CN115334551B - 基于契约理论的任务卸载与资源分配优化方法及系统 - Google Patents

基于契约理论的任务卸载与资源分配优化方法及系统 Download PDF

Info

Publication number
CN115334551B
CN115334551B CN202211264605.2A CN202211264605A CN115334551B CN 115334551 B CN115334551 B CN 115334551B CN 202211264605 A CN202211264605 A CN 202211264605A CN 115334551 B CN115334551 B CN 115334551B
Authority
CN
China
Prior art keywords
edge server
type
base station
contract
resource allocation
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
CN202211264605.2A
Other languages
English (en)
Other versions
CN115334551A (zh
Inventor
赵楠
杜威
任凡
王娟
胡胜
孔祥斌
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 CN202211264605.2A priority Critical patent/CN115334551B/zh
Publication of CN115334551A publication Critical patent/CN115334551A/zh
Application granted granted Critical
Publication of CN115334551B publication Critical patent/CN115334551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • H04W28/09—Management thereof
    • H04W28/0917—Management thereof based on the energy state of entities
    • 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
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H04W28/0967—Quality of Service [QoS] parameters
    • H04W28/0975—Quality of Service [QoS] parameters for reducing delays
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于契约理论的任务卸载与资源分配优化方法及系统。首先建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；然后构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，最后通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项。本发明提出的基于契约理论的激励方法以实现任务卸载和资源分配，并保证基站效用的最大化。同时，本发明还首次引入计算激励来平衡计算任务卸载和资源分配，可以实现实时高效的任务卸载和资源分配。

