CN116204318A - 融合计算卸载及能源馈送激励的边缘网络资源交易方法 - Google Patents

融合计算卸载及能源馈送激励的边缘网络资源交易方法 Download PDF

Info

Publication number
CN116204318A
CN116204318A CN202310217586.6A CN202310217586A CN116204318A CN 116204318 A CN116204318 A CN 116204318A CN 202310217586 A CN202310217586 A CN 202310217586A CN 116204318 A CN116204318 A CN 116204318A
Authority
CN
China
Prior art keywords
node
scheme
edge
energy
unloading
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.)
Pending
Application number
CN202310217586.6A
Other languages
English (en)
Inventor
张碧玲
刘家华
赵国安
刘勇
于翠波
董跃武
郭彩丽
焦正阳
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202310217586.6A priority Critical patent/CN116204318A/zh
Publication of CN116204318A publication Critical patent/CN116204318A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了融合计算卸载及能源馈送激励的边缘网络资源交易方法，包括：构建边缘计算场景，基于边缘计算场景构建计算卸载方案及能源馈送方案；对所述计算卸载方案及能源馈送方案进行融合，生成资源交易目标方案；对所述资源交易目标方案进行关系解耦，生成最优化目标方案；获取边缘计算任务数据，基于边缘计算任务数据，通过优化算法对最优化目标方案进行求解，生成最优资源购买方案。

Description

融合计算卸载及能源馈送激励的边缘网络资源交易方法
技术领域
本发明涉及边缘计算与能源资源协同技术领域，特别涉及融合计算卸载及能源馈送激励的边缘网络资源交易方法。
背景技术
随着实时视频流、增强现实和交互式游戏等新兴5G应用的快速发展，计算资源的需求呈指数级增长，这对计算网络提出了新的挑战。云计算是解决这个问题的有效方法之一。然而，计算服务用户和云服务器之间的长距离可能会降低服务质量和用户体验。在这种情况下，有人提出了移动边缘计算(mobile edge computing,MEC)网络来扩展存在于用户附近的计算能力。为了提供实时计算能力，边缘计算的服务供应商(service provider,SP)需要部署一定数量的移动边缘计算服务器。然而，服务器的计算能力总是有限的，特别是在计算需求的高峰期可能会面临计算资源不足的问题。对此，服务供应商可以考虑组织一些边缘设备，例如家用计算机、智能电视和配备了计算资源和一定容量存储单元的电动汽车等，作为边缘计算卸载节点(edge computing node,ECN)。服务供应商可以通过有效利用ECN的闲置计算资源来完成计算任务。
另一方面，由于计算需求高峰期往往也是能源需求的高峰期，服务供应商在缺乏计算能力的同时还可能面临能源不足的问题。此时，服务供应商即使能够通过电网获取能源，由于分时电价的影响电力的价格也会很高。虽然服务供应商可以配备储能设备以确保服务器的稳定运行，但储能设备能力有限且成本较高。注意到电动汽车、基站和具有可再生能源发电设备的家庭等边缘节点通常具有较大的储能容量，可以在用电低谷期间以较低的价格充电(发电)，并在用电高峰时段出售能源给服务供应商以赚取差价，服务供应商可以考虑将这些边缘节点用作能量馈送节点(energy feeding node,EFN)作为更便宜的充电来源，而不需要只依赖电网。
