计算卸载-论文02-计算资源差分定价

最新推荐文章于 2024-07-25 22:24:14 发布

梦灯

最新推荐文章于 2024-07-25 22:24:14 发布

阅读量1.1k

点赞数

分类专栏：论文文章标签：学习论文阅读

本文链接：https://blog.csdn.net/mengdeng19950715/article/details/130453147

版权

9 篇文章 1 订阅

订阅专栏

标题：《Differential Pricing-based Task Offloading for Delay-Sensitive IoT Applications in Mobile Edge Computing System》

期刊： IEEE Internet of Things Journal，2022

一、梳理

问题：在计算卸载许多场景中，只是对资源进行了定价。然而，用户对服务器资源的使用并没有在支付中得到适当的反映，因此用户只试图在没有任何考虑的情况下尽可能多地占用服务器资源。

模型：为了解决这个问题，本文新提出了一种差分定价方案，其中每秒的单价是根据用户对服务器计算资源的使用情况来确定的。此外，基于所提出的定价方案和执行延迟，通过制定Stackelberg博弈，提出了用户的最优卸载策略和服务器的均衡定价策略。

目标：最小化用户的成本(时延+支付成本，优化参数：用户使用ES的计算资源量，卸载的数据量)；最大化边缘服务器的收益（优化参数为：价格决策因子变量）。

算法：差分定价

资源的单位时间价格表示为：
$w=\frac{F_a}{F_T}f(\frac{F_a}{F_T})$

其中 $F_a$ 表示用户使用了ES的CPU资源， $F_T$ 表示ES总的CPU资源量。

用户任务处理时延为：

$t_p=\frac{hl}{F_a}$

用户总的支付成本为：
$W=wt_p=\frac{hl}{F_T}f(\frac{F_a}{F_T})=\frac{hl}{F_T}(a\frac{F_a}{F_T}+b)$

边缘计算与本地计算的时延为：

2 $t_{off}=t_{up}+t_p+t_{down}=\frac{l}{r_{up}}+\frac{hl}{F_a}+\frac{r_{io}l}{r_{down}}$

$t_{loc} = \frac{(d-l)h}{F_l}$

任务的总执行时延为：
$t_e=\max(t_{off}, t_{loc})=\max((\frac{1}{r_{up}}+\frac{h}{F_a}+\frac{r_{io}}{r_{down}})l, \frac{(d-l)h}{F_l})$

用户效用：(最小化总成本:时延+支付成本)

$V(F_a, l)=t_e + \beta W=max((\frac{1}{r_{up}}+\frac{f}{F_a}+\frac{r_{io}}{r_{down}}),\frac{(d-l)h}{F_l})+\beta \frac{hl}{F_{T}^2}(aF_a+bF_T)$

优化函数：（购买计算资源量，任务卸载量）

$\min_{F_a, l} \max((\frac{1}{r_{up}}+\frac{h}{F_a}+\frac{r_{io}}{r_{down}})l,\frac{(d-l)h}{F_l})+\beta \frac{hl}{F_T^2}(aF_a+b_F_T)$

$s.t.$ $0 \le l \le d$

$0 \le F_a \le F_r$

$t_e \le t_{req}$

$0 < a, 0 < b, 0 < r_{io}, 0 < \beta.$

ES效用：(最大化收益)

$U(a,b)=\frac{hl^{opt}}{F_T^2}(aF_a^{opt}+bF_T)$

优化函数：(a,b为决定价格的因子)
$\max_{a,b}\frac{hl^{opt}}{F_T^2}(aF_a^{opt}+bF_T)$

$s.t.$ $0 < a, 0 < b.$

关注

专栏目录