资源管理框架基于Stackelberg博弈在车辆边缘计算

文摘

互联网的产生和发展的车辆(IoV),快速响应时间和超低延迟是必需的。云计算服务是不宜减少延迟和响应时间。移动边缘计算(MEC)是一种很有前途的解决方案来解决这个问题。在本文中,我们结合MEC和IoV提出某一辆车边资源管理框架,由雾节点(fn),数据服务代理(员),和汽车。动态服务区域划分算法是为了平衡DSA的负载,提高服务质量。资源分配框架基于Stackelberg博弈模型分析提出了fn和数据资源的定价问题的策略DSA与分布式迭代算法。仿真结果表明,该框架可以确保汽车中FN资源的配置效率。该框架实现了参与者的最优策略和。子博弈精炼均衡

1。介绍

随着各种网络的车辆的出现(IoV)应用程序,如相机传感器数据交换、驾驶行为分析、语音识别、实时交通信息更新,软件下载,一个新的体系结构,可以实现超低延迟和高吞吐量的高度要求1]。然而,当前的无线通信技术不能满足不断增加的服务质量要求,以下两个原因。在车辆密集部署在一些城市的部分,形成复杂而密集的汽车服务,增加数据服务的难度。此外,目前的通信技术不能支持大量的用户终端。在蜂窝网络中,频谱效率大幅下降和增加用户密度(2,3]。数据计算服务来满足需求,大量的大规模数据中心部署。此外,云计算最近提议提供灵活、高效的服务数据服务订阅者(4]。在云计算,数据服务代理可以组织一个共享池的可配置的计算资源(如服务器、存储、网络、应用程序和服务),可以很容易地访问数据的按需服务订阅者(5]。

然而,移动车辆和远程云服务器之间的距离可能会导致网络传输延迟和创造可观的开销,这是无法忍受的应用程序需要实时交互和高流动性需求6,7]。因此,它是有益的和必要的云更接近用户。在这种情况下,一个名为MEC的新架构和技术出现,促使云服务无线网络的边缘,靠近车辆移动终端提供服务。MEC的网络边缘可以运行在一个环境隔绝的其余部分网络和在当地社区创建对资源的访问。此外,在物联网、雾计算提出了思科作为一个有前途的解决方案。在雾中计算,多种低功耗计算设备,通常被称为fn,部署在网络的边缘将从云计算服务的数据(8]。的性质规模小,工程造价低,和流动性支持,fn通常部署更接近数据服务用户;因此,访问云计算服务的网络延迟可以大大减少,使MEC提供快速的交互式响应和位置感知服务数据服务(9]。不同的目的和偏好,数据服务订阅者在网络边缘可以接收数据服务的fn在附近。

摘要MEC技术引入IoV形成车辆边缘计算(VEC)。在矢量网络网络虚拟化的概念也应用。fn的大量计算资源和他们的是肉眼不可见的汽车,汽车只能接触DSA和购买数据服务。因此,有一个虚拟网络DSA和汽车。当服务请求从接收所有的汽车,每个DSA可以收集从FN计算资源,提供虚拟汽车数据服务。因此,计算资源可以有效地和有效地利用附近的汽车。每辆车是一个数据服务用户,需要申请DSA的数据服务。

优势计算机网络可以包含大量的由不同地区体育会fn部署在不同的位置,为汽车提供各种数据服务和应用程序。当汽车可以选择他们的DSA以及相应的FN进一步加强质量的经验,如何形成一个数据服务框架,更高效,满足所有参与者的最高收入,仍然是一个悬而未决的问题。在本文中,我们关注每个DSA的服务半径和每一层的优点,提出一种有效的数据资源管理框架。在这样的框架下,结合汽车的高机动性的特点和运动特点,我们把服务的地区体育会根据车的密度和速度。然后,我们开发了一个Stackelberg博弈模拟之间的交互FN和DSA。FN决定了他们的服务价格第一,DSA然后决定购买的最优数量的计算资源块(crb)。一旦FN的价格和购买资源的地区体育会,DSA可以卸载这个数据需求相应的FN。然而,如果没有足够的可用的crb FN满足所有地区体育会的数据服务需求,一些地区体育会将由远程数据中心远程DSA。

