CN115242800B - 一种基于博弈论的移动边缘计算资源优化方法及装置 - Google Patents

一种基于博弈论的移动边缘计算资源优化方法及装置 Download PDF

Info

Publication number
CN115242800B
CN115242800B CN202211157896.5A CN202211157896A CN115242800B CN 115242800 B CN115242800 B CN 115242800B CN 202211157896 A CN202211157896 A CN 202211157896A CN 115242800 B CN115242800 B CN 115242800B
Authority
CN
China
Prior art keywords
user
server
task
unloading
energy consumption
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
CN202211157896.5A
Other languages
English (en)
Other versions
CN115242800A (zh
Inventor
赵楠
陈哲
陈金莲
武明虎
刘聪
曾春艳
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202211157896.5A priority Critical patent/CN115242800B/zh
Publication of CN115242800A publication Critical patent/CN115242800A/zh
Application granted granted Critical
Publication of CN115242800B publication Critical patent/CN115242800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • 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
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种基于博弈论的移动边缘计算资源优化方法及装置，首先，针对移动边缘计算中计算需求日益膨胀的问题，考虑服务器有限的资源、数据传输所需能耗和服务器计算成本等约束限制基础上，建立用户移动设备与服务器的斯塔克尔伯格竞争模型。其次，计算效用最大化问题。在此基础上，求解效用最大化问题，以获得最优的用户移动设备卸载任务策略和服务器定价策略。本发明在考虑服务器有限的资源、数据传输能耗、多用户之间存在计算资源竞争关系和服务器计算成本环境下，同时实现用户移动设备高效计算卸载和服务器利润最大化，从而最小化计算成本。

Description

一种基于博弈论的移动边缘计算资源优化方法及装置
技术领域
本发明涉及边缘计算技术领域，尤其涉及一种基于博弈论的移动边缘计算资源优化方法及装置。
背景技术
随着物联网的快速发展，用户在图像、实时视频、医疗等各类智能服务方面变得更加智能。此类智能服务是计算密集型的，具有服务差异化、超低延迟等要求。可以满足用户对计算和通信资源的需求快速增加。
但是，用户的设备可能会因有限的能源、计算资源，从而导致难以确保所需的服务质量。此外，随着移动网络的快速发展，用户需要面对许多计算密集型和延迟敏感的应用场景，如远程医疗、自动驾驶汽车、事故预测等。这些应用程序不仅需要低延迟的响应和高速的通信，而且还需要大量的资源来进行计算和缓存。在应对这一挑战时，移动边缘计算被设想为一种有前途的计算解决方案，可以解决用户移动设备资源的限制问题。用户可以将计算任务转移到附近的边缘计算服务器上，获得有效的计算服务，从而提高移动设备的服务质量。
然而，边缘计算服务器的资源有限，对于边缘计算服务器如何分配有限的计算资源面临着许多挑战。现有技术移动边缘计算资源优化方法因考虑的因素不够全面，无法构建准确的模型，因此导致效果不佳。
发明内容
有鉴于此，本发明提供了一种基于博弈论的移动边缘计算资源优化方法及装置，用以解决或者至少部分解决现有技术中存在的优化效果不佳的技术问题。
为了解决上述技术问题，本发明第一方面提供了一种基于博弈论的移动边缘计算资源优化方法，包括：
根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，作为资源优化结果，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价。
基于同样的发明构思，本发明第二方面提供了一种基于博弈论的移动边缘计算资源优化装置，包括：
用户效用模型构建模块，用于根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
服务器效用模型构建模块，用于根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价。
基于同样的发明构思，本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
