目录
论文题目:Volunteer Assisted Collaborative Offloading and Resource Allocation in Vehicular Edge Computing
论文题目:Volunteer Assisted Collaborative Offloading and Resource Allocation in Vehicular Edge Computing
研究目的
降低车辆的卸载成本,提高VEC服务器的利用率。
针对问题
如何有效、经济地利用志愿者车辆中的空闲资源来处理VEC服务器中的过载任务。使得请求车辆与VEC服务器效益最大化,满足请求车辆的计算要求,最终实现三方合作的双赢。
解决方案
首先,提出了一个志愿者辅助车辆边缘计算模型,其中定义了请求车辆和VEC服务器的成本和效用函数,并鼓励志愿者车辆通过从VEC服务器获得奖励来帮助过载的VEC服务器,从而缓解VEC服务器的资源短缺。然后,基于Stackelberg博弈,分析了请求车辆与VEC服务器之间的交互,VEC服务器作为老板,请求车辆作为员工,并找到了它们的最优策略。文中从理论上证明了请求车辆与VEC服务器之间的Stackelberg博弈具有唯一的Stackelberg均衡,并提出了一种基于遗传算法的快速搜索算法,以找到VEC服务器的最佳定价策略。此外,为了最大化志愿者车辆的回报,我们提出了志愿者任务分配算法,用于优化任务与志愿者联盟之间的映射。
系统模型 VEC服务器、请求车辆、志愿者联盟
通信模型 请求车辆的成本函数可以表示为其消耗的总能量加上支付给VEC服务器的成本;VEC服务器的效用是其收入减去成本,收入是请求车辆的付款,成本包括其资源消耗和过载时对志愿者联盟的付款;志愿者联的报酬是VEC服务器的报酬减去资源成本。目标是请求车辆的成本最小化、VEC服务器的效用最大化、志愿者联盟的薪酬最大化。
基于Stackelberg博弈的资源分配策略。VEC服务器作为领导者首先做出决策,请求车辆作为追随者稍后做出决策。当请求车辆从VEC服务器请求资源时,VEC服务器将考虑自己的资源并招募一些志愿者联盟。VEC服务器充当领导者,向请求车辆公布资源价格。请求车辆充当追随者,并确定应从VEC服务器购买用于任务卸载的资源量(如图3)。使用反向归纳法为双方寻找最佳策略,先假设已给出确定VEC服务器的单位资源价格,来得到请求车辆资源大小上的最佳策略,同样,在给出所有请求车辆的策略后,根据VEC服务器的效用函数来获取VEC服务器的单位资源价格最佳策略。
基于遗传算法的VEC服务器策略求解算法(VGA)。用来求解上述的最佳策略结果(这是一个非线性复杂问题)。VGA算法由三部分组成。第一部分是请求资源需求统计。请求车辆估算VEC服务器给出的价格,并给出相应的资源需求策略。第二部分是VEC服务器根据其能力选择招募志愿者联盟。VGA算法的最后一部分是遗传算法,用遗传算法搜索其最优策略。此算法的时间复杂度等于。
志愿者任务分配策略。解决VEC服务器和志愿者联盟之间的任务分配问题。当VEC服务器超载时,超载任务将被划分为若干子任务并发布到平台,志愿者联盟可以选择并参与其中一个子任务,并从VEC服务器获得完成子任务的奖励。由于每个志愿者联盟都有自己的专长,每个志愿者联盟完成相同的子任务可能需要不同的成本算法使用递归函数arrange(layer,total)来查找每个志愿者联盟成本最小的子任务并得到了一个选择权的最小值,以获得志愿者联盟的最佳回报
实验
通过Matlab进行仿真实验。实验发现VEC服务器的平均效用随着请求车辆数量的增加而增加、请求车辆的总成本随着志愿者联盟数量的增加而降低。因此,为了降低请求车辆的成本,我们可以降低VEC服务器的单位资源成本或增加志愿者联盟的数量。实验通过对比表明本文提出的方案中车辆和VEC服务器的效用优于其他方案
好的点
通过志愿者车辆充分利用了具有空闲资源的车辆,减轻VEC服务器的负担,满足请求车辆的计算要求。
待优化
文中假设每个志愿者联盟只能属于一个VEC服务器,每个车辆只能属于一种志愿者联盟。应考虑一下车辆可以加入多个志愿者联盟情况,志愿者联盟可以服务于多个VEC服务器。(文中提到的问题)
不理解之处
是如何仅仅根据二阶导数来确定函数是凸函数和凹函数的,在求解VEC服务器最佳资源单价策略时如何根据凹函数而确定存在全局最优解的