CN117436913A - 一种移动边缘计算中任务卸载与资源分配的双层优化方法 - Google Patents

一种移动边缘计算中任务卸载与资源分配的双层优化方法 Download PDF

Info

Publication number
CN117436913A
CN117436913A CN202311352751.5A CN202311352751A CN117436913A CN 117436913 A CN117436913 A CN 117436913A CN 202311352751 A CN202311352751 A CN 202311352751A CN 117436913 A CN117436913 A CN 117436913A
Authority
CN
China
Prior art keywords
internet
task
mode
edge server
things equipment
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
CN202311352751.5A
Other languages
English (en)
Inventor
李飞
葛二千
胡婉月
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202311352751.5A priority Critical patent/CN117436913A/zh
Publication of CN117436913A publication Critical patent/CN117436913A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动边缘计算中任务卸载与资源分配的双层优化方法，属于移动边缘计算的任务卸载优化技术领域，包括以下步骤：S1：建立关系模型；S2：双层优化问题描述；S3：优化问题转化及求解。本发明分析了边缘服务器提供商(ESP)和设备管理者(DM)之间的联系，并将计算资源分配问题表述为双层优化问题(BOP)，在上层ESP提供的计算资源价格得到优化，而DM的卸载策略在下层被模拟为非合作博弈；引入了一种双层优化算法来解决这个双层优化问题，证明了关于计算资源价格的下层问题存在纳什均衡，并获得了给定计算资源价格下的纳什均衡；此外，还采用了微分进化法来解决上层优化问题。