本发明提供的一种基于博弈论的移动边缘计算资源优化方法，根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型，根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；即，在构建用户和服务器效用模型时，充分考虑了服务器有限的资源、数据传输能耗和服务器计算成本等因素，从而可以构建更为准确性的用户和服务器效用模型，进一步地，建立了用户移动设备与服务器的斯塔克尔伯格竞争模型，并考虑到多用户之间的计算资源需求存在竞争，构建系统范围计算收益最大化问题。在此基础上，求解斯塔克尔伯格博弈模型的解，以获得最优的用户移动设备任务卸载比例和服务器定价策略，因此，本发明的方法可以改善资源优化的效果。
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为本发明实施例中基于博弈论的移动边缘计算资源优化方法的流程图；
图2为本发明实施例中基于博弈论的移动边缘计算资源优化装置的结构框图；
图3为本发明实施例中计算机设备的结构框图。
具体实施方式
为了克服现有的资源分配问题，本发明的目的在于提出一种移动边缘计算资源优化方法。旨在通过获取最优的用户移动设备任务卸载比例和服务器定价策略，以提高边缘计算服务器和用户的实用性。首先，针对移动边缘计算中计算需求日益膨胀的问题，在考虑服务器有限的资源、数据传输能耗和服务器计算成本等约束限制基础上，建立用户移动设备与服务器的斯塔克尔伯格竞争模型。其次，虑到多用户之间的计算资源需求存在竞争，构建系统范围计算收益最大化问题。在此基础上，求解斯塔克尔伯格博弈模型的解，以获得最优的用户移动设备任务卸载比例和服务器定价策略。
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做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。
实施例一
本发明实施例提供了一种基于博弈论的移动边缘计算资源优化方法，包括：
根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，作为资源优化结果，根据资源优化结果进行资源分配，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价。
本申请发明人通过大量的研究与实践发现，边缘计算服务器的资源有限，对于边缘计算服务器如何分配有限的计算资源面临着许多挑战。首先，由于用户移动设备的自身利益和自主性，他们可能在资源共享服务期间表现出不合作的行为。其次，计算任务从用户移动设备卸载到附近的边缘计算服务器需要消耗一定能耗。为了提高移动边缘计算服务器和移动设备的实用性，满足用户的需求，需要设计高效的资源优化方法。
基于此，本发明通过建立斯塔克伯格博弈，并证明移动设备与服务器之间的博弈均衡，在考虑到服务器有限的资源、数据传输能耗、多用户之间存在计算资源竞争关系和服务器计算成本环境下，同时实现用户的移动设备高效计算卸载和服务器利润最大化，从而最小化计算成本。
请参见图1，为本发明实施例中基于博弈论的移动边缘计算资源优化方法的流程图。
具体来说，通过将移动边缘计算网络映射成劳动力市场，将斯塔克尔伯格竞争模型加入到任务卸载机制中，并考虑服务器有限的资源、数据传输能耗、多用户之间存在计算资源竞争关系和服务器计算成本等因此，分别构建用户和边缘计算服务器的模型（即用户效用模型和服务器效用模型）。
考虑到用户之间存在竞争性和自私性，边缘计算服务器有限的计算资源和计算成本上，建立斯塔克尔伯格竞争模型。所述用户与服务器的斯塔克尔伯格竞争模型中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化他们的收益；
分析纳什均衡的存在，在此基础上求解斯塔克尔伯格竞争模型的最大化问题，以获得最优的用户任务卸载策略和服务器定价策略。
在一种实施方式中，根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型，包括：
根据用户的发射功率、卸载任务所需的时间以及能耗单价，构建用户参与任务卸载的传输能耗成本模型；
根据用户的总任务量、用户的本地计算能力、用户的卸载任务比例以及能耗单价构建用户剩余本地任务计算所需的能耗成本模型；
根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，其中，用户通过任务卸载所节省的时间根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的卸载任务比例和用户的总任务量计算得到，用户通过任务卸载所节省的能耗根据用户的卸载任务比例、用户的总任务量、用户的本地计算能力和用户参与任务卸载的传输能耗计算得到；
根据用户的满意度模型、用户的卸载任务比例、服务器对用户的计算资源定价、用户的总任务量、用户剩余本地任务计算所需的能耗成本模型，构建用户效用模型。
具体来说，用户的总成本包括：任务上传至服务器所需的代价（用户的任务卸载成本）、剩余部分任务本地计算的成本（用户剩余本地任务计算所需的成本）、从服务器购买计算资源的成本。
用户效用模型根据用户总成本和用户的满意度得到，例如将用户的满意度所得收益减去总成本，得到用户效用模型。
在一种实施方式中，根据用户的发射功率、卸载任务所需的时间以及能耗单价，构 建用户参与任务卸载的传输能耗成本模型，通过下述公式实现：
Figure 233563DEST_PATH_IMAGE001
其中，
Figure 353965DEST_PATH_IMAGE002
为第
Figure 851812DEST_PATH_IMAGE003
个用户的任务卸载能耗，
Figure 715863DEST_PATH_IMAGE004
为第
Figure 733497DEST_PATH_IMAGE003
个用户的发射功率，
Figure 24801DEST_PATH_IMAGE005
为能耗单价，
Figure 9944DEST_PATH_IMAGE006
