您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[重庆邮电大学]:空天地一体化边缘计算网络中基于博弈论的任务卸载策略 - 发现报告

空天地一体化边缘计算网络中基于博弈论的任务卸载策略

2024-11-16刘亮重庆邮电大学静***
AI智能总结
查看更多
空天地一体化边缘计算网络中基于博弈论的任务卸载策略

刘亮1,毛武平*1,李汶蔚1,谭思源1,荆腾祥1 (1.重庆邮电大学通信与信息工程学院,重庆400065) 摘要:由于地理因素影响,在偏远地区无法大规模建设通信网络基础设施,因此导致这些地区的网络通信质量较差以及一系列时延敏感型任务得不到及时处理和响应。针对偏远地区网络覆盖范围有限的问题,将空天地一体化网络(SAGIN)与移动边缘计算(MEC)相结合,可为偏远地区用户的时延敏感型任务卸载提供低延迟和高可靠传输。考虑到天地一体化网络中卫星资源强受限以及本地用户设备能量不足的特点,首先提出一种卫星-无人机集群-地面的三层边缘计算网络架构。在满足各地面任务的时延要求下,将任务卸载问题转化为地面用户设备和边缘服务器之间的Stackelberg博弈,并证明其是NP难的。此外,利用势博弈证明了地面用户设备之间构成的非合作博弈存在纳什均衡。最后,以寻找任务的最优卸载策略来最小化系统卸载成本以及最优的卸载任务转发百分比策略来最大化边缘服务器的效用函数为目标,提出一种基于Stackelberg博弈的纳什均衡迭代卸载算法(NEIO-SG)。仿真结果表明,与其他基线算法相比,NEIO-SG在任务卸载过程中的系统总时延减少约13%,边缘服务器的能耗降低约35%。 关键词:任务卸载;空天地一体化网络;移动边缘计算;Stackelberg game博弈;纳什均衡DOI:10.19678/j.issn.1000-3428.0069161 TaskOffloadingStrategyBased on Game Theory in the Space-Air-Ground IntegratedEdge Computing Networks LIU Liang1,MAO Wu-ping*1,LI Wen-wei1,TANSi-yuan1,JINGTeng-xiang1 School of Communicationsand Information Engineering,Chongqing University of Posts and Telecommunications, Chongqing 400065, China 【Abstract】Due to geographical factors, it is impossible to build large-scale communication network infrastructure in remote areas,which leads to poor network communication quality in these areas and a series of delay-sensitive tasks cannot be timely processed andresponded.Aiming at the problem oflimited coveragein remote areas, theSpace-Air-Ground Integrated Network(SAGIN)combinedwithMobile Edge Computing(MEC)canprovide low latency and high reliability transmission foroffloadingdelay-sensitive tasksforusersin remote areas.Considering thestrong limitationof satellite resources in the space-ground integrated network and insufficientenergy of local user equipment,firstly,a satellite-UAV cluster-ground three-layer edge computing network architectureis proposed inthis paper.Under the condition thatthe delay requirements of various ground tasks are met, the task offloading problem is transformedinto a Stackelberg game between ground user equipment and edge servers, and it is proved that the problem is NP-hard. In addition,itis proved that the existence of Nashequilibriumin non-cooperative game between ground user equipment by using potential game.Finally, a Nash equilibrium iterative offloading algorithm based on Stackelberg game is proposed to find the optimal offloadingstrategy for tasks tominimize the system offloading cost and the optimal forwarding percentage strategy for offloading tasks tomaximize the utility function of the edge server. Simulation results show thatcompared to other baseline algorithms,NEIO-SGreduces the total system latency during task offloading by about 13% and the energy consumption of the edge server by about 35%. 