基于演化博弈论的可切分任务卸载决策方法与流程

本发明涉及博弈论和计算卸载决策的技术领域，尤其是指一种基于演化博弈论的可切分任务卸载决策方法。

背景技术

近年来，随着移动边缘计算(Mobile Edge Computing，MEC)这种新兴技术的不断发展，涌现出越来越多的计算卸载(Computing offloading)应用。计算卸载完成的过程是将终端设备上的计算任务传输到边缘服务器，由服务器代替执行完成后将结果返回给设备。利用部署在基站的边缘服务器的空闲资源，研究人员可以设计并实现日常生活中的多种应用场景，包括手机上的人脸识别、增强现实设备的复杂运算、以及车载终端的导航和路况感知等。然而实现终端设备的计算任务卸载依赖于边缘服务器上大量的计算资源，以及先进的通信技术。一方面，根据白皮书，基站建设覆盖率已经达到每千米10个，这意味着有多个基站可以完成用户的任务卸载。另一方面，通信技术的发展在逐步降低信道共享造成的干扰，提高共享信道的信道利用率。只有这两方面的元素能够有效的结合起来，计算卸载应用才能有效地运行，给人们的生活带来便利。

为了确保这些应用能够提供高质量服务，其关键因素在于在众多候选基站中，用户该将任务卸载到哪一个基站。基站的计算资源所能承载的任务量是有限的，当卸载到该基站的总任务量超过承载量，就会延长完成任务所耗费的时间，降低用户满意度。例如，在用户互不了解其他用户的卸载决策时，有可能出现有的基站的总任务量远远高于承载量，有的基站则相反，这将严重降低资源的有效利用，另一方面，当用户将自己的决策告知其他所有用户时，这会加大通信链路上的传输压力，浪费通信带宽。因此，必须找到这中间的临界点，在能够最大化利用所有基站的计算资源的同时，降低链路上无关信息的传输，最后使得边缘服务器为用户提供高质量的计算卸载服务。

在最新的研究中，许多研究人员做了大量工作，设计了各种博弈模型来协调用户之间的卸载决策，来最大化利用基站的计算资源。而在这些传统的方法中，大多数只考虑单个基站下的用户卸载决策，并在此基础上提出了多种博弈模型。设计基于势博弈的效用函数是一个很便利的方法来协调所有用户的决策。但是，它假定了一个全局控制中心来收集并安排所有用户的决策选择。在这种情况下，如果采用传统的机制，试图指定一个基站作为它的全局控制中心，显然会增加基站与控制中心的通信成本，这显然不适合于多基站场景下的多用户计算卸载。

因此考虑到基站的重叠覆盖以及用户的卸载决策差异性，例如，不同用户可卸载到的基站集合不同，传统的机制掉入决策协调的局部最优值，并造成某些基站的计算资源没有得到充分利用。在新的情况下，传统的方法已经不适用了，所以继续设计出新的决策机制来解决这种情况。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供了一种基于演化博弈论的可切分任务卸载决策方法，能够在有限时间、有限资源、用户任务属性和地理位置不同的约束下，降低任务的完成成本，同时提高资源的利用率，进一步实现密集型基站部署下的卸载决策应用。

为实现上述目的，本发明所提供的技术方案为：基于演化博弈论的可切分任务卸载决策方法，包括以下步骤：

1)构建移动终端用户的可切分任务，将可切分任务分割成多个相同的子任务；

2)构建关于子任务的卸载决策，并建立用户的成本函数；

3)根据成本函数，构建演化博弈模型，初始化用户的策略状态；

4)使用动态复制子方法，迭代求解策略状态直至状态不再发生改变，得到最终的每个用户的卸载策略。

在步骤1)中，考虑用户集合N，对于用户i，其中i=1,2,...,N，它有可切分任务Ti，完成整个任务所需的cpu周期为Zi；定义子任务T0，完成单个子任务所需的cpu周期为Z0，其中Zi≥Z0；则对于可切分任务Ti，用户拥有的子任务数量表示为：