为第
Figure 412106DEST_PATH_IMAGE003
个用户的卸载任务所花费的时间。
具体来说，用户参与任务卸载的传输能耗模型是用来计算用户参与任务卸载的传输能耗，即在计算过程中，用户需要将一部分任务卸载至边缘服务器来进行计算，这一部分任务需要传输至服务器，会产生能量消耗，即传输能耗。进一步地，将传输能耗与能耗单价相乘即得到用户参与任务卸载的传输成本。
具体实施过程中，第
Figure 549826DEST_PATH_IMAGE003
个用户的卸载任务所花费的时间可以通过下述方式来计算：
Figure 261299DEST_PATH_IMAGE007
其中，
Figure 484470DEST_PATH_IMAGE008
为第
Figure 690324DEST_PATH_IMAGE003
个用户将任务卸载至服务器的传输速率，
Figure 416971DEST_PATH_IMAGE009
和
Figure 564925DEST_PATH_IMAGE010
分别代表第
Figure 275392DEST_PATH_IMAGE011
个用 户的卸载任务比例和总任务量。其中，
Figure 19357DEST_PATH_IMAGE008
的计算公式如下：
Figure 115358DEST_PATH_IMAGE012
Figure 919366DEST_PATH_IMAGE013
为子信道带宽，
Figure 117129DEST_PATH_IMAGE014
为第
Figure 664785DEST_PATH_IMAGE003
个用户的发射功率，
Figure 880871DEST_PATH_IMAGE015
和
Figure 121360DEST_PATH_IMAGE016
分别表示子信道上的信道增 益和高斯白噪声。
在一种实施方式中，根据用户的总任务量、用户的本地计算能力、用户的卸载任务比例以及能耗单价构建用户剩余本地任务计算所需的能耗成本模型，通过下述公式实现：
Figure 275261DEST_PATH_IMAGE017
其中，
Figure 626607DEST_PATH_IMAGE018
为第
Figure 697200DEST_PATH_IMAGE003
个用户剩余任务本地计算所需的能耗，
Figure 843011DEST_PATH_IMAGE009
为第
Figure 484208DEST_PATH_IMAGE011
个用户的任务卸 载比例，
Figure 622934DEST_PATH_IMAGE019
为第
Figure 564345DEST_PATH_IMAGE003
个用户的总任务量，
Figure 146636DEST_PATH_IMAGE020
为能耗单价，
Figure 540709DEST_PATH_IMAGE021
为第
Figure 483126DEST_PATH_IMAGE003
个用户的有效电容系数
Figure 747885DEST_PATH_IMAGE022
为本地计算能力。
具体来说，对于用户
Figure 501077DEST_PATH_IMAGE011
来说，其中有一部分任务卸载至边缘服务器进行计算，剩余 的任务在用户本地进行计算，此时也会产生能量消耗，即用户剩余本地任务计算所需的能 耗，该能耗乘以能耗单价即为用户剩余本地任务计算所需的成本。
在一种实施方式中，根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，通过下述公式实现：
Figure 631713DEST_PATH_IMAGE023
其中，
Figure 128554DEST_PATH_IMAGE024
是第
Figure 778978DEST_PATH_IMAGE003
个用户的满意度，
Figure 171913DEST_PATH_IMAGE025
、
Figure 789845DEST_PATH_IMAGE026
是用户满意度的转换因子，
Figure 824797DEST_PATH_IMAGE027
、
Figure 595307DEST_PATH_IMAGE028
是第
Figure 424723DEST_PATH_IMAGE003
个用户通过任务卸载所节省的时间和能耗，计算方式如下：
Figure 264372DEST_PATH_IMAGE029
Figure 103015DEST_PATH_IMAGE030
Figure 462452DEST_PATH_IMAGE031
为第
Figure 1053DEST_PATH_IMAGE003
个用户的任务卸载比例，
Figure 78731DEST_PATH_IMAGE010
为第
Figure 455485DEST_PATH_IMAGE003
个用户的总任务量，
Figure 935008DEST_PATH_IMAGE032
为第
Figure 621073DEST_PATH_IMAGE003
个用户的本地计算能力，
Figure 920468DEST_PATH_IMAGE033
为服务器计算能力，
Figure 100913DEST_PATH_IMAGE008
为第
Figure 684210DEST_PATH_IMAGE003
个用户将任务卸载至服务器的传输速率，
Figure 291909DEST_PATH_IMAGE034
为第
Figure 344179DEST_PATH_IMAGE003
个用户的有效电容系数，
Figure 797157DEST_PATH_IMAGE002
为第
Figure 500539DEST_PATH_IMAGE003
个用户的任务卸载能耗。
