平性问题。此外，一些文献中采用基于缓存或者增加资源池的方式进行资源分配的优化。
然而考虑到云边协同网络的复杂度的提升给网络带来了更多的不确定性和突发性，部署大量的边缘节点将导致建设成本和能源消耗成倍地增长，很难通过部署新的资源来缓解需求和供给之间的矛盾。一些研究通过激励机制来促使服务器为用户提供灵活的服务，而价格导向的资源配置往往是最直观的激励方式。
现有采用的流量控制策略，不能直接适用于云边协同的计算模型。大多数文献考虑的都是简单的浮动定价模式，缺乏市场多样性，同时用户对时延、能耗、付费具有不同的倾向，单一的定价策略难以满足用户的差异化需求，因此激励机制的设计问题是云边协同网络中的重要挑战。
发明内容
针对上述服务器资源供给和用户资源需求可能存在的不匹配问题以及异构服务器导致的激励机制设计问题，本发明的目的是提供一种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，能有效缓解网络中可能存在的计算资源不足问题，使更多用户参与卸载，降低用户的平均开销。
为实现上述目的，本发明采取以下技术方案：一种面向电网中云边协同的价格驱动正和博弈卸载方法，其包括：边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
进一步，还包括初始化的步骤：边缘服务器和云服务器将各自的初始收费标准发送给相应基站，由基站广播至所有用户，且所有边缘节点也通过基站向用户广播自身的负载情况，用户根据当前网络负载状态计算自己的最佳响应，竞争卸载。
进一步，所述云边协同网络模型包括多个边缘节点、多个远程云以及多个用户；
每个用户u的任务信息为一组二元变量(wu,αu)，其中wu代表用户的任务负载大小，αu代表任务计算所需的周期数；
用户通过无线链路连接到基站，通过基站中继到边缘服务器或云服务器执行计算任务；
用户的计算卸载决策向量ηu＝{-S,...,-s,...,-1,0,1,...,m,...,M}，当ηu＝-s时，代表用户选择在云服务器s上执行计算任务，当ηu＝0时，代表用户选择在本地设备上执行计算任务，当ηu＝m时，代表用户选择在边缘节点m上执行计算任务，S表示远程云的总个数，M表示边缘节点的总个数。
进一步，构建以所述用户开销最小为目标的优化问题P：
(P):
s.t.C1:
C2:ηu∈{0，1},
C3:
C4:ps,m(1+γ2)αu-nΔp≥0
式中，Ou表示用户u的总代价，U表示用户u的总数量，M表示边缘服务器m的总数量，K表示负载任务的统计，时代表用户在边缘服务器m上进行计算，否则有Fm表示边缘服务器m的总资源供给，Fu表示用户u的计算任务所需资源大小，C1-C4表示约束条件，γ2为边缘服务器对用户的收益利润，Δp代表动态价格的修正步长，n代表迭代次数。
进一步，所述用户开销为时延、能量消耗和付费支出这三者的加权和；权重表示用户对不同性能指标的偏好；通过优化卸载决策来最小化所述用户开销；
所述时延包括本地计算时延、边缘计算时延和云计算时延；根据所述本地计算时延、边缘计算时延和云计算时延计算得到相应的能量消耗。
进一步，所述动态调整收费价格由边缘定价实现；
所述边缘定价采用浮动的动态定价模型，当用户在边缘服务器上计算时，随着用户的增多，边缘服务器通过降价来吸引用户，平衡用户因竞争资源而减少被分配资源的不公平性；当用户被引导选择退避计算卸载模式时，在保证利润的同时，根据网络情况进行动态的调整，当设定的初始价格难以引导用户进行退避计算时，通过迭代降低参与退避的用户的支出，同时保证用户的利益。
进一步，边缘服务器通过引导用户进行资源预购，在下一个时隙进行计算，通过用户主动退避的行为，缓解服务器的计算压力，所述退避计算卸载模式包括：
当用户最终选择退避模式后，边缘服务器从它的同一云服务商处的云服务器选择部分资源，将云上的资源部署到本地边缘服务器，以便预购用户进行计算，达到云边协同为用户服务的目的。
一种面向电网中云边协同的价格驱动正和博弈卸载系统，其包括：第一处理子模块，边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；第二处理子模块，边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明充分考虑了实时系统中服务器的资源使用情况，当服务器资源充足时，云服务器和边缘服务器协同工作来满足计算任务的多样化资源需求；当服务器资源紧张时，边缘服务器引导用户进行资源预购，以执行退避计算卸载模式。用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束。
2、本发明联合优化用户的卸载策略和服务器定价以达到用户开销最小的目标。通过用户和服务器之间动态博弈满足双方的需求，证明了纳什均衡的存在性。本发明可以有效缓解网络中可能存在的计算资源不足问题，使更多用户参与卸载，降低用户的平均开销。