Description

一种移动边缘计算中任务卸载与资源分配的双层优化方法
技术领域
本发明涉及移动边缘计算的任务卸载优化技术领域，具体涉及一种移动边缘计算中任务卸载与资源分配的双层优化方法。
背景技术
随着物联网基础设施的发展，物联网设备随时随地的连接成为现实。物联网设备上的任务也能够随时随地的上传到互联网中实现信息的在线处理。移动边缘计算(MobileEdge Computing，MEC)是一种新兴的计算模式，旨在将计算和存储资源从云端移动到网络边缘，以提供更低的延迟、更高的带宽和更好的用户体验。MEC的出现是为了解决传统云计算模式在移动网络环境下存在的问题，如高延迟、网络拥塞和带宽限制等。
在传统的云计算模式中，移动设备需要将数据上传到云端进行处理，然后再将结果返回给移动设备，这个过程涉及到大量的数据传输和计算，导致延迟较高，还会导致网络拥塞的问题。通过合理的任务卸载和资源分配策略，减少数据传输的延迟，提高用户的响应速度。在移动边缘计算中，边缘节点的计算和存储资源有限，如何有效地利用这些资源是一个关键问题。通过合理的任务卸载和资源分配策略，可以根据任务的特点和节点的负载情况，将任务合理分配，提高系统的可靠性和稳定性。此外，边缘节点还可以根据用户的需求和偏好进行个性化的计算和存储服务，进一步提高用户的满意度。
然而，大多数有关MEC系统的研究都旨在最大限度地提高系统的整体性能，而忽略了个体的利益。在复杂的MEC系统中，边缘服务器提供商(ESP)和设备管理者(DM)通常是具有不同目标的不同实体。当涉及多个管理者时，他们的目标之间可能会发生冲突。上述问题亟待解决，为此，提出一种移动边缘计算中任务卸载与资源分配的双层优化方法。
发明内容
本发明所要解决的技术问题在于：如何解决当涉及多个设备管理者时，存在的计算资源分配问题，提供了一种移动边缘计算中任务卸载与资源分配的双层优化方法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：建立关系模型
建立边缘服务器供应商和设备管理者之间的关系模型；
S2：双层优化问题描述
基于步骤S1建立的关系模型，将计算资源分配问题建模为双层优化问题，对双层优化问题进行描述并建立相应约束；
S3：优化问题转化及求解
将下层的混合变量优化问题转化为离散优化问题，并将其描述为非合作博弈，基于纳什均衡定义进行求解，更新最优的执行模式集；同时上层的优化问题通过差分进化生成子代定价方案。
更进一步地，在所述步骤S1中，具体包括以下处理步骤：
S11：根据设备管理者的多种任务的特征，设置变量如下：
任务输入数据的大小Di，与完成任务需要的计算资源Ci，物联网设备集合记为 Ti，max为任务的时间约束；
S12：根据任务传输信道与传输方式，设置变量如下：
oi＝0，任务不执行模式；
oi＝-1，任务执行本地模式；
oi＝1，任务执行MEC模式；
S13：根据任务传输方式与任务参数，将任务记作：
Ti＝(Di，Ci，Ti，max，oi)；
S14：在能量采集过程中，建立物联网设备与边缘服务器之间的信道增益遵循自由空间路径损耗模型如下：
其中，hi第i个物联网设备与边缘服务器之间的信道增益，fc表示载波频率，di表示物联网设备与边缘服务器之间的距离；
S15：在不执行模式下，物联网设备不上传任务，因此不会获得奖励，也不消耗计算资源；在本地模式执行时，物联网设备执行任务消耗的能量与计算时间分别为：
其中，第i个物联网设备本地模式执行任务消耗的能量，/>为物联网设备本身的计算能力；k0表示物联网设备容量系数，/>表示第i个物联网设备本地模式执行任务所需的时间；
S16：在MEC模式执行下，获取第i个物联网设备的上行速率表示为：
其中，Ri表示第i个物联网设备的上行速率，B表示信道带宽，ω表示噪声功率，Pi表示可提前设置的第i个物联网设备的传输功率，∑n≠iPihi表示处于同一信道上传任务的其他物联网设备的干扰；
S17：获取MEC模式下执行任务的传输时间与传输能耗的表示如下：
其中，表示第i个物联网设备MEC模式下执行任务的传输时间；/>表示第i个物联网设备MEC模式下执行任务的传输能耗；
S18：若边缘服务器分配给第i个物联网设备的计算资源为则得到任务在边缘服务器上执行的能耗与计算时间为：
其中，k1表示边缘服务器容量系数，表示第i个物联网设备在边缘服务器上执行的计算能耗，/>表示第i个物联网设备在边缘服务器上执行的计算时间，/>表示边缘服务器分配给第i个物联网设备的计算能力。
更进一步地，在所述步骤S1中，设备管理者收益计算如下：
其中，fi DM表示第i个设备管理者DM的收益，α为奖励系数，m为固定的能源价格，vi为计算资源价格；