因此，当服务供应商遇到计算和(或)能量资源不足时，有两种方式来完成计算任务，即(1)将计算任务卸载到边缘计算卸载节点或(2)通过能量馈送节点补充能源在本地完成计算任务。然而，无论是选择哪一种或者两种都有，服务供应商都必须解决两个关键问题。首先，需要一个有效的激励机制，因为边缘计算卸载节点和能量馈送节点都具有个体理性，在没有报酬的情况下不愿意参与计算卸载(CO)或能量馈送(EF)。其次，激励计算卸载和能量馈送的两种方式都会产生成本且两种成本此消彼长，如何通过合理调节计算卸载量与能源购买量，在信息不对称的情况下以最小的成本激励ECN和能量馈送节点参与交易以实现边缘计算任务的合理分配是一个挑战。
发明内容
为解决上述现有技术中所存在的在不同设备信息不对称的情况下，无法有效调节计算卸载量和能源购买量，进而无法有效进行边缘计算任务分配的问题，本发明提供一种融合计算卸载及能源馈送激励的边缘网络资源交易方法，可以对边缘计算任务进行有效分配，进而有效地降低边缘计算的服务供应商的总成本，减轻用电高峰时期电网供电压力。
为了实现上述技术目的，本发明提供了如下技术方案：融合计算卸载及能源馈送激励的边缘网络资源交易方法，包括：
构建边缘计算场景，基于边缘计算场景构建计算卸载方案及能源馈送方案；对所述计算卸载方案及能源馈送方案进行融合，生成资源交易目标方案；对所述资源交易目标方案进行关系解耦，生成最优化目标方案；获取边缘计算任务数据，基于边缘计算任务数据，通过优化算法对最优化目标方案进行求解，生成最优资源购买方案。
可选的，所述边缘计算场景包括：边缘计算的服务供应商、边缘计算卸载节点及能量馈送节点，其中所述服务供应商向所述边缘计算卸载节点卸载边缘计算任务并提供奖励，同时向所述能量馈送节点收购电能。
可选的，所述计算卸载方案为：
Figure BDA0004115455700000031
其中，
Figure BDA0004115455700000032
为第i种卸载节点采用激励方案/>
Figure BDA0004115455700000033
后对应的计算卸载效用，/>
Figure BDA0004115455700000034
为面向第i种类型卸载节点的计算卸载报酬，xi为面向第i种类型的卸载节点的计算卸载任务，θi为第i种卸载节点对应的边缘计算成本，fk为CPU时钟频率，tmax为完成任务最大容忍延迟；
对应的约束条件为：
Figure BDA0004115455700000035
Figure BDA0004115455700000036
其中，Θ为卸载节点的分类类别集合，
Figure BDA0004115455700000037
为第i种边缘计算卸载节点采用第i′种边缘计算卸载节点的的激励方案/>
Figure BDA0004115455700000038
后对应的计算卸载效用，xi′为面向第i′种类型卸载节点的计算卸载量，/>
Figure BDA0004115455700000039
为面向第i′种类型卸载节点的报酬，i及i′为不同的卸载节点的类型序号，θi′为第i′种卸载节点对应的边缘计算成本。
可选的，所述能源馈送方案为：
Figure BDA00041154557000000310
其中，
Figure BDA00041154557000000311
为第j种卸载节点采用激励方案/>
Figure BDA00041154557000000312
后对应的能源馈送效用，yj为面向第j种馈电节点的总馈电量，/>
Figure BDA0004115455700000041
为面向第j种馈电节点的能源报酬，λj为第j种馈电节点的馈电意愿，g为单位能源的平均价格；
对应的约束条件为：
Figure BDA0004115455700000042
Figure BDA0004115455700000043
其中，Ψ为馈电意愿集合，
Figure BDA0004115455700000044
第j种卸载节点采用激励方案/>
Figure BDA0004115455700000045
后对应的能源馈送效用，yj′为面向第j′种类型馈电节点的馈电量，/>
Figure BDA0004115455700000046
为面向第j′种类型馈电节点的能源报酬，j和j′为不同的馈电节点的类型序号，λj′为第j′种馈电节点的馈电意愿。
可选的，所述资源交易目标方案为：
P1：
Figure BDA0004115455700000047
Figure BDA0004115455700000048