Description

基于契约理论的任务卸载与资源分配优化方法及系统
技术领域
本发明属于无线协作通信技术领域，具体涉及一种基于契约理论的任务卸载与资源分配优化方法及系统。
背景技术
随着移动终端，例如，手机、平板、智能车辆等在人们的生活当中越来越普及，用户对数据的传输速率和服务质量的要求呈指数增长。虽然新型的终端设备在中央处理器方面越来越强大，但是这些终端设备也无法在短时间内处理大量的计算任务。目前，终端设备距离远程控制中心较远，高峰期间内基站过载严重，难以保障终端设备的服务质量和服务要求，云计算难以满足大数据、实时性和可靠性的要求。
边缘计算网络作为新兴的网络范式，提供具有低延迟高带宽的服务。其将有较强计算和存储能力的计算节点铺设在网路边缘，这些散落在网络边缘的服务器可以给用户提供高带宽低延迟的服务，终端设备能够以较低的时延来获得大量的计算资源。
尽管边缘计算有许多优势，但是仍然面临着许多问题。首先是在网络中缺乏一种有效的激励机制来促使边缘服务器主动提供计算资源。由于处理计算任务会消耗自身能量，损失自身的计算资源，边缘服务器在没有足够奖励的情况下不愿意参与计算。此外，因为每个边缘服务器的剩余计算资源量和位置等都是其私有信息，基站对此类信息是未知的，这被称作信息非对称场景，这给激励机制的设计带来了巨大的挑战。其次，缺乏一个有效的任务卸载和计算资源分配策略。基站通过利用边缘服务器的闲置计算资源将任务卸载到边缘服务器，根据不同偏好的为任务选择合适的边缘服务器来最大化基站的效用。边缘服务器共享计算资源意愿度的异构性和动态的网络拓扑结构的限制使得问题更为复杂，因此，本文针对这两个方面的挑战进行了研究。
发明内容
为了应对边缘计算网络中信息非对称问题，本发明的目的在于提出契约理论来实现实时高效的任务卸载和资源分配方法。
为了达到上述目的，本发明所采用的技术方案是：基于契约理论的任务卸载与资源分配优化方法及系统，其特征在于，包括如下步骤：
一种基于契约理论的任务卸载与资源分配优化方法，其特征在于，所述方法包括如下步骤：
建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；
构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，
通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项。
在上述的基于契约理论的任务卸载与资源分配优化方法，所述边缘计算网络模型 包括1个基站和
Figure 406079DEST_PATH_IMAGE001
个边缘服务器，表示为
Figure 526481DEST_PATH_IMAGE002
；其中基站具有部分处理任务的能 力并且负责协调通信和计算资源；边缘服务器的类型定义如下：将其按照升序分为
Figure 509481DEST_PATH_IMAGE001
个类 型，表示为
Figure 107952DEST_PATH_IMAGE003
，其中
Figure 125587DEST_PATH_IMAGE004
，根据先前边缘服务器的性能表现，基站 可以预测
Figure 416891DEST_PATH_IMAGE005
的概率表示为
Figure 884257DEST_PATH_IMAGE006
，并且满足
Figure 286419DEST_PATH_IMAGE007
。
在上述的基于契约理论的任务卸载与资源分配优化方法，基站为
Figure 424140DEST_PATH_IMAGE001
类边缘服务器 设计
Figure 886345DEST_PATH_IMAGE001
项条款，每一项条款对应每个类型的边缘服务器；边缘服务器在类型值为
Figure 843937DEST_PATH_IMAGE005
的情况 下签约合同项目
Figure 49790DEST_PATH_IMAGE008
，其中
Figure 776438DEST_PATH_IMAGE009
表示基站卸载到类型
Figure 675124DEST_PATH_IMAGE005
的边缘服务器的计算任务比例系 数，
Figure 385591DEST_PATH_IMAGE010
表示类型为
Figure 863976DEST_PATH_IMAGE005
的边缘服务器提供的计算资源比例系数，
Figure 976289DEST_PATH_IMAGE011
是基站支付给类型为
Figure 780297DEST_PATH_IMAGE005
的边 缘服务器相应的奖励。
在上述的基于契约理论的任务卸载与资源分配优化方法，在项目条款
Figure 978060DEST_PATH_IMAGE012
下， 类型为
Figure 257207DEST_PATH_IMAGE005
的边缘服务器消耗的能量表示为
Figure 224026DEST_PATH_IMAGE013
，其期望效用表示为：
Figure 464515DEST_PATH_IMAGE014