边缘服务器收益计算如下：
其中，fi ESP表示边缘服务器从第i个设备管理者DM获得的收益，v0为边缘服务器消耗的能源单价；
边缘服务器总收益为：
更进一步地，在所述步骤S2中，双层优化问题描述如下：
其中，r为分配给所有物联网设备的计算资源。
更进一步地，在所述步骤S2中，双层优化问题的约束如下：
计算资源价格约束：
vi，min≤vi≤vi，max
{o，r}＝argmaxfi ID(v，o，r)；
执行模式约束：物联网设备的执行模式包括不执行模式、本地模式、MEC执行模式，具体表示为oi∈{0，-1，1}；
计算资源约束：边缘服务器分配给每个上传的任务的计算资源不能小于0或总和超出上限，具体表示如下：
任务执行的延迟不能大于延迟约束：
更进一步地，在所述步骤S3中，基于纳什均衡定义进行求解的具体过程如下：
S301：计算所有任务本地模式的收益：
S302：为所有任务选择不执行模式与本地模式执行中收益最高的模式：
S303：计算所有物联网设备的最优响应，并将最优响应对应的收益相对最小收益提升进行排序，选择收益提升最大的执行模式：
其中，Δfi DM为物联网设备的最优响应对应的收益相对最小收益提升；
S304：如果最优执行模式与现有的执行模式不相同，则将其加入更新集中，以竞争更新机会；
S305：对该物联网设备修改其执行模式为最优执行方案；
S306：若满足所有约束，则本次修改完成，并将此次更改广播给其他物联网设备；
S307：若不满足所有约束，则取消本次修改，并记收益提升最大的设备管理者的Δfi DM＝0；重新对所有收益提升进行排序，重新选择最大的收益提升对应的设备管理者；
S308：循环执行S303～S307，直到所有物联网设备都没有动力修改其原始策略以获得更高收益。
更进一步地，在所述步骤S3中，上层的优化问题通过差分进化生成子代定价方案的具体过程如下：
S311：边缘服务器供应商为能源与计算资源随机设置价格v；
S312：执行下层优化算法以获得在该价格方案下的最优执行模式集合o＝{o1，…，on}；
S313：边缘服务器供应商根据物联网设备消耗的资源与设置的价格计算自身收益；
S314：边缘服务器供应商更新资源价格v′并再次执行下层优化算法获得该价格下的最优执行方案o′＝{o1′，…，on′}；
S315：对比v与v′选择使得上层收益更高的价格方案；
S316：循环执行S314～S315，直到满足截止标准；
S317：最后输出最优的能源与计算资源价格以及该方案下的物联网设备执行模式集(v*，o*)。
本发明相比现有技术具有以下优点：
1、分析了边缘服务器提供商(ESP)和设备管理者(DM)之间的联系，并将计算资源分配问题表述为双层优化问题(BOP)，在上层ESP提供的计算资源价格得到优化，而DM的卸载策略在下层被模拟为非合作博弈；
2、引入了一种双层优化算法来解决这个双层优化问题，证明了关于计算资源价格的下层问题存在纳什均衡，并获得了给定计算资源价格下的纳什均衡；此外，还采用了微分进化法来解决上层优化问题。
附图说明
图1是本发明实施例中的总体流程示意图；
图2是本发明实施例中的下层优化流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1、2所示，本实施例提供一种技术方案：一种移动边缘计算中任务卸载与资源分配的双层优化方法，包括以下步骤：
一、建立边缘服务器供应商和设备管理者之间的关系模型
(1)：根据设备管理者的多种任务的特征，设置变量如下：
任务输入数据的大小Di，与完成任务需要的计算资源Ci，物联网设备集合记为 Ti，max为任务的时间约束。
(2)：根据任务传输信道与传输方式，设置变量如下：
1、oi＝0任务不执行模式；
2、oi＝-1任务执行本地模式；
3、oi＝1任务执行MEC模式。
(3)：根据任务传输方式与任务参数，将任务记作：
Ti＝(Di，Ci，Ti，max，oi)
(4)：在能量采集过程中，建立物联网设备与边缘服务器之间的信道增益遵循自由空间路径损耗模型如下：
其中，hi第i个物联网设备与边缘服务器之间的信道增益，fc表示载波频率，di表示物联网设备与边缘服务器之间的距离，e为10的次方。
(5)：不执行模式：物联网设备不上传任务，因此不会获得奖励，也不消耗计算资源。
(6)：本地模式执行：物联网设备执行任务消耗的能量与计算时间分别为：
其中，第i个物联网设备本地模式执行任务消耗的能量，/>为物联网设备本身的计算能力；k0表示物联网设备容量系数，/>表示第i个物联网设备本地模式执行任务所需的时间。
