文摘

数据流量的激增,移动边缘计算(MEC)出现了解决高延时和能源消耗的问题。为了应对大量的计算任务,部署边缘服务器越来越密集。因此,服务器服务领域重叠。我们专注于移动用户在重叠的服务领域和研究计算为这些用户卸载的问题。在本文中,我们考虑一个多用户卸载和密集的边缘服务器的部署场景。此外,我们把卸载过程分为两个阶段,即数据传输和计算执行、信道干扰和资源抢占被认为,分别。我们运用非合作的博弈方法模型,并证明了纳什均衡的存在性(NE)。实时更新计算卸载算法(RUCO)提出了获得均衡卸载策略。由于高RUCO算法的复杂性,多用户概率卸载的决定(MPOD)算法来改善这个问题。我们通过实验评估MPOD算法的性能。 The experimental results show that the MPOD algorithm can converge after a limited number of iterations and can obtain the offloading strategy with lower cost.

1。介绍

5 g时代的到来,出现了大量的移动应用,越来越受欢迎1,2]。爆炸的数据流量,计算密集型应用程序需要更强的计算能力和能量储存3]。然而,移动设备上的资源约束不能满足计算需求的计算密集型应用程序,从而影响质量的经验(体验质量)4- - - - - -7]。云计算解决方案应运而生。然而,数据流量的指数增长意味着云计算,集中处理任务的方式,不再能保证服务质量(QoS) (8,9]。移动计算边缘(MEC)被认为是一种很有前途的范式分布式应用程序的想法。边缘服务器部署在边缘附近基站用户提供计算和存储能力(10,11]。在移动网络领域,服务是一个重要的性能指标(12]。把计算任务网络的边缘进行处理不仅可以减少任务处理移动设备的负担,也提高体验质量计算QoS和通过低延迟和低能耗13]。

这个想法的分布式卸载MEC可以应用于许多不同的场景(14]。近年来,汽车网络很受欢迎因为它的广泛应用。大多数的汽车服务有严格的延时要求15]。然而,当前的处理和存储能力有限的车载设备可能不能完全满足要求16]。因此,MEC引入车辆网络是一种很有前途的方法来解决这些问题。MEC具有强大的计算和存储能力的服务器安装在车辆的边缘网络,大大减少任务处理时间而计算任务共享本地设备(15]。此外,随着科学技术的快速发展,用户越来越重视生活的质量。一些网络游戏越来越多的关注。这种计算密集型应用程序需要大量的计算能力和能源储备迅速处理大量计算任务。为了满足这种要求实时响应,卸载计算密集型任务边缘服务器是一个解决方案17]。把计算任务资源丰富的MEC服务器不仅可以大大提高体验质量,而且提高移动设备的功能运行各种资源密集型的应用程序(18,19]。此外,从应用程序的角度来看,MEC也广泛应用在数据挖掘领域,减少延迟的预测过程和设备的能源消耗20.- - - - - -25]。

在计算卸载过程中,用户可以卸载计算任务到最近的边缘服务器执行(26]。在5 g的环境中,基站的密集部署使边缘服务器的服务范围重叠(27]。由于边缘服务器的计算能力有限,资源抢占发生在大量用户卸载任务相同的服务器(28]。因此,用户服务器根据卸载情况决定。此外,把计算任务的边缘需要信道传输,和多个用户在同一频道的传播会造成干扰和影响之间的交互用户(29日,30.]。overinterference将影响数据传输速度和卸载延迟。

最近,有很多研究在计算卸载。计算卸载问题可以表示为不同类型的需要解决的问题。刘等人把问题描述为一个整数非线性规划问题和优化从通信和计算两个方面的目的,减少系统开销(31日]。在[32],作者定义了卸载问题作为一个游戏的问题,提出了一个分布式计算卸载算法来获取每个用户的卸载策略。陈等人表示任务卸载问题随机优化问题,优化目标是减少能源消耗的问题任务卸载(33]。在[34],作者制定联合优化问题的带宽划分和计算资源分配和原始问题分解成两个子问题。减少系统开销的目的,提出了迭代算法获得全局最优的解决方案。由于信道的容量限制和计算资源的边缘服务器在传播过程中,有一个卸载用户之间的竞争关系,可被博弈论。

