石珩臻
【摘要】? ? 針對V2X的收費問題,構建了一種結合SDN和MEC的架構;對基于SDN和MEC架構的V2X收費問題進行建模;將前景理論(Prospect Theory)的原理用于數據決策過程,采用公共地悲劇理論開發(fā)現有計算資源;進行基于價格策略和危險感知卸載問題的聯合優(yōu)化。可證明,最佳反應動態(tài)問題的解可趨于純納什均衡。
【關鍵詞】? ? 邊緣計算? ? V2X? ? 收費
引言
車聯網產業(yè)發(fā)展目前正處于市場爆發(fā)前的戰(zhàn)略機遇期,并且在疫情之下仍在逆勢生長。車聯網需要多項技術協同實現,V2X就是其中的一項關鍵技術。通過V2X,可以實現車輛與車輛的通信V2V,車輛與基礎設施的通信V2I,車輛與行人的通信V2P以及車輛與網絡/云平臺的通信V2N/V2C。V2X涉及到計算資源的使用;服務提供商需要考慮的問題就包括:如何為消費者提供低時延的業(yè)務以及如何制定合理的定價策略。
文獻[1]提出用Stackelberg博弈建模計算任務卸載分配的問題;對于某一單位負荷執(zhí)行費用p,在迭代優(yōu)化的過程中調整更新獎勵政策r;求解出開銷函數V的最大值。文獻[2]利用基于動態(tài)負載指標權重的負載均衡算法,解決車聯網中邊緣服務器負載不均衡,資源利用率低等問題;提升了負載均衡性,縮短了業(yè)務完成時間。文獻[3]引入了軟件定義車載網絡,設計了任務卸載優(yōu)先級機制算法;對時延和能耗進行了優(yōu)化。然而,上述文獻并未進行危險感知-考慮卸載失敗的情況。為此,本文聯合考慮收費和危險感知。
一、SDN、MEC架構
傳統的車聯網架構是基于基站的網絡服務架構;在該架構中,所有客戶競爭基站的有限通信帶寬;在不斷地系統擴展中,會遇到瓶頸。而基于SDN架構,車聯網可從全局的角度對網絡進行靈活的配置;減少基站帶寬的競爭,加快網絡業(yè)務部署的進程。
在基于SDN的車聯網架構中,控制信息與數據流被分解到集中式的基站和分布式的RSU上。其中,較短的控制信息通過V2C方式在基站和SDN控制器中傳遞;在接收到控制信息后,數據通過V2I,V2V方式傳輸。
在此基礎上引入MEC,可將原本需上傳到云端的任務卸載到邊緣,降低時延?;赟DN的MEC車聯網總體架構如圖1所示。
顯而易見,該架構分為用戶數據區(qū)域,網絡控制區(qū)域,應用區(qū)域這三層。首先,在用戶數據區(qū)域,路邊設有RSU;每個RSU配一個MEC服務器,根據實際需求,車輛可以通過V2I將數據卸載到MEC服務器或者通過V2V將數據卸載到相鄰車輛;同時在網絡控制區(qū)域部署SDN控制器,集成了多種網絡協議和標準,比如車載網絡,物聯網網絡,可使用SDN控制器靈活管理網絡資源;最后在應用區(qū)域,進行與車聯網有關的各種應用的實現。
二、基于計算資源的V2X收費
2.1 問題描述
V2X場景下涉及到自動駕駛車輛對邊緣服務器上計算,存儲,網絡資源的使用;本文僅考慮基于計算資源的V2X收費。
基于計算資源的V2X定價分為四類;分別是包月定價,基于流量的定價,基于時間尺度的定價,基于參數的定價機制[4]。為了發(fā)揮以價格做杠桿調節(jié)不同V2X業(yè)務請求與MEC資源的供求關系,本文選擇按照流量進行收費。
當按照流量進行收費時,計算卸載是不得不考慮的問題。通常來說,計算卸載過程可以分為卸載決策、卸載執(zhí)行和結果回傳3個部分。更具體的來說,價格的杠桿作用體現在:卸載決策時確定計算任務是否卸載到MEC服務器;以及在確定卸載后,選擇整體開銷最小的卸載路徑。