Figure BDA0004115455700000049
Figure BDA00041154557000000410
Figure BDA00041154557000000411
C+x′0＝D
Figure BDA00041154557000000412
其中，CSP为总成本，所述总成本通过任务卸载成本及购电成本计算获取；(C，E)为资源交易方案，x′0为在本地完成计算量，E为本地完成计算量对应能耗，D为计算服务供应商的计算需求总量，f0为CPU时钟频率，κ0为与服务供应商服务器硬件相关的常数。
可选的，所述最优化目标方案为：
P4：
Figure BDA00041154557000000413
s.t.C+x′0＝D
Figure BDA00041154557000000414
其中所述最优化目标方案的优化问题为通过优化资源购买方案(C,E)来使得服务供应商的总成本最小化，D是服务供应商需要完成的总计算量，C是通过计算卸载完成的计算量，E是在本地完成计算任务需要的能耗。
可选的，所述优化算法采用麻雀搜索算法。
可选的，所述最优资源购买方案包括最优边缘计算卸载量及能源馈送量。
本发明具有如下技术效果：
本文提出的融合计算卸载及能源交易激励的资源交易方案，能够充分利用计算卸载和能量馈送的优势，在最大时延约束内以最小成本完成计算任务。基于边缘计算卸载节点和能量馈送节点个体理性(individual rationality，IR)和激励相容性(incentivecompatibility，IC)的激励机制具有可行性，所提任务分配方案可以有效地降低服务供应商的总成本，减轻用电高峰时期电网供电压力。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的研究场景示意图；
图2为本发明实施例提供的不同方案在不同计算任务量下的成本对比示意图；
图3为本发明实施例提供的不同方案在不同时延要求下的成本对比示意图；
图4为本发明实施例提供的不同时延要求下计算潜能的对比示意图；
图5为本发明实施例提供的不同方案对电网减压效果的对比示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明设计了一种融合计算及能源馈送激励的资源交易方案，在考虑信息不对称的情况下，基于合同理论设计综合激励机制，然后利用麻雀算法找到最优任务分配方案，属于边缘计算与能源资源协同领域。
1.场景描述
如图1所示，本发明考虑的边缘计算场景包括一个边缘计算的服务供应商(SP)和众多边缘计算卸载节点(ECN)及能量馈送节点(EFN)。在计算高峰期，服务供应商部署的移动边缘计算(MEC)服务器无法完成用户的计算任务，同时还面临能源不足。此时，服务供应商需要通过诸如路边单元(road side unit，RSU)之类的网关将一部分任务卸载到附近的电动汽车、家用电脑和智能电视等边缘计算卸载节点，并(或)通过诸如充电站之类的聚合器从电动汽车、基站和家庭等能量馈送节点处购买低价能源，以按时完成计算任务。
2.计算卸载方案设计
假设服务供应商卸载到边缘计算卸载节点的任务用T(x，tmax)的形式表示，其中x是计算任务量(以byte为单位)，tmax是完成任务最大延迟(以秒为单位)。如果任务执行时间超过tmax，则计算结果将过期失效。注意到执行计算任务会产生能耗并导致设备折旧，在决定是否从服务供应商接受计算任务时，自利性的边缘计算卸载节点必须考虑成本和报酬。
假设边缘计算卸载节点的CPU周期频率(即CPU时钟频率)为f，则任务T(x，tmax)的执行时间t(x)为：
Figure BDA0004115455700000071
对应的能耗e(x)为：
e(x)＝κxf2#(2)
其中，κ是与CPU硬件结构相关的常数因子。考虑设备的占用时间与能耗，边缘计算卸载节点的成本c(x)可以表示为：
c(x)＝μtt(x)+μee(x)#(3)
其中，μt为计算耗时的单位成本因子，μe是能耗的单位成本因子。
从式(1)至式(3)，可以看出f、κ、μt和μe是影响计算成本的重要因素。为了更好区分边缘计算卸载节点，本文使用边缘成本来综合上述影响因素，并作为计算成本的指标，则边缘计算成本θ表示为：
Figure BDA0004115455700000072
/>
