To alleviate the bottleneck of energy performance and meet the resource demand of more users,Mobile Edge Computing (MEC) combined with Energy Harvesting (EH) technology has been considered,in which EH technology facilitates sustainable computing in devices by capturing green energy from environment. Thus,a stochastic EH⁃MEC system is proposed to study the investment and pricing problem with uncertain resource supply. Users can either rent the inherent resources of MEC system or use the resources harvested by EH. Due to the time⁃varying nature of wireless environment,the energy collected by EH has the feature of uncertainty. Therefore,how to find a balance between MEC servers and users in MEC systems is a problem worth studying. To address this problem,a sequential decision⁃making method is proposed,and the interaction between users' investment and MEC server's resource pricing is formulated as a four⁃stage Stackelberg game. Then,backward induction is used to obtain Nash equilibrium for the users and MEC server under profit maximization. The MEC server optimal energy collection time,optimal leasing resources and pricing decisions has been demonstrated to follow a good threshold structure. Experimental results show that green resource acquisition can significantly improve the expected revenue of MEC servers and users.
Keywords:mobile edge computing
;
stackelberg game
;
energy harvesting
;
resource allocation
;
investment and pricing
Lin Deming, Lin Ziqiong, Zheng Yifeng, Yang Jingmin, Zhang Wenjie. Optimal investment and pricing under uncertain resource supply in mobile edge computing. Journal of nanjing University[J], 2024, 60(3): 416-428 doi:10.13232/j.cnki.jnju.2024.03.006
为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制.
然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战.
本文考虑一个具有随机能量收集的MEC(EH⁃MEC)系统,用户可以支付一定的费用租赁MEC系统的固有能量,也可以使用EH装置捕获的能源,但会产生一笔收集成本.与传统MEC系统的固定能源供给不同,由于无线环境的时变性和突发性,EH⁃MEC系统收集的能量是变化的,还可以通过动态调整能量收集时间来满足用户的实际需求.因此,EH⁃MEC需要在考虑最大化MEC服务器收益的前提下,提高终端用户的服务体验(Quality of Earnings,QoE),同时,终端用户的决策也会反作用于MEC服务器对固有资源的定价和对绿色资源的收集.一般情况下,与租赁相比,通过EH装置得到的能源更环保且成本更低廉,但由于无线环境的随机性,通过EH装置获得的能源具有不确定性.因此,当收集资源存在不确定性时,在MEC系统中找到合理的平衡来确保MEC服务器获取足够的资源并同时满足用户的需求是一个值得研究的问题.为了解决上述挑战,本文使用Stackelberg博弈进行系统建模,以MEC服务器为博弈模型中的领导者,终端用户为博弈模型中的追随者,通过构建双方的动态博弈决策模型来进行讨论.首先,引入无线环境随机因子对绿色资源的不确定性进行分析;然后,将MEC服务器收益最大化问题建模为Stackelberg博弈序贯决策的优化问题;之后,终端用户确定其最优需求决策,也就是MEC服务器实际资源获取决策,通过四阶段分析求解得到博弈的纳什均衡状态,最后,实验证明该算法可以最大化MEC服务器利润与终端用户服务体验.
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
A survey of mobile edge computing
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
MEC系统中面向网络切片的3C联合资源分配算法
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Network slicing?oriented joint allocation algorithm of 3C resources in MEC systems
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
移动边缘计算中基于深度强化学习的任务卸载研究进展
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Research progress of task offloading based on deep reinforcement learning in mobile edge computing
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
移动边缘计算中基于内容动态刷新的能耗优化
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Power optimization based on dynamic content refresh in mobile edge computing
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
减少核心网拥塞的边缘计算资源分配和卸载决策
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Resource allocation and offloading decision of edge computing for reducing core network congestion
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Real?time resource allocation for wireless powered multiuser mobile edge computing with energy and task causality
1
2020
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Energy?aware task offloading and resource allocation for time?sensitive services in mobile edge computing systems
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Joint service caching,computation offloading and resource allocation in mobile edge computing systems
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Profit maximization incentive mechanism for resource providers in mobile edge computing
1
2022
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
移动边缘计算中基于Stackelberg博弈的算力交易与定价
1
2020
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Computing power trading and pricing in mobile edge computing based on Stackelberg game
1
2020
