【技术实现步骤摘要】
本专利技术涉及一种基于上下文多臂机的边缘计算任务卸载动态定价方法，属于边缘计算。
技术介绍
1、边缘计算服务器具备一定的存储空间和计算能力且距离终端设备更近，计算密集型或对延迟敏感的移动终端设备可以把计算任务卸载到边缘计算服务器进行处理。任务卸载是指用户将计算任务从终端设备卸载到边缘计算服务器(edge computing servers,ecs)上，由ecs处理这部分任务。用户进行任务卸载后，服务提供商收取相应服务费用。由于过低的价格使得用户卸载量过大以至于提供商无法承受，而过高的价格将导致用户的卸载需求减少，服务提供商的资源利用率降低。因此设置一个合适的价格对服务提供商来说至关重要。
2、目前，边缘计算动态定价方面已经开展了大量的工作，普遍基于拍卖机制和博弈论的相关思想开展。其中，拍卖机制是解决用户竞争ecs有限资源问题的重要手段。jiagangliu等(auction-based dependent task offloading for iot users in edge clouds)考虑物联网中边缘资源的有限性与用户之间竞争资源的情况，设计了一种基于拍卖的任务卸载机制，提高了用户任务卸载的效率。但在最大化服务提供商收益的优化目标下，拍卖机制存在缺陷；拍卖机制以每轮拍卖结果为优化目标，导致总收益结果难以趋于整体最大化。
3、另外stackelberg博弈模型也常被用于解决边缘计算环境中的资源分配与定价问题。在stackelberg博弈中，服务提供商为领导者，用户为追随者；领导者可以准确地了解追随
4、综上，不同于博弈论与拍卖机制的相关研究，本专利技术同时考虑了拍卖机制带来局部最优边缘价格的隐患与难以提前获取用户效用函数的现状，引入在线学习框架上下文多臂机模型，在不需要提前了解用户效用函数与无第三方加入的前提下，通过对探索价格阶段与选取价格阶段的平衡来规划整体动态定价策略，保证服务提供商的全局收益最大化。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于上下文多臂机的边缘计算任务卸载动态定价方法，用于解决拍卖机制容易陷入局部最有出价的困境和难以提前获取用户效用函数的现状，引发边缘服务提供商收益亏损的问题。
2、本专利技术的技术方案是：一种基于上下文多臂机的边缘计算任务卸载动态定价方法，首先根据多用户多任务边缘计算动态环境收集用户的在线卸载信息与服务提供商在线收益信息，将定价问题建模为上下文多臂机模型，根据收集到的上下文用户卸载信息构建多元高斯分布，采用汤姆森采样方法选取在线边缘服务价格，即运用贝叶斯后验来诱导服务提供商进行价格选取，通过每一轮的在线奖励收益更新对应参数。
3、具体包括：
4、step1：根据服务提供商自身的定价，移动设备做出卸载决策qt与支付费用信息ut。
5、step2：服务提供商收集t时刻的用户在线卸载总信息与在线收益总信息。
6、step3：根据移动设备在线卸载总信息与在线收益总信息建立上下文多臂机模型。
7、step4：采用汤姆森采样算法构建任务卸载动态定价方法。
8、所述step1具体为：
9、step1.1：移动设备k到达边缘服务接入点，移动设备k需要执行任务的总输入数据量是rk，其中lk被卸载到边缘计算服务器上，0≤lk≤rk，其余的(rk-lk)由移动设备本地cpu计算，移动设备k的本地计算速率为fk，另一方面，部分任务lk被传输到ecs进行卸载处理，ecs的计算速率为fc。
10、step1.2：移动设备k的卸载信号用二进制符号xk表示，移动设备k卸载任务复杂度集合设为c＝{c1,c2,...,ci}，i为卸载任务复杂度种类数量，ck在集合c内均匀分布采样。移动设备端会根据服务提供商的在线出价at与移动设备k的本地计算速率fk做出卸载决策。
11、step1.3：移动设备k的卸载信息q＝{lk,xk,ck}，二进制xk为移动设备k卸载信号。
12、所述step2具体为：
13、在t时刻内，总移动设备数量k的卸载信息qk与收益信息uk表示如下：
14、时间周期t时总用户数k查询服务单价后做出的总卸载决策信息，用向量qk(lk,xk)表示。
15、lk表示卸载任务总量，xk表示总卸载率，uk表示时间周期t时总用户数k支付服务费用总收益信息。
16、所述step3具体为：
17、用户在线卸载总信息qk作为上下文多臂机模型中整个时段t内的上下文特征向量vt，表示为vt(lk,xk,at)。
18、上下文多臂机中的奖励函数表示为服务提供商得到的总收益，在线收益总信息uk作为实时奖励信息更新模型参数。
19、所述step4具体为：
20、step4.1：通过上下文特征向量vt初始化多维高斯分布中的均值和协方差矩阵bt。
21、step4.2：利用贝叶斯公式决策出t+1时段的服务出价at+1，利用在线收益总信息uk更新多维高斯分布中的参数。
22、step4.3：通过指标期望累积遗憾值与期望累积收益值来监视实际的在线收益情况，所述累积遗憾值的表达式为：
23、
24、step4.4：利用选出的服务价格at+1作为t+1时段的服务单价，直到整个时段t结束。
25、本专利技术的有益效果是：
26、1、本专利技术不需要用户效用函数的先验信息，减少了信息获取的开销。利用在线卸载信息与在线收益信息构建上下文多臂机模型，实现在线动态定价。
27、2、本专利技术避免了局部服务单价对整体收益最大化所带来的亏损。拍卖机制难免会陷入局部最有出价的困境，无法从长远的角度规划整体收益最大化。此方法通过本文档来自技高网...
【技术保护点】
1.一种基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，包括：
2.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，所述Step1具体为：
3.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，所述Step2具体为：
4.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，所述Step3具体为：
5.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，所述Step4具体为：
【技术特征摘要】
1.一种基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，包括：
2.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法，其特征在于，所述step1具体为：
3.根据权利要求1所述的基于上下文多臂机的边缘计算任务卸载动态定价方法...
【专利技术属性】
技术研发人员：付晓东，甘楠，刘骊，彭玮，丁家满，贾连印，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。