(1)
其中
Figure 883995DEST_PATH_IMAGE005
是边缘服务器的类型，
Figure 969762DEST_PATH_IMAGE011
是基站支付给类型为
Figure 791088DEST_PATH_IMAGE005
的边缘服务器相应的奖励。
在上述的基于契约理论的任务卸载与资源分配优化方法，基站通过卸载任务到类 型为
Figure 936898DEST_PATH_IMAGE005
的边缘服务器上会减少其计算时延，表示为
Figure 843674DEST_PATH_IMAGE015
；因此，和
Figure 733133DEST_PATH_IMAGE001
个边缘服务器签订 契约，基站的效用可以表示为：
Figure 408965DEST_PATH_IMAGE016
(2)
其中，
Figure 991256DEST_PATH_IMAGE017
是基站减少计算时延的单位效用。
在上述的基于契约理论的任务卸载与资源分配优化方法，契约需要满足个人理性约束：
Figure 385328DEST_PATH_IMAGE018
(3)
契约需要满足激励相容条件约束：
Figure 78478DEST_PATH_IMAGE019
(4)
其中，
Figure 343237DEST_PATH_IMAGE020
，
Figure 93500DEST_PATH_IMAGE021
表示类型为
Figure 709289DEST_PATH_IMAGE005
的边缘服务器选择与之类型匹配的项目条款
Figure 206129DEST_PATH_IMAGE022
时的效用；
Figure 856553DEST_PATH_IMAGE023
表示
类型为
Figure 515068DEST_PATH_IMAGE005
的边缘服务器选择与之类型不对应的项目条款
Figure 618153DEST_PATH_IMAGE024
时的效用，
Figure 653105DEST_PATH_IMAGE025
表示除了
Figure 423615DEST_PATH_IMAGE026
之外的所有元素；
BS获得最大期望效用的目标函数为：
Figure 987452DEST_PATH_IMAGE027
(5)。
在上述的基于契约理论的任务卸载与资源分配优化方法，
Figure 843412DEST_PATH_IMAGE028
满足
Figure 682055DEST_PATH_IMAGE029
， 其中
Figure 775913DEST_PATH_IMAGE030
表示没有计算任务卸载到类型为
Figure 41809DEST_PATH_IMAGE005
的边缘服务器上计算，
Figure 119487DEST_PATH_IMAGE031
表示所有的计算 任务都由类型为
Figure 516749DEST_PATH_IMAGE005
的边缘服务器计算，
Figure 996272DEST_PATH_IMAGE032
表示所有的任务都在边缘服务器上计算；
Figure 433070DEST_PATH_IMAGE010
满足：
Figure 732464DEST_PATH_IMAGE033
，其中
Figure 912910DEST_PATH_IMAGE034
表示类型为
Figure 246939DEST_PATH_IMAGE005
的边缘服务器没有提供计算资源，
Figure 589059DEST_PATH_IMAGE035
表示类型 为
Figure 579011DEST_PATH_IMAGE005
的边缘服务器提供了自身的所有计算资源。
在上述的基于契约理论的任务卸载与资源分配优化方法，通过数学过程推导个人 理性和激励相容条件得到最优的奖励
Figure 766410DEST_PATH_IMAGE036
，则：
Figure 220525DEST_PATH_IMAGE037
(6)
其中
Figure 733546DEST_PATH_IMAGE038
是基站通过卸载任务到类型为
Figure 739024DEST_PATH_IMAGE005
的边缘服务器上会减少的计算时 延；
通过遗传算法求解目标函数，具体是：
将基站的效用定义为适应度函数；
将任务卸载比例
Figure 995693DEST_PATH_IMAGE028
和资源分配比例
Figure 304315DEST_PATH_IMAGE005
组合起来当作染色体，把适应度高的染色体 作为精英留给下一代，适应度低的进行变异操作产生后代，适应度中等的用于产生父代，
交叉父代个体来产生后代，直至找寻到最优的个体，得到最优的契约
Figure 722658DEST_PATH_IMAGE039
。
一种基于契约理论的任务卸载与资源分配优化系统，其特征在于，包括：
第一模块：被配置为用于建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；