本实施例设定有Nc个边缘计算卸载节点，根据各自计算设备的边际计算成本差异，可以将它们分为I类，即θ1，...，θI，θI为第I类边缘计算卸载节点对应的边缘计算成本，并且不同类边缘计算卸载节点对应的的边缘计算成本存在大小排序关系：θ1＜...＜θi＜...＜θI。θi为第i类边缘计算卸载节点对应的边缘计算成本，这些类型构成边缘计算卸载节点分类集合Θ＝{θ1，...，θI}。
应注意的是，对于每种类型的边缘计算卸载节点，其CPU时钟频率可以是K种CPU中的任何一种，且可将不同类CPU对应的时钟频率排列为f1＜...＜fk＜...＜fK。fK为第K种CPU的时钟频率，当边缘计算卸载节点接受计算卸载任务时，它应该确保执行时间不超过最大延迟。换言之，对于第k种CPU时钟频率fk∈Γ＝{f1，f2，...，fK}的边缘计算卸载节点，Γ为时钟频率集合，时延约束应满足
Figure BDA0004115455700000081
事实上，服务供应商和边缘计算卸载节点都是自利的。服务供应商希望以最低的成本完成任务，而边缘计算卸载节点则试图以更少的成本付出获得更多的报酬。然而，边缘计算卸载节点不愿意透露它们私人信息中的边缘计算成本θ。在这种信息不对称的情况下，合同理论是服务供应商为计算卸载任务设定合理报酬的一种很有效的方法。
令面向θi类型的边缘计算卸载节点的计算卸载合同即计算卸载方案为
Figure BDA0004115455700000082
则该方案意味着边缘计算卸载节点应在tmax内完成计算第i个卸载任务xi并获得对应卸载任务的计算卸载报酬/>
Figure BDA0004115455700000083
其中i表示为卸载节点的类型序号，角标c表示为计算卸载。要注意的是，由于第i类边缘计算卸载节点对应的边缘计算成本θi是多种因素组成的，θi类型的边缘计算卸载节点可以具有不同的CPU时钟频率fk。其中，k表示第k种的CPU频率序号。具有θi∈Θ和fk∈Γi的边缘计算卸载节点接受/>
Figure BDA0004115455700000084
时，其计算卸载效用
Figure BDA0004115455700000085
为：
Figure BDA0004115455700000086
根据合同理论，合同即上述方案需要满足个体理性(IR)约束和激励相容(IC)约束来保证可行性，即：
Figure BDA0004115455700000087
Figure BDA0004115455700000088
其中，i和i′表示不同的卸载节点的类型序号，即第i及i′类节点，i′表示不同于i为任一卸载节点类型序号；
Figure BDA0004115455700000089
是面向第i′类节点对应的方案，包含计算任务量xi′和对应的报酬/>
Figure BDA0004115455700000091
θi′是第i′种节点类型。
通过仔细设计合同即上述方案，服务供应商可以根据边缘计算卸载节点的方案选择识别边缘计算卸载节点的类型，从而克服信息不对称。
3.能源馈送方案设计
除了将计算任务卸载到边缘计算卸载节点之外，服务供应商还可以在本地执行部分任务。当面临能源不足或高电价时，服务供应商考虑从附近的能量馈送节点补充能源。
由于储能容量、用能需求以及充电成本等多种因素的差异，不同能量馈送节点参与馈电的积极性不尽相同。我们根据馈电意愿λj作为其类型来区分它们。本实施例设置存在J种类型的能量馈送节点，其对应的馈电意愿为λ1，...，λJ。在不失一般性的前提下，令λ1＜...＜λj＜...＜λJ，并构成馈电意愿集合Ψ＝{λ1，...，λJ}。在这里，第j种类型能量馈送节点的馈电意愿λj越大意味着它具有更多的剩余能量，并且具有更高的馈电意愿。然而，能量馈送节点的馈电意愿是它们的私人信息，服务供应商也无法获得。在这种情况下，当服务供应商从能量馈送节点处购买能源时，也存在信息不对称，合同理论再次被应用。
假设面向能量馈送节点的能量馈送合同即上述方案为
Figure BDA0004115455700000092
其中yj是第j种馈电节点对应的馈电量，/>
Figure BDA0004115455700000093
是相应的能源报酬。当类型为λj∈Ψ的能量馈送节点签署能量馈送方案/>
Figure BDA0004115455700000094
时，其/>
Figure BDA0004115455700000095
对应的能源馈送效用/>
Figure BDA0004115455700000096