附图说明
图1是本发明一实施例中正和博弈的卸载方法流程示意图；
图2为本发明一实施例中云边协同系统网络场景图；
图3为本发明一实施例中不同卸载方案的用户平均开销对比仿真结果图；
图4为本发明一实施例中不同卸载方案的策略有效性对比仿真结果图；
图5为本发明一实施例中不同定价方案的用户平均开销对比仿真结果图；
图6为本发明与现有CATS的收敛性对比仿真结果图。
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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提出了一种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。其充分考虑了实时系统中服务器的资源使用情况，当边缘服务器资源充足时，云服务器和边缘服务器协同工作来满足计算任务的多样化资源需求；当边缘服务器资源紧张时，边缘服务器引导用户进行资源预购，以执行退避计算卸载模式。用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束。本发明联合优化用户的卸载策略和服务器定价以达到用户开销最小的目标，该问题被重构为正和博弈问题，通过用户和服务器之间动态博弈满足双方的需求，证明了纳什均衡的存在性。仿真结果表明，本发明可以有效缓解网络中可能存在的计算资源不足问题，使更多用户参与卸载，降低用户的平均开销。
在本发明的一个实施例中，提供一种面向电网中云边协同的价格驱动正和博弈卸载方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，如图1所示，该方法包括以下步骤：
1)边缘服务器资源充足时，用户选择云服务器或边缘服务器来满足计算任务的多样化资源需求；选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；
具体的，实际情况中用户之间的策略是自身的隐私，在用户间不可见，因此用户只会依据边缘节点所反馈的网络情况来更新自身的卸载策略。若当前策略是最佳卸载策略，用户则维持其策略不变，否则根据服务器情况重新竞争资源。
2)边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡；
具体的，边缘节点首先会根据用户的偏好情况进行排序，并顺序引导用户进行资源预购以执行退避计算卸载模式，而用户会根据自己的偏好判断是否选择基于退避的计算模式，边缘服务器根据负载和用户的策略选择情况动态调整定价以满足用户和自身的效益约束；服务器的协同策略不断会迭代直至收敛，即没有用户想要更新其卸载策略，达到博弈的均衡。
上述各步骤中，在步骤1)之前还包括初始化的步骤：边缘服务器和云服务器将各自的初始收费标准发送给相应基站，由基站广播至所有用户，且所有边缘节点也通过基站向用户广播自身的负载情况，用户根据当前网络负载状态计算自己的最佳响应，竞争卸载。
其中，在开始阶段，用户侧的每个用户在感知不到云边协同网络中的网络状态时，首先选择本地计算模式作为策略的初始化。
上述步骤1)中，如图2所示，云边协同网络模型包括M个边缘节点、S个远程云以及U个用户；
每个用户u的任务信息为一组二元变量(wu,αu)，其中wu代表用户的任务负载大小，αu代表任务计算所需的周期数；
用户通过无线链路连接到基站，通过基站中继到边缘服务器或云服务器执行计算任务；
用户的计算卸载决策向量ηu＝{-S,...,-s,...,-1,0,1,...,m,...,M}，当ηu＝-s时，代表用户选择在云服务器s上执行计算任务，当ηu＝0时，代表用户选择在本地设备上执行计算任务，当ηu＝m时，代表用户选择在边缘节点m上执行计算任务，S表示远程云的总个数，M表示边缘节点的总个数。
上述步骤1)中，本实施例中考虑使用户计算开销最小化，将用户的计算开销定义为时延、能量消耗和付费支出这三者的加权和，其中权重用来代表行为经济学中用户对不同性能指标的偏好。引入变量Ou来表示用户u的总代价，因此单个用户的总开销可以表示为：Ou＝λu,tTu+λu,eEu+λu,pPu，其中λu,t,λu,e,λu,p分别代表用户u对时延、能耗和付费的偏好程度，有λu,t+λu,e+λu,p＝1。而Tu,Eu,Pu分别代表用户u的时延、能耗和付费，则有：
将以上的问题讨论建模为一个优化问题(P)，通过优化卸载决策来最小化用户执行计算任务的总代价，即构建以用户开销最小为目标的优化问题P为：
(P):
s.t.C1:
C2:ηu∈{0，1},
C3:
C4:ps,m(1+γ2)αu-nΔp≥0