第二模块：被配置为用于构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，
第三模块：被配置为通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项。
与现有技术相比，本发明的有益效果是：该方法针对契约签订边缘服务器的私有信息引起的信息非对称问题和边缘服务器自私性引起的不愿意主动参与计算的问题，提出的基于契约理论的激励方法以实现任务卸载和资源分配，并保证基站效用的最大化。同时，本发明还首次引入计算激励来平衡计算任务卸载和资源分配，可以实现实时高效的任务卸载和资源分配。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
步骤1，将基于市场驱动的契约理论引入到信息非对称协同计算机制中去，建立基站的模型和边缘服务器的效用模型。
步骤2，考虑到边缘服务器的自私性及其状态信息的非对称性，边缘服务器不愿意在没有奖励的情况下消耗自身能量来参与计算。基站向边缘服务器提供契约，总结得到个人理性和激励相容条件，实现对边缘服务器私有信息的有效甄别，以激励边缘服务器提供自身计算资源来参与计算。
步骤3，通过评估边缘服务器的表现，基站将支付相应的奖励并激励他们参与计算，从而使得基站的效用最大化。
进一步的，所述建立边缘服务器和基站的模型的实现过程为：假设边缘计算网络 模型包括1个基站和
Figure 218361DEST_PATH_IMAGE001
个边缘服务器，表示为
Figure 278721DEST_PATH_IMAGE040
。基站具有部分处理任务的能力并 且负责协调通信和计算资源。在高峰时间期间，任务可由基站卸载到计算资源空闲的边缘 服务器进行处理。边缘服务器的私有信息被建模为服务器类型，将具有异构性的边缘服务 器分为不同的类型对于基站是有益的，因为他可以动态地调整为每种类型设计的契约项。 边缘服务器的类型定义如下：将其按照升序分为
Figure 910690DEST_PATH_IMAGE001
个类型，表示为
Figure 765514DEST_PATH_IMAGE003
，其中
Figure 279672DEST_PATH_IMAGE004
，根据先前边缘服务器的性能表现，基站可以预测
Figure 878144DEST_PATH_IMAGE005
的概率表示为
Figure 892848DEST_PATH_IMAGE006
，并 且满足
Figure 184152DEST_PATH_IMAGE007
。
基站为
Figure 920027DEST_PATH_IMAGE001
类边缘服务器设计
Figure 587769DEST_PATH_IMAGE001
项条款，每一项条款对应每个类型的边缘服务器； 边缘服务器在类型值为
Figure 459910DEST_PATH_IMAGE005
的情况下签约合同项目
Figure 922115DEST_PATH_IMAGE008
，其中
Figure 145286DEST_PATH_IMAGE009
表示基站卸载到类型
Figure 351140DEST_PATH_IMAGE005
的边缘服务器的计算任务比例系数，
Figure 77787DEST_PATH_IMAGE010
表示类型为
Figure 710894DEST_PATH_IMAGE005
的边缘服务器提供的计算资源比例系 数，
Figure 155782DEST_PATH_IMAGE011
是基站支付给类型为
Figure 899747DEST_PATH_IMAGE005
的边缘服务器相应的奖励。
在项目条款
Figure 12059DEST_PATH_IMAGE012
下，类型为
Figure 547558DEST_PATH_IMAGE005
的边缘服务器消耗的能量表示为
Figure 479742DEST_PATH_IMAGE013
，其期望 效用表示为：
Figure 27398DEST_PATH_IMAGE014
(1)
其中
Figure 994217DEST_PATH_IMAGE005
是边缘服务器的类型，
Figure 969127DEST_PATH_IMAGE011
是基站支付给类型为
Figure 388607DEST_PATH_IMAGE005
的边缘服务器相应的奖励。
基站通过卸载任务到类型为
Figure 474374DEST_PATH_IMAGE005
的边缘服务器上会减少其计算时延，表示为
Figure 295700DEST_PATH_IMAGE015
；因此，和
Figure 707090DEST_PATH_IMAGE001
个边缘服务器签订契约，基站的效用可以表示为：
Figure 348286DEST_PATH_IMAGE016
(2)
其中，
Figure 237745DEST_PATH_IMAGE017
是基站减少计算时延的单位效用。
