基于Stackelberg博弈的资源动态定价策略
发布时间：2021-10-25 10:12
针对计算密集型任务卸载时边缘云计算能力有限引起的公平性问题,提出一种基于Stackelberg（斯坦克伯格）博弈的资源动态定价策略.首先,分析边缘云系统资源剩余量和用户需求之间的实时关系,设计边缘云网络收益及用户成本函数.然后,通过验证用户之间非合作博弈纳什均衡点的存在性,获得基于完全状态信息下用户成本最低时的最优卸载策略.最后,采用双向迭代搜索算法求解边缘收益问题,获取经价格调整因子调节后的边缘云网络最优定价策略.仿真结果表明:所提算法当计算资源较少时能保证边缘云收益,并在保证用户公平性前提下提高用户服务质量.
【文章来源】：华中科技大学学报(自然科学版). 2020,48(04)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
取不同值时的用户成本
第4期薛建彬，等：基于Stackelberg博弈的资源动态定价策略·125·量的增加，传输能耗逐渐增大，用户成本逐渐增加，转而又呈下降趋势，说明只有当须卸载的任务量较大时，卸载对用户更有利；否则，本地计算更能节省用户成本．图4为计算能力对收益的影响．图4中：fe为边缘云计算能力，表征单位时间内的服务器处理速率；所提算法定价1，M＜F/2与统一定价方式，M＜F/2分别表示当系统内资源余量较少时本文算法中边缘云定价策略和统一定价策略；所提算法定价1，M≥F/2与统一定价方式，M≥F/2分别表示当系统内资源余量较多时本文所提算法中边缘云定价策略和统一定价策略．由图可见：随着边缘云计算能力增强，边缘云收益逐渐增加．当系统内计算资源剩余量较少时，通过价格调整因子将资源价格调至较高水平以保证边缘云收益；当系统内计算资源剩余量较多时，通过价格调整因子适当降低资源价格以保证用户服务质量．考虑用户需求与公平性，能够有效提高边缘云收益．根据系统资源余量与用户需求因地制宜地为每个用户提供差异化服务，提升了用户服务质量．1—所提算法定价1，M＜F/2；2—统一定价方式1，M＜F/2；3—所提算法定价2，M≥F/2；4—统一定价方式2，M≥F/2．图4计算能力对收益的影响图5为本文算法的定价策略、统一定价策略及全部本地执行方法在用户成本上的对比结果．统一定价方法不考虑系统资源与用户需求的实时关系，对所有用户按照相同的价格进行一次计算资源分1—全部本地执行；2—统一定价策略；3—本文定价策略．图5三种算法的用户成本比较配．从对比结果可以看出本研究?
扑?资源剩余量较少时，通过价格调整因子将资源价格调至较高水平以保证边缘云收益；当系统内计算资源剩余量较多时，通过价格调整因子适当降低资源价格以保证用户服务质量．考虑用户需求与公平性，能够有效提高边缘云收益．根据系统资源余量与用户需求因地制宜地为每个用户提供差异化服务，提升了用户服务质量．1—所提算法定价1，M＜F/2；2—统一定价方式1，M＜F/2；3—所提算法定价2，M≥F/2；4—统一定价方式2，M≥F/2．图4计算能力对收益的影响图5为本文算法的定价策略、统一定价策略及全部本地执行方法在用户成本上的对比结果．统一定价方法不考虑系统资源与用户需求的实时关系，对所有用户按照相同的价格进行一次计算资源分1—全部本地执行；2—统一定价策略；3—本文定价策略．图5三种算法的用户成本比较配．从对比结果可以看出本研究提出的定价策略在降低用户成本方面更加有效．这是因为：统一定价策略并未充分考虑边缘云的计算能力及用户的实时需求，不仅浪费了计算资源，还导致其他用户的需求无法得到满足．本文所提算法考虑了计算资源的珍稀性与用户的实时需求，按需供应，使资源得到有效利用，实现边缘云和用户各自利益的最优化．用户任务全部本地执行的用户成本是最高的，虽然此时无须向边缘云支付费用，但本地执行的能耗太高，最终导致用户成本较高．4结语本研究针对无线通信系统资源静态定价机制没有体现紧缺资源的珍稀特性问题，当移动用户将计算任务卸载至边缘云时，根据多用户计算密集型任务对资源需求和系统资源剩余量之间的实时关系建立资源实时调节机制．即在系统资源余量充足且用户需求较小时，资源价格较低；
【参考文献】：
期刊论文
[1]OFDMA认知无线电网络中面向功率控制的频谱定价与分配[J]. 张翅,曾碧卿,杨劲松,谢晓虹. 计算机科学. 2015(03)
[2]虚拟环境中基于Stackelberg博弈的资源分配[J]. 杨宇,陈山枝,李昕,王妍. 华中科技大学学报(自然科学版). 2012(S1)
[3]一种分布式认知无线电网络联合信道和功率分配算法[J]. 宋武华,裴廷睿,赵智,杨万春. 信息系统工程. 2012(09)
