计算机科学与探索

作者：刘荆欣, 王妍, 韩笑, 夏长清, 宋宝燕

单位：1.辽宁大学 信息学院,沈阳 110036；2.中国科学院 沈阳自动化研究所 机器人学国家重点实验室,沈阳 110016；3.中国科学院 沈阳自动化研究所 网络化控制系统重点实验室,沈阳 110016；4.中国科学院 机器人与智能制造创新研究院,沈阳 110169

关键词：移动边缘计算（MEC）,资源定价机制,Stackelberg博弈,强化学习

基金：国家重点研发计划(2019YFB1406002);国家自然科学基金(61903356);机器人学国家重点实验室开放基金(2019-022);辽宁省自然科学基金计划重点项目(20180520029);辽宁省经济社会发展课题(2019lslktqn-023)

移动边缘计算（MEC）支持终端设备将任务或应用程序卸载到边缘云服务器处理,边缘云服务器处理外来任务会消耗本地资源,为激励边缘云提供资源服务,构建向终端设备收费以奖励边缘云的资源定价机制尤为重要。现有的定价机制依赖中间商的静态定价,费用高且终端任务处理不及时,难以实现边缘云计算资源的有效利用。针对上述问题,提出一种基于Stackelberg博弈的边缘云资源定价机制。首先,针对资源定价时终端设备因资金不足而导致的本地任务搁置问题,提出包含贷款和激励的辅助机制,实现终端设备任务的及时处理;其次,提出影响资源定价的四种价格导向因素,制定了一致性与弹性两种定价方案,提高定价的准确性和效率,并为动态定价做准备;然后,为了使终端设备与边缘云直接进行动态定价,构建基于斯坦克伯格（Stackelberg）博弈的资源定价机制模型,将资源需求与定价问题转化为边缘云收益最大与终端设备支付成本最小问题;最后,通过改进的强化学习SARSA算法得到资源需求及定价的最优策略。实验表明,提出的定价机制在边缘云收益最大化方面优于其他定价算法12%以上,同时弹性定价方案下边缘云的收益优于一致性定价方案24%。

来源：2022年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第1期