由于边缘服务器的自私性，基站为了确保边缘服务器愿意接受契约条款，基站需要保证每个边缘服务器所获得的期望效用是大于等于零的，即所设计的契约需要满足个人理性约束：
Figure 179156DEST_PATH_IMAGE041
(3)
又因为边缘服务器的私有信息对于基站是未知的，为了甄别边缘服务器的私有信息，基站需要确保每个边缘服务器当且仅当选择自己类型相关的契约项时才能获得最大效用，即所设计的契约需要满足激励相容条件约束：
Figure 230289DEST_PATH_IMAGE042
(4)
其中，
Figure 624361DEST_PATH_IMAGE020
，
Figure 49002DEST_PATH_IMAGE021
表示类型为
Figure 844919DEST_PATH_IMAGE005
的边缘服务器选择与之类型匹配的项目条款
Figure 332533DEST_PATH_IMAGE022
时的效用；
Figure 213901DEST_PATH_IMAGE023
表示
类型为
Figure 179583DEST_PATH_IMAGE005
的边缘服务器选择与之类型不对应的项目条款
Figure 830007DEST_PATH_IMAGE024
时的效用，
Figure 754101DEST_PATH_IMAGE025
表示除了
Figure 857186DEST_PATH_IMAGE026
之外的所有元素。
基站获得最大期望效用的目标函数为：
Figure 892138DEST_PATH_IMAGE043
(5)
其中，
Figure 131489DEST_PATH_IMAGE028
满足
Figure 226484DEST_PATH_IMAGE029
，其中
Figure 82445DEST_PATH_IMAGE030
表示没有计算任务卸载到类型为
Figure 655509DEST_PATH_IMAGE005
的边 缘服务器上计算，
Figure 12016DEST_PATH_IMAGE031
表示所有的计算任务都由类型为
Figure 277912DEST_PATH_IMAGE005
的边缘服务器计算，
Figure 90011DEST_PATH_IMAGE044
表示 所有的任务都在边缘服务器上计算；
Figure 732345DEST_PATH_IMAGE010
满足：
Figure 211868DEST_PATH_IMAGE045
，其中
Figure 648665DEST_PATH_IMAGE046
表示类型为
Figure 948059DEST_PATH_IMAGE005
的边缘 服务器没有提供计算资源，
Figure 862926DEST_PATH_IMAGE047
表示类型为
Figure 196955DEST_PATH_IMAGE005
的边缘服务器提供了自身的所有计算资源。
为了求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化问题获得 最优的契约项，通过数学过程推导个人理性约束和激励相容约束条件，可以得到最优的奖 励
Figure 804654DEST_PATH_IMAGE036
，然后目标函数可化简为：
Figure 856924DEST_PATH_IMAGE037
(6)
其中，
Figure 309902DEST_PATH_IMAGE038
是基站通过卸载任务到类型为
Figure 764017DEST_PATH_IMAGE005
的边缘服务器上会减少的计算时 延；
再来通过遗传算法求解优化问题。将基站的效用定义为适应度函数，然后将任务 卸载比例
Figure 542617DEST_PATH_IMAGE028
和资源分配比例
Figure 79253DEST_PATH_IMAGE005
组合起来当作染色体，把适应度高的染色体作为精英留给下 一代，适应度低的进行变异操作产生后代，适应度中等的用于产生父代，然后交叉父代个体 来产生后代，直至找寻到最优的个体，进而得到最优的契约
Figure 335922DEST_PATH_IMAGE039
来使得基站的效用最 大化。
基站激励边缘服务器参与计算的措施是：基站是雇主来发布计算任务，边缘服务 器是雇员完成基站发布的计算任务并获得相应的回报，在基于契约理论的基站激励机制 中，基站作为雇主向雇员边缘服务器提供一系列合约项目组成的激励契约，合约项目应包 括最优的任务卸载比例系数
Figure 644544DEST_PATH_IMAGE048
、最优的资源分配比例系数
Figure 328466DEST_PATH_IMAGE049
和最优的奖励
Figure 89748DEST_PATH_IMAGE050
，边缘服务 器可以选择接受或者拒绝合约项目并将结果返回给基站，在接受合约后，基站向边缘服务 器卸载一定量的任务，边缘服务器再提供相应的计算资源来处理这部分任务，最后基站通 过判定边缘服务器的表现，并且基站基于边缘服务器的表现来支付相应的奖励。

