CN115460080B - 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 - Google Patents
一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 Download PDFInfo
- Publication number
- CN115460080B CN115460080B CN202211008702.5A CN202211008702A CN115460080B CN 115460080 B CN115460080 B CN 115460080B CN 202211008702 A CN202211008702 A CN 202211008702A CN 115460080 B CN115460080 B CN 115460080B
- Authority
- CN
- China
- Prior art keywords
- node
- computing
- calculation
- consensus
- blockchain
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000000977 initiatory effect Effects 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
- G06F8/62—Uninstallation
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/30—Decision processes by autonomous network management units using voting and bidding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,属于区块链和边缘计算技术领域。首先移动边缘节点部署区块链系统后成为区块链节点,并将区块链节点分类为三种类型,即计算节点、共识节点和存储节点。区块链计算节点完成边缘计算或卸载部分任务以完成计算。通过构造计算节点进行边缘计算的效用函数,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略。通过计算共识节点的适应度,选取适应度最高的共识节点作为主节点,发起一轮共识,区块链共识节点对边缘计算结果进行投票。区块链存储节点将通过投票的计算结果进行存储。本发明能够降低计算求解复杂度并保护参与者隐私,同时实现边缘计算结果安全存储。
Description
技术领域
本发明涉及一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,属于区块链和边缘计算技术领域。
背景技术
随着区块链技术应用的飞速发展,移动边缘计算在工业互联网中计算资源分配方面吸引了大量关注。通过联合优化方法,使区块链赋能的移动边缘计算能够实现能源消耗和时延两者之间的最佳权衡。与上述研究不同,博弈论是一种强有力的工具,可用于分析安全问题,这不仅取决于有效的防御策略,还取决于攻击者采取的行动。当参与者人数众多时,平均场博弈可以实现更高精度的分析和隐私保护。现有文献提供了一种基于平均场博弈论的方法以在恶意节点和移动自组织网络中存在的大量合法节点中做出分布式安全防御决策。
尽管区块链和平均场博弈被用于构建一个有前途、安全的资源共享生态系统,但很少有研究讨论在高动态异构网络环境中的计算资源交互。由于节点是高度动态的,其移动性不可预测,如果它从网络中移出,则存在无法完成所有计算任务的风险。因此,计算节点应该将部分计算任务转移给其他节点以便在退出网络之前规定的时间内完成所有已发布的计算任务。聚焦于动态网络环境中基于区块链的计算卸载,很少有相关文献针对这个问题进行分析。
考虑节点的计算能力和卸载任务传输价格,对高动态网络环境中计算节点的效用函数进行动态建模为非合作博弈模型。然而,随着参与者数量越来越大,经典博弈理论模型由于计算的复杂性不能奏效。通过利用时变平均场项法来估计动态网络下一个时刻的最佳卸载策略,可保护参与者隐私、降低边缘计算网络大量移动节点效用函数优化求解复杂度。
发明内容
本发明要解决的技术问题是提供一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,用以解决上述问题。
本发明的技术方案是:一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,具体步骤为:
Step1:移动边缘节点部署区块链系统后成为区块链节点,将区块链节点分类为三种类型,即计算节点、共识节点和存储节点,分别负责处理边缘计算、计算结果投票和计算结果存储。
Step2:区块链计算节点完成边缘计算或卸载部分任务以完成计算,通过构造计算节点进行边缘计算的效用函数,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略。
Step3:区块链共识节点对边缘计算结果进行投票,通过计算共识节点的适应度,选取适应度最高的共识节点作为主节点,发起一轮共识,完成对计算结果的投票验证。
Step4:区块链存储节点将通过投票的计算结果进行存储。
所述Step2中计算节点的效用函数包括本地计算获得的收益和卸载计算的传输成本以及未完成任务而离开网络的惩罚,具体构造过程为:
Step2.1:计算节点i在t时刻完成本地计算获得的收益为:
其中,Nc={1,2,...i...,...j...,nc}表示区块链计算节点的集合,αi(t)是计算节点i的本地计算比例,计算节点i要计算的单位数据大小为|di|,cin(t)=exp(-λz),表示已发布的计算任务cin(t)符合泊松分布,z是由延迟因子确定的常数,λ是泊松分布的参数,ri表示计算节点i通过计算获得的奖励,表示计算节点的计算能力,pi是指进行计算时所需的能量价格。