2.2問題求解
定義bn是用戶n的計算任務輸入數據的大小;dn是為了完成計算任務需要的CPU周期;是卸載到MEC服務器的數據大小;fn是本地用戶設備n的計算能力;γn是本地每個CPU周期所消耗的能量;c是MEC服務器對于每個用戶的常數價格因子;αn、βn是用戶對增益和衰減的敏感度;為了簡化問題,本文假設αn=βn。
上式中解的物理意義是:在考慮其它用戶卸載策略的情況下;因為期望理論實體已經無法再增大了;所以沒有用戶傾向于改變其卸載策略。
上式的求解過程是:先使用fminbound方法求出最小值,再通過最佳動態(tài)響應算法迭代收斂到PNE,最后求出純納什均衡點的非協作機制;其中N是用戶集,An=[0,bn]是用戶n的數據卸載策略空間。
為了證明在求上述最大值的問題中至少存在一個PNE點,用到了子模對策。當下列條件成立時,非協作機制是子模對策:
1、An是緊湊的歐式空間序列;2、在處是平滑的,且在處是非增的。
此外,在子模對策中,總存在這樣一種外部平衡:最大動態(tài)響應策略,最小動態(tài)響應策略。其中,表示用戶n相較于其它用戶的最佳響應策略。
結論1:對于,非協作機制是子模對策,且至少有一個純納什均衡點。
因此,非協作機制是子模型。因此,非協作機制,有至少一個純納什均衡點。
在最符合用戶期望的計算卸載確定后,也就易于確定如何對用戶n進行收費。一般來說,當卸載策略確定后;越大,dn越大;收費也越高。當運營商在用戶數與收益之間進行權衡后,需要對每個用戶的常數價格因子進行調整。
通常來說,當運營商側重于用戶數時,可以調低價格因子;以此來吸引更多的用戶。當運營商側重于收益時,以最大化收益為目標動態(tài)調整價格因子;利用有限的計算資源創(chuàng)造最大的收益。
當價格因子較低時,MEC服務器被過度利用;價格策略就沒有那么的嚴格。相應地,錯誤概率就較高;這就導致了期望理論實體并不高。隨著價格因子繼續(xù)增大,錯誤概率開始降低;期望理論實體隨之增高。但是,當價格因子不斷增加時,用戶傾向于減少計算卸載到邊緣MEC的數量。期望理論實體也就隨之降低。
綜上,就可以進行SDN和MEC架構下的V2X收費;從用戶的角度看,這種收費是在盡可能滿足用戶對時延和處理能耗的要求前提下進行的;從電信運營商以及MEC系統運營商的角度看,這種收費也是滿足收益最大化的。
三、結束語
本文通過考慮車聯網中復雜的網絡結構,構建了一種基于SDN的MEC車聯網架構。通過引入SDN控制器,可從全局的角度對網絡進行靈活的配置;減少基站帶寬的競爭,加快網絡業(yè)務部署的進程。通過引入MEC,可將原本需上傳到云端的任務卸載到邊緣,降低時延。
在此基礎上,本文提出了一種基于計算資源的V2X收費,為了尋求最優(yōu)卸載策略,通過最佳動態(tài)響應算法迭代收斂到PNE。結果表明,期望理論實體最大值問題中至少存在一個PNE點;V2X收費問題至少存在一個最優(yōu)解。
參? 考? 文? 獻
[1]郭劍嵐, 陳俞強. 基于Stackelberg博弈的車載云計算任務卸載優(yōu)化[J]. 計算機應用研究, 2019, 036(012):3752-3755,3784.
[2]林峰,段建嵐,李傳偉,蔣建春.C-V2X邊緣服務器的動態(tài)負載均衡算法研究[J/OL].計算機工程:1-11[2020-11-19]
[3]張海波, 荊昆侖, 劉開健, et al. 車聯網中一種基于軟件定義網絡與移動邊緣計算的卸載策略[J]. 電子與信息學報, 2020, 42(3).
[4]王朋. 移動邊緣計算資源分配算法研究[D]. 2020.