博弈论是一种强大的工具来解决决策问题的计算卸载。郭等人提出了一个高度计算高效的双层博弈理论贪婪近似卸载方案,证明了其优异的性能35]。在[36),作者描述了卸载问题作为一个动态随机游戏小细胞间,考虑到信道状态的随机性。在[37),作者应用博弈论方法实现有效计算卸载在一个分布式的方式,设计了一个分布式计算分流算法来解决。

在本文中,我们应用博弈理论模型计算卸载多个用户的问题。我们的主要贡献如下:(我)我们构建一个MEC密集分布的边缘服务器和网络场景介绍MEC运营商角色除了移动用户。我们主要研究计算卸载决定移动用户在服务重叠区域。(2)我们把整个卸货过程分为两个部分:计算和传输。考虑信道干扰和抢占资源,我们把问题描述为两个非合作的博弈模型,分别决定卸载服务器和通道。此外,我们在两个模型证明NE的存在。(3)实时更新计算算法(RUCO)提出解决问题。然后,为了解决RUCO的高复杂性的问题,我们改进了算法并提出了MPOD算法。实验结果表明,该MPOD算法具有良好的收敛性和可以低成本卸载策略。

剩下的纸是组织如下。系统模型和问题公式化2。部分3证明了不存在的两个博弈模型,提出了RUCO算法和MPOD算法,和描述的评价部分4。最后,部分5是结论。

2。公式计算卸载模型和非合作的游戏

2.1。计算卸载模型

我们考虑一个多服务器、多用户MEC计算卸载情况下,如图1。在这种情况下,边缘服务器部署在一个高度集约的方式来执行大量计算任务。由于密集分布的边缘服务器,服务器服务领域重叠。在这里,我们研究了计算卸载亩的重叠的服务领域。在MEC系统中,亩可以选择卸载任何边缘服务器计算密集型任务服务的位置来执行计算。具体来说,在图1,可以卸载任务M₁或米₂执行计算任务。我们权衡每个用户卸载决定通过考虑所有亩重叠区域和单服务器系统的服务领域。在边缘服务器的计算过程中,边缘服务器运营商可以分配计算资源亩,亩一定资源租金收费。这是亩的卸货费用的一个组成部分也μ卸载决策的重要依据。

我们考虑 代表一组移动用户和 代表一组移动边缘服务器亩卸载计算任务完成计算。为便于研究,我们假设用户是静止在这一刻,位置不会改变。边缘服务器有更多的计算能力比本地计算。我们定义指令的数量单位时间完成的边缘服务器的计算能力边缘服务器 。亩传输计算任务通过通道边缘服务器。为μ ,我们假设干扰子信道选择(表示为 。然后,选择频道集的总和为所有亩可以表示为 。当亩选择相同的频道将任务相同的边缘服务器,将生成干涉影响任务的传输速率。因此,信道干扰影响卸载决策也是一个重要因素。

在我们的模型中,每一亩计算密集型任务。我们定义的计算任务 ,在哪里表示要执行的指令数来完成这个任务和代表了需要传输的数据量将这个任务到边缘服务器。

每个μ使卸载决策基于任务的实际情况。亩需要玩两个游戏在整个卸货过程。在第一场比赛中,μ决定哪个服务器将任务。在第二个游戏,用户决定哪些渠道选择进行数据传输。根据每个μ的位置,我们可以获得可行的策略配置文件的每个μ和可行的μ表示为 。为μ ,我们代表其设置为可行的策略 , ,在哪里意味着μ执行本地计算和选择意味着μ选择将边缘服务器的任务并选择通过信道传输数据 。每个策略包含两个元素 。 的服务器集μ可以选择在第一个游戏。是μ的频道设置可以选择在第二场进行数据传输。每个μ选择卸载策略根据自己的情况和游戏环境的状态。 , ,被定义为μ卸载策略选择吗 ,在哪里卸载和代表了服务器是数据传输的通道选择。由于数量有限的边缘服务器部署,亩的数量远远高于边缘服务器的数量,所以多亩选择出售相同的边缘服务器和几亩选择相同的数据传输通道。为μ ,我们定义亩和μ的数量 执行计算任务卸载到相同的服务器作为μ 。同样,我们定义的亩数亩的选择同样的渠道进行数据传输 。亩的数量表示 , ,在哪里是一个指数函数。当条件为真,函数值是1;否则,该值为0。模型中所涉及的主要符号表1。