Step2.2:计算节点i卸载计算的传输成本为:
式中,βi是计算节点i卸载计算任务比例,mi(t)指单位传输功率的单价,Pi,Ri分别代表传输功率和传输速率。
当移动节点的数量大于2,则传输价格耦合如公式(3)所示:
式中,m0是计算节点i本身的单一定价,ψ是计算能力和单价之间的转换系数。
Step2.3:计算节点i未完成任务而离开网络的惩罚为:
式中,pt为时间成本转换系数,T是区块链完成一次共识所需的最长时间,也即允许的边缘计算任务完成的最长时间。
根据Step2.1—Step2.3,计算节点i在t时刻的效用函数可表示为:
Step2.4:通过对计算节点i的效用函数Ui(t,wi)求二阶导,得到则该效用函数为凹函数,存在纳什均衡点并且该点是唯一的。
所述步骤2中,效用函数有均衡解,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略,即得到最适合承担卸载任务的计算节点的计算能力,具体为:
Step2.5:根据梯度学习方法,计算节点i的计算能力迭代公式为:
式中,wi[t+1]为t+1时刻计算节点i的计算能力,wi[t]为t时刻计算节点i的计算能力,为设置的学习率,/>表示计算节点i的效用函数关于计算能力的一阶导。
Step2.6:利用平均场项M[t]替代计算节点i效用函数中的该平均场项为计算节点i与博弈中其他参与的计算节点的聚合项,则计算节点i的效用函数为:
同理,根据梯度学习方法和平均场博弈,计算节点j的计算能力迭代公式为:
则可得到下一时刻即t+1时刻最适合承担卸载任务的计算节点的计算能力为:
所述步骤3具体为:
Step3.1:区块链共识节点的集合表示为Ncon={1,2,...k...,ncon}。根据公式(13)计算共识节点的适应度sk(t)
sk(t)=asm+blc(t-1)+clbc(t) (10)
式中,sm是共识节点过去历史时刻是否成功参与共识的平均适应度,a是历史适应度所占的比例,lc(t-1)、b分别指第k个区块链共识节点在t-1时刻计算任务的完成情况及其权重,lbc(t)、c代表在t时刻将要完成的任务计算量以及所占的权重,所有权重满足a+b+c=1。
Step3.2:对适应度sk(t)进行排序,选择适应度最高的共识节点作为下一时刻主节点。
Step3.3:由选取的主节点发起一轮共识,并将计算结果打包生成预备块,其余共识节点对该预备块进行投票验证。
本发明的有益效果是:
(1)本发明提出时变平均场项求解存在资源竞争行为的效用优化问题,动态估计网络下一时刻的最优卸载控制策略。由于节点具有移动性导致网络拓扑不可预测,动态网络中某一时刻响应发布计算任务的边缘节点存在退出网络并使剩余计算任务无法完成的风险。因此,本发明能够规避此风险,并且降低计算复杂度并保护参与者隐私;
(2)本发明所述方法能够保证移动节点的可靠性,在计算节点完成计算任务后,能够实现计算结果安全存储以及可追溯;
(3)本发明提出考虑计算任务完成度的主节点选取机制,通过提高未完成任务占比,可增加下一时刻该节点被选为主节点的概率,以此激励移动节点在离开网络之前尽可能完成计算任务。该方法为区块链共识机制创新提供了新的思路。
附图说明
图1是本发明的步骤流程图;
图2是本发明实施例中不同卸载比例对效用的影响图;
图3是本发明实施例中不同方案效用比较图;
图4是本发明实施例中不同轮数节点适应度图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如附图1所示,一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,具体步骤为:
Step1:移动边缘节点部署区块链系统后成为区块链节点,将区块链节点分类为三种类型,即计算节点、共识节点和存储节点,分别负责处理边缘计算、计算结果投票和计算结果存储。
Step2:区块链计算节点完成边缘计算或卸载部分任务以完成计算。通过构造计算节点进行边缘计算的效用函数,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略。
Step3:区块链共识节点对边缘计算结果进行投票。通过计算共识节点的适应度,选取适应度最高的共识节点作为主节点,发起一轮共识,完成对计算结果的投票验证。
Step4:区块链存储节点将通过投票的计算结果进行存储。
所述Step2中计算节点的效用函数包括本地计算获得的收益和卸载计算的传输成本以及未完成任务而离开网络的惩罚,具体构造过程为:
Step2.1:计算节点i在t时刻完成本地计算获得的收益为
其中,Nc={1,2,...i...,...j...,nc}表示区块链计算节点的集合,αi(t)是计算节点i的本地计算比例,计算节点i要计算的单位数据大小为|di|,cin(t)=exp(-λz),表示已发布的计算任务cin(t)符合泊松分布,z是由延迟因子确定的常数,λ是泊松分布的参数,ri表示计算节点i通过计算获得的奖励,表示计算节点的计算能力,pi是指进行计算时所需的能量价格。
Step2.2:计算节点i卸载计算的传输成本为:
式中,βi是计算节点i卸载计算任务比例,mi(t)指单位传输功率的单价,Pi,Ri分别代表传输功率和传输速率。
当移动节点的数量大于2,则传输价格耦合如公式(5)所示:
式中,m0是计算节点i本身的单一定价,ψ是计算能力和单价之间的转换系数。
Step2.3:计算节点i未完成任务而离开网络的惩罚为
式中,pt为时间成本转换系数,T是区块链完成一次共识所需的最长时间,也即允许的边缘计算任务完成的最长时间。
根据Step2.1—Step2.3,计算节点i在t时刻的效用函数可表示为