具体来说，用户的满意度与卸载任务数量的乘积即用户在此次计算分配与优化中所得的收益，具体地，根据用户通过任务卸载所节省的时间以及所节省的能耗来计算。
在一种实施方式中，根据用户的满意度模型、用户的卸载任务比例、服务器对用户的计算资源定价、用户的总任务量、用户剩余本地任务计算所需的能耗成本模型，构建用户效用模型，通过下述公式实现：
Figure 279140DEST_PATH_IMAGE035
其中，
Figure 818705DEST_PATH_IMAGE024
是第
Figure 340954DEST_PATH_IMAGE011
个用户的满意度，
Figure 898843DEST_PATH_IMAGE036
是服务器对第
Figure 582765DEST_PATH_IMAGE011
个用户的计算资源价格，
Figure 344048DEST_PATH_IMAGE031
是第
Figure 919254DEST_PATH_IMAGE011
个用户的任务卸载比例，
Figure 82382DEST_PATH_IMAGE010
是第
Figure 202785DEST_PATH_IMAGE003
个用户的总任务量，
Figure 451364DEST_PATH_IMAGE037
为第
Figure 564682DEST_PATH_IMAGE003
个用户剩余任务本地计算所需的能耗。
具体来说，用户效用模型根据用户通过任务卸载所带来的收益与用户的总花费成本来计算。第一项用以表征用户通过任务卸载所带来的收益，第二项表示卸载任务的计算能耗，第三项为剩余任务本地计算所需的能耗。
在一种实施方式中，根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型，通过下述公式实现：
Figure 582317DEST_PATH_IMAGE038
其中，
Figure 139200DEST_PATH_IMAGE036
是服务器对第
Figure 858763DEST_PATH_IMAGE003
个用户的计算资源价格，
Figure 526505DEST_PATH_IMAGE039
是服务器有效电容系数，
Figure 398646DEST_PATH_IMAGE040
是 用户的总数，
Figure 126431DEST_PATH_IMAGE041
是服务器计算能力，
Figure 333290DEST_PATH_IMAGE042
是能耗单价，
Figure 539143DEST_PATH_IMAGE009
和
Figure 531370DEST_PATH_IMAGE043
是第
Figure 430056DEST_PATH_IMAGE003
个用户的任务卸载比例和 总任务量。
具体来说，服务器效用模型，根据服务器通过对卸载任务进行计算所得的收益与对卸载任务进行计算所需的能耗来计算。
在一种实施方式中，对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，包括：
对第
Figure 124211DEST_PATH_IMAGE003
个用户效用
Figure 133756DEST_PATH_IMAGE044
进行求导，由二阶求导结果证明存在最大值，并由一 阶导数得到第
Figure 246068DEST_PATH_IMAGE003
个用户的最佳卸载策略
Figure 50076DEST_PATH_IMAGE045
，将
Figure 497107DEST_PATH_IMAGE045
带入服务器效用模型中；
通过对服务器效用模型
Figure 44763DEST_PATH_IMAGE046
进行求导，由二阶求导结果证明存在最大值，并由 一阶导数得到服务器的最佳定价策略
Figure 746003DEST_PATH_IMAGE047
，最终的资源优化结果为：
Figure 970179DEST_PATH_IMAGE048
。
具体来说，用户与服务器的斯塔克尔伯格竞争模型，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化他们的效用。于是，最优化问题可表示为：
Figure 655239DEST_PATH_IMAGE049
Figure 6586DEST_PATH_IMAGE050
然后通过求导的方法证明纳什均衡的存在，首先对用户效用模型进行求导，由一阶导数得到用户的最佳卸载策略。
将用户的最佳卸载策略代入服务器效用模型，对服务器效用模型进行求导，得到最佳定价策略。
服务器的最佳定价策略是指：决定对用户i的计算资源定价，使得自身的收益最大化。用户的最佳卸载策略是指：根据服务器的计算资源定价，决定将本地任务卸载至服务器进行计算的比例，使得完成所有所需计算任务的成本最小化，收益最大化。
本发明提供的一种基于博弈论的移动边缘计算资源优化方法，根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型，根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；在构建用户效用模型时，包括用户通过任务卸载所带来的收益、卸载任务的计算能耗、剩余任务本地计算所需的能耗，并且，用户通过任务卸载所带来的收益通过满意度模型来计算，考虑了用户通过任务卸载所节省的时间以及所节省的能耗，因此使得构建的用户模型更能满足用户的需求。此外，服务器的成本具体表示为电力成本而非带宽，服务器端的效用模型包括服务器通过对卸载任务进行计算所得的收益与对卸载任务进行计算所需的能耗，并给出了具体的计算公式，可以得到准确的服务器模型，进而构建用户与服务器的斯塔克尔伯格竞争模型，并进行求解，得到资源分配结果。
实施例二