【Key words】task offloading; (Space-Air-Ground Integrated Network(SAGIN); mobile edge computing; Stackelberg game; Nashequilibrium DOI:10.19678/j.issn.1000-3428.0069161 但是这种方法会导致传输延迟过大、带宽资源消耗增多,并且难以保证网络的服务质量(Quality ofService,QoS)。移动边缘计算(Mobile Edge Computing, MEC)作为一种新兴技术,不仅能满足资源有限的物联网终端设备的计算需求,还能大大降低数据流量的传输延迟[3-5]。此外卫星及空中无人机(Unmanned Aerial Vehicle,UAV)集群网络具有覆盖范围广、低成本、可靠性高等优势,能为地面网络提供一定的计算资 0概述 由于地面网络的覆盖范围有限,在海洋、极地和偏远山区等一些恶劣环境下的用户或物联网(Internet of Things,IoT)设备终端发起服务请求时,传统网络的做法是将这些任务转发到地面数据中心的远程云服务器去进行处理[1-2]。 任务卸载问题转化为地面用户设备和边缘服务器之间的Stackelberg博弈。最后,以寻找任务的最优卸载策略来最小化系统卸载成本以及最优的卸载任务转发百分比策略来最大化边缘服务器的效用函数为目标,提出基于Stackelberg博弈 的 纳 什 均 衡 迭 代 卸 载 算 法 (Nash Equilibrium IterationOffloading-Stackelberg Game NEIO-SG)对原问题进行求解。仿真结果表明,NEIO-SG可以在时延和能耗方面显著降低系统任务卸载开销。 源,因此被认为是未来6G网络发展的重要支柱[6-8]。 通过将MEC与卫星通信网络和无人机集群网络相结合,设计一种空天地一体化协同的边缘计算网络架构可以为偏远地区用户的时延敏感型任务提供低时延的计算服务[9-11]。然而,由于空天地一体化边缘计算网络的异构性以及卫星、无人机边缘服务器的计算资源有限,如何在满足地面用户任务的时延要求下,以实现由时延和能耗组成的地面用户任务卸载成本最小化以及边缘服务器效用函数最大化的目标,将任务卸载到卫星边缘服务器、无人机边缘服务器或本地进行处理是一个巨大的挑战。 1系统模型 当 前 , 已 有 部 分 工 作基 于 卫 星-地 面 网 络(Satellite-Ground Network,SGN)或空地网络场景研究任务卸载问题。具体而言,文献[12]提出了一种单星的网络架构,利用低轨卫星资源为偏远地区的用户提供服务。虽然这种方法可以解决偏远山区的网络通信和任务卸载的难题,但单颗卫星的计算资源不足以满足众多计算密集型和时延敏感型任务的低延迟要求,因此,单星的网络架构并不适用于当前巨型星座场景。文献[13]提出了一种结合卫星、云服务器和地面的三层网络架构。借助云服务器上强大的计算资源,可以处理更多的计算任务。但是该工作中,云服务器需要使用卫星作为任务传输的中继点,这将增加数据传输延迟并消耗更多能量。文献[14]研究了一种空中无人机任务卸载系统,在该系统中,无人机可以收集和处理来自地面终端的大量数据信息,然后优化无人机的飞行轨迹和地面终端(Groundterminal,GT)的发射功率,在GT的上行通信能量和无人机推进能耗之间做出权衡。文献[15]提出了一种双层网络架构,由接入点(AccessPoint,AP)收集来自物联网设备的数据包,并将汇总后的数据分发到无人机,然后优化无人机的轨迹设计和资源分配,提高无人机的数据处理能力。然而,由于无人机的覆盖范围有限、电池寿命短以及网络拓扑结构不稳定,导致任务卸载的成功率很低。 1.1网络模型 空天地一体化边缘计算网络架构如图1所示,由𝑆颗低轨卫星、𝑀个无人机和U个地面终端设备组成,地面用户设备的任务集表示为12,,...uKWw ww。卫星网络中部署了边缘服务器和全局控制器,无人机集群网络中也部署了边缘服务器和域间控制器。卫星边缘服务器和无人机边缘服务器的集合分别表示为12,,...sSEe ee、12,,...mMEe ee,边缘服务器的集合用12,,,...sSMEe eee表示。每个用户设备根据边缘服务器的覆盖区域,选择相应边缘节点上的MEC服务器进行任务卸载。全局控制器的主要职责是集中控制和管理无人机集群中的域间控制器,以及控制整个网络的资源信息。域间控制器主要负责分配和管理各个无人机集群的资源。 基于博弈论的卸载算法被放入全局控制器,为地面用户的任务做出最优任务卸载决策。卫星网络主要为偏远山区、海洋和其他网络通信质量较差地区的用户提供计算服务。考虑到低轨卫星的计算资源有限,引入空中无人机集群边缘网络来协助卫星网络为一系列计算密集型、时延敏感型任务提供计算服务。此外,具有较大延迟容忍度的任务可以在本地处理。 1.2低轨卫星覆盖模型 此外,从任务卸载方法看,现有的任务卸载策略主要集中在传统的启发式算法和机器学习算法方面。文献[16]使用基于线性规划的传统启发式算法来解决SAGIN中的计算任务卸载问题。由于网络的动态性,这种方法很容易陷入局部最优解从而很难获得全局最优的卸载决策。文献[17]提出了一种用于任务卸载的SAGIN边缘/云计算架构,并提出了一种源于机器学习的智能卸载算法。这种方法可以有效地从动态SAGIN环境中学习最佳的任务卸载策略。然而,在面对巨大的状态和动作空间时,它的泛化能力较差,而且需要收集全局信息才能做出集中卸载决策,这导致了更多的能量消耗。 由于低轨卫星的高动态性,地面用户只能在卫星限定的覆盖