移動(dòng)邊緣計(jì)算中資源分配和定價(jià)方法綜述

鄒璐珊，黃曉雯，楊敬民，鄭藝峰，張光林，張文杰

移動(dòng)邊緣計(jì)算中資源分配和定價(jià)方法綜述

鄒璐珊1,2，黃曉雯1,3，楊敬民1,4，鄭藝峰1,2，張光林3，張文杰1,2

（1. 閩南師范大學(xué)計(jì)算機(jī)學(xué)院，福建 漳州 363000；2. 閩南師范大學(xué)數(shù)據(jù)科學(xué)與智能應(yīng)用福建省高校重點(diǎn)實(shí)驗(yàn)室，福建 漳州 363000；3. 東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，上海 200051；4. 臺(tái)北科技大學(xué)電子工程系，臺(tái)灣 臺(tái)北 106344）

移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）通過將計(jì)算任務(wù)卸載至邊緣服務(wù)器，降低網(wǎng)絡(luò)負(fù)荷，減少傳輸時(shí)延，提升用戶服務(wù)體驗(yàn)。因此，MEC受到了廣泛關(guān)注，并成為5G的關(guān)鍵技術(shù)。資源分配作為MEC的主要問題，在提升能量效率、縮短任務(wù)時(shí)延和節(jié)約成本方面具有非常重大的研究意義。首先，介紹了MEC的基本概念、參考架構(gòu)和技術(shù)優(yōu)勢(shì)；然后，從技術(shù)層面和經(jīng)濟(jì)層面歸納總結(jié)了MEC中最新的資源分配和定價(jià)策略；最后，討論了MEC資源分配和定價(jià)策略中可能存在的問題與挑戰(zhàn)，并提出了一些可行的解決方案，為后續(xù)研究發(fā)展提供參考。

移動(dòng)邊緣計(jì)算；資源分配；定價(jià)方法；經(jīng)濟(jì)模型；博弈論

0 引言

近年來，伴隨著移動(dòng)互聯(lián)網(wǎng)（mobile internet，MI）以及物聯(lián)網(wǎng)（Internet of things，IoT）的不斷發(fā)展，自動(dòng)駕駛、智慧交通等海量應(yīng)用不斷涌現(xiàn)，移動(dòng)互聯(lián)網(wǎng)用戶的數(shù)量急劇增加，進(jìn)而對(duì)網(wǎng)絡(luò)質(zhì)量、傳輸速率、請(qǐng)求反饋時(shí)延等網(wǎng)絡(luò)服務(wù)性能提出更高的要求。中國移動(dòng)通信有限公司研究院推進(jìn)組發(fā)布的數(shù)據(jù)顯示，到2030年全球移動(dòng)通信有限公司數(shù)據(jù)流量預(yù)計(jì)將增長約2萬倍[1]。爆炸式的流量增長給網(wǎng)絡(luò)帶來了前所未有的壓力，導(dǎo)致網(wǎng)絡(luò)堵塞而引發(fā)的時(shí)延增長，極大地影響了用戶體驗(yàn)質(zhì)量（quality of experience，QoE）。

為了應(yīng)對(duì)移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的飛速發(fā)展，5G網(wǎng)絡(luò)需要同時(shí)滿足多樣化業(yè)務(wù)在時(shí)延、能耗、可靠性等方面的要求。另一方面，由于移動(dòng)設(shè)備體積小，計(jì)算能力、電池容量和存儲(chǔ)空間有限，無法處理高能耗、高復(fù)雜度的計(jì)算任務(wù)，需要將應(yīng)用程序部分或全部任務(wù)卸載到云計(jì)算數(shù)據(jù)中心的服務(wù)器端完成[2]。需要注意的是，將任務(wù)遷移至地理位置較遠(yuǎn)的云服務(wù)器上，不僅會(huì)產(chǎn)生大量的數(shù)據(jù)流，增加網(wǎng)絡(luò)的負(fù)擔(dān)，而且會(huì)顯著加大通信的時(shí)延，給一些時(shí)延敏感型業(yè)務(wù)（如智能駕駛、增強(qiáng)現(xiàn)實(shí)）帶來一定的影響[3-4]。因此，盡管云計(jì)算有強(qiáng)大的計(jì)算能力，但是距離用戶較遠(yuǎn)，導(dǎo)致其傳輸能耗增加，傳輸時(shí)延尤甚。為了有效緩解未來網(wǎng)絡(luò)面臨的高負(fù)荷、高帶寬、高移動(dòng)性、低時(shí)延等方面的挑戰(zhàn)，提出了移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）的概念。