式中，Ou表示用户u的总代价，U表示用户u的总数量，M表示边缘服务器m的总数量，K表示负载任务的统计，时代表用户在边缘服务器m上进行计算，否则有Fm表示边缘服务器m的总资源供给，Fu表示用户u的计算任务所需资源大小，γ2为边缘服务器对用户的收益利润，Δp代表动态价格的修正步长，n代表迭代次数，C1-C4表示约束条件，C1规定了边缘服务器上负载任务的总资源需求不能超过其全部的总资源供给，C2约束了用户的卸载决策是有限且离散的，规定了用户的卸载决策选择范围；C3保证无论用户选择何种计算卸载策略，该计算任务将一定会被执行；C4保证了在退避计算模式下，边缘服务器是理性的，即边缘服务器的收益是一个不小于0的值。
问题(P)是一个复杂的优化问题，某个用户的卸载策略会影响其他用户的卸载开销，包括对服务器资源的竞争和服务器价格的竞争。
上述步骤3)中，用户开销为时延、能量消耗和付费支出这三者的加权和；权重表示用户对不同性能指标的偏好；通过优化卸载决策来最小化所述用户开销；
时延包括本地计算时延、边缘计算时延和云计算时延；根据本地计算时延、边缘计算时延和云计算时延计算得到相应的能量消耗。
在本实施例中，从通信链路的角度，用户与服务器之间的通信过程分为用户到基站、基站到服务器(包括云服务器与边缘服务器)两个部分。
用户到基站：每位用户u的传输速率Ru都将遵循香农第二定理：
其中，Bm代表边缘节点m所在基站提供给每个用户的信道带宽；Pu和hu,m分别代表设备u的传输功率和设备u与边缘节点m所在基站之间的信道增益，N0表示高斯白噪声。因此用户u到边缘节点m所在基站的传输时延可以表示为：
而用户设备的传输能量消耗与传输时间和传输功率相关，可以表示为：
基站到服务器：由于边缘服务器和云服务器在云边协同网络中所处的位置不同，因此基站到服务器的时延分为以下两部：
基站到边缘服务器：在每个边缘节点中，基站与服务器之间通过有线连接，在量级上可以忽略这部分时延，并且与大多数文献一样，由于服务器计算的返回结果一般较小，本实施例中忽略计算任务的结果从服务器返回到用户设备的时延，因此用户设备到边缘服务器之间的通信时延即为通信能耗为/>
基站到云服务器：当用户设备和云服务器进行通信时，一般要经过核心网，而由于网络波动等条件的限制，这部分时延很难精确计算，所以对于基站到云服务器的往返时延用一个常数表示，因此用户到云的传输时延为：其中，τ是一个正系数，代表基站到核心网的往返时延。用户到云的传输能耗即为用户到基站的传输能耗可以表示为：
在本实施例中，本地计算时延、边缘计算时延和云计算时延分别为：
本地计算：用fu表示用户u的设备的计算能力，那么本地的计算时延则可以被描述为：用户设备计算消耗的能量与计算周期总数有关，用eu,l代表每个周期消耗的能量，因而用户设备的计算能耗可以写为：/>
边缘计算：当多个用户选择卸载到同一个边缘服务器计算时，由于服务器资源有限，本实施例针对不同情况分别进行了建模分析。首先是边缘节点的资源充足的情况，即边缘服务器上的任务负载不超过其总的计算处理能力。考虑将边缘服务器上的资源平分给每个负载的任务，因此用户的计算时延为：
其中，fm代表边缘服务器m的计算处理能力，对于负载任务的统计使用变量K来表示，即当时代表用户在服务器m上进行计算，否则有/>
当服务器资源不足时，本实施例采用基于退避的卸载模式。具体来说，服务器通过引导用户进行资源预购，在下一个时隙进行计算，通过用户主动退避的行为，缓解服务器的计算压力。边缘服务器为同意在下一个时隙执行计算的用户提供额外的计算资源，即边缘服务器从云上申请的资源在下一个时刻部署到边缘服务器的资源，用fu,m表示。因此这种情况下用户的计算时延为：
云计算：当ηu＝-m时，代表设备选择将任务卸载至远程云中心计算，考虑到云中心的资源相对丰富，移动应用或物联网应用的计算任务相对较小，不需要竞争资源，因此用户执行云计算的时延为：其中fs代表云服务器s的计算处理能力。
上述步骤3)中，考虑到公平性的问题：一方面用户对不同性能指标存在不同的偏好，例如即使对于时延敏感的计算任务，用户在设备电量不足时可能会更倾向于对能耗的优化方案；另一方面如何协调不同服务器间对用户任务的竞争是一个协同和激励机制的问题。基于此，本实施例中动态调整收费价格由边缘定价实现。
由于边缘服务器和基站可以构成一个边缘节点，因此可以很好地掌握云边协同网络中用户的任务信息和决策意向，故边缘定价采用浮动的动态定价模型。具体为：
当用户在边缘服务器上计算时，随着用户的增多，边缘服务器通过降价来吸引用户，平衡用户因竞争资源而减少被分配资源的不公平性；
此时，用户u支付给边缘服务器m的费用为：
其中，pm代表边缘服务器对单位资源的定价，γ1为边缘服务器对用户的折扣。
当用户被引导选择退避计算卸载模式时，在保证利润的同时，根据网络情况进行动态的调整，当用户的偏好相差较小而设定的初始价格难以引导用户进行退避计算时，通过迭代降低参与退避的用户的支出，同时保证用户的利益；
此时，用户u支付给边缘服务器m的费用为：
其中，ps,m为云服务器s为边缘服务器m提供资源的价格，n代表算法的迭代次数，Δp代表动态价格的修正步长，γ2为边缘服务器对用户的收益利润，可以在保证利润的同时，根据网络情况进行动态的调整。