剩下的纸是组织如下。节中描述的相关工作2。介绍了系统框架和定义问题部分3。节4,我们提出一个动态服务区域划分算法DSA的划分服务区。节5,我们使用Stackelberg博弈分析框架交互的两层。部分6基于一个真实的数据集显示了实验评价。最后,在得出结论部分7。

2。相关工作

在很多研究中,雾计算一直提倡云的发展前景。Ahlgren et al。10]研究雾计算的概念,旨在深入云及其收益分配网络。Yannuzzi et al。11)考虑流动性的要求,可伸缩性、可靠的控制和驱动物联网的一些具有挑战性的场景展示雾计算的好处和意义。最近的一项调查新兴5 g网络边缘云架构可以在找到12]。塔勒布等人分析了MEC参考体系结构和主要部署场景并进行了概述当前的标准化活动。李等人。13)提出了一个中介框架,存在多个云服务提供商和用户之间的中介。中介第一次租金从云提供商云服务,然后为流媒体处理服务为用户提供低成本和延误。在[14),一个高度本地化IoT-based提出了云计算模型。光环允许移动客户端创建临时和其他灵活使用物联网和云计算设备在附近的物理环境。李等人。15)提出了一个面向用户的改进的谱聚类资源调度的调度算法来解决这个问题,提高用户的满意度。在[16),模糊聚类的方法是结合粒子群优化分配资源,提高用户满意度和资源调度的效率。然而,移动云计算也需要一个高质量的网络连接与远程基础设施。因此,在这些研究的基础上,我们的工作是建立一个层边缘云计算和最终用户之间的网络,为汽车提供数据服务,并使用汽车作为最终用户,所以汽车也是一个边缘的一部分。我们的边缘节点层可以接近最终用户;而不是将信息发送到远程服务器,可以提供一些数据服务直接由边缘节点来提高服务效率。在[17),Stackelberg博弈理论模型显示虚拟网络之间的动态带宽分配。吴et al。18)认为Stackelberg博弈之间的数据中心和公共汽车智能城市,其中每个公交沿线其收集数据和与其他公交车竞争奖励转发到数据中心。在游戏中,提出了启发式算法后,显示了Stackelberg平衡实现的数据中心和每个总线能够达到最大的效用。王等人。19]垄断之间的交互建模数据中心运营商和客户Stackelberg博弈。在游戏中,垄断数据中心运营商的定价策略和相应的行为数据服务客户的详细分析了同构和异构客户场景。

近年来,在许多研究中,资源调度的结合和云计算在互联网的汽车取得了研究成果。设拉子等。20.)提出了当前DAPFs专题分类,综述了当前卸载框架通过专题分类,并分析了当前卸载框架的意义和重要方面。在[21),当地的路边提出了基于云计算的网络处理与交通有关的数据,与雾计算的目标相一致。车辆雾计算(由变频控制)体系结构提出了(22),车辆与冗余资源作为计算基础设施和拥挤的车辆资源有限的负担是松了一口气。阿拉姆et al。23)由两相异构建模CVCC网络公益游戏,然后调查了不同激励机制的影响和复杂网络的结构描述车辆连接在车辆的投资率。Kumar et al。24]讨论了车辆延迟容忍网络技术的使用MEC的目标主要是在智能电网的应用程序。萨拉赫丁et al。25)提出了一个新颖的路边单元(RSU)云,云车辆,车辆的运营骨干电网在互联网的车辆(IoV)。提出RSU云的架构由传统和专业限制。金等。26)被认为是一个创新的RSU部署框架,这是一个平衡的组合三种不同方法:部署静态位置限制,公共移动运输,完全可控车辆归地方政府所有。张等人提出了一个合作雾computing-based智能车载网络来处理大IoV数据,并进一步讨论了流动控制和分布式计算和存储27]。然而,我们的研究是完全不同于他们的。尽管我们都提到了特性,比如使用边缘计算来解决这个问题,我们的管理框架突出了新特性,比如考虑车辆的移动特征的影响在边缘节点提供的服务,使服务功能的预先判断提供低延迟通信和更多的上下文感知能力。