2.1.1。通信模型

亩选择卸载任务边缘云计算。从沟通的角度来看,整个卸货过程分为四个部分,即上行通信延迟,回程链路延迟,下行延迟,和云任务处理延迟。回程链路比上行非常快,快得多,所以回程链路延迟是可以忽略的。此外,相比之下,上行数据传输延迟,亩下行返回计算结果,而推迟这个过程远小于上行通信延迟。因此,在我们的研究中,只有上行和云计算任务被认为是时间延迟。

我们假设μ决定将边缘服务器执行计算任务,然后,在卸载过程中数据传输的速度需要考虑。渠道的选择在传输速度有直接的影响。此外,影响利率的因素包括游戏环境的状态,带宽和背景噪音。以下是通过信道传输速率的数据传输选择μ :

我们代表的带宽通道和μ的传播力量作为 。我们通道增益定义为和背景噪音 。 代表产生的干扰亩选择相同的频道μ用于数据传输。显然,干扰有显著影响μ的数据传输速率 。具体来说,更大的干扰其他亩亩的数据传输速率,较低的μ是多少。

在数据传输的过程中,我们从两个方面考虑亩的成本。一方面,亩可以在数据传输的过程中,生成时间延迟和高时间延迟将导致体验质量的下降,然后,它会增加成本。另一方面,由于有限的能源存储在移动设备,能源消耗在任务传输值得关注。随着能源消耗的增加成本。具体来说,μ减轻了计算任务到边缘服务器 ,和时间消耗在传输过程中被表示为 ,见以下方程:

的能源消耗μ在卸载计算如下:

通过以上通信模型,我们可以得到几个因素影响成本在通信过程中,传输的数据量等任务,传动功率和数据传输速率。传输速率是一个我们将重点在以下研究。

2.1.2。计算模型

亩可以考虑所有因素来决定如何完成计算任务。亩可以选择卸载任务到边缘服务器进行处理或直接在本地执行计算。如果亩选择在本地执行计算任务,我们认为计算延迟和能耗计算作为亩成本来完成任务。当μ执行计算任务在本地,它代表了如下: 本地服务器的计算能力在哪里用 。的计算能力是由实际服务器的硬件配置和是恒定的。

产生的能源消耗μ执行的任务本地表示如下: 在哪里表示平均完成一条指令的能量消耗。

相比本地服务器的计算能力低,边缘服务器更强大。因此,大多数亩宁愿将边缘服务器的计算任务。在边缘服务器上的计算,我们不仅考虑推迟完成任务,但也由服务器计算资源租赁费率MEC运营商亩。

造成的延迟μ完成任务在边缘服务器表示如下:

代表了边缘服务器计算资源的抢占其他亩卸载μ同一个服务器 。这导致μ需要更多的时间来完成任务计算。

亩的租金的边缘服务器计算资源完成任务,和MEC服务器运营商将收取一定的计算资源租赁费用亩需要计算资源。μ计算任务边缘服务器,收取的租金MEC服务器运营商表示为 ,见以下方程: 在哪里代表MEC运营商收取的费用完成一条指令。

2.1.3。成本模型

我们的组件成本定义为三种类型,即延迟,能源消费和支付。延迟包括传输延迟和计算延迟。能源消耗是移动设备的能源消耗在计算卸载或本地计算。支付费用,亩支付使用的计算资源来执行计算任务MEC服务器。此外,时间延迟和能源消耗的成本分配的线性加权因子。我们定义时间延迟的权重因子和能源消耗的权重因子 。这种方法的优点是,它可以根据实际需求调整的计算任务。具体来说,当计算任务延时敏感,加权因子的设置应满足 ,而在面对任务能耗高、重量分配 。