为：
Figure BDA0004115455700000097
其中，g是单位能源的平均价格。
对于理性能量馈送节点，能量馈送方案同样需要满足个体理性约束和激励相容约束来保证可行性，即：
Figure BDA0004115455700000098
Figure BDA0004115455700000101
其中，Ψ为馈电节点集合，yj′为面向第j′种类型馈电节点的方案所对应的馈电量，
Figure BDA0004115455700000102
为面向第j′种类型馈电节点方案所对应的报酬，j和j′表示不同馈电节点的类型序号，j′为不同于j的任一馈电节点类型序号，λj′为第j′种馈电节点的类型，/>
Figure BDA0004115455700000103
为针对j′种馈电节点类型的馈电方案。
4.融合计算卸载和能源馈送的资源交易方案
由于计算卸载(CO)方案与能量馈送(EF)方案能完成总计算量和产生成本都不相同，为使总成本最小，服务供应商需要决定最优的计算卸载量与购电量，在规定的最大时延内完成所有计算任务。
设资源交易方案为(C，E)，其中C为计算卸载量，E为购电量。令D为服务供应商的总计算任务量，则应存在C≤D，而在本地执行的任务量是x′0＝D-C。假设有N0台服务器，每台服务器的CPU时钟频率为f0，服务供应商完成D-C计算量的时间应该满足
Figure BDA0004115455700000104
与此同时，服务供应商需要从能量馈送节点购买的能量为/>
Figure BDA0004115455700000105
其中κ0是与服务供应商服务器硬件相关的常数，则计算卸载任务量/>
Figure BDA0004115455700000106
馈电量为
Figure BDA0004115455700000107
这里，Nc、Ne分别是边缘计算卸载节点、能量馈送节点的个数，/>
Figure BDA0004115455700000108
是边缘计算卸载节点属于θi类型的概率，/>
Figure BDA0004115455700000109
是能量馈送节点属于λj类型的概率，i和j分别为边缘计算卸载节点、能量馈送节点的类型序号。相应地，服务供应商的任务卸载成本为
Figure BDA00041154557000001010
而购电的成本为
Figure BDA0004115455700000111
因此，完成计算任务量D的总成本为
CSP＝Cc+Ce#(13)
为了最小化总成本，服务供应商应调整资源交易方案(C，E)，并设计适当的计算卸载方案
Figure BDA0004115455700000112
和能量馈送方案/>
Figure BDA0004115455700000113
I为卸载节点类型总数，J为能量馈送节点类型总数，以激励边缘计算卸载节点和能量馈送节点在不对称信息下参与交易。总优化问题可以表示为
P1：
Figure BDA0004115455700000114
s.t
Figure BDA0004115455700000115
Figure BDA0004115455700000116
Figure BDA0004115455700000117
Figure BDA0004115455700000118
C+x′0＝D
Figure BDA0004115455700000119
优化问题意为通过优化计算卸载方案
Figure BDA00041154557000001110
能量馈送的方案/>
Figure BDA00041154557000001111
和资源交易方案(C，E)来使服务供应商的总成本达到最小。服务供应商需要完成的总计算量为D，通过计算卸载完成的计算量为C，在本地完成计算量为x′0，本地计算需要的能源量为E。
5.最优方案和交易方案
从式(11)和式(12)可以看出计算卸载方案和能量馈送方案是资源交易方案(C，E)的函数，且资源购买方案与这两个方案之间存在耦合关系。因此，首先需要将合同即方案设计和交易方案之间的关系解耦，即假设交易方案已知来求解方案设计问题，推导出方案的最优表达式，再将该方案的表达式代入原优化问题来求解最优交易方案，最后得到最优计算卸载方案和能量馈送方案。
首先，给定(C，E)，优化问题P1可以分解为
P2：
Figure BDA0004115455700000121
s.t.