[4]网络虚拟化环境中虚拟网资源分配机制[J]. 张顺利,邱雪松,陈东东,孟洛明. 北京邮电大学学报. 2011(06)
[5]认知无线电中基于Stackelberg博弈的分布式功率分配算法[J]. 罗荣华,杨震. 电子与信息学报. 2010(12)
本文编号：3457187
【文章来源】：华中科技大学学报(自然科学版). 2020,48(04)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
取不同值时的用户成本
第4期薛建彬，等：基于Stackelberg博弈的资源动态定价策略·125·量的增加，传输能耗逐渐增大，用户成本逐渐增加，转而又呈下降趋势，说明只有当须卸载的任务量较大时，卸载对用户更有利；否则，本地计算更能节省用户成本．图4为计算能力对收益的影响．图4中：fe为边缘云计算能力，表征单位时间内的服务器处理速率；所提算法定价1，M＜F/2与统一定价方式，M＜F/2分别表示当系统内资源余量较少时本文算法中边缘云定价策略和统一定价策略；所提算法定价1，M≥F/2与统一定价方式，M≥F/2分别表示当系统内资源余量较多时本文所提算法中边缘云定价策略和统一定价策略．由图可见：随着边缘云计算能力增强，边缘云收益逐渐增加．当系统内计算资源剩余量较少时，通过价格调整因子将资源价格调至较高水平以保证边缘云收益；当系统内计算资源剩余量较多时，通过价格调整因子适当降低资源价格以保证用户服务质量．考虑用户需求与公平性，能够有效提高边缘云收益．根据系统资源余量与用户需求因地制宜地为每个用户提供差异化服务，提升了用户服务质量．1—所提算法定价1，M＜F/2；2—统一定价方式1，M＜F/2；3—所提算法定价2，M≥F/2；4—统一定价方式2，M≥F/2．图4计算能力对收益的影响图5为本文算法的定价策略、统一定价策略及全部本地执行方法在用户成本上的对比结果．统一定价方法不考虑系统资源与用户需求的实时关系，对所有用户按照相同的价格进行一次计算资源分1—全部本地执行；2—统一定价策略；3—本文定价策略．图5三种算法的用户成本比较配．从对比结果可以看出本研究?
扑?资源剩余量较少时，通过价格调整因子将资源价格调至较高水平以保证边缘云收益；当系统内计算资源剩余量较多时，通过价格调整因子适当降低资源价格以保证用户服务质量．考虑用户需求与公平性，能够有效提高边缘云收益．根据系统资源余量与用户需求因地制宜地为每个用户提供差异化服务，提升了用户服务质量．1—所提算法定价1，M＜F/2；2—统一定价方式1，M＜F/2；3—所提算法定价2，M≥F/2；4—统一定价方式2，M≥F/2．图4计算能力对收益的影响图5为本文算法的定价策略、统一定价策略及全部本地执行方法在用户成本上的对比结果．统一定价方法不考虑系统资源与用户需求的实时关系，对所有用户按照相同的价格进行一次计算资源分1—全部本地执行；2—统一定价策略；3—本文定价策略．图5三种算法的用户成本比较配．从对比结果可以看出本研究提出的定价策略在降低用户成本方面更加有效．这是因为：统一定价策略并未充分考虑边缘云的计算能力及用户的实时需求，不仅浪费了计算资源，还导致其他用户的需求无法得到满足．本文所提算法考虑了计算资源的珍稀性与用户的实时需求，按需供应，使资源得到有效利用，实现边缘云和用户各自利益的最优化．用户任务全部本地执行的用户成本是最高的，虽然此时无须向边缘云支付费用，但本地执行的能耗太高，最终导致用户成本较高．4结语本研究针对无线通信系统资源静态定价机制没有体现紧缺资源的珍稀特性问题，当移动用户将计算任务卸载至边缘云时，根据多用户计算密集型任务对资源需求和系统资源剩余量之间的实时关系建立资源实时调节机制．即在系统资源余量充足且用户需求较小时，资源价格较低；
【参考文献】：
期刊论文
[1]OFDMA认知无线电网络中面向功率控制的频谱定价与分配[J]. 张翅,曾碧卿,杨劲松,谢晓虹. 计算机科学. 2015(03)
[2]虚拟环境中基于Stackelberg博弈的资源分配[J]. 杨宇,陈山枝,李昕,王妍. 华中科技大学学报(自然科学版). 2012(S1)
[3]一种分布式认知无线电网络联合信道和功率分配算法[J]. 宋武华,裴廷睿,赵智,杨万春. 信息系统工程. 2012(09)
[4]网络虚拟化环境中虚拟网资源分配机制[J]. 张顺利,邱雪松,陈东东,孟洛明. 北京邮电大学学报. 2011(06)
[5]认知无线电中基于Stackelberg博弈的分布式功率分配算法[J]. 罗荣华,杨震. 电子与信息学报. 2010(12)
本文编号：3457187
本文链接：https://www.wllwen.com/kejilunwen/wltx/3457187.html