Step2.4:通过对计算节点i的效用函数Ui(t,wi)求二阶导,得到则该效用函数为凹函数,存在纳什均衡点并且该点是唯一的。
所述Step2中,效用函数有均衡解,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略,即得到最适合承担卸载任务的计算节点的计算能力,具体为:
Step2.5:根据梯度学习方法,计算节点i的计算能力迭代公式为
wi[t+1]为t+1时刻计算节点i的计算能力,wi[t]为t时刻计算节点i的计算能力,为设置的学习率,/>表示计算节点i的效用函数关于计算能力的一阶导。
Step2.6:利用平均场项M[t]替代计算节点i效用函数中的该平均场项为计算节点i与博弈中其他参与的计算节点的聚合项。则计算节点i的效用函数可以写为
同理,根据梯度学习方法和平均场博弈,计算节点j的计算能力迭代公式可表示为
则可得到下一时刻即t+1时刻最适合承担卸载任务的计算节点的计算能力为
如附图2所示,随着参与任务计算的节点数变化,不同的卸载比βi可导致基于平均场博弈估计的效用不同。设当前网络中计算节点的最大数量是2000。对于不同的卸载策略,响应任务发布商的计算节点本地承担的计算任务更多(即αi=0.8,βi=0.2),节点可以获得更多的回报。特别是,当卸载百分比βi上升到80时,响应计算节点的效用显著下降,因为这意味着该节点需要为卸载的任务传输支付更多的成本。
如附图3所示,该图为考虑计算节点效用函数完整信息的完全信息博弈与平均场博弈估计的比较。显而易见,随着计算节点数量的增加,计算的效用呈现下降趋势。这是因为计算节点之间的本能竞争。此外,虽然完全信息博弈计算出的效用大于所提出的平均场博弈估计的效用,但是随着参与者的不断增加,平均场博弈的估计值与完全信息博弈的效用值非常接近。具体来说,当计算节点数量低于600时,这两种方案的效益之间没有差距,这说明本发明方法的有效性。
所述Step3具体为:
Step3.1:区块链共识节点的集合表示为Ncon={1,2,...k...,ncon}。根据公式(13)计算共识节点的适应度sk(t)
sk(t)=asm+blc(t-1)+clbc(t) (10)
式中,sm是共识节点过去历史时刻是否成功参与共识的平均适应度,a是历史适应度所占的比例,lc(t-1)、b分别指第k个区块链共识节点在t-1时刻计算任务的完成情况及其权重,lbc(t)、c代表在t时刻将要完成的任务计算量以及所占的权重,所有权重满足a+b+c=1。
Step3.2:对适应度sk(t)进行排序,选择适应度最高的共识节点作为下一时刻主节点。
Step3.3:由选取的主节点发起一轮共识,并将计算结果打包生成预备块,其余共识节点对该预备块进行投票验证。
如附图4所示,当适应度的均值sm为10时,设置权重a=0.3。节点的适应度随着每一轮共识而变化。具体而言,节点1在第9轮和节点2在第3轮的适应度相对较小,这主要因为这两个节点在相应共识轮中没有成功参与共识。对于节点3和节点4,其适应度在执行了11轮共识之后逐渐提高。这表明这些节点更有可能被选为主节点并且完成计算结果的上链处理。而通过考虑计算任务完成情况,若lc(t-1)=0.2,其权重设置为b=0.1,下一时刻将要完成的任务量lc(t)=0.8,其权重设置为c=0.6。实验结果证明,与现有方法进行比较,节点1和节点2在下一时刻参与共识并成为主节点的可能性大大提高。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种区块链辅助的时变平均场博弈边缘计算卸载优化方法,其特征在于:
Step1:移动边缘节点部署区块链系统后成为区块链节点,将区块链节点分类为三种类型,即计算节点、共识节点和存储节点,分别负责处理边缘计算、计算结果投票和计算结果存储;
Step2:区块链计算节点完成边缘计算或卸载部分任务以完成计算,通过构造计算节点进行边缘计算的效用函数,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略;
Step3:区块链共识节点对边缘计算结果进行投票,通过计算共识节点的适应度,选取适应度最高的共识节点作为主节点,发起一轮共识,完成对计算结果的投票验证;
Step4:区块链存储节点将通过投票的计算结果进行存储;
所述Step2中计算节点的效用函数,具体构造过程为:
Step2.1:计算节点i在t时刻完成本地计算获得的收益为:
其中,Nc={1,2,...i...,...j...,nc}表示区块链计算节点的集合,αi(t)是计算节点i的本地计算比例,计算节点i要计算的单位数据大小为|di|,cin(t)=exp(-λz),表示已发布的计算任务cin(t)符合泊松分布,z是由延迟因子确定的常数,λ是泊松分布的参数,ri表示计算节点i通过计算获得的奖励,表示计算节点的计算能力,pi是指进行计算时所需的能量价格;
Step2.2:计算节点i卸载计算的传输成本为:
式中,βi是计算节点i卸载计算任务比例,mi(t)指单位传输功率的单价,Pi,Ri分别代表传输功率和传输速率;
当移动节点的数量大于2,则传输价格耦合如公式(3)所示:
式中,m0是计算节点i本身的单一定价,ψ是计算能力和单价之间的转换系数;
Step2.3:计算节点i未完成任务而离开网络的惩罚为:
式中,pt为时间成本转换系数,T是区块链完成一次共识所需的最长时间,也即允许的边缘计算任务完成的最长时间;
根据Step2.1—Step2.3,计算节点i在t时刻的效用函数可表示为:
Step2.4:通过对计算节点i的效用函数Ui(t,wi)求二阶导,得到则该效用函数为凹函数,存在纳什均衡点并且该点是唯一的。
2.根据权利要求1所述的区块链辅助的时变平均场博弈边缘计算卸载优化方法,其特征在于:所述Step2中,效用函数有均衡解,利用梯度学习方法和平均场博弈对效用函数进行求解,优化下一时刻卸载策略,即得到最适合承担卸载任务的计算节点的计算能力,具体为:
Step2.5:根据梯度学习方法,计算节点i的计算能力迭代公式为:
式中,wi[t+1]为t+1时刻计算节点i的计算能力,wi[t]为t时刻计算节点i的计算能力,li为设置的学习率,表示计算节点i的效用函数关于计算能力的一阶导;
Step2.6:利用平均场项M[t]替代计算节点i效用函数中的该平均场项为计算节点i与博弈中其他参与的计算节点的聚合项,则计算节点i的效用函数为:
同理,根据梯度学习方法和平均场博弈,计算节点j的计算能力迭代公式为:
则可得到下一时刻即t+1时刻最适合承担卸载任务的计算节点的计算能力为:
3.根据权利要求1所述的区块链辅助的时变平均场博弈边缘计算卸载优化方法,其特征在于:所述Step3具体为:
Step3.1:区块链共识节点的集合表示为Ncon={1,2,...k...,ncon},根据公式(10)计算共识节点的适应度sk(t)
sk(t)=asm+blc(t-1)+clbc(t) (10)
式中,sm是共识节点过去历史时刻是否成功参与共识的平均适应度,a是历史适应度所占的比例,lc(t-1)、b分别指第k个区块链共识节点在t-1时刻计算任务的完成情况及其权重,lbc(t)、c代表在t时刻将要完成的任务计算量以及所占的权重,所有权重满足a+b+c=1;
Step3.2:对适应度sk(t)进行排序,选择适应度最高的共识节点作为下一时刻主节点;
Step3.3:由选取的主节点发起一轮共识,并将计算结果打包生成预备块,其余共识节点对该预备块进行投票验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008702.5A CN115460080B (zh) | 2022-08-22 | 2022-08-22 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211008702.5A CN115460080B (zh) | 2022-08-22 | 2022-08-22 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115460080A CN115460080A (zh) | 2022-12-09 |
CN115460080B true CN115460080B (zh) | 2024-04-05 |
Family
ID=84299456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211008702.5A Active CN115460080B (zh) | 2022-08-22 | 2022-08-22 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115460080B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
CN112087518A (zh) * | 2020-09-10 | 2020-12-15 | 工银科技有限公司 | 用于区块链的共识方法、装置、计算机系统和介质 |
CN112468568A (zh) * | 2020-11-23 | 2021-03-09 | 南京信息工程大学滨江学院 | 一种移动边缘计算网络的任务中继卸载方法 |
CN112532676A (zh) * | 2020-07-24 | 2021-03-19 | 北京航空航天大学 | 一种基于区块链数据共享的车辆计算任务卸载方法 |
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 |
CN113672911A (zh) * | 2021-07-15 | 2021-11-19 | 华南理工大学 | 基于区块链的体域网任务卸载方法和系统 |
CN114265898A (zh) * | 2021-12-24 | 2022-04-01 | 北京天融信网络安全技术有限公司 | 数据处理方法、装置、设备和存储介质 |
-
2022
- 2022-08-22 CN CN202211008702.5A patent/CN115460080B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
CN112532676A (zh) * | 2020-07-24 | 2021-03-19 | 北京航空航天大学 | 一种基于区块链数据共享的车辆计算任务卸载方法 |
CN112087518A (zh) * | 2020-09-10 | 2020-12-15 | 工银科技有限公司 | 用于区块链的共识方法、装置、计算机系统和介质 |
CN112468568A (zh) * | 2020-11-23 | 2021-03-09 | 南京信息工程大学滨江学院 | 一种移动边缘计算网络的任务中继卸载方法 |
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 |
CN113672911A (zh) * | 2021-07-15 | 2021-11-19 | 华南理工大学 | 基于区块链的体域网任务卸载方法和系统 |
CN114265898A (zh) * | 2021-12-24 | 2022-04-01 | 北京天融信网络安全技术有限公司 | 数据处理方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