云定价：由于云服务器与接入侧的用户之间存在信息时效差，不能针对用户的任务情况即时做出反应，对于云计算，采用固定的静态定价模型。因此当用户选择云计算时，用户支付给云服务器的费用定义为Pu,s＝psαu，其中ps是云服务器的单位资源价格。
上述步骤3)中，边缘服务器通过引导用户进行资源预购，在下一个时隙进行计算，通过用户主动退避的行为，缓解服务器的计算压力，其中退避计算卸载模式包括：
考虑到服务器的资源有限，预购的资源可能会阻碍下一个时刻到达的用户进行正常卸载，故当用户最终选择退避模式后，边缘服务器从它的同一云服务商处的云服务器选择部分资源，将云上的资源部署到本地边缘服务器，以便预购用户进行计算，达到云边协同为用户服务的目的。
综上，由于对于用户u来说，其开销与选择的计算策略有关，同时也与其他用户的策略相关，这是一个典型的博弈问题。因此本实施例中将用户的卸载问题转化为一个博弈过程，它被定义为G＝(U,{ηu},{Ou})，其中U是玩家的集合，即场景中参与资源竞争的用户集合；{ηu}是玩家的策略空间，即每个用户可以选择的卸载策略；{Ou}是玩家的代价函数，即单个用户的加权开销。下面将证明该博弈存在纳什均衡。
用户卸载策略选择问题的纳什均衡解是一组次优的卸载策略组合其中/>表示用户i在迭代过程中次优卸载决策，次优卸载策略的含义是：在不损害其他用户利益的前提下，所选择的使所有用户总开销和自身开销最小的策略。首先根据纳什均衡存在定理，在玩家数量有限的博弈过程中，若每个玩家的策略空间也是有限的，则纳什均衡可以收敛于有限数量的决策。其次在u个参与者的标准式博弈G＝{U,{ηu},{Ou}}中，如果存在一组策略组合/>满足对每一个参与者i，/>是该参与者对其他i-1个博弈参与者所选的战略组合/>的最佳反应策略，则称战略组合是该博弈的一个纳什均衡解，即有：对于{ηi}中的所有i均成立。而在本实施例中提出的正和博弈G中，由于定价机制的约束，一方面没有达到纳什均衡状态的用户会通过改进后的定价模型的引导，采取退避的计算方式，并达到纳什均衡状态，而另一方面已经达到纳什均衡状态的用户贸然改变策略会影响边缘服务器的负载，进而损害其他用户当前的效益，故没有偏离纳什均衡状态的趋势。综上所述，该博弈存在纳什均衡解。
实施例：
仿真参数描述：考虑一个异构的云边协同网络，其中多个远程云和边缘节点协同为用户提供计算服务。网络范围是500m*500m，用户和基站在该网络中随机分布，每个基站的覆盖半径为80m。信道增益用dβ表示，其中d代表用户到基站的距离，β代表路径衰落因子，在本节中设置β＝-3。其余的仿真参数如表1所示。
表1仿真参数
用户数量U [20,100]
边缘节点数量M 3
远程云中心数量S 2
边缘节点的信道带宽Bm(MHz) 20
用户设备u的计算处理能力fu(GHz) [0.5,1]
云服务器s的计算处理能力fs(GHz) 5
边缘服务器m的计算处理能力fm(GHz) [8,10]
用户设备的传输功率Pu(mW) 200
用户的任务负载大小wu(MB) [0,10]
计算任务所需的周期数αu [1000,10000]
基站到云服务器的往返时延τ(s) 0.2
高斯白噪声N0(dBm) -100
用户对不同指标的偏好程度λu,t,λu,e,λu,p [0,1]
本地设备的单位能量消耗eu,l(W/cycle) 10-9
云服务器的单位资源价格ps 1*10-4
边缘服务器的单位资源价格pm 5*10-4
仿真结果分析，如图3-图6所示，用于说明本发明的有效性。
首先，为了证明本发明所提出的基于退避机制的卸载策略的有效性，对不同卸载策略下用户的平均开销进行仿真对比，如图3所示。选择了三种策略与所提策略作为对比，其中Random为随机卸载策略，N-PPGO为不包括退避机制的卸载策略，PPGO为本章所提的卸载策略，Local为本地计算策略。从图3中可以看出，采用所提卸载策略的用户平均开销最小，且明显优于其他卸载策略，通过引入退避机制，可以很好的降低用户的平均开销。
为了进一步证明本发明的有效性，提出策略有效性的概念，其定义为卸载到云服务器和边缘服务器的用户数量与总用户数量之比。通过仿真对比不同卸载方案的策略有效性，来分析本发明可以实现场景内用户“多赢”，如图4所示，其中CATS是现有的基于势博弈的卸载策略。从图4中可以看出，本发明的有效性远高于其他三个策略，并且卸载成功的用户数量与总用户数量的比值较为稳定，说明PPGO算法可以让更多用户参与到云边协同网络中，当网络中竞争资源的用户变多时，会造成服务器资源紧张，但本发明的方案中用户可以通过选择退避机制来执行计算任务，因此会有更多的用户参与卸载并受益；而其他方案中部分用户会因为服务器资源受限而直接进行本地计算，从而导致策略有效性降低。