如果μ选择本地计算,那么成本表示如下:

因为有两场比赛在整个卸货过程中,我们描述的成本两场比赛分别是卸载的成本基础决定。首先,我们考虑服务器的成本决策的定义。在这个游戏中,我们认为造成的时间延迟计算任务的边缘服务器和计算资源的成本。此外,有一个服务器选择和通道之间的相关性选择。渠道决策时,它已决定选择哪个服务器信道进行数据传输。因此,概率选择的渠道还包括成本的定义服务器决定。以下是服务器的成本函数决定:

我们定义渠道决策的成本包括传输延迟和传输能耗。μ的渠道决策成本是由

因此,μ的总成本函数可以表示如下:

2.2。问题公式化

我们认为每个μ是自私的和想要降低成本,选择最合适的卸载策略。换句话说,μ的终极目标是最小化整个计算卸载过程的成本:

在整个卸货过程中,亩需要做出两个决定,服务器决定和通道的决定。我们两个决策的问题定义为以下两个子问题。

服务器决策的过程中,我们考虑服务器和通道之间的相关性,因为亩的可行的通道设置下一阶段的决定是由这个决定的边缘服务器。因此,所有可能的渠道选择成本被认为是概率在这个阶段。总之,这一阶段的目标是最小化成本 :

从上面的方程,我们可以发现成本的价值是由服务器决定,可行的渠道策略配置文件和μ设置选择相同的服务器。

在决策过程中,亩是相互独立的。亩无法知道其他用户的决定,只能判断当前环境下根据实际情况和经验。自边缘服务器计算资源是有限的,更多的选择同一个服务器的亩计算,越大计算延迟消费。因此,每个μ想找最低的服务器计算延迟,和每个人都想找到最低的服务器将计算任务。亩被视为参与者,存在一个非合作的游戏,如下所示:

在通道的过程中决定,μ的决定主要是由任务规范决定的和用户数量的传播在同一个频道。大亩传播在同一频道的数量,降低数据传输速率的μ。因此,亩想通过通道进行数据传输与少量的亩,这可以减少干扰,实现降低成本的目的。每个μ在这个阶段的目标是给出的

每个μ想执行计算卸载通过通道最少的干扰,因此,亩愿意通过自主学习获得决定降低成本。亩之间存在竞争关系,我们建立一个非合作的博弈模型如下:

在游戏的模型和 ,有一个竞争游戏亩之间的关系。每一个μ是追求一个更小的成本通过改变策略,而其他亩也在努力降低成本。最后,所有玩家在游戏中会达到一个平衡状态。在这种状态下,没有人能进一步降低成本通过改变策略。换句话说,游戏达到NE。

3所示。纳什均衡和算法

3.1。均衡分析

我们考虑是否亩可以进一步降低成本通过改变卸载策略。因此,下一步就是研究东北的存在和 。

定义1。非合作的游戏,策略配置文件 ,如果没有μ可以进一步降低其出售成本通过改变其卸载策略,我们称之为作为一个游戏的,也就是说, 亩的平衡态可以实现卸载策略配置文件,所有的亩单方面没有动力去改变他们的策略。因此,不平衡具有良好的稳定性。
接下来,我们证明和不可以实现。要证明这一点,我们的概念引入的潜在的游戏。这个游戏是一个精确的潜在的游戏。在确切的潜在的游戏中,存在一个势函数,当战略变化,势函数有相同的变化趋势亩的成本函数。此外,如果是一个精确的潜在的游戏,它至少有一个纯NE和满足有限改进属性,这意味着一个不可以通过有限的迭代次数的改变策略。