"Trustworthy Blockchain Empowered Collaborative Edge Computing as a Service Scheduling and Data Sharing in the IIOE";Fenghua bai 等;《IEEE Internet of Things Journal》;第第9卷卷(第第16期期);第14752-14766页 * |
移动边缘计算中基于Stackelberg博弈的算力交易与定价;吴雨芯;蔡婷;张大斌;;计算机应用(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115460080A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chai et al. | A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles | |
Xu et al. | Trust-aware service offloading for video surveillance in edge computing enabled internet of vehicles | |
CN112380008B (zh) | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 | |
CN113992676A (zh) | 端边云架构和完全信息下分层联邦学习的激励方法及系统 | |
CN111813539A (zh) | 一种基于优先级与协作的边缘计算资源分配方法 | |
Wen et al. | CPU usage prediction for cloud resource provisioning based on deep belief network and particle swarm optimization | |
Wang et al. | A task scheduling strategy in edge‐cloud collaborative scenario based on deadline | |
CN116669111A (zh) | 一种基于区块链的移动边缘计算任务卸载方法 | |
Zhang et al. | Mining task offloading in mobile edge computing empowered blockchain | |
Li et al. | Online cooperative resource allocation at the edge: A privacy-preserving approach | |
CN115460080B (zh) | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 | |
Du et al. | Adversarial deep learning for online resource allocation | |
Wang et al. | Optimal DoS attack strategy for cyber-physical systems: A Stackelberg game-theoretical approach | |
Wang et al. | Social-aware clustered federated learning with customized privacy preservation | |
Luan et al. | LRP‐based network pruning and policy distillation of robust and non‐robust DRL agents for embedded systems | |
CN115099535B (zh) | 一种双目标群智感知激励机制方法 | |
Shi et al. | CROSS: a crowdsourcing based sub-servers selection framework in D2D enhanced MEC architecture | |
Jiang et al. | Combinatorial double auction for resource allocation with differential privacy in edge computing | |
CN115987541A (zh) | 边缘联邦任务卸载中带宽拒绝分配攻击防护方法 | |
Lim et al. | Dynamic resource allocation for hierarchical federated learning | |
Gao et al. | Deep reinforcement learning based node pairing scheme in edge-chain for IoT applications | |
CN114727319A (zh) | 基于vcg拍卖机制的5g mec计算任务卸载方法 | |
Zhang et al. | Game-theoretic modeling and stability analysis of blockchain channels | |
Pu et al. | Cloud-Edge Collaborative Computation Offloading: A Deep Reinforcement Learning approach | |
Yang et al. | Asynchronous Federated Learning with Incentive Mechanism Based on Contract Theory |
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 |