(7)：MEC模式(服务器模式)执行：物联网设备通过正交信道将任务的输入数据发送到边缘服务器，在任务计算完成后，边缘服务器将结果发回物联网设备。假设结果的大小远小于输入数据的大小，因此可以忽略物联网设备接收结果的时间和能耗。
第i个物联网设备的上行速率表示为：
其中，Ri表示第i个物联网设备的上行速率，B表示信道带宽，ω表示噪声功率，Pi表示可提前设置的第i个物联网设备的传输功率，∑n≠iPihi表示处于同一信道上传任务的其他物联网设备的干扰。
(9)：MEC模式执行任务的传输时间与传输能耗可表示为：
其中，表示第i个物联网设备MEC模式执行任务的传输时间；/>表示第i个物联网设备MEC模式执行任务的传输能耗。
(10)：若边缘服务器分配给第i个物联网设备的计算资源为则任务在边缘服务器上执行的能耗与计算时间为：
其中，k1表示边缘服务器容量系数，表示第i个物联网设备在边缘服务器上执行的计算能耗，/>表示第i个物联网设备在边缘服务器上执行的计算时间，/>表示边缘服务器分配给第i个物联网设备的计算能力。
基于上述模型可知：物联网设备管理者(DM)收益计算如下：
其中，fi DM表示第i个设备管理者DM的收益，α为奖励系数，m为固定的能源价格，vi为计算资源价格；
边缘服务器收益计算如下：
其中，fi ESP表示边缘服务器从第i个设备管理者DM获得的收益，v0为边缘服务器消耗的能源单价；
边缘服务器总收益为：
二、双层优化问题描述
根据上述模型，该双层优化问题可表述为：
其中，r为分配给所有物联网设备的计算资源。
该双层优化问题的约束具体如下：
C1、计算资源价格约束：vi，min≤vi≤vi，max。
{o，r}＝argmaxfi ID(v，o，r)
C2、物联网设备可选执行模式为不执行模式、本地模式、MEC执行模式。
oi∈{0，-1，1}
C3、边缘服务器分配给每个上传的任务的计算资源不能小于0或总和超出上限。
C4、任务执行的延迟不能大于延迟约束：
三、下层优化问题转换：
由于任务Ti以MEC模式完成，因此其时间延迟需满足约束C4。
带入参数可得：
因此可知任务在服务器端执行消耗的计算资源量，消耗的越少，获得的收益越高。即：
综上所述，我们将下层优化问题中的连续变量r转化为关于o的离散变量。这样下层的混合变量优化问题即可转化为离散优化问题更易求解。
在MEC模式下执行大量任务会造成严重干扰，从而导致上行链路速率大幅下降。此外，由于所有物联网设备管理者共享边缘服务器的计算资源，物联网设备管理者之间存在明显的相互依赖关系。并且每个DM都以利润最大化为目标，这就将下层优化问题描述为非合作博弈。
S1.非合作博弈创造了一种策略环境，在这种环境中，参与者的行为在一个优先考虑自主决策的框架内被单独对待。
S2.因此下层优化被描述为其中，/>表示博弈中参与者的个数；0＝{o1，…，on}表示任务的执行模式，即参与者的策略集合；fi DM表示每个参与者的目标函数。
S3.博弈的目标函数可表示为：
纳什均衡的定义：当一组计算卸载策略中的任何一方都不能单方面修改其策略以提高自身利益时，这组计算卸载策略就代表了博弈的纳什均衡。
S4.在博弈中，o＝(oi，o-i)表示所有参与者的计算卸载策略，所有参与者都努力采用最佳响应策略，直到达到每个参与者都能实现相互满意的策略，并且没有动力偏离其原始策略。
如果任务在MEC模式下执行所获得的利润超过了本地模式下的利润，则其必须满足以下公式：
因此可推出：
根据上传速率公式中，对于给定的Pi与hi，可推出下面式子：
当其他设备对物联网设备的干扰不超过干扰阈值且MEC模式的收益大于0时，DM将选择MEC模式。当物联网设备受到其他设备的干扰超过干扰阈值且本地模式的收益大于0时，DM将选择本地模式，如果都不满足，DM将选择非执行模式。因此，第i个DM的最佳响应为：
其中，表示其他选择MEC模式执行的影响超出第i个参与者的干扰阈值；/>表示第i个DM的MEC模式收益大于0；/>表示第i个DM的本地模式收益大于0。
为了证明我们提出的多用户计算卸载非合作博弈中存在纳什均衡，我们证明该博弈是一个势博弈。因为任何势博弈都有纳什均衡，并具有有限改进属性。根据这个势博弈的定义，势函数与效用函数具有相同的单调性。如果第i个DM单方面改变策略以增加或减少他们的利润，那么势函数的值也会因这一变化而相应增加或减少。如果找到一个势函数并证明它与每个参与者的效用函数具有相同的单调性，就可以证明这是一个势博弈。
我们定义一个势函数：
根据上述势函数可以知道，当第i个DM的计算卸载策略从本地模式变为MEC模式时，势函数的值会发生如下变化：