定义2。游戏是确切的潜在的游戏,当且仅当存在一个潜在的功能遵循以下条件: 在哪里参与者的成本吗和参与者的策略吗 。然后,表示其他参与者的策略。

定理1。这个游戏是一个精确的潜在的游戏,至少有一个纯策略。

证明。我们首先证明是一个精确的潜在的游戏,然后证明NE的存在通过准确的属性潜在的游戏。
根据(9),的成本函数首先给出如下: 作为一个精确的潜在的游戏,我们给的势函数如下: μ资源抢占其他亩卸载到相同的服务器。相反,其他亩也抢占μ计算资源。我们将进行等效变换(20.): 资源抢占是相互的,所以有一个平等的关系(21), 。
因此,我们可以简化势函数如下: 当卸载策略μ更改 ,势函数的变化趋势如下: 我们发现,当μ战略的变化,一些因素与μ无关在(22)没有变化。因此,简化形式的(23)如下: 通过定义2,我们知道是一个精确的潜在的游戏。因此,定理1是证明。
然后,我们考虑 。

定理2。 是一个精确的潜在的游戏,和潜在的功能如下:

证明类似于定理的证明1,所以我们简化证明。

证明。的成本函数表示如下: 通过等效替换,我们得到下面的等价关系: 因此定理2是证明。

3.2。实时更新计算卸载算法

上述证明不存在于我们建立了两个博弈模型。接下来,我们研究不卸载的解决方案的策略。在博弈模型中,所有亩降低卸载成本通过改变他们的卸载策略。因为游戏中的亩是自私的,每个μ奉行自己的成本最小化。因此,我们需要一个分散的算法来实现分布式计算卸载方案,最终使亩达成一个各方都满意的目标。

和确切的潜在的游戏,有有限的改善房地产(金)。具体来说,一组NE策略可以获得有限数量的迭代后达到一个平衡状态。我们提出了实时更新计算卸载算法(RUCO)获得东北战略概要文件。算法的主要思想是使用模型的收敛到东北整个游戏系统的状态在有限的迭代。同时亩执行决策过程开始前执行计算卸载任务。为了实现不同亩自私行为的同时,我们建议的实时更新游戏状态。每个亩亩发起一个请求消息来更新它的状态当一个更好的策略是在比赛期间可用。然而,在每个迭代中,单个更新请求批准确认消息,因此只有一个决定。

渠道决策的步骤类似于服务器决策过程,因此,整个决策过程不具体。游戏服务器的具体内容阶段算法所示1。给出主要的决策步骤如下:(我)初始化:在初始状态 ,μ随机选择初始策略 ,和初始策略是获得可行的概要文件 ,也就是说, 。根据成本函数,初始卸载的成本 是给定的。成本的计算基础值如下: (2)选择一个新的最佳策略:μ寻求新的最好的策略在当前的游戏环境。μ的目标是把成本最小化当前状态,也就是说, (3)发送请求来更新:μ选择最新的最佳策略和发送一个请求到其他亩更新卸载策略。在每次迭代过程中,μ只能请求策略更新一次,所以战略更新不能开始,直到请求承认。策略更新遵循以下规则: (iv)终止:如果我们得到一个平衡策略通过迭代,迭代停止。

3.3。多用户概率卸载决策算法

RUCO算法迭代更新卸载策略配置文件通过实时更新的想法,最后,纳什均衡策略。然而,当μ生成一个新战略,从亩亩接收更新请求更新操作的策略。在一个迭代,可以为每一个μ发送一个更新请求,所以游戏环境大量更新。整个算法的复杂度非常高,和游戏的延迟达到平衡将会增加。

为了减少延迟,我们改善RUCO算法。用户的更新策略是不再需要在全球的形式。我们应用选择概率来表示每个用户的可行策略集。成本低,选择策略的概率增加。在下一次迭代中,用户会选择高概率策略先卸载。基于这个想法,我们提出了多用户概率决定出售(MPOD)算法。用户只需要修改策略选择的概率向量的可行策略设置为每个策略更新,但他们不让全球更新请求。