3所示。系统框架

汽车需要数据服务在驾驶过程中,每辆车可以传送数据到FN在网络的边缘。每个DSA选择一个FN为汽车提供所需的数据服务,如图1。这样的三层边缘网络是本文的主要核心框架。DSA位于中间层,降低汽车服务和管理上通过连接汽车和FN FN。我们定义单元的计算资源的数量可以由每个分布式FN CRB,每一个都可以提供计算服务的速度 。fn和汽车之间的物理数据传输网络满足SecondNet拓扑结构,网络设备可以提供承诺的服务质量(QoS) DSSs。因此,减少潜在的网络堵塞的风险,实现实时快速响应交互,每个DSA试图卸载FN数据服务提交的一辆车。然而,随着汽车不能直接授权访问crb,汽车需要接收来自地区体育会的虚拟服务,管理地区体育会,fn的crb终于可以被分配到汽车。

系统体系结构如图1。FN代表雾服务器,DSA multidata代理,汽车代表了数据服务订阅者(见图1)。

4所示。服务区域划分算法

使汽车能够申请服务在任何时间和减少服务响应时间,有必要把每个DSA的服务区。DSA的服务区是一个圆的半径 。默认情况下,所有的汽车在这个圆是由相应的DSA。每个车都有一个相应的DSA,添加所有地区体育会的服务区米。每辆车可以与FN通过DSA或与车辆在不同的服务领域通过mmWare或其他网络。一个FN负责DSA,每个DSA可以用相应的FN直接沟通。因为在不同的道路交通状况是不同的,车辆的驾驶是随机的,车辆的密度在每个DSA的服务区都是不同的,导致的不平衡负荷DSA。如果有太多的车DSA服务区请求数据服务,服务响应时间会太长,甚至服务质量将受到影响。因此,我们提出一个动态服务区域划分算法,帮助我们调整服务区域半径根据汽车驾驶行为循环。我们主要考虑三个因素:速度因素,地理位置因素,和服务器资源闲置与算法。每辆车与mmWare,每个节点与你好消息共享自己的信息。

4.1。收购车辆运动数据

以下4.4.1。插值法

我们获得汽车的速度与插值法(28]。插值方法是使用一个函数的函数值知道几点在一定区间内。如果有一个合适的特定功能,其他点的间隔可以获得一个近似函数特定功能的价值。这是插值法。

让函数被定义在区间 ,和存在的一组值在一个点集 ;如果有一个简单的函数 , 然后的插值函数吗 ,这一点是插值节点,包含插值节点的时间间隔 是插值区间。

线性插值公式

设置像素坐标的后轮中心指向前一帧和下一个帧是 和 ,分别。前轮中心的像素坐标点中间的两帧图像 ,和时间t在这个框架的前轮

的原则计算视频的速度

一般而言,上述公式被称为或一个变量的值,然后,另一个计算方法用于获取另一个变量的值。

4.1.2。时间插值法获得速度

在这项研究中,我们计算基于视频图像的汽车的速度使用插值法。我们采用了最基本的线性插值。汽车的运动数据是通过使用一个视频。在视频图像中,捕获目标车辆可以找到两个多特征点与已知距离的移动方向,以两个特征点之间的实际距离为尺度的长度。像素图像中每个特征点的坐标值是结合插值原理计算的确切时间车辆通过规模的距离,最终获得一个精确的车辆速度。

假设轴距l的车辆将驾驶的规模和方向如图所示。在0框架,前轮的位置后轮的位置 ;在n帧,前轮的位置后轮的位置 ;在n+ 1,前轮是位置和后轮上位置(见图2)。

如果 ,目标车辆的距离l为准确n帧,平均速度是多少

当 ,找到时间之间的差值和插值法:

平均速度是

4.2。服务半径的影响因素

4.2.1。准备速度因子(VF)

计算 根据时间插值法: 在哪里代表一组节点附近代表着速度。较小的VF表明较低的速度。基于加权指数移动平均线,VF是定期更新的间隔10秒: 在哪里 和 分别代表VF的以往和当前值。代表当前速度变化速度的影响值,VF被初始化为1,设置为0.7。