Claims (4)

1.一种基于契约理论的任务卸载与资源分配优化方法，其特征在于，所述方法包括如下步骤：
建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；
构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，
通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项；
基站和边缘服务器的模型包括1个基站和
Figure 845028DEST_PATH_IMAGE001
个边缘服务器，表示为
Figure 90065DEST_PATH_IMAGE003
；其中 基站具有部分处理任务的能力并且负责协调通信和计算资源；边缘服务器的类型定义如 下：将其按照升序分为
Figure 338643DEST_PATH_IMAGE004
个类型，表示为
Figure 563214DEST_PATH_IMAGE006
，其中
Figure 971061DEST_PATH_IMAGE008
，根据先前 边缘服务器的性能表现，基站可以预测
Figure 996786DEST_PATH_IMAGE009
的概率表示为
Figure 857295DEST_PATH_IMAGE010
，并且满足
Figure 384091DEST_PATH_IMAGE011
；
基站为
Figure 521811DEST_PATH_IMAGE001
类边缘服务器设计
Figure 341606DEST_PATH_IMAGE001
项条款，每一项条款对应每个类型的边缘服务器；边缘 服务器在类型值为
Figure 564777DEST_PATH_IMAGE009
的情况下签约合同项目
Figure 629685DEST_PATH_IMAGE012
，其中
Figure 746546DEST_PATH_IMAGE013
表示基站卸载到类型
Figure 645232DEST_PATH_IMAGE009
的 边缘服务器的计算任务比例系数，
Figure 214753DEST_PATH_IMAGE015
表示类型为
Figure 958718DEST_PATH_IMAGE009
的边缘服务器提供的计算资源比例系 数，
Figure 697129DEST_PATH_IMAGE016
是基站支付给类型为
Figure 360192DEST_PATH_IMAGE009
的边缘服务器相应的奖励；
在项目条款
Figure 557955DEST_PATH_IMAGE017
下，类型为
Figure 230245DEST_PATH_IMAGE009
的边缘服务器消耗的能量表示为
Figure 931485DEST_PATH_IMAGE018
，其期望 效用表示为：
Figure 296607DEST_PATH_IMAGE020
(1)
其中，
Figure 716087DEST_PATH_IMAGE009
是边缘服务器的类型，
Figure 425024DEST_PATH_IMAGE016
是基站支付给类型为
Figure 370983DEST_PATH_IMAGE009
的边缘服务器相应的奖励；
基站通过卸载任务到类型为
Figure 782373DEST_PATH_IMAGE009
的边缘服务器上会减少其计算时延，表示为
Figure 548203DEST_PATH_IMAGE021
； 因此，和
Figure 296716DEST_PATH_IMAGE001
个边缘服务器签订契约，基站的效用可以表示为：
Figure 238128DEST_PATH_IMAGE023
(2)
其中，
Figure 180938DEST_PATH_IMAGE025
是基站减少计算时延的单位效用；
契约需要满足个人理性约束：
Figure 575010DEST_PATH_IMAGE027
(3)
契约需要满足激励相容条件约束：
Figure 392794DEST_PATH_IMAGE029
(4)
其中，
Figure 782187DEST_PATH_IMAGE031
，
Figure 535379DEST_PATH_IMAGE032
表示类型为
Figure 541381DEST_PATH_IMAGE009
的边缘服务器选择与之类型匹配的项目条款
Figure 772642DEST_PATH_IMAGE033
时的效用；
Figure 46236DEST_PATH_IMAGE034
表示
类型为
Figure 563805DEST_PATH_IMAGE009
的边缘服务器选择与之类型不对应的项目条款
Figure 932469DEST_PATH_IMAGE035
时的效用，
Figure 92055DEST_PATH_IMAGE037
表示除了
Figure 596986DEST_PATH_IMAGE039
之外的所有元素；
BS获得最大期望效用的目标函数为：
Figure 551035DEST_PATH_IMAGE041
(5)。
2.根据权利要求1所述的基于契约理论的任务卸载与资源分配优化方法，其特征在于：
Figure 406996DEST_PATH_IMAGE042
满足
Figure 606158DEST_PATH_IMAGE043
，其中
Figure 90229DEST_PATH_IMAGE045
表示没有计算任务卸载到类型为
Figure 356125DEST_PATH_IMAGE046
的边缘服务器上 计算，
Figure 292857DEST_PATH_IMAGE048
表示所有的计算任务都由类型为
Figure 935191DEST_PATH_IMAGE049
的边缘服务器计算，
Figure 539348DEST_PATH_IMAGE050
表示所有的任 务都在边缘服务器上计算；
Figure 333735DEST_PATH_IMAGE051
满足：
Figure 898709DEST_PATH_IMAGE053
，其中
Figure 938209DEST_PATH_IMAGE055
表示类型为
Figure 272238DEST_PATH_IMAGE056
的边缘服务器没有 提供计算资源，
Figure 4571DEST_PATH_IMAGE058
表示类型为
Figure 915895DEST_PATH_IMAGE009
的边缘服务器提供了自身的所有计算资源。
3.根据权利要求2所述的基于契约理论的任务卸载与资源分配优化方法，其特征在于： 通过数学过程推导个人理性和激励相容条件得到最优的奖励
Figure 634452DEST_PATH_IMAGE060
，则：