整个算法的详细过程算法所示2。MPOD算法给出的主要步骤如下:(我)初始化:我们引入概率选择策略的概念,它可以被定义为每个μ选择卸载策略的基础。对于每个μ,我们最初设定一个均匀分布的选择可行的配置文件中的每个策略的概率。μ战略选择概率向量如下: (2)更新策略:当用户选择一个策略来卸载,卸载的成本将会改变的概率选择策略。在时间内 ,μ使当前的决定基于当前的战略选择概率向量 。(3)计算当前成本价值:在当前状态,每个亩计算成本的价值基于(8)和直接计算的价值如果μ选择在本地计算。(iv)更新策略选择向量:每个μ遵循以下规则来更新他们的策略选择向量: 在哪里是学习能力系数, 。 是一个单位向量的 维度,对应于一个元素的值为1。代表决定,取得的效益表示为 ,在哪里是一个最小值,以确保非负效益的决定。(v)终止:直到所有亩不调整卸载策略,迭代停止。

4所示。评价

在本节中,我们通过实验评估MPOD算法的性能。我们认为是人口分布的边缘服务器的网络,包括3服务器和100亩,其中30是在服务重叠区域。我们设置通道带宽5 MHz (38]。在数据传输过程中,信道增益的计算方法 ,在哪里路径损耗指数。根据路径损耗模型的城市和郊区,我们设置的值4。为了简化计算,我们假设边缘服务器之间的距离是10米,每个μ移动设备的数据传输功率为0.4 W。在本地计算,我们需要知道在本地服务器的计算能力,所以我们随机生成的μ的本地服务器的计算能力(0.5,3)Gcycles。此外,云服务器有一个50 Gcycles强大的计算能力。对于每个计算密集型任务 ,大小传输数据的生成随机从[0.5,5]MB和指令执行完成的数量计算1 MB的数据生成随机从(100、500)周期/ MB。此外,能源消耗是通过每个CPU周期 。权重因素的时间和能源消耗可以根据实际情况设置以及它们之间的平衡。在这个实验中,我们组的体重因素0.5。此外,背景噪音设置为100−dBm。给出了主要参数设置表2。

4.1。参数分析

边缘服务器运营商执行服务器更新,维护,和其他操作,所以他们会收取资源租赁费用亩,卸载任务边缘服务器来执行。如图2,我们分析的影响资源租赁价格定制卸载总成本。计算资源租赁单价是0.5和1。我们观察卸载总成本的变化随着μ参与游戏的数量增加。如图,亩数量的增加,总成本会上升。计算资源租赁成本越高,成本越高的亩卸载任务。因此,租赁单价出售成本有着直接的影响。

资源租赁单价定制,我们也比较平衡成本对应不同的价格。通过一个有限数量的迭代,每个μ的卸载的成本达到一个平衡状态,不再更改。在整个游戏过程中,把总成本不再变化。如图3大约12迭代后,卸载总成本达到收敛状态。当资源租赁的单价是1,卸载总成本远高于0.5。因此,我们进一步证明不同的资源租赁价格的影响在卸载总成本。

现在,我们分析学习能力的影响在整个游戏过程的模型。比赛过程是选择卸载的过程决定每一亩。卸载策略的选择是由概率向量,向量和战略选择的基础是作为战略选择在每个迭代中。学习能力决定了μ的程度在每一个决策的过程。图4描述了概率的变化μ的战略选择₁选择米₃将迭代次数的变化。我们可以看到,随着迭代次数的增加,μ的概率₁选择米₃在卸载正在上升,概率值接近1。具体来说,当迭代次数大约是20,概率值是1。我们可以说米₃是平衡战略μ₁。我们学习能力的值设置为0.4,0.5和0.6。可以观察到在图4学习能力是0.6时,战略选择的概率在最快达到1。因此,学习能力影响的变化率策略选择概率。

负的系数应用于确定每个决策的效益成本价值,应用和决策效益来确定战略选择概率的变化。我们设置值为0.0001、0.002和0.0003的比较。的价值应该足够小,以确保决策的好处是积极的。在图5,我们分析决策收益与成本的变化趋势在不同的值 。总的来说,成本和收益往往沿着相反的方向移动。特别地,随着卸载的成本增加,降低决策成本。从改变率,我们可以看到,该模型的一个较大的值有一个更快的决策效益下降。因此,8的值有一定影响的价值决定福利和变化的速度。