4.2.2。位置因子(低频)

位置系数计算如下:

如果显示汽车的位置从当前服务区的边缘显示车的距离年代在面积上我。较小的低频表明汽车即将离开服务区。

4.2.3。服务器闲置资源

服务器空闲资源给出如下: 在哪里代表了服务器的资源占用。加起来超过所有服务区域米,空闲资源应该大于最小值。只有保证这两种情况,服务器提供数据资源服务。

4.3。服务区域划分算法

如果汽车是快或接近边缘的DSA的服务区域,然后决定是否需要很短的时间内达到下一个DSA。如果是这样的话,如果它足够小,当服务器繁忙,工作不能排队的第一,汽车可能很快达到未来的服务区DSA下DSA和服务。当达到一定数量时,它意味着汽车密度减少当前DSA处理之前的工作。不需要改变在这种情况下。只有当闲置资源当前的DSA小于阈值,和服务区域内的汽车只能提供服务的DSA在一段时间内将服务区域的半径变化、和是改变了2次。相反,当空闲DSA,繁忙的工作DSA与闲置服务器资源转移到DSA。如果还有更多的免费资源,改为原来的一半吗 。服务领域的每个DSA之和后改变必须等于原来的总面积米(例如,在图3)。服务区域分区算法如下(参见算法1)。

5。Stackelberg博弈决策

5.1。Stackelberg博弈的定义

Stackelberg博弈是一个游戏的问题,决策者在主从关系;也就是说,游戏玩家的状态属于两层决策是不公平的,和球员的上层比下层游戏更有影响力的球员。这是一个领导者和追随者之间的关系。领导者总是率先做出决策,而追随者做出最好的决定基于战略领导者和其他追随者在同一层。

博弈模型通常包含三个元素:游戏玩家,战略,和收入。因为Stackelberg博弈具有两种不同的决策层次,其玩家分为两类,都有自己的战略空间和收入。

游戏玩家定义米领导人和n追随者,分别由两组来表示 和 。

策略定义了领袖的策略组合 和设置为X和跟随者的策略组合 和设置为Y。

领导人的收入表示为 ,和追随者的收入表示为 ,在哪里 。

上述博弈模型被定义为Stackelberg博弈与多个领导人和多个追随者。假设领导人做出了一个决定,每一个追随者参与游戏扮演一个非合作的博弈决定下最大化自己的收入;然后,追随者的领导者的最佳策略策略可以表示为 在哪里代表了追随者的最佳策略和表示最好的组策略而不是追随者 。当所有的追随者策略满足上面的公式,最优策略空间 被称为纳什均衡的非合作的游戏29日]。

5.2。为两层交互Stackelberg博弈分析

假设在一个特定的计算机网络,有多种fn设置设置米= {1,2,…米}。地区体育会的集合覆盖范围N= {1,2,…n所有地区体育会},FN竞争。的价格策略节点 , ,和所有fn的价格策略 。CRB需求的策略是 , ,这意味着CRB购买的数量吗在 。我们定义 CRB需求策略向量 ,在哪里代表的策略在其他fn除外和 表示一组数据的要求对所有地区体育会策略。

Stackelberg博弈主要意味着玩家游戏的第一个预测其他玩家的购买数量来确定价格和其他球员决定购买数量根据价格,以便确定价格是由双方照顾双方的收入。在我们的模型中,我们考虑DSA作为申请人的计算资源和追随者的博弈模型。DSA的FN需要提供计算服务,领先的博弈模型。游戏FN和DSA由两个阶段组成。在第一阶段,不同的fn首先声明他们的价格策略p和广播所有地区体育会的策略。在第二个阶段,DSA使其自己的数据资源的策略问基于接收到的价格策略向量p。后确定价格策略和数据资源策略,竞争DSA和FN构成一个非合作的博弈问题。的战略结合DSA和FN (p,问)是一种解决Stackelberg博弈。接下来,我们制定DSA和FN的效用。