从上面的推导可以看出，当第i个DM的计算卸载策略从本地模式变为MEC模式时，它应该满足因此，我们有Φ(1，o-i)-Φ(-1，o-i)≥0。由于fi DM(1，o-i)＞fi DM(-1，o-i)。根据势博弈定义可确定多用户计算卸载博弈是一个潜在博弈。根据上述证明，我们知道纳什均衡是存在的，并且可以在下层问题中经过有限次迭代后得到。随后，我们提出了一种分布式计算卸载优化算法，该算法利用了潜在博弈的有限改进特性，实现了DM相互满意的卸载策略。
下层算法步骤如下：
STEP1：首先，计算所有任务本地模式的收益；
STEP2：接着，为所有任务选择不执行模式与本地模式执行中收益最高的模式；
STEP3：然后，计算所有物联网设备的最优响应，并将最优响应对应的收益相对最小收益提升进行排序，选择收益提升最大的执行模式；
其中，Δfi DM为物联网设备的最优响应对应的收益相对最小收益提升；
STEP4：如果最优执行模式与现有的执行模式不相同，则将其加入更新集中，以竞争更新机会；
STEP5：对该物联网设备修改其执行模式为最优执行方案；
STEP6：若满足所有约束，则本次修改完成，并将此次更改广播给其他物联网设备；
STEP7：若不满足所有约束，则取消本次修改，并将收益提升最大的DM的Δfi DM＝0；重新对所有收益提升进行排序，重新选择最大的收益提升对应的DM；
STEP8：循环执行STEP3-STEP7，直到所有物联网设备都没有动力修改其原始策略以获得更高收益。
上层算法步骤如下：
STEP1：ESP首先为能源与计算资源随机设置价格v；
STEP2：执行下层优化算法以获得在该价格方案下的最优执行模式集合o＝{o1，…，on}；
STEP3：随后，ESP根据物联网设备消耗的计算资源与设置的价格计算自身收益；
STEP4：接着，ESP更新资源价格v′并再次执行下层优化算法获得该价格下的最优执行方案o′＝{o1′，…，on′}；
STEP5：对比v与v′选择使得上层收益更高的价格方案；
STEP6：循环执行STEP4-STEP5，直到满足截止标准；
STEP7：最后输出最优的能源与计算资源价格以及该方案下的物联网设备执行模式集(v*，o*)。
综上所述，上述实施例的移动边缘计算中任务卸载与资源分配的双层优化方法，分析了边缘服务器提供商(ESP)和设备管理者(DM)之间的联系，并将计算资源分配问题表述为双层优化问题(BOP)，在上层ESP提供的计算资源价格得到优化，而DM的卸载策略在下层被模拟为非合作博弈；引入了一种双层优化算法来解决这个双层优化问题，证明了关于计算资源价格的下层问题存在纳什均衡，并获得了给定计算资源价格下的纳什均衡；此外，还采用了微分进化法来解决上层优化问题。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，包括以下步骤：
S1：建立关系模型
建立边缘服务器供应商和设备管理者之间的关系模型；
S2：双层优化问题描述
基于步骤S1建立的关系模型，将计算资源分配问题建模为双层优化问题，对双层优化问题进行描述并建立相应约束；
S3：优化问题转化及求解
将下层的混合变量优化问题转化为离散优化问题，并将其描述为非合作博弈，基于纳什均衡定义进行求解，更新最优的执行模式集；同时上层的优化问题通过差分进化生成子代定价方案。
2.根据权利要求1所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S1中，具体包括以下处理步骤：
S11：根据设备管理者的多种任务的特征，设置变量如下：
任务输入数据的大小Di，与完成任务需要的计算资源Ci，物联网设备集合记为 Ti,max为任务的时间约束；
S12：根据任务传输信道与传输方式，设置变量如下：
oi＝0，任务不执行模式；
oi＝-1，任务执行本地模式；
oi＝1，任务执行MEC模式；
S13：根据任务传输方式与任务参数，将任务记作：
Ti＝(Di,Ci,Ti,max,oi)；
S14：在能量采集过程中，建立物联网设备与边缘服务器之间的信道增益遵循自由空间路径损耗模型如下：
其中，hi第i个物联网设备与边缘服务器之间的信道增益，fc表示载波频率，di表示物联网设备与边缘服务器之间的距离；
S15：在不执行模式下，物联网设备不上传任务，因此不会获得奖励，也不消耗计算资源；在本地模式执行时，物联网设备执行任务消耗的能量与计算时间分别为：
其中，第i个物联网设备本地模式执行任务消耗的能量，/>为物联网设备本身的计算能力；k0表示物联网设备容量系数，/>表示第i个物联网设备本地模式执行任务所需的时间；
S16：在MEC模式执行下，获取第i个物联网设备的上行速率表示为：
其中，Ri表示第i个物联网设备的上行速率，B表示信道带宽，ω表示噪声功率，Pi表示可提前设置的第i个物联网设备的传输功率，∑n≠iPihi表示处于同一信道上传任务的其他物联网设备的干扰；