此外,我们分析了非负系数的影响在战略选择的概率。如图6一定数量的迭代之后,战略选择的概率变成1或0任何用户的博弈模型。可以清楚地看到,价值就越大慢,战略选择概率达到平衡。作为战略选择概率的影响决定的好处,决定效益越大,越快的战略选择概率达到平衡态。因此,的价值间接影响策略选择的概率。

4.2。收敛性分析

我们已经证明了模型不存在。具体地说,该模型可以达到一个平衡状态通过有限数量的迭代。我们通过实验进一步证明模型的收敛性。在图7,我们随机选择3μ显示卸载策略的变化趋势选择通过迭代μ。我们可以观察到三个μ卸载策略达到平衡态在最后迭代。具体来说,当μ卸载战略不会改变₁迭代的8倍。μ₂通过11个迭代达到收敛状态。μ₃也11次迭代达到平衡。因此,卸载策略有限数量的迭代后不会改变。从这一战略变化趋势,我们可以证明该模型是收敛的。

图8从另一个角度证明了模型的收敛性。在MPOD算法,我们应用的策略选择的概率向量来表示每个策略选择。换句话说,当选择一个策略的概率增加,选择其他策略的概率减少。由于模型中存在的不,亩迭代后将自动选择均衡策略和所选策略不再改变。因此,均衡策略的选择概率会逐渐方法和达到1,而选择其他策略的概率可以相应地降低为0。图8显示了战略选择概率的μ₁可行的政策。具体来说,在17个迭代,策略的选择概率₃达到1,特别是,M₃是μ的平衡策略₁。战略选择的概率,我们再次证明了模型的收敛性。

4.3。比较实验

与其他算法相比,我们分析MPOD算法的性能。在当地的执行完全算法(LECA),所有亩本地执行他们的任务,不出售的任务。随机选择执行算法(RSEA),每个用户可以卸载随机选择策略的可行策略配置文件。图9显示的平均成本的变化趋势亩参与游戏随着迭代的数量的增加。因为亩执行任务的战略没有改变LECA算法,平均成本不受迭代次数的影响。卸载应用RSEA算法的决策过程是不确定的,所以曲线显示了折线形式的巨大变革。MPOD算法,大约6迭代后,平均成本不再变化。在第七次迭代,MPOD算法获得的平均成本比RSEA算法低8.7%和20.6%低于LECA算法。因此,卸载的成本,我们建议MPOD算法具有明显的优势。

图10显示的亩数的变化参与游戏,不同的算法的总成本。根据这三个算法的总体变化趋势,与亩的增加,总成本的变化表现出上升趋势。MPOD算法的总成本上升速度是最慢的,和总成本总是低于LECA算法和RSEA算法。当μ的数量增加到28日MPOD算法是10.8%的总成本低于比LECA RSEA算法和低31.8%。这进一步证明了通过我们的算法可以获得更低的成本。

5。结论

在本文中,我们研究任务卸载问题场景的密集分布的边缘服务器。我们专注于移动用户卸载策略的边缘服务器重叠的服务领域。我们将整个卸货过程划分为数据传输和计算处理。我们建立两个非合作的博弈模型来解决服务器和通道卸载决定,分别在模型中证明NE的存在。RUCO算法和MPOD算法提出了获得不卸载策略,而后者是前者的改进算法。此外,我们进行实验证明MPOD算法的性能。实验结果表明,MPOD算法具有良好的收敛性,可以获得更低的卸载策略。

数据可用性

大部分的仿真实验数据用于支持本文的研究包括在本文中。更多关于数据的附加信息可以从通过第一作者(电子邮件保护)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作在一定程度上支持中国的国家自然科学基金(61902029和61902029号),北京(没有的优秀人才项目。9111923401),重点研究和培养项目在北京信息科技大学(没有。5211910958)。