其次，将本发明与CATS算法和定价模型改进前的卸载策略作比较，以证明其针对减少用户计算开销的有效性。如图5所示，其中P-PPGO为定价模型改进前的卸载策略。可以看出，PPGO算法的用户平均开销始终最小，因为改进后的定价模型对价格敏感型的用户更加友好，且退避机制给竞争资源的用户带来了更多选择，改善了博弈效果。另外定价模型改进前的算法由于在用户过多的情况下存在无法达到纳什均衡状态的情况，因此难以快速收敛，导致所有用户一直处于竞争状态。
最后，给出了本发明和CATS的收敛性对比，如图6所示。从图6可以看出，两种算法均能在较快的迭代次数内收敛，并且与用户数呈线性关系，证明了系统可以达到纳什均衡，并且可以适应云边协同网络的用户增长。虽然PPGO算法比CATS算法需要的迭代次数稍多，这是由于存在退避机制和动态定价导致用户在博弈时的可选策略更多导致的，但是本发明在用户平均开销和策略有效性上更优，进一步说明了本发明的有效性和可用性。
在本发明的一个实施例中，提供一种面向电网中云边协同的价格驱动正和博弈卸载系统，其包括：
第一处理子模块，边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；
第二处理子模块，边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
上述实施例中，还包括初始化模块：边缘服务器和云服务器将各自的初始收费标准发送给相应基站，由基站广播至所有用户，且所有边缘节点也通过基站向用户广播自身的负载情况，用户根据当前网络负载状态计算自己的最佳响应，竞争卸载。
上述实施例中，云边协同网络模型包括多个边缘节点、多个远程云以及多个用户；
每个用户u的任务信息为一组二元变量(wu,αu)，其中wu代表用户的任务负载大小，αu代表任务计算所需的周期数；
用户通过无线链路连接到基站，通过基站中继到边缘服务器或云服务器执行计算任务；
用户的计算卸载决策向量ηu＝{-S,...,-s,...,-1,0,1,...,m,...,M}，当ηu＝-s时，代表用户选择在云服务器s上执行计算任务，当ηu＝0时，代表用户选择在本地设备上执行计算任务，当ηu＝m时，代表用户选择在边缘节点m上执行计算任务，S表示远程云的总个数，M表示边缘节点的总个数。
上述实施例中，在第二处理子模块中，构建以用户开销最小为目标的优化问题P：
(P):
s.t.C1:
C2:ηu∈{0，1},
C3:
C4:ps,m(1+γ2)αu-nΔp≥0
式中，Ou表示用户u的总代价，U表示用户u的总数量，M表示边缘服务器m的总数量，K表示负载任务的统计，时代表用户在边缘服务器m上进行计算，否则有Fm表示边缘服务器m的总资源供给，Fu表示用户u的计算任务所需资源大小，C1-C4表示约束条件，γ2为边缘服务器对用户的收益利润，Δp代表动态价格的修正步长，n代表迭代次数。
上述实施例中，在第二处理子模块中，用户开销为时延、能量消耗和付费支出这三者的加权和；权重表示用户对不同性能指标的偏好；通过优化卸载决策来最小化用户开销；时延包括本地计算时延、边缘计算时延和云计算时延；根据本地计算时延、边缘计算时延和云计算时延计算得到相应的能量消耗。
上述实施例中，在第二处理子模块中动态调整收费价格由边缘定价实现；
边缘定价采用浮动的动态定价模型，当用户在边缘服务器上计算时，随着用户的增多，边缘服务器通过降价来吸引用户，平衡用户因竞争资源而减少被分配资源的不公平性；
当用户被引导选择退避计算卸载模式时，在保证利润的同时，根据网络情况进行动态的调整，当设定的初始价格难以引导用户进行退避计算时，通过迭代降低参与退避的用户的支出，同时保证用户的利益。
上述实施例中，在第二处理子模块中，边缘服务器通过引导用户进行资源预购，在下一个时隙进行计算，通过用户主动退避的行为，缓解服务器的计算压力，退避计算卸载模式包括：
当用户最终选择退避模式后，边缘服务器从它的同一云服务商处的云服务器选择部分资源，将云上的资源部署到本地边缘服务器，以便预购用户进行计算，达到云边协同为用户服务的目的。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明一实施例中提供一种计算设备结构，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种卸载方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
此外，上述的存储器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。
本领域技术人员可以理解，计算设备的结构仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标，实现博弈的均衡。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (8)

1.一种面向电网中云边协同的价格驱动正和博弈卸载方法，其特征在于，包括：