與云計(jì)算不同，MEC允許用戶將計(jì)算任務(wù)卸載到部署在網(wǎng)絡(luò)邊緣的服務(wù)器上，使業(yè)務(wù)本地化，大大減少了遠(yuǎn)程數(shù)據(jù)的傳輸量，降低了網(wǎng)絡(luò)傳輸時(shí)延，在提升用戶服務(wù)質(zhì)量的同時(shí)，降低網(wǎng)絡(luò)的運(yùn)營成本（網(wǎng)絡(luò)運(yùn)營商的運(yùn)營成本包含計(jì)算與傳輸過程所消耗的電、設(shè)備成本、放置成本和后期維護(hù)成本，此處降低的成本通常指消耗的電，即能量）[5-6]。目前，MEC已經(jīng)成為5G網(wǎng)絡(luò)的關(guān)鍵技術(shù)之一，其能夠有效解決未來網(wǎng)絡(luò)的時(shí)延、擁塞和容量等問題，受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注[7]。雖然將計(jì)算任務(wù)卸載至邊緣服務(wù)器上，可以在一定程度上緩解終端用戶對(duì)網(wǎng)絡(luò)性能服務(wù)的需求，但是邊緣服務(wù)器的資源是有限的，這使得網(wǎng)絡(luò)彈性不足，需要引入資源分配和任務(wù)調(diào)度機(jī)制對(duì)邊緣網(wǎng)絡(luò)進(jìn)行統(tǒng)籌管理，從而延長邊緣網(wǎng)絡(luò)的壽命。

為了充分利用邊緣網(wǎng)絡(luò)的資源，中外學(xué)者對(duì)于MEC的資源分配問題展開了深入的研究，主要涉及計(jì)算任務(wù)的卸載問題，在提升能量效率、縮短任務(wù)時(shí)延和節(jié)約成本方面具有非常重大的研究意義。MEC中的資源分配問題主要有：通信資源分配，根據(jù)無線系統(tǒng)環(huán)境，高效地分配通信資源，優(yōu)化傳輸效率，降低用戶間的干擾；計(jì)算資源分配，根據(jù)用戶的任務(wù)需求，有效地分配計(jì)算資源，最小化任務(wù)時(shí)延和能耗，提高卸載效率；存儲(chǔ)資源分配，根據(jù)用戶的存儲(chǔ)需求，分配對(duì)應(yīng)的存儲(chǔ)資源，避免用戶存儲(chǔ)空間不足引發(fā)的設(shè)備卡頓，提升用戶QoE。因此，資源分配是解決干擾、降低時(shí)延、提高服務(wù)性能的核心，如何根據(jù)MEC的網(wǎng)絡(luò)環(huán)境、終端的卸載請(qǐng)求以及資源的情況，合理地進(jìn)行資源分配是解決干擾問題、減少任務(wù)時(shí)延的有效途徑之一。當(dāng)前對(duì)MEC資源分配問題的研究已取得很多相關(guān)的成果。具體而言，主要從兩個(gè)方面進(jìn)行分析：技術(shù)與理論層面和經(jīng)濟(jì)層面。前者以最小化任務(wù)時(shí)延和能耗為目標(biāo)，或根據(jù)不同應(yīng)用的需求在兩個(gè)優(yōu)化目標(biāo)之間權(quán)衡，進(jìn)行資源的分配；后者則利用經(jīng)濟(jì)學(xué)的理論機(jī)制對(duì)資源進(jìn)行定價(jià)和分配，刺激邊緣服務(wù)器共享資源，以實(shí)現(xiàn)利益最大化。本文從技術(shù)層面和經(jīng)濟(jì)層面對(duì)MEC的資源分配和定價(jià)方法進(jìn)行詳細(xì)的歸納概括，討論和分析了現(xiàn)有方法存在的不足之處，并對(duì)現(xiàn)存幾個(gè)尚待解決的挑戰(zhàn)進(jìn)行展望。

1 MEC的相關(guān)知識(shí)

1.1 MEC的概念和框架

MEC可利用無線接入網(wǎng)絡(luò)就近為用戶提供IT所需要的服務(wù)和云計(jì)算功能，從而創(chuàng)造出一個(gè)具備高性能、低時(shí)延、大帶寬的服務(wù)環(huán)境，加速網(wǎng)絡(luò)中各項(xiàng)內(nèi)容、服務(wù)、應(yīng)用的快速下載，讓用戶享有高質(zhì)量網(wǎng)絡(luò)服務(wù)體驗(yàn)。根據(jù)歐洲電信標(biāo)準(zhǔn)學(xué)會(huì)（ETSI）的定義，MEC為移動(dòng)網(wǎng)邊緣提供IT服務(wù)環(huán)境和云計(jì)算能力，以此減少網(wǎng)絡(luò)操作和服務(wù)時(shí)延，從而提高用戶體驗(yàn)。根據(jù)邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟的定義，邊緣計(jì)算是靠近終端的網(wǎng)絡(luò)邊緣側(cè)，也可以說，移動(dòng)邊緣計(jì)算是運(yùn)行在移動(dòng)邊緣網(wǎng)絡(luò)的云服務(wù)器，可以處理傳統(tǒng)網(wǎng)絡(luò)基礎(chǔ)架構(gòu)所不能處理的任務(wù)，如機(jī)器對(duì)機(jī)器/人（machineto machine/man，M2M）網(wǎng)關(guān)、控制功能、智能視頻加速等。MEC開放平臺(tái)融合了網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用核心能力，可就近提供邊緣智能服務(wù)，以滿足行業(yè)數(shù)字化在敏捷連接、實(shí)時(shí)業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。MEC架構(gòu)如圖1所示，邊緣計(jì)算服務(wù)器比云服務(wù)器更接近終端用戶。因此，盡管邊緣計(jì)算服務(wù)器的計(jì)算能力低于云服務(wù)器，但仍然為終端用戶提供更好的QoE和更低的時(shí)延[8]。一般而言，邊緣計(jì)算的結(jié)構(gòu)可分為前端、近端和遠(yuǎn)端3個(gè)部分[9-10]，以下對(duì)這3部分詳細(xì)地描述。