Figure BDA0004115455700000122
和
P3：
Figure BDA0004115455700000123
s.t.yj≤yj，max，
对于优化问题P2和P3，对IR和IC约束化简，求解得到最优计算卸载方案为：
Figure BDA0004115455700000124
Figure BDA0004115455700000125
其中，
Figure BDA0004115455700000126
最优计算报酬，/>
Figure BDA0004115455700000127
为最优分配任务量，xi，max＝fitmax是θi类型边缘计算卸载节点的最大计算任务量，imin通过：
Figure BDA0004115455700000128
和/>
Figure BDA0004115455700000129
来确定，其中/>
Figure BDA00041154557000001210
是第i种类型卸载节点的个数，I是卸载节点的类型个数，C*是最优的计算卸载总量。而最优馈电方案为：
Figure BDA00041154557000001211
Figure BDA0004115455700000131
其中，
Figure BDA0004115455700000132
为最优能源报酬，/>
Figure BDA0004115455700000133
为最优馈电量，其不同参数进行上角标*表示最优化参数，jmin的取值可以通过以下2个约束确定，
Figure BDA0004115455700000134
和/>
Figure BDA0004115455700000135
其中，Ne是馈电节点的个数，J是馈电节点的类型种数，E*是最优的馈电总量。
接着，将最优计算卸载方案和能量馈送方案的形式代入问题P1，即将式(17)、(18)、(20)和(21)代入式(14)，得到
P4：
Figure BDA0004115455700000136
s.t.C+x′0＝D
Figure BDA0004115455700000137
对于P4，可通过麻雀搜索算法(improved sparrow search algorithm，ISSA)来求解，最终得到最优资源购买方案(C*，E*)，C*是令服务供应商总成本最小的最优计算卸载量，E*是令服务供应商总成本最小的最优馈电总量。
本申请相对现有的、最好的技术而言，所具有的优点和效果。
为了验证性能，将本文方案与现有的纯计算卸载方案、纯馈电方案进行对比，结果如图2、图3、图4和图5所示。由图2和图3可见，在计算任务的不同计算量和不同时延要求下，本资源交易方案均能令服务供应商的支付成本最低。图4显示，本资源交易方案相对于其他方案能令服务供应商获得更大的计算潜能。这里，计算潜能指在给定的最大时延内可以完成的最大计算量。由图5可见，本资源交易方案能够更大程度地缓解电网供能压力。
综上，本资源交易方案可以最小化服务供应商的总成本，提升其计算潜能，还可以减少电网高峰供电压力，有利于供能稳定。因此，本发明具有很好的推广应用前景。
本发明上述技术方案具有如下创新点：
1、在边缘计算的研究场景中，不同于以往方案只考虑边缘计算服务器的计算资源不足的问题，或者边缘计算服务商可能面临能源短缺或电网能源价格偏高的问题，本资源交易方案综合考虑上述两个问题。
2、为了完成边缘计算服务商服务供应商的计算任务，本资源交易方案通过将计算任务卸载到边缘计算卸载节点来解决计算资源不足的问题，同时通过边缘节点能量馈送节点的能源馈送来解决较低成本能源补充问题。
3、本资源交易方案中同时融合了信息不对称条件下的计算卸载和能源馈送两种激励。
4、本资源交易方案综合衡量两种激励产生的成本，能够以最低成本完成所有计算任务。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.融合计算卸载及能源馈送激励的边缘网络资源交易方法，其特征在于，包括：
构建边缘计算场景，基于边缘计算场景构建计算卸载方案及能源馈送方案；对所述计算卸载方案及能源馈送方案进行融合，生成资源交易目标方案；对所述资源交易目标方案进行关系解耦，生成最优化目标方案；获取边缘计算任务数据，基于边缘计算任务数据，通过优化算法对最优化目标方案进行求解，生成最优资源购买方案。
2.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述边缘计算场景包括：边缘计算的服务供应商、边缘计算卸载节点及能量馈送节点，其中所述服务供应商向所述边缘计算卸载节点卸载边缘计算任务并提供奖励，同时向所述能量馈送节点收购电能。
3.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述计算卸载方案为：
Figure FDA0004115455690000011
其中，
Figure FDA0004115455690000012
为第i种卸载节点采用激励方案/>
Figure FDA0004115455690000013
后对应的计算卸载效用，/>
Figure FDA0004115455690000014
为面向第i种类型卸载节点的计算卸载报酬，xi为面向第i种类型的卸载节点的计算卸载任务，θi为第i种卸载节点对应的边缘计算成本，fk为CPU时钟频率，tmax为完成任务最大容忍延迟；
对应的约束条件为：
Figure FDA0004115455690000015
Figure FDA0004115455690000016
其中，Θ为卸载节点的分类类别集合，
Figure FDA0004115455690000021
为第i种边缘计算卸载节点采用第i'种边缘计算卸载节点的激励方案/>
Figure FDA00041154556900000213
后对应的计算卸载效用，xi’为面向第i'种类型卸载节点的计算卸载量，/>
Figure FDA0004115455690000022
为面向第i'种类型卸载节点对应的报酬，i及i'为不同的卸载节点的类型序号，θi′为第i'种卸载节点对应的边缘计算成本。
4.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述能源馈送方案为：
Figure FDA0004115455690000023
其中，
Figure FDA0004115455690000024
为第j种卸载节点采用激励方案/>
Figure FDA0004115455690000025
后对应的能源馈送效用，yj为面向第j种馈电节点的总馈电量，/>
Figure FDA0004115455690000026
为面向第j种馈电节点的能源报酬，λj为第j种馈电节点的馈电意愿，g为单位能源的平均价格；
对应的约束条件为：
Figure FDA0004115455690000027
/>
Figure FDA0004115455690000028
其中，Ψ为馈电意愿集合，