基于同样的发明构思，本实施例提供了一种基于博弈论的移动边缘计算资源优化装置，如图2所示，该装置包括：
用户效用模型构建模块201，用于根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
服务器效用模型构建模块202，用于根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
斯塔克尔伯格竞争模型建立模块203，用于根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
资源分配模块204，用于对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，作为资源优化结果，根据资源优化结果进行资源分配，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价。
由于本发明实施例二所介绍的装置为实施本发明实施例一中基于博弈论的移动边缘计算资源优化方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的装置都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，本申请还提供了一种计算机设备，如图3所示，包括存储401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器402执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于博弈论的移动边缘计算资源优化方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于博弈论的移动边缘计算资源优化方法，其特征在于，包括：
根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，作为资源优化结果，根据资源优化结果进行资源分配，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价；
其中，根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型，包括：
根据用户的发射功率、卸载任务所需的时间以及能耗单价，构建用户参与任务卸载的传输能耗成本模型；
根据用户的总任务量、用户的本地计算能力、用户的卸载任务比例以及能耗单价构建用户剩余本地任务计算所需的能耗成本模型；
根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，其中，用户通过任务卸载所节省的时间根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的卸载任务比例和用户的总任务量计算得到，用户通过任务卸载所节省的能耗根据用户的卸载任务比例、用户的总任务量、用户的本地计算能力和用户参与任务卸载的传输能耗计算得到；
根据用户的满意度模型、用户的卸载任务比例、服务器对用户的计算资源定价、用户的总任务量、用户剩余本地任务计算所需的能耗成本，构建用户效用模型；
根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，通过下述公式实现：
Figure 122805DEST_PATH_IMAGE001
其中，
Figure 249243DEST_PATH_IMAGE002
是第
Figure 841898DEST_PATH_IMAGE003
个用户的满意度，
Figure 391828DEST_PATH_IMAGE004
、
Figure 69934DEST_PATH_IMAGE005
是用户满意度的转换因子，
Figure 973299DEST_PATH_IMAGE006
、
Figure 420461DEST_PATH_IMAGE007
是第
Figure 141292DEST_PATH_IMAGE003
个用户通过任务卸载所节省的时间和能耗，计算方式如下：
Figure 306695DEST_PATH_IMAGE008
Figure 764483DEST_PATH_IMAGE009
其中，
Figure 66151DEST_PATH_IMAGE010
为第
Figure 692305DEST_PATH_IMAGE003
个用户的任务卸载比例，
Figure 345003DEST_PATH_IMAGE011
为第
Figure 714804DEST_PATH_IMAGE012
个用户的总任务量，
Figure 11925DEST_PATH_IMAGE013
为第
Figure 74559DEST_PATH_IMAGE012
个用户的 本地计算能力，
Figure 948974DEST_PATH_IMAGE014
为服务器计算能力，
Figure 388045DEST_PATH_IMAGE015
为第
Figure 788940DEST_PATH_IMAGE003
个用户将任务卸载至服务器的传输速率，
Figure 22475DEST_PATH_IMAGE016
为第
Figure 384186DEST_PATH_IMAGE012
个用户的有效电容系数，
Figure 187801DEST_PATH_IMAGE017
为第
Figure 584147DEST_PATH_IMAGE003
个用户的任务卸载能耗。
2.如权利要求1所述的基于博弈论的移动边缘计算资源优化方法，其特征在于，根据用户的发射功率、卸载任务所需的时间以及能耗单价，构建用户参与任务卸载的传输能耗成本模型，通过下述公式实现：