S17：获取MEC模式下执行任务的传输时间与传输能耗的表示如下：
其中，表示第i个物联网设备MEC模式下执行任务的传输时间；/>表示第i个物联网设备MEC模式下执行任务的传输能耗；
S18：若边缘服务器分配给第i个物联网设备的计算资源为则得到任务在边缘服务器上执行的能耗与计算时间为：
其中，k1表示边缘服务器容量系数，表示第i个物联网设备在边缘服务器上执行的计算能耗，/>表示第i个物联网设备在边缘服务器上执行的计算时间，/>表示边缘服务器分配给第i个物联网设备的计算能力。
3.根据权利要求2所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S1中，设备管理者收益计算如下：
其中，fi DM表示第i个设备管理者DM的收益，α为奖励系数，m为固定的能源价格，vi为计算资源价格；
边缘服务器收益计算如下：
其中，fi ESP表示边缘服务器从第i个设备管理者DM获得的收益，v0为边缘服务器消耗的能源单价；
边缘服务器总收益为：
4.根据权利要求3所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S2中，双层优化问题描述如下：
其中，r为分配给所有物联网设备的计算资源。
5.根据权利要求4所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S2中，双层优化问题的约束如下：
计算资源价格约束：
vi,min≤vi≤vi,max
{o,r}＝argmaxfi ID(v,o,r)；
执行模式约束：物联网设备的执行模式包括不执行模式、本地模式、MEC执行模式，具体表示为oi∈{0,-1,1}；
计算资源约束：边缘服务器分配给每个上传的任务的计算资源不能小于0或总和超出上限，具体表示如下：
任务执行的延迟不能大于延迟约束：
6.根据权利要求1所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S3中，基于纳什均衡定义进行求解的具体过程如下：
S301：计算所有任务本地模式的收益：
S302：为所有任务选择不执行模式与本地模式执行中收益最高的模式：
S303：计算所有物联网设备的最优响应，并将最优响应对应的收益相对最小收益提升进行排序，选择收益提升最大的执行模式：
其中，△fi DM为物联网设备的最优响应对应的收益相对最小收益提升；
S304：如果最优执行模式与现有的执行模式不相同，则将其加入更新集中，以竞争更新机会；
S305：对该物联网设备修改其执行模式为最优执行方案；
S306：若满足所有约束，则本次修改完成，并将此次更改广播给其他物联网设备；
S307：若不满足所有约束，则取消本次修改，并记收益提升最大的设备管理者的△fi DM＝0；重新对所有收益提升进行排序，重新选择最大的收益提升对应的设备管理者；
S308：循环执行S303～S307，直到所有物联网设备都没有动力修改其原始策略以获得更高收益。
7.根据权利要求6所述的一种移动边缘计算中任务卸载与资源分配的双层优化方法，其特征在于，在所述步骤S3中，上层的优化问题通过差分进化生成子代定价方案的具体过程如下：
S311：边缘服务器供应商为能源与计算资源随机设置价格v；
S312：执行下层优化算法以获得在该价格方案下的最优执行模式集合o＝{o1,…,on}；
S313：边缘服务器供应商根据物联网设备消耗的资源与设置的价格计算自身收益；
S314：边缘服务器供应商更新资源价格v'并再次执行下层优化算法获得该价格下的最优执行方案o'＝{o1′,…,on′}；
S315：对比v与v'选择使得上层收益更高的价格方案；
S316：循环执行S314～S315，直到满足截止标准；
S317：最后输出最优的能源与计算资源价格以及该方案下的物联网设备执行模式集(v*,o*)。
CN202311352751.5A 2023-10-18 2023-10-18 一种移动边缘计算中任务卸载与资源分配的双层优化方法 Pending CN117436913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311352751.5A CN117436913A (zh) 2023-10-18 2023-10-18 一种移动边缘计算中任务卸载与资源分配的双层优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311352751.5A CN117436913A (zh) 2023-10-18 2023-10-18 一种移动边缘计算中任务卸载与资源分配的双层优化方法