边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；
边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标；
所述云边协同网络模型包括多个边缘服务器、多个云服务器以及多个用户；
每个用户u的任务信息为一组二元变量(wu,αu)，其中wu代表用户的任务负载大小，αu代表任务计算所需的周期数；
用户通过无线链路连接到基站，通过基站中继到边缘服务器或云服务器执行计算任务；
用户的计算卸载决策向量为ηu，当ηu＝-s时，代表用户选择在云服务器s上执行计算任务，当ηu＝0时，代表用户选择在本地设备上执行计算任务，当ηu＝m时，代表用户选择在边缘服务器m上执行计算任务；
构建以所述用户开销最小为目标的优化问题P：
(P):
C2:ηu∈{0，1},
C4:ps,m(1+γ2)αu-nΔp≥0
式中，Ou表示用户u的总代价，U表示用户u的总数量，M表示边缘服务器m的总数量，K表示负载任务的统计，时代表用户在边缘服务器m上进行计算，否则有/>Fm表示边缘服务器m的总资源供给，Fu表示用户u的计算任务所需资源大小，C1-C4表示约束条件，γ2为边缘服务器对用户的收益利润，Δp代表动态价格的修正步长，n代表迭代次数，ps,m为云服务器s为边缘服务器m提供资源的价格，S表示云服务器的总个数。
2.如权利要求1所述面向电网中云边协同的价格驱动正和博弈卸载方法，其特征在于，还包括初始化的步骤：边缘服务器和云服务器将各自的初始收费标准发送给相应基站，由基站广播至所有用户，且所有边缘服务器也通过基站向用户广播自身的负载情况，用户根据当前网络负载状态计算自己的最佳响应，竞争卸载。
3.如权利要求1所述面向电网中云边协同的价格驱动正和博弈卸载方法，其特征在于，所述用户开销为时延、能量消耗和付费支出这三者的加权和；权重表示用户对不同性能指标的偏好；通过优化卸载决策来最小化所述用户开销；
所述时延包括本地计算时延、边缘计算时延和云计算时延；根据所述本地计算时延、边缘计算时延和云计算时延计算得到相应的能量消耗。
4.如权利要求1所述面向电网中云边协同的价格驱动正和博弈卸载方法，其特征在于，所述动态调整收费价格由边缘定价实现；
所述边缘定价采用浮动的动态定价模型，当用户在边缘服务器上计算时，随着用户的增多，边缘服务器通过降价来吸引用户，平衡用户因竞争资源而减少被分配资源的不公平性；
当用户被引导选择退避计算卸载模式时，在保证利润的同时，根据网络情况进行动态的调整，当设定的初始价格难以引导用户进行退避计算时，通过迭代降低参与退避的用户的支出，同时保证用户的利益。
5.如权利要求1所述面向电网中云边协同的价格驱动正和博弈卸载方法，其特征在于，边缘服务器通过引导用户进行资源预购，在下一个时隙进行计算，通过用户主动退避的行为，缓解服务器的计算压力，所述退避计算卸载模式包括：
当用户最终选择退避模式后，边缘服务器从它的同一云服务商处的云服务器选择部分资源，将云上的资源部署到本地边缘服务器，以便预购用户进行计算，达到云边协同为用户服务的目的。
6.一种面向电网中云边协同的价格驱动正和博弈卸载系统，其特征在于，包括：
第一处理子模块，边缘服务器资源充足时，用户选择云服务器或边缘服务器，选择边缘服务器时，且在边缘服务器负载和定价确定时，用户计算最佳响应，更新卸载决策，继续竞争资源；
第二处理子模块，边缘服务器资源紧张时，在预先建立的云边协同网络模型上，根据边缘服务器负载情况确定优化问题；边缘服务器引导用户进行资源预购以执行退避计算卸载模式，用户根据自身偏好判断最佳响应策略，边缘服务器根据负载和用户的策略选择情况动态调整收费价格以满足双方的效益约束，求解优化问题达到用户开销最小的目标；
所述云边协同网络模型包括多个边缘服务器、多个云服务器以及多个用户；
每个用户u的任务信息为一组二元变量(wu，αu)，其中wu代表用户的任务负载大小，αu代表任务计算所需的周期数；
用户通过无线链路连接到基站，通过基站中继到边缘服务器或云服务器执行计算任务；
用户的计算卸载决策向量为ηu，当ηu＝-s时，代表用户选择在云服务器s上执行计算任务，当ηu＝0时，代表用户选择在本地设备上执行计算任务，当ηu＝m时，代表用户选择在边缘服务器m上执行计算任务；
构建以所述用户开销最小为目标的优化问题P：
(P):
C2:ηu∈{0，1},
C4:ps,m(1+γ2)αu-nΔp≥0
式中，Ou表示用户u的总代价，U表示用户u的总数量，M表示边缘服务器m的总数量，K表示负载任务的统计，时代表用户在边缘服务器m上进行计算，否则有/>Fm表示边缘服务器m的总资源供给，Fu表示用户u的计算任务所需资源大小，C1-C4表示约束条件，γ2为边缘服务器对用户的收益利润，Δp代表动态价格的修正步长，n代表迭代次数，ps,m为云服务器s为边缘服务器m提供资源的价格，S表示云服务器的总个数。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至5所述方法中的任一方法。