Figure FDA0004115455690000029
第j种卸载节点采用第j'种馈电节点的激励方案/>
Figure FDA00041154556900000210
后对应的能源馈送效用，yj'为面向第j'种类型馈电节点的馈电量，/>
Figure FDA00041154556900000211
为面向第j'种类型馈电节点的能源报酬，j和j'为不同的馈电节点的类型序号，λj′为第j'种馈电节点的馈电意愿。
5.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述资源交易目标方案为：
P1:
Figure FDA00041154556900000212
Figure FDA0004115455690000031
Figure FDA0004115455690000032
Figure FDA0004115455690000033
Figure FDA0004115455690000034
C+x′0＝D
Figure FDA0004115455690000035
其中，CSP为总成本，所述总成本通过任务卸载成本及购电成本计算获取；(C,E)为资源交易方案，x′0为在本地完成计算量，E为本地完成计算量对应能耗，D为计算服务供应商的计算需求总量，f0为CPU时钟频率，κ0为与服务供应商服务器硬件相关的常数。
6.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述最优化目标方案为：
P4：
Figure FDA0004115455690000036
s.t.C+x'0＝D
Figure FDA0004115455690000037
其中所述最优化目标方案的优化问题为通过优化资源购买方案(C,E)来使得服务供应商的总成本最小化，D是服务供应商需要完成的总计算量，C是通过计算卸载完成的计算量，E是在本地完成计算任务需要的能耗。
7.根据权利要求1所述的边缘网络资源交易方法，其特征在于：
所述优化算法采用麻雀搜索算法。
8.根据权利要求6所述的边缘网络资源交易方法，其特征在于：
所述最优资源购买方案包括最优边缘计算卸载量及能源馈送量。
CN202310217586.6A 2023-03-08 2023-03-08 融合计算卸载及能源馈送激励的边缘网络资源交易方法 Pending CN116204318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310217586.6A CN116204318A (zh) 2023-03-08 2023-03-08 融合计算卸载及能源馈送激励的边缘网络资源交易方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310217586.6A CN116204318A (zh) 2023-03-08 2023-03-08 融合计算卸载及能源馈送激励的边缘网络资源交易方法

Publications (1)

Publication Number Publication Date
CN116204318A true CN116204318A (zh) 2023-06-02

Family

ID=86512714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310217586.6A Pending CN116204318A (zh) 2023-03-08 2023-03-08 融合计算卸载及能源馈送激励的边缘网络资源交易方法

Country Status (1)

Country Link
CN (1) CN116204318A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005057A (zh) * 2018-07-19 2018-12-14 华北电力大学 一种基于契约匹配理论的计算资源分配与任务卸载方案
CN109362087A (zh) * 2018-11-05 2019-02-19 北京邮电大学 基于异构云无线接入网络的流量卸载协作方法及系统
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN109951873A (zh) * 2019-02-28 2019-06-28 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
CN110888687A (zh) * 2019-09-27 2020-03-17 华北水利水电大学 基于合约设计的移动边缘计算任务卸载最优合约设计方法
US20200161858A1 (en) * 2018-11-19 2020-05-21 Board Of Regents, The University Of Texas System Systems And Methods For Energy Crowdsourcing And Peer-To-Peer Energy Trading
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005057A (zh) * 2018-07-19 2018-12-14 华北电力大学 一种基于契约匹配理论的计算资源分配与任务卸载方案
CN109362087A (zh) * 2018-11-05 2019-02-19 北京邮电大学 基于异构云无线接入网络的流量卸载协作方法及系统
US20200161858A1 (en) * 2018-11-19 2020-05-21 Board Of Regents, The University Of Texas System Systems And Methods For Energy Crowdsourcing And Peer-To-Peer Energy Trading
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN109951873A (zh) * 2019-02-28 2019-06-28 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
CN110888687A (zh) * 2019-09-27 2020-03-17 华北水利水电大学 基于合约设计的移动边缘计算任务卸载最优合约设计方法
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIEYI ZHANG；BILING ZHANG；JIAHUA LIU: "A Joint Offloading and Energy Cooperation Scheme for Edge Computing Networks", 《ICC 2022 - IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》, 11 August 2022 (2022-08-11) *