i=1,2，...,N

式中，Mi是用户i拥有的子任务数量，表示向上取整。

在步骤2)中，考虑基站集合K，根据基站的覆盖重叠范围，用户i根据所处位置属性得到候选基站集合Ki，用户i将mik个子任务卸载到基站k卸载，它占子任务总数的比例sik为：

i=1,2,...,N,k=1,2,...,K

其中，sik∈[0,1]，当sik=0；Mi是用户i拥有的子任务数量，N为用户集合；用户i的卸载策略所有用户合起来的卸载策略s＝{si,i∈N}。

基站k拥有的资源总量为Ck，结合所有用户的卸载策略，得到基站k的资源请求总量Lk(s)为：

k=1,2,...,K

其中，Lk是根据所有用户的卸载策略计算而得，因此它是关于s的变量；Z0为完成单个子任务所需的cpu周期；而基站k的负载率lk(s)则表示为：

k=1,2,...,K

根据基站返回的负载率，建立用户i将mik个子任务卸载到基站k的成本函数uik(s)为：

uik(s)＝sikMiZ0lk(s)。

在步骤3)中，根据成本函数，构建演化博弈模型；在博弈模型的三要素中，玩家集、策略集和效用函数分别对应移动终端用户集N、策略集Λi和成本函数Ui，其中，Λi表示si的取值空间，Ui表示用户i的一组成本函数；在演化博弈中，用户拥有的所有子任务组成一个种群，用户为所有子任务指定一个卸载基站，统计卸载到每个基站的子任务个数，得到用户的卸载决策si，下面称之为博弈中的一个策略状态，用户的初始策略状态为：

式中，||·||表示集合元素的个数；sik为用户i将mik个子任务卸载到基站k卸载占子任务总数的比例；Ki为用户i根据所处位置属性得到候选基站集合；定义用户i的平均成本函数如下式，用作衡量策略状态的优劣，它表示为：

其中，K为基站集合，uik(s)为用户i将mik个子任务卸载到基站k的成本函数。

在步骤4)中，使用动态复制子方法，根据成本函数和平均成本，定义策略状态的动态方程为：

式中，β表示变化速率因子，为用户i的平均成本函数，uik(s)为用户i将mik个子任务卸载到基站k的成本函数，表示sik的变化趋势，sik为用户i将mik个子任务卸载到基站k卸载占子任务总数的比例；在当前s下，s为所有用户合起来的卸载策略，当sik＜0时，即卸载到基站k的成本高于平均成本，用户通过减少卸载到该基站的子任务数量来降低uik(s)；相反，当sik＞0时，则增加子任务数量；最终达到降低平均成本的目的；的取值决定了增加或减少的子任务数量的比例，因此，调整后的策略状态表示为：

引入t标记各个变量在不同时刻的取值，T表示预设的最大时刻；则在时刻t，sik(t)为用户i的策略状态，为用户i的动态方程，下一时刻的策略状态sik(t 1)表示为：

t＝1,2,...,T

经过多个时刻的计算，当用户的策略状态不再发生变化时，此时用te标记当前时刻，即Ki为用户i根据所处位置属性得到候选基站集合，为在时刻te的动态方程，此时sik(te 1)＝sik(te)，sik(te)和sik(te 1)表示在时刻te和te 1的策略状态，此时用户的策略状态不再发生变化，则该策略状态就是用户最终求解得到的卸载决策。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次采用演化博弈论对可切分任务进行卸载决策，突破了决策空间庞大导致求解困难的问题。

2、本发明与其它计算卸载决策方法相比，提高了基站资源的利用率，降低了任务完成时间。

3、本发明方法在计算卸载决策任务中具有广泛的使用空间，操作简单、适应性强，具有广阔的应用前景。

附图说明

图1为本发明方法逻辑流程示意图。

图2为本发明所使用的子任务实例示意图。

图3为本发明所使用的决策图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1至图3所示，本实施例所提供的基于演化博弈论的可切分任务卸载决策方法，使用了动态复制子方法，其包括以下步骤：