Figure 988583DEST_PATH_IMAGE018
其中，
Figure 712957DEST_PATH_IMAGE019
为第
Figure 962673DEST_PATH_IMAGE012
个用户的任务卸载能耗，
Figure 213525DEST_PATH_IMAGE020
为第
Figure 788863DEST_PATH_IMAGE012
个用户的发射功率，
Figure 125167DEST_PATH_IMAGE021
为能耗单价，
Figure 568786DEST_PATH_IMAGE022
为第
Figure 674146DEST_PATH_IMAGE012
个用户的卸载任务所花费的时间。
3.如权利要求1所述的基于博弈论的移动边缘计算资源优化方法，其特征在于，根据用户的总任务量、用户的本地计算能力、用户的卸载任务比例以及能耗单价构建用户剩余本地任务计算所需的能耗成本模型，通过下述公式实现：
Figure 420385DEST_PATH_IMAGE023
其中，
Figure 978405DEST_PATH_IMAGE024
为第
Figure 976448DEST_PATH_IMAGE003
个用户剩余任务本地计算所需的能耗，
Figure 936314DEST_PATH_IMAGE025
为第
Figure 587875DEST_PATH_IMAGE012
个用户的任务卸载比 例，
Figure 898771DEST_PATH_IMAGE026
为第
Figure 559559DEST_PATH_IMAGE003
个用户的总任务量，
Figure 30DEST_PATH_IMAGE027
为能耗单价，
Figure 353651DEST_PATH_IMAGE028
为第
Figure 886263DEST_PATH_IMAGE003
个用户的有效电容系数，
Figure 85164DEST_PATH_IMAGE029
为本地 计算能力。
4.如权利要求1所述的基于博弈论的移动边缘计算资源优化方法，其特征在于，根据用户的满意度模型、用户的卸载任务比例、服务器对用户的计算资源定价、用户的总任务量、用户剩余本地任务计算所需的能耗成本模型，构建用户效用模型，通过下述公式实现：
Figure 894988DEST_PATH_IMAGE030
其中，
Figure 419510DEST_PATH_IMAGE031
是第
Figure 173839DEST_PATH_IMAGE003
个用户的满意度，
Figure 442010DEST_PATH_IMAGE032
是服务器对第
Figure 355608DEST_PATH_IMAGE003
个用户的计算资源价格，
Figure 519873DEST_PATH_IMAGE010
是第
Figure 27078DEST_PATH_IMAGE012
个 用户的任务卸载比例，
Figure 833360DEST_PATH_IMAGE033
是第
Figure 476831DEST_PATH_IMAGE003
个用户的总任务量，
Figure 218522DEST_PATH_IMAGE034
是第
Figure 947443DEST_PATH_IMAGE003
个用户剩余任务本地计算所需 的能耗。
5.如权利要求1所述的基于博弈论的移动边缘计算资源优化方法，其特征在于，根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型，通过下述公式实现：
Figure 557416DEST_PATH_IMAGE035
其中，
Figure 320973DEST_PATH_IMAGE032
是服务器对第
Figure 739226DEST_PATH_IMAGE003
个用户的计算资源价格，
Figure 221023DEST_PATH_IMAGE036
是服务器的有效电容系数，
Figure 369108DEST_PATH_IMAGE037
是用 户的总数，
Figure 987171DEST_PATH_IMAGE038
是服务器计算能力，
Figure 664140DEST_PATH_IMAGE039
是能耗单价，
Figure 243020DEST_PATH_IMAGE010
和
Figure 194795DEST_PATH_IMAGE040
是第
Figure 667365DEST_PATH_IMAGE003
个用户的任务卸载比例和总 任务量。
6.如权利要求1所述的基于博弈论的移动边缘计算资源优化方法，其特征在于，对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，包括：
对第
Figure 46394DEST_PATH_IMAGE003
个用户效用
Figure 361837DEST_PATH_IMAGE041
进行求导，由二阶求导结果证明存在最大值，并由一阶导 数得到第
Figure 851725DEST_PATH_IMAGE003
个用户的最佳卸载策略
Figure 444380DEST_PATH_IMAGE042
，将
Figure 994310DEST_PATH_IMAGE042
带入服务器效用模型中；
通过对服务器效用模型
Figure 282203DEST_PATH_IMAGE043
进行求导，由二阶求导结果证明存在最大值，并由一阶导 数得到服务器的最佳定价策略
Figure 575781DEST_PATH_IMAGE044
，最终的资源优化结果为：
Figure 22943DEST_PATH_IMAGE045
。
7.一种基于博弈论的移动边缘计算资源优化装置，其特征在于，包括：