吕洁娜;张家波;张祖凡;甘臣权;: "移动边缘计算卸载策略综述", 小型微型计算机系统, no. 09, 4 September 2020 (2020-09-04) *
孙嘉楠: "边缘计算环境下车联网任务卸载与数据分发技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, 15 March 2021 (2021-03-15) *
张碧玲: "基于平均场博弈的电动汽车计算卸载及能源管理联合策略", 《电力系统自动化》, vol. 47, no. 07, 18 January 2023 (2023-01-18) *

Similar Documents

Publication Publication Date Title
Marzband et al. An advanced retail electricity market for active distribution systems and home microgrid interoperability based on game theory
Chen et al. Non-cooperative and cooperative optimization of scheduling with vehicle-to-grid regulation services
US10317924B2 (en) Collaborative load balancing within a community of energy nodes
Zhang et al. Incentive-driven energy trading in the smart grid
KR101840264B1 (ko) 스마트 그리드에서 전력 수요 관리를 위한 수요 공급 균형 방법 및 시스템
He et al. Joint operation mechanism of distributed photovoltaic power generation market and carbon market based on cross-chain trading technology
CN111563786B (zh) 一种基于区块链的虚拟电厂调控平台及运行方法
Iosifidis et al. Double auction mechanisms for resource allocation in autonomous networks
US20150025696A1 (en) Distributed Methods and Software For Balancing Supply and Demand In An Electric Power Network
Zhang et al. Randomized auction design for electricity markets between grids and microgrids
Hogade et al. Energy and network aware workload management for geographically distributed data centers
Chen et al. Review of energy sharing: Business models, mechanisms, and prospects
Baharlouei et al. On the convergence properties of autonomous demand side management algorithms
CN117353290A (zh) 一种数据中心与共享储能电站的联合调度方法及计算设备
Chen et al. Multi-objective robust optimal bidding strategy for a data center operator based on bi-level optimization
Perez-Diaz et al. Coordination of electric vehicle aggregators: A coalitional approach
Doan et al. Optimal peer-to-peer energy trading under load uncertainty incorporating carbon emission and transaction cost for grid-connected prosumers
Li et al. Operation management of electric vehicle battery swapping and charging systems: A bilevel optimization approach
Zhang et al. Shared energy storage-assisted and tolerance-based alliance strategy for wind power generators based on cooperative game and resource dependence theories
Ma et al. Market-based co-optimization of energy and ancillary services with distributed energy resource flexibilities
Aguilar et al. Intent profile strategy for virtual power plant participation in simultaneous energy markets With dynamic storage management
Wu et al. A truthful auction mechanism for resource allocation in mobile edge computing
CN116204318A (zh) 融合计算卸载及能源馈送激励的边缘网络资源交易方法
Zhu et al. Transmission loss-aware peer-to-peer energy trading in networked microgrids
Alinezhadi et al. Intelligent privacy-preserving demand response for green data centers

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