1)构建移动终端用户的可切分任务，将可切分任务分割成多个相同的子任务；考虑用户集合N，对于用户i，其中i=1,2,...,N，它有可切分任务Ti，完成整个任务所需的cpu周期为Zi；定义子任务T0，完成单个子任务所需的cpu周期为Z0，其中Zi≥Z0；则对于可切分任务Ti，用户拥有的子任务数量表示为：

i=1,2，...,N

式中，Mi是用户i拥有的子任务数量，表示向上取整。如图2所示，此时M＝10。

2)构建关于子任务的卸载决策，并建立用户的成本函数；考虑基站集合K，根据基站的覆盖重叠范围，用户i根据所处位置属性得到候选基站集合Ki，用户i将mik个子任务卸载到基站k卸载，它占子任务总数的比例为：

i=1,2,...,N,k=1,2,...,K

其中，sik∈[0,1]，当sik=0；用户i的卸载策略为所有用户合起来的卸载策略为s＝{si,i∈N}。如图3所示，对于处于区域中的用户，他们的基站集合K＝{1,2,3}，其中如图2所示，用户i卸载到基站的子任务个数分别为3、5和2，比例是s1＝0.3，s2＝0.5，s3＝0.2，卸载策略为s＝{0.3,0.5,0.2}，

基站k拥有的资源总量为Ck，取值范围在5Mhz～10Mhz，结合所有用户的卸载策略，得到基站k的资源请求总量为：

k=1,2,...,K

其中，Lk是根据所有用户的卸载策略计算而得，因此它是关于s的变量；而基站k的负载率则表示为：

k=1,2,...,K

根据基站返回的负载率，建立用户i将mik个子任务卸载到基站k的成本函数uik(s)为：

uik(s)＝sikMiZ0lk(s)

3)根据成本函数，构建演化博弈模型，初始化用户的策略状态；在博弈模型的三要素中，玩家集、策略集和效用函数分别对应移动终端用户集N、策略集Λi和成本函数Ui，其中，Λi表示si的取值空间，Ui表示用户i的一组成本函数；在演化博弈中，用户拥有的所有子任务组成一个种群，用户为所有子任务指定一个卸载基站，统计卸载到每个基站的子任务个数，得到用户的卸载决策si，下面称之为博弈中的一个策略状态，用户的初始策略状态为：

式中，|·|表示集合元素的个数；定义用户i的平均成本函数如下，用作衡量策略状态的优劣，它表示为：

4)使用动态复制子方法，迭代求解策略状态直至状态不再发生改变，得到最终的每个用户的卸载策略。根据成本函数和平均成本，定义策略状态的动态方程为：

式中，β表示变化速率因子，设置为1，表示sik的变化趋势；在当前s下，当sik＜0时，即卸载到基站k的成本高于平均成本，用户通过减少卸载到该基站的子任务数量来降低uik(s)；相反，当sik＞0时，则增加子任务数量；最终达到降低平均成本的目的；的取值决定了增加或减少的子任务数量的比例，因此，调整后的策略状态表示为：

引入t标记各个变量在不同时刻的取值，T表示预设的最大时刻；则在时刻t，sik(t)为用户i的策略状态，为用户i的动态方程，下一时刻的策略状态sik(t 1)表示为：

t=1,2,...,T

经过多个时刻的计算，当用户的策略状态不再发生变化时，此时用te标记当前时刻，即Ki为用户i根据所处位置属性得到候选基站集合，为在时刻te的动态方程，此时sik(te 1)=sik(te)，sik(te)和sik(te 1)表示在时刻te和te 1的策略状态，此时用户的策略状态不再发生变化，则该策略状态就是用户最终求解得到的卸载决策。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。