用户效用模型构建模块，用于根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、用户的卸载任务比例，构建用户效用模型；
服务器效用模型构建模块，用于根据服务器计算能力、将任务卸载至服务器的传输速率、用户的总任务量、能耗单价、服务器对用户的计算资源定价，构建服务器效用模型；
斯塔克尔伯格竞争模型建立模块，用于根据用户效用模型、服务器效用模型，构建用户与服务器的斯塔克尔伯格竞争模型，其中，服务器期望获得最大限度的利润，用户期望获得计算资源，以最大化服务器和用户的收益；
资源分配模块，用于对构建的用户与服务器的斯塔克尔伯格竞争模型进行求解，得到最优的用户任务卸载策略和服务器定价策略，作为资源优化结果，根据资源优化结果进行资源分配，其中，最优的用户任务卸载策略为用户自身利益最大化时，用户根据服务器对用户的计算资源定价，决定将本地任务卸载至服务器进行计算的比例；服务器定价策略为服务器自身利益最大化时对用户的计算资源定价；
其中，用户效用模型构建模块具体用于：
根据用户的发射功率、卸载任务所需的时间以及能耗单价，构建用户参与任务卸载的传输能耗成本模型；
根据用户的总任务量、用户的本地计算能力、用户的卸载任务比例以及能耗单价构建用户剩余本地任务计算所需的能耗成本模型；
根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，其中，用户通过任务卸载所节省的时间根据服务器的计算能力、用户的本地计算能力、将任务卸载至服务器的传输速率、用户的卸载任务比例和用户的总任务量计算得到，用户通过任务卸载所节省的能耗根据用户的卸载任务比例、用户的总任务量、用户的本地计算能力和用户参与任务卸载的传输能耗计算得到；
根据用户的满意度模型、用户的卸载任务比例、服务器对用户的计算资源定价、用户的总任务量、用户剩余本地任务计算所需的能耗成本，构建用户效用模型；
根据用户通过任务卸载所节省的时间、用户通过任务卸载所节省的能耗，构建用户的满意度模型，通过下述公式实现：
Figure 478195DEST_PATH_IMAGE046
其中，
Figure 643597DEST_PATH_IMAGE031
是第
Figure 101386DEST_PATH_IMAGE003
个用户的满意度，
Figure 403054DEST_PATH_IMAGE004
、
Figure 294787DEST_PATH_IMAGE005
是用户满意度的转换因子，
Figure 681906DEST_PATH_IMAGE006
、
Figure 192652DEST_PATH_IMAGE007
是第
Figure 614407DEST_PATH_IMAGE003
个用户通过任务卸载所节省的时间和能耗，计算方式如下：
Figure 677040DEST_PATH_IMAGE047
Figure 551456DEST_PATH_IMAGE048
其中，
Figure 849582DEST_PATH_IMAGE010
为第
Figure 125842DEST_PATH_IMAGE003
个用户的任务卸载比例，
Figure 359378DEST_PATH_IMAGE040
为第
Figure 455509DEST_PATH_IMAGE012
个用户的总任务量，
Figure 432693DEST_PATH_IMAGE013
为第
Figure 704405DEST_PATH_IMAGE012
个用户的 本地计算能力，
Figure 108842DEST_PATH_IMAGE049
为服务器计算能力，
Figure 692270DEST_PATH_IMAGE015
为第
Figure 473144DEST_PATH_IMAGE003
个用户将任务卸载至服务器的传输速率，
Figure 347166DEST_PATH_IMAGE016
为第
Figure 922504DEST_PATH_IMAGE012
个用户的有效电容系数，
Figure 993228DEST_PATH_IMAGE017
为第
Figure 312214DEST_PATH_IMAGE003
个用户的任务卸载能耗。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至6中任一项权利要求所述的方法。
CN202211157896.5A 2022-09-22 2022-09-22 一种基于博弈论的移动边缘计算资源优化方法及装置 Active CN115242800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211157896.5A CN115242800B (zh) 2022-09-22 2022-09-22 一种基于博弈论的移动边缘计算资源优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211157896.5A CN115242800B (zh) 2022-09-22 2022-09-22 一种基于博弈论的移动边缘计算资源优化方法及装置

Publications (2)

Publication Number Publication Date
CN115242800A CN115242800A (zh) 2022-10-25
CN115242800B true CN115242800B (zh) 2023-03-24

Family

ID=83667565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211157896.5A Active CN115242800B (zh) 2022-09-22 2022-09-22 一种基于博弈论的移动边缘计算资源优化方法及装置