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Price?based distributed offloading for mobile?edge computing with computation capacity constraints
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Online task scheduling for edge computing based on repeated Stackelberg game
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
基于交通流量预测的车联网双边拍卖边缘计算迁移方案
1
2020
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Flow?of?traffic prediction program based mobile edge computing for Internet of vehicles using double auction
1
2020
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
基于移动边缘计算的V2X任务卸载方案
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
V2X task offloading scheme based on mobile edge computing
1
2018
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Hybrid market?based resources allocation in mobile edge computing systems under stochastic information
1
2022
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
Optimal incentive and load design for distributed coded machine learning
1
2021
... 为了提高MEC的性能,科研人员进行了各种研究.资源问题是MEC系统设计中的重要组成部分,可以极大地提升网络性能,因而受到了广泛的关注[4-5].目前,资源分配主要有两种主流的分析模式[6].第一种以最小化能耗或时延为优化目标,从技术层面对资源分配的问题进行研究.例如,郭延超等[7]在不考虑网络情况与高刷新率导致的高耗能的背景下,提出基于马尔可夫决策过程的能耗优化模型.李振江和张幸林[8]采用遗传算法和基于分割时间槽的资源分配算法来搜索最优决策,以减少云端通信流量.Wang et al[9]研究了多天线多用户的MEC系统,从离线优化和在线优化两个方面对下行传输功率分配方案进行研究.Zhao et al[10]在满足时延约束的前提下联合优化任务卸载和资源分配来最小化能耗.Zhang et al[11]研究了多用户多任务MEC系统中服务缓存、计算卸载和计算资源分配的联合优化问题,并提出基于半定松弛方法和交替优化的高效近似算法来最小化所有用户的计算和延迟成本.第二种分析模式以最大化利润为优化目标,由于自私性和计算成本,假设边缘服务器在无任何激励下自愿协作计算是不现实的,因此有必要从经济层面对MEC资源分配和定价问题进行研究[12].例如,吴雨芯等[13]对资源进行基于成本的统一定价,并通过仿真实验证明在统一定价下的最大价格就是资源供应商获得最大利润的最优价格.Liu and Liu[14]提出基于定价策略的分布式方法来管理用户的计算卸载任务,建立Stackelberg博弈模型来分析MEC服务器与用户间的交互.Jie et al[15]考虑一个MEC服务器和多个终端用户的场景,设计了一个以终端用户作为领导者、MEC服务器充当跟随者的Stackelberg博弈模型.林艳等[16]提出一种基于交通流量预测的车联网边缘计算迁移方案,采用McAfee拍卖算法来解决车辆与边缘服务器之间的资源双重拍卖问题,旨在提高车辆的计算迁移率,同时改善边缘服务器的资源利用率.张海波等[17]提出由层次分析法排序、任务投标、获胜者决策三个部分组合而成的多轮顺序组合拍卖机制.针对MEC资源交易市场中存在的用户多样性问题,Huang et al[18]提出一种由期货市场和现货市场组成的混合市场资源交易机制.为了激励节点参与编码机器学习,Ding et al[19]在完全信息和多维不完全信息下,分别提出基于Stackelberg博弈和契约理论的激励机制. ...
An edge?computing based architecture for mobile augmented reality
1
2019
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Service entity placement for social virtual reality applications in edge computing
1
2018
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Sensing,computing,and communications for energy harvesting IoTs:A survey
1
2020
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Energy harvesting in wireless sensor networks:A survey
1
2016
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Energy harvesting technologies in roadway and bridge for different applications:A comprehensive review
1
2018
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Learning?based computation offloading for IoT devices with energy harvesting
1
2019
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Deep reinforcement learning for online computation offloading in wireless powered mobile?edge computing networks
1
2020
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Performance optimization in mobile?edge computing via deep reinforcement learning
1
2018
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
绿色能源驱动的移动边缘计算动态任务卸载
1
2020
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Dynamic task offloading for mobile edge computing with green energy
1
2020
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Advances in energy harvesting communications:Past,present,and future challenges
1
2016
... 然而,上述资源分配和定价分析模型通常没有考虑多资源获取的问题,而单一的资源获取渠道无法支撑延迟敏感和计算密集型应用(如增强现实(Augmented Reality,AR)[20]和虚拟现实(Virtual Reality,VR)[21])的运行,也制约了MEC的可持续计算.为了缓解移动边缘设备可用资源紧张问题,能量收集(Energy Harvesting,EH)技术作为资源的另一种获取途径被引入MEC系统[22],EH技术能捕获环境中的绿色能量(风能、太阳能等),促进设备的可持续计算[23-24].随着EH技术的成熟和发展进步,研究人员提出了具有能量收集的MEC系统.例如,Min et al[25]针对具有EH装置的物联网设备,提出一种基于强化学习的任务卸载方案.Huang et al[26]考虑一个MEC服务器和多个具有EH装置的无线设备的MEC场景,在时变无线信道条件下提出一种深度强化学习算法来优化任务卸载决策和无线资源分配方案.Chen et al[27]考虑一种具有EH功能的移动设备和多个基站的MEC系统,将卸载决策问题建模为马尔可夫决策过程,通过深度强化学习来得到最优策略.马惠荣等[28]提出一种利用EH技术和设备间通信技术的绿色任务卸载框架来最小化任务执行成本.EH技术面临的一大挑战是分配收集的资源,过于保守会浪费收集的能源,过于激进会导致能源供给不足.大多数现有工作都假设EH通信系统是完全已知的,根据确定性模型中的数据剖面或随机模型中的参数来表示无线环境特性[29].然而在实践中,无线环境是时变的,移动设备通过EH装置捕获的能源也不是固定的,这给资源的有效分配带来巨大的挑战. ...
Computation offloading in hierarchical multi?access edge computing based on contract theory and Bayesian matching game