Figure 714666DEST_PATH_IMAGE062
(6)
其中，
Figure 227687DEST_PATH_IMAGE063
是基站通过卸载任务到类型为
Figure 891887DEST_PATH_IMAGE009
的边缘服务器上会减少的计算时 延；
通过遗传算法求解目标函数，具体是：
将基站的效用定义为适应度函数；
将任务卸载比例
Figure 273189DEST_PATH_IMAGE042
和资源分配比例
Figure 581811DEST_PATH_IMAGE009
组合起来当作染色体，把适应度高的染色体作为 精英留给下一代，适应度低的进行变异操作产生后代，适应度中等的用于产生父代；
交叉父代个体来产生后代，直至找寻到最优的个体，得到最优的契约
Figure 655946DEST_PATH_IMAGE064
。
4.一种基于契约理论的任务卸载与资源分配优化系统，其特征在于，包括：
第一模块：被配置为用于建立基站和边缘服务器的模型，针对任务卸载场景，计算基站和边缘服务器的效用；
第二模块：被配置为用于构建基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，
第三模块：被配置为通过数学方法和遗传优化算法求解基于契约理论的边缘计算网络任务卸载与资源分配联合优化目标函数，获取最优的契约项；
基站和边缘服务器的模型包括1个基站和
Figure 417229DEST_PATH_IMAGE001
个边缘服务器，表示为
Figure 100758DEST_PATH_IMAGE002
；其中基站具有部分处理任务的能力并且负责协调通信和计算资源；边缘服务器的类型定 义如下：将其按照升序分为
Figure 263886DEST_PATH_IMAGE001
个类型，表示为
Figure 243343DEST_PATH_IMAGE005
，其中
Figure 882135DEST_PATH_IMAGE007
，根据先前边缘服务器的性能表现，基站可以预测
Figure 746186DEST_PATH_IMAGE009
的概率表示为
Figure 622875DEST_PATH_IMAGE010
，并且满足
Figure 179758DEST_PATH_IMAGE011
；
基站为
Figure 276152DEST_PATH_IMAGE001
类边缘服务器设计
Figure 68528DEST_PATH_IMAGE001
项条款，每一项条款对应每个类型的边缘服务器；边缘 服务器在类型值为
Figure 940669DEST_PATH_IMAGE009
的情况下签约合同项目
Figure 527508DEST_PATH_IMAGE012
，其中
Figure 750679DEST_PATH_IMAGE013
表示基站卸载到类型
Figure 81166DEST_PATH_IMAGE009
的 边缘服务器的计算任务比例系数，
Figure 73393DEST_PATH_IMAGE014
表示类型为
Figure 329668DEST_PATH_IMAGE009
的边缘服务器提供的计算资源比例系 数，
Figure 899190DEST_PATH_IMAGE016
是基站支付给类型为
Figure 908734DEST_PATH_IMAGE009
的边缘服务器相应的奖励；
在项目条款
Figure 145681DEST_PATH_IMAGE017
下，类型为
Figure 684109DEST_PATH_IMAGE009
的边缘服务器消耗的能量表示为
Figure 740927DEST_PATH_IMAGE018
，其期望 效用表示为：
Figure 914682DEST_PATH_IMAGE065
(1)
其中，
Figure 881501DEST_PATH_IMAGE009
是边缘服务器的类型，
Figure 715464DEST_PATH_IMAGE016
是基站支付给类型为
Figure 400524DEST_PATH_IMAGE009
的边缘服务器相应的奖励；
基站通过卸载任务到类型为
Figure 876504DEST_PATH_IMAGE009
的边缘服务器上会减少其计算时延，表示为
Figure 556884DEST_PATH_IMAGE021
； 因此，和
Figure 968274DEST_PATH_IMAGE001
个边缘服务器签订契约，基站的效用可以表示为：
Figure 498219DEST_PATH_IMAGE066
(2)
其中，
Figure 122099DEST_PATH_IMAGE024
是基站减少计算时延的单位效用；
契约需要满足个人理性约束：
Figure 188144DEST_PATH_IMAGE067
(3)
契约需要满足激励相容条件约束：
Figure 504856DEST_PATH_IMAGE068
(4)
其中，
Figure 23562DEST_PATH_IMAGE069
，
Figure 575766DEST_PATH_IMAGE070
表示类型为
Figure 371683DEST_PATH_IMAGE009
的边缘服务器选择与之类型匹配的项目条款
Figure 750974DEST_PATH_IMAGE033
时 的效用；
Figure 366763DEST_PATH_IMAGE034
表示
类型为
Figure 722658DEST_PATH_IMAGE009
的边缘服务器选择与之类型不对应的项目条款
Figure 373083DEST_PATH_IMAGE035
时的效用，
Figure 156231DEST_PATH_IMAGE036
表示除了
Figure 649529DEST_PATH_IMAGE038
之外的所有元素；
BS获得最大期望效用的目标函数为：
Figure 684481DEST_PATH_IMAGE071
(5)。
CN202211264605.2A 2022-10-17 2022-10-17 基于契约理论的任务卸载与资源分配优化方法及系统 Active CN115334551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211264605.2A CN115334551B (zh) 2022-10-17 2022-10-17 基于契约理论的任务卸载与资源分配优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211264605.2A CN115334551B (zh) 2022-10-17 2022-10-17 基于契约理论的任务卸载与资源分配优化方法及系统