8.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至5所述方法中的任一方法的指令。
CN202210438826.0A 2022-04-25 2022-04-25 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 Active CN114945025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438826.0A CN114945025B (zh) 2022-04-25 2022-04-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438826.0A CN114945025B (zh) 2022-04-25 2022-04-25 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

Publications (2)

Publication Number Publication Date
CN114945025A CN114945025A (zh) 2022-08-26
CN114945025B true CN114945025B (zh) 2023-09-15

Family

ID=82906444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438826.0A Active CN114945025B (zh) 2022-04-25 2022-04-25 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

Country Status (1)

Country Link
CN (1) CN114945025B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886455A (zh) * 2023-05-12 2023-10-13 北京大学深圳研究生院 云边网络的终端接入方法、装置、电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法
CN111885147A (zh) * 2020-07-20 2020-11-03 兰州理工大学 边缘计算中的一种资源动态定价方法
CN111949409A (zh) * 2020-08-20 2020-11-17 全球能源互联网研究院有限公司 一种电力无线异构网中计算任务卸载方法及系统
CN113163006A (zh) * 2021-04-16 2021-07-23 三峡大学 基于云-边缘协同计算的任务卸载方法及系统
CN113553165A (zh) * 2020-04-23 2021-10-26 东北大学秦皇岛分校 一种基于博弈论的移动边缘计算任务卸载和资源调度方法
CN114268994A (zh) * 2021-12-30 2022-04-01 杭州电子科技大学 一种基于价格的移动边缘计算网络分布式卸载方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018009906A1 (de) * 2018-12-20 2020-06-25 Volkswagen Aktiengesellschaft Verfahren zum Management von Rechnerkapazitäten in einem Netzwerk mit mobilen Teilnehmern

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法
CN113553165A (zh) * 2020-04-23 2021-10-26 东北大学秦皇岛分校 一种基于博弈论的移动边缘计算任务卸载和资源调度方法
CN111885147A (zh) * 2020-07-20 2020-11-03 兰州理工大学 边缘计算中的一种资源动态定价方法
CN111949409A (zh) * 2020-08-20 2020-11-17 全球能源互联网研究院有限公司 一种电力无线异构网中计算任务卸载方法及系统
CN113163006A (zh) * 2021-04-16 2021-07-23 三峡大学 基于云-边缘协同计算的任务卸载方法及系统
CN114268994A (zh) * 2021-12-30 2022-04-01 杭州电子科技大学 一种基于价格的移动边缘计算网络分布式卸载方法及装置

Also Published As