5.2.1。DSA的效用

每个DSA独立选择FN开发CRB需求策略。DSA的效用函数由两部分组成:提供数据服务的收益和成本的一辆车。相关的好处是不仅crb的数量也不同汽车的满意度与crb相同的单位。DSA的成本包括采购成本的crb FN和延迟的数据服务。增加的价格和数据传输延迟的增加引起的网络拥塞会导致DSA调整数据资源的策略。DSA的效用可以由以下公式表示: 在哪里由DSA总的收入由DSA汽车时,FN设定的价格,价格是由DSA FN,然后呢代表的延迟成本DSA的汽车服务。

我们只研究灵活的业务流程。当所请求的数据服务的车低,DSA的边际效应基于数据非常大,但边际效应随数据的增加而减小。它的效益函数可以被描述为一个基于总资源增加凹函数,通常符合对数函数的趋势。因此,我们使用对数函数 代表的效用函数DSA灵活的业务流程,在哪里是一个常数大于零,敏感性相关的数据延迟的车,然后呢x代表的总数crb通过DSA。最后,每个DSA的目标是选择自己的最优数据资源的策略 ,这是 ,在哪里和也表明,其他地区体育会和fn选择最优数据资源策略和价格策略。

我们假设每个DSA遵循泊松到达过程的工作负载。如果总负载的所有地区体育会FN,网络拥挤。只有当FN满足所有地区体育会的负载可以保证的有效传输数据。具体来说,FN的负载 ,和延迟成本函数在可以表示为 在哪里是一个常数相关的数据传输技术。

5.2.2。FN的效用

FN的总效用是支付收到DSA -传输成本。我们设置传输单位成本CRB,是服务FN的单位价格。因此,FN的效用可以由以下公式表示: 在哪里是总收入FN DSA和收到的吗是由FN传输总成本估计。

获取数据服务从FN, DSA需要购买少量的CRB FN达到满意的服务,这是要付出代价的。不同的地区体育会有不同的服务延迟公差。当服务延迟的上限高,DSA只需要购买少量的CRB达到满意的服务。然而,当服务的上限延迟低,DSA必须购买大量的crb确保服务质量的提高和区域内的服务延迟是宽容。此外,服务的价格设定的FN也会影响效用的DSA。当价格高,即使大量的crb可以提高数据服务的质量,DSA还需要支付大量的费用FN,好处可能不会满意的。一辆车需要多少资源适用于完成自己的任务也没有浪费资源,确保服务质量?DSA的FN提供数据计算服务,需要设置一个价格,有利于DSA。然而,如果价格定的太高,DSA的数量将减少CRB购买或选择另一个FN,因此有必要预测DSA的反应来确定服务价格最大化效用。因此,如何FN价格保护其收入而不失去其资源用户满意度是关键。

5.3。证明了纳什均衡的存在基于效用函数

根据前面的推导,效用函数可以表示为

根据DSA的效用函数的二阶导数相对于是

结果发现效用函数的二阶偏导数DSA的

DSA的效用函数是由严格凹函数,证明了纳什均衡的存在。

5.4。Stackelberg博弈问题的解决方案

针对本地共享决策信息的特点在球员Stackelberg博弈模型上面所提到的,我们解决现在的完美纳什均衡的分布式迭代算法(30.];也就是说,每个玩家只能确定最佳策略与当地信息。假设在时间tFN广播的,价格策略p(t)。基于对数据资源的需求,DSA认为FN的价格和服务功能,调整数据资源战略最大化其效用。变化的速度数据中获得的DSA在每个FN效用函数的梯度成正比。时间从来被定义为一个迭代周期DSA,数据资源策略DSA的时期 在哪里是数据资源战略调整步长和效用函数的梯度,其计算公式是什么

因为已经被证明满足凹函数的特点,数据资源战略的DSA可以收敛到纳什平衡点通过(19多数的后) 。

FN的最优价格策略可以通过迭代计算调整价格,然后观察每个DSA的数据资源战略变化计算对其效用的影响。最优价格策略FN的效用函数最大化。价格策略调整FN可以计算的 在哪里表明迭代步长。同样,从时间的时间间隔t时间t+ 1就是一个迭代周期FN。的偏导数计算价格可以通过使用一个小的变量 ;公式如下:

之前的数据资源战略DSA是稳定的,FN应该保持不变的价格来获得最好的策略DSA下这个价格策略。在这个价格,DSA的策略达到稳定的时间称为一个迭代周期FN,包含多个 。整个框架,FN作为领导者动态调整定价基于DSA的需求,当收入达到最大值时,它停止改变定价策略并确定这个价格是最好的价格 。在这个价格下,DSA最好的数据资源的策略是最佳的应对FN的定价。在这一点上,游戏的领导者和追随者达到纳什均衡 。

算法分为两个部分,包括价格策略的FN和DSA的数据资源策略:(1)在每一个时间t,FN制定价格策略基于公式的边际效应(21)和(22)。(2)DSA后接收新的价格策略,然后在每一个时间间隔 ,调整它的数据资源策略根据公式(19)和(20.),直到整个DSA效用达到最大值,达到纳什均衡。(3)如果所有的fn的效用达到最大值,迭代停止。否则,在下次t+ 1,FN回报(1根据DSA的数据资源策略继续迭代。

6。仿真实验

模拟的场景是在一个3000米的道路。所有的汽车都是运行在一个方向上。最初的DSA服务区是500米。在这3000米区域,我们分配3 fn和地区体育会。我们假设每个汽车的传感器在汽车上的同一位置,数据传输的速率 ,和汽车的延迟容忍是60 ms。迭代算法的实验中,我们只使用两个服务区域覆盖不同的fn。这个地区有三种地区体育会: , ,和 。假设在初始条件下,fn都是0.1的价格策略的价值1,DSA在fn的初始数据资源策略是0。

随着车辆在该地区的密度不断增加,服务区域的DSA变得相对较小。如果服务区域的大小是一样的,车辆的密度在服务区域的DSA的资源占用率0.2是最大的。当汽车的密度是固定的,我们发现DSA的资源占用率0.8最小的服务区域,这是;当服务器繁忙,DSA的服务区域更小。如图4车辆密度和资源占用率会影响DSA的服务区;汽车密度越大,越少的资源可用的服务器和服务区域越小(见图4)。

图5显示了三种不同的效用函数的曲线变化DSA的迭代过程。曲线的用户是汽车,最不敏感的数据服务延迟,所以相应的价格相对较低的汽车。FN的资源由DSA优先竞争,对延迟敏感,适用于更多的资源,所以效果相对较低。的曲线是一辆车,最敏感的数据服务延迟,所以DSA FN需要购买更多的数据资源,和FN的价格策略将会更加友好,所以DSA的效用是变得越来越高,但是随着游戏的平衡点,FN的资源有效利用,FN发现更高的价格在纳什均衡状态,并相应地DSA的效用降低,所以有一个最大值。汽车的DSA服务区适度敏感服务延迟,起初曲线逐渐增加,然后逐渐变得稳定。所有三个曲线趋于稳定后达到这个平衡点(见图5)。

我们获得Stackelberg博弈的子博弈精炼均衡异构无线网络。图中的两条曲线的最优价格曲线第一FN和第二FN的最佳价格曲线。两条曲线的交点是纳什均衡 。因为价格策略在这一点上能满足两位领导人的最大效用的同时,如果任何FN单方面更改目前的价格,它将减少其效用。两条曲线的交点对应两个fn的最优价格策略。在这一点上,FN层和DSA层达到纳什均衡,并且获得Stackelberg博弈的子博弈精炼均衡(见图6)。

我们评估的效用DSA和FN和结合最好的数据服务状态经过每一层的效用。如图7DSA和FN的效用影响定价的FN和CRB是由DSA的需求。FN不能继续增加一个单位的价格虚拟CRB增加效用,因为当价格过高,DSA将减少购买的数量,所以FN的效用会降低只有最合适的价格和最好的CRB数量达到,DSA的效用和FN可以达到最大(见图7)。