Publications (2)

Publication Number Publication Date
CN115334551A CN115334551A (zh) 2022-11-11
CN115334551B true CN115334551B (zh) 2023-03-24

Family

ID=83915414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211264605.2A Active CN115334551B (zh) 2022-10-17 2022-10-17 基于契约理论的任务卸载与资源分配优化方法及系统

Country Status (1)

Country Link
CN (1) CN115334551B (zh)

Families Citing this family (5)

* 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
CN116204318A (zh) * 2023-03-08 2023-06-02 北京邮电大学 融合计算卸载及能源馈送激励的边缘网络资源交易方法
CN116095721B (zh) * 2023-04-07 2023-06-27 湖北工业大学 一种融合感知通信的移动群智网络契约激励方法及系统
CN116233869B (zh) * 2023-05-10 2023-07-18 湖北工业大学 计算激励、任务分配及无人机位置联合优化方法及系统
CN116643808B (zh) * 2023-05-29 2024-04-16 北京邮电大学 一种基于远期合同的边缘网络计算卸载方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800495A (zh) * 2020-06-30 2020-10-20 华北电力大学 一种车辆雾计算中的任务卸载系统和方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005057B (zh) * 2018-07-19 2021-02-12 华北电力大学 一种基于契约理论和匹配理论的资源分配与任务卸载方法
WO2020044353A1 (en) * 2018-08-30 2020-03-05 Telefonaktiebolaget Lm Ericsson (Publ) System and method for collaborative task offloading automation in smart containers
CN109951873B (zh) * 2019-02-28 2020-09-29 华北电力大学 一种物联网雾计算中信息不对称不确定下的任务卸载机制
CN110972160B (zh) * 2019-10-21 2022-06-28 湖北工业大学 一种异构蜂窝网络中无人机流量卸载契约机制设计方法
CN112948116B (zh) * 2021-03-05 2023-06-13 电子科技大学 一种基于在线激励的边缘计算合作计算资源分配方法
CN113377533B (zh) * 2021-06-07 2023-11-21 重庆邮电大学 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
CN113709698A (zh) * 2021-09-08 2021-11-26 同济大学 一种基于任务块的车联网雾计算协作任务卸载控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800495A (zh) * 2020-06-30 2020-10-20 华北电力大学 一种车辆雾计算中的任务卸载系统和方法

Also Published As

Publication number Publication date
CN115334551A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115334551B (zh) 基于契约理论的任务卸载与资源分配优化方法及系统
WO2021254349A1 (zh) 一种基于竞争博弈的多用户切片资源分配方法
CN111193615B (zh) 一种移动边缘计算网络中的边缘计算节点选择方法
CN112929915B (zh) 一种移动边缘计算的动态数据卸载方法及系统
CN113438621A (zh) 一种基于网联车辅助的边缘计算卸载与资源分配方法
Zhou et al. Optimization of energy consumption of green data center in e-commerce
CN113037876B (zh) 基于合作博弈的云下行任务边缘节点资源分配方法
CN114928612B (zh) 移动边缘计算中协同卸载的激励机制与资源分配方法
Feng et al. Optimal cooperative wireless communication for mobile user data offloading
Yuan et al. Incentivizing federated learning under long-term energy constraint via online randomized auctions
Besharati et al. A prototype auction-based mechanism for computation offloading in fog-cloud environments
CN116112953A (zh) 基于移动边缘计算的区块链任务卸载和资源分配方法
Xue et al. Collaborative computation offloading and resource allocation based on dynamic pricing in mobile edge computing
Lyu et al. Multi-leader multi-follower Stackelberg game based resource allocation in multi-access edge computing
CN110971707B (zh) 一种在移动边缘网络中的分布式服务缓存方法
CN112036625A (zh) 一种电力市场背景下基于主从博弈的新能源消纳方法
CN108901003B (zh) 一种d2d协作网络场景下基于社会关系的功率分配方法
Yang et al. Incorporating user willingness in contract-based incentive mechanism for D2D cooperative data forwarding
Analoui et al. Microeconomics-based resource allocation in overlay networks by using non-strategic behavior modeling
CN115696452A (zh) 云边协同计算中的卸载决策与资源配置联合优化的博弈方法
CN115439026A (zh) 基于嵌套联邦学习的多智能体自组织需求响应方法及系统
Xin et al. Online node cooperation strategy design for hierarchical federated learning
Sun et al. Competitive Pricing for Resource Trading in Sliced Mobile Networks: A Multi-Agent Reinforcement Learning Approach
CN113784372A (zh) 一种面向终端多业务模型的联合优化方法
CN114650568A (zh) 一种移动Ad Hoc云中基于能量收集的分布式卸载方法

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