Publications (1)

Publication Number Publication Date
CN117436913A true CN117436913A (zh) 2024-01-23

Family

ID=89556208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311352751.5A Pending CN117436913A (zh) 2023-10-18 2023-10-18 一种移动边缘计算中任务卸载与资源分配的双层优化方法

Country Status (1)

Country Link
CN (1) CN117436913A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112888002A (zh) * 2021-01-26 2021-06-01 重庆邮电大学 一种基于博弈论的移动边缘计算任务卸载及资源分配方法
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
US20220377137A1 (en) * 2020-01-08 2022-11-24 Shanghai Jiao Tong University Method for task offloading based on power control and resource allocation in industrial internet of things

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220377137A1 (en) * 2020-01-08 2022-11-24 Shanghai Jiao Tong University Method for task offloading based on power control and resource allocation in industrial internet of things
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
CN112888002A (zh) * 2021-01-26 2021-06-01 重庆邮电大学 一种基于博弈论的移动边缘计算任务卸载及资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PEI-QIU HUANG: "A Divide-and-Conquer Bilevel Optimization Algorithm for Jointly Pricing Computing Resources and Energy in Wireless Powered MEC", IEEE, vol. 52, no. 11, 30 November 2022 (2022-11-30), pages 1 - 13, XP011923790, DOI: 10.1109/TCYB.2021.3103840 *

Similar Documents

Publication Publication Date Title
CN113037876B (zh) 基于合作博弈的云下行任务边缘节点资源分配方法
Huang et al. Joint user association and resource pricing for metaverse: Distributed and centralized approaches
CN112702714B (zh) 一种无人机协作式的车联网运算任务卸载方法
CN114340016A (zh) 一种电网边缘计算卸载分配方法及系统
Chiang et al. Deep Q-learning-based dynamic network slicing and task offloading in edge network
Aloqaily et al. Fairness-aware game theoretic approach for service management in vehicular clouds
Liu et al. Resource allocation for video transcoding and delivery based on mobile edge computing and blockchain
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN116489226A (zh) 一种服务质量保障的在线资源调度方法
CN116489708A (zh) 面向元宇宙的云边端协同的移动边缘计算任务卸载方法
CN116185523A (zh) 一种任务卸载和部署的方法
Gong et al. Slicing-based resource optimization in multi-access edge network using ensemble learning aided DDPG algorithm
Tsipis et al. Joint optimization of social interactivity and server provisioning for interactive games in edge computing
Brik et al. GSS-VC: A game-theoretic approach for service selection in vehicular cloud
Sun et al. Competitive pricing for resource trading in sliced mobile networks: A multi-agent reinforcement learning approach
CN117202264A (zh) Mec环境中面向5g网络切片的计算卸载方法
CN117793803A (zh) 基于深度强化学习的多用户无线信道资源分配优化方法
CN117749796A (zh) 一种云边算力网络系统计算卸载方法及系统
KR20220150126A (ko) 사물인터넷 환경에서 분산 머신 러닝 학습을 위한 코딩 및 인센티브 기반 메커니즘
Chen et al. Situation-aware orchestration of resource allocation and task scheduling for collaborative rendering in IoT visualization
CN117436913A (zh) 一种移动边缘计算中任务卸载与资源分配的双层优化方法
Zhang et al. Load balancing in edge computing using integer linear programming based genetic algorithm and multilevel control approach
Mishra et al. A game theory-based transportation system using fog computing for passenger assistance
CN113766661B (zh) 用于无线网络环境的干扰控制方法及系统
CN117436914A (zh) 一种复杂移动边缘计算中的资源定价优化方法

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