7所示。结论

在本文中,我们提出一种联合优化multi-FN框架,对VEC multi-DSA和multicar场景。在这个框架下,我们首先确定服务区的DSA根据汽车运动的特点。然后,我们Stackelberg博弈模型来解决定价问题的FN和DSA的资源购买问题。对于每个阶段的问题,所有的参与者可以实现平衡或稳定的结果,没有人在这个框架可以单方面改变他们的行为,以获得更高的效用。仿真结果表明,所有的FN和DSA可以自己达到最好的效果,可以实现高绩效提出了框架的比较。对于未来的工作,我们可以考虑汽车的最低层和之间的联系是否可以获得一些数据服务在附近的车辆。如果之间的数据服务可以提供车辆,车辆应选择的决定。

数据可用性

使用的数据来支持本研究的结果都包含在本文实验图。

的利益冲突

作者宣称没有利益冲突

作者的贡献

张应提出本文的观点。Guangshun李和Maoli王完成论文的算法和英语写作。盛Junhua吴(音译,完成了实验。

引用

1. 赵问:胡,c .吴x, x,和t . Yoshinaga”车辆的多路存取的边缘计算许可增速低于GHz, IEEE 802.11 p和mmWave,”IEEE访问》第六卷,第2004 - 1995页,2018年。视图:出版商的网站|谷歌学术搜索
2. l .气j . Yu, z周,”一个调用web服务的成本优化方法在云环境中,“科学的规划卷,2017篇文章ID 4358536、9页,2017。视图:出版商的网站|谷歌学术搜索
3. f·l·冯j . Yu赵,h .江”小说分析延迟和功耗的轮询方案在物联网中,“清华科技,22卷,不。4、368 - 378年,2017页。视图:出版商的网站|谷歌学术搜索
4. r . j . Gubbi Buyya、美国Marusic和m . Palaniswami”物联网(物联网):一个愿景,建筑元素,和未来的发展方向,”未来一代计算机系统卷,29号7,1645 - 1660年,2013页。视图:出版商的网站|谷歌学术搜索
5. h·张,y,美国布鲁里溃疡,d . Niyato f . r . Yu和z汉,“计算资源分配在三层雾物联网网络:联合优化方法结合Stackelberg博弈和匹配,”IEEE物联网,4卷,不。5,1204 - 1215年,2017页。视图:出版商的网站|谷歌学术搜索
6. a . v . Dastjerdi和r . Buyya雾计算:帮助物联网实现其潜力,”电脑卷,49号8,112 - 116年,2016页。视图:出版商的网站|谷歌学术搜索
7. x z Ning,香港、f .夏、w·侯和x王,“绿色和可持续的东西:云计算使协作优势,”IEEE通讯杂志卷,57号1,第78 - 72页,2019。视图:出版商的网站|谷歌学术搜索
8. 郑x z Cai, j . Yu”differential-private框架通过出租车公司估计,城市交通流”IEEE工业信息,15卷,不。12日,第6499 - 6492页,2019年。视图:出版商的网站|谷歌学术搜索
9. z l, l . Chen Cai, h .沈梁y, y锅,“随机负载均衡虚拟资源管理数据中心,“IEEE云计算,卷99,p . 2016。视图:出版商的网站|谷歌学术搜索
10. b . Ahlgren, p .阿兰达,p . Chemouil et al .,“内容、连通性和云:成分的网络的未来,”IEEE通讯杂志卷,49号7,62 - 70年,2011页。视图:出版商的网站|谷歌学术搜索
11. m . Yannuzzi r·a·米利托r . Serral-Gracia d·蒙特和m . Nemirovsky”Keyingredient斯楠iotrecipe:雾计算、云计算、雾计算,”《IEEE国际研讨会上计算机辅助通信链路和网络的建模和设计2015年,英国吉尔福德。视图:谷歌学术搜索
12. t·塔勒布k . Samdanis b .马达思班h . Flinck杜塔,和d . Sabella”多路存取的边缘计算:新兴的调查5 g网络架构和编制,边缘”IEEE通信调查和教程,19卷,不。3、1657 - 1681年,2017页。视图:出版商的网站|谷歌学术搜索