Country Status (1)

Country Link
CN (1) CN115242800B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069414B (zh) * 2023-03-06 2023-06-09 湖北工业大学 一种电力物联网计算任务卸载激励优化方法和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111405527A (zh) * 2020-03-17 2020-07-10 中南大学 一种基于志愿者协同处理的车载边缘计算方法、装置及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900628A (zh) * 2018-07-20 2018-11-27 南京工业大学 边缘计算环境中基于定价机制的微云计算资源分配方法
US11915050B2 (en) * 2020-12-03 2024-02-27 Nec Corporation Managing task offloading to edge servers in a multi-access edge computing, MEC, system
CN112822707B (zh) * 2021-01-13 2022-07-12 重庆邮电大学 一种计算资源有限mec中任务卸载与资源分配方法
CN112799833B (zh) * 2021-01-26 2023-02-10 华南理工大学 面向边缘计算的车辆应用卸载的分布式定价方法与系统
CN112929915B (zh) * 2021-02-20 2022-08-02 中南大学 一种移动边缘计算的动态数据卸载方法及系统
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
CN113269461A (zh) * 2021-06-09 2021-08-17 北京理工大学 一种基于博弈的边缘计算资源管理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111405527A (zh) * 2020-03-17 2020-07-10 中南大学 一种基于志愿者协同处理的车载边缘计算方法、装置及系统

Also Published As

Publication number Publication date
CN115242800A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN110262845B (zh) 区块链使能的分布式计算任务卸载方法及系统
CN109857546B (zh) 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN111163519A (zh) 系统收益最大化的无线体域网资源分配与任务卸载算法
CN107295109A (zh) 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN110505165B (zh) 一种基于双向拍卖机制的边缘计算任务卸载方法及装置
CN113269461A (zh) 一种基于博弈的边缘计算资源管理方法
CN111274037B (zh) 一种边缘计算任务卸载方法、系统
CN110166541B (zh) 基于区块链的渲染方法、相关设备及系统
CN115242800B (zh) 一种基于博弈论的移动边缘计算资源优化方法及装置
CN111949409A (zh) 一种电力无线异构网中计算任务卸载方法及系统
CN110809291A (zh) 基于能量采集设备的移动边缘计算系统双层负载平衡方法
Li et al. Computation offloading and service allocation in mobile edge computing
CN115473894A (zh) 算网中基于区块链的算力安全感知及协同方法
Seyed Aboutorabi et al. An optimized meta-heuristic bees algorithm for players’ frame rate allocation problem in cloud gaming environments
CN112988347A (zh) 一种降低系统能耗与花费和的边缘计算卸载方法及系统
CN116669111A (zh) 一种基于区块链的移动边缘计算任务卸载方法
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN113778675A (zh) 一种基于面向区块链网络的计算任务分配系统及方法
CN117135131A (zh) 一种面向云边协同场景的任务资源需求感知方法
Kattiyan Ramamoorthy et al. Stackelberg game-theoretic spectrum allocation for QoE-Centric wireless multimedia communications
CN113703970B (zh) 基于拍卖机制的服务器资源分配方法、装置、设备及介质
CN116382806A (zh) 一种任务卸载方法、装置及计算机可读存储介质
CN115686821A (zh) 一种边缘计算任务的卸载方法及装置

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