Publication number Publication date
CN114945025A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Chen Decentralized computation offloading game for mobile cloud computing
Zhou et al. The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment
CN113434212B (zh) 基于元强化学习的缓存辅助任务协作卸载与资源分配方法
Liu et al. Jointly optimized energy-minimal resource allocation in cache-enhanced mobile edge computing systems
Vamvakas et al. Dynamic provider selection & power resource management in competitive wireless communication markets
Mahmoodi et al. Cloud offloading for multi-radio enabled mobile devices
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
Nouri et al. Dynamic power–latency tradeoff for mobile edge computation offloading in NOMA-based networks
CN114340016B (zh) 一种电网边缘计算卸载分配方法及系统
CN102710508A (zh) 虚拟网络资源分配方法
CN112929915A (zh) 一种移动边缘计算的动态数据卸载方法及系统
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
Teng et al. Reinforcement-learning-based double auction design for dynamic spectrum access in cognitive radio networks
Kim Multi-leader multi-follower Stackelberg model for cognitive radio spectrum sharing scheme
Zhang et al. Mining task offloading in mobile edge computing empowered blockchain
Singh et al. Profit optimization for mobile edge computing using genetic algorithm
Ren et al. Data demand dynamics in wireless communications markets
Comaniciu et al. Radio resource management for green wireless networks
Kim A repeated Bayesian auction game for cognitive radio spectrum sharing scheme
Jiang et al. Computing Resource Allocation in Mobile Edge Networks Based on Game Theory
Zhang et al. System revenue maximization for offloading decisions in mobile edge computing
CN116501484A (zh) 一种基于博弈论的移动边缘计算资源分配方法
CN109327494A (zh) 一种面向多任务合作应用的服务质量自适应激励方法
Alrabaee et al. Comparison of spectrum management without game theory (smwg) and with game theory (smg) for network performance in cognitive radio network
Harishankar et al. To accept or not to accept: The question of supplemental discount offers in mobile data plans

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