13. 李h . m .董、k Ota和m .郭”价格和回购为大数据处理在多重云,“IEEE新兴主题计算,4卷,不。2、266 - 277年,2016页。视图:出版商的网站|谷歌学术搜索
14. r·哈桑·m·侯赛因,r·汗”光环:政策刺激特别为近端移动物联网云框架计算卸载,”未来一代计算机系统卷,86年,第835 - 821页,2017年。视图:出版商的网站|谷歌学术搜索
15. s . g . Li徐、吴j .和h .叮”资源调度计算基于改进的谱聚类算法的优势,”科学的规划ID 6860359条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
16. d·j·g·李,y Liu Wu林和s .赵”的资源调度方法基于优化模糊聚类在雾中计算,”传感器,19卷,不。9,2122年,页2019。视图:出版商的网站|谷歌学术搜索
17. w .琮、y, c, h, c .郑,“虚拟数据中心带宽分配游戏”《IEEE国际会议信息科学与技术2012年3月,武汉,中国,。视图:谷歌学术搜索
18. d . m . Wu你们美国唐,y荣,“协作车辆传感在总线网络:Stackelberg博弈方法,”IEEE /中投国际会议通信学报》在中国,成都,中国,2016年7月。视图:谷歌学术搜索
19. 陈汉宾、y赵和h .关”在数据中心网络游戏定价方案的理论方法,”《计算机通信与网络上的国际会议火奴鲁鲁,嗨,美国,2014年2月。视图:谷歌学术搜索
20. m .设拉子,A . Gani r·h·Khokhar和r . Buyya”审查在分布式应用程序处理框架移动云计算、智能移动设备”IEEE通信调查和教程,15卷,不。3、1294 - 1313年,2013页。视图:出版商的网站|谷歌学术搜索
21. y . r . Yu, s . Gjessing w·夏和k·杨,“与高效的资源管理,对基于云计算的车辆网络”IEEE网络,27卷,不。5,48-55,2013页。视图:出版商的网站|谷歌学术搜索
22. x, y, m, d, d·金和s·陈,“车辆雾计算:车辆作为基础设施的角度,“IEEE车辆技术,卷65,不。6,3860 - 3873年,2016页。视图:出版商的网站|谷歌学术搜索
23. a·阿拉姆y邓、g . Wei和x林,“协作车辆的安全云计算:一个游戏理论看来,“IEEE网络,32卷,不。3、72 - 77年,2018页。视图:出版商的网站|谷歌学术搜索
24. n . Kumar s Zeadally和j·j·p·c·罗德里格斯”全新车辆实现容忍延迟网络智能电网数据管理使用移动计算边缘,”IEEE通讯杂志,54卷,不。10日,60 - 66、2016页。视图:出版商的网站|谷歌学术搜索
25. m·a·萨拉赫丁a Al-Fuqaha, m . Guizani“软件定义网络RSU云支持互联网的车辆,“IEEE物联网,卷2,不。2、133 - 144年,2015页。视图:出版商的网站|谷歌学术搜索
26. d . Kim y•贝拉斯科,w·魏,r·n·乌玛·s·李,“一个新的综合RSU安装有成本效益的战略VANET部署,”IEEE车辆技术,卷66,不。5,4200 - 4211年,2016页。视图:出版商的网站|谷歌学术搜索
27. w·张,张z, H.-C。曹国伟,“合作雾计算来处理大数据在互联网的车辆:体系结构和层次资源管理、“IEEE通讯杂志,55卷,不。12日,60 - 67、2017页。视图:出版商的网站|谷歌学术搜索
28. 问:Ranran,交通事故车辆速度计算方法研究基于监控视频图像吉林,吉林大学,中国,2017。
29. n Pu-yan和z . Pei-ai注意Stackelberg游戏”《2008中国控制与决策会议烟台,页1201 - 1203年,中国,2008年7月。视图:谷歌学术搜索
30. y蒋、陈s和b .胡锦涛,“Stackelberg产品定价和资源配置的分布式算法在异构无线网络中,“杂志在通信1卷,第68 - 61页,2013年。视图:谷歌学术搜索

版权

版权©2020 Guang-Shun李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。