圖1 MEC架構(gòu)

前端：終端設(shè)備（如傳感器、執(zhí)行器等）被部署在邊緣計(jì)算結(jié)構(gòu)的前端。前端環(huán)境可為用戶提供更多的交互能力和更好的響應(yīng)能力。邊緣計(jì)算憑借大量鄰近終端設(shè)備提供的計(jì)算能力，可為一些應(yīng)用提供實(shí)時(shí)服務(wù)。然而，由于終端用戶設(shè)備的容量有限，大多數(shù)要求在前端環(huán)境下均無法得到滿足。因此，在這些情況下，終端設(shè)備必須將資源需求轉(zhuǎn)發(fā)給服務(wù)器。

近端：部署在近端環(huán)境中的網(wǎng)關(guān)支持網(wǎng)絡(luò)中的大多數(shù)流量流。邊緣服務(wù)器可以響應(yīng)許多資源需求，例如實(shí)時(shí)數(shù)據(jù)處理、數(shù)據(jù)緩存和計(jì)算卸載。在邊緣計(jì)算中，大部分的數(shù)據(jù)計(jì)算和存儲(chǔ)都會(huì)遷移到這個(gè)近端環(huán)境中。這樣，用戶就可以在數(shù)據(jù)計(jì)算和存儲(chǔ)方面獲得更好的性能。

遠(yuǎn)端：由于云服務(wù)器部署在離終端設(shè)備較遠(yuǎn)的地方，傳輸時(shí)延在網(wǎng)絡(luò)中就變得十分明顯。盡管如此，遠(yuǎn)端環(huán)境中的云服務(wù)器仍可提供更多的計(jì)算能力和數(shù)據(jù)存儲(chǔ)。例如，云服務(wù)器可以提供海量并行數(shù)據(jù)處理、大數(shù)據(jù)挖掘、大數(shù)據(jù)管理、機(jī)器學(xué)習(xí)等。

1.2 MEC 3層邏輯實(shí)體

MEC服務(wù)平臺(tái)3層邏輯實(shí)體如圖2所示，包括MEC基礎(chǔ)設(shè)施管理系統(tǒng)、MEC應(yīng)用平臺(tái)管理系統(tǒng)和應(yīng)用管理系統(tǒng)[11]。

圖2 MEC服務(wù)平臺(tái)3層邏輯實(shí)體

MEC基礎(chǔ)設(shè)施管理系統(tǒng)包括MEC硬件資源和MEC虛擬層。其中，硬件資源主要支持底層的運(yùn)算、存儲(chǔ)及控制功能，而虛擬層則主要完成運(yùn)算處理、信息緩存、虛擬交換及象形的管理功能。

MEC應(yīng)用平臺(tái)管理系統(tǒng)由MEC虛擬管理器和MEC應(yīng)用平臺(tái)服務(wù)組成。其中，MEC虛擬管理器為應(yīng)用創(chuàng)造高效靈活、多用戶的服務(wù)環(huán)境，即基礎(chǔ)設(shè)施即服務(wù)（infrastructure as a service，IaaS）功能。MEC應(yīng)用平臺(tái)服務(wù)則承載了對(duì)外接口服務(wù)功能，為上層運(yùn)行于MEC服務(wù)器的應(yīng)用提供了若干中間服務(wù)，例如，涵蓋通信服務(wù)（communication service，CS）和服務(wù)注冊(cè)（service registry，SR）的基礎(chǔ)設(shè)施服務(wù)（infrastructure service，IS）、無線電網(wǎng)絡(luò)信息服務(wù)（radio network information services，RNIS）、流量卸載功能（traffic offload function，TOF）等。本層具有相應(yīng)的底層數(shù)據(jù)包解析、無線信息交互、內(nèi)容路由選擇、上層應(yīng)用注冊(cè)管理等基本功能。

應(yīng)用管理系統(tǒng)，即MEC應(yīng)用層，是基于虛擬機(jī)（virtual machine，VM）應(yīng)用構(gòu)架，將MEC功能組件集成到虛擬應(yīng)用中，且通過標(biāo)準(zhǔn)的組裝接口開放，進(jìn)而完成無線網(wǎng)絡(luò)的能力開放與調(diào)度。虛擬設(shè)備的應(yīng)用程序運(yùn)行于IaaS上的虛擬機(jī)映像，各虛擬機(jī)與MEC應(yīng)用平臺(tái)間保持相同的應(yīng)用程序接口（application programming interface，API）。

1.3 MEC的優(yōu)點(diǎn)

MEC的研究，對(duì)于未來網(wǎng)絡(luò)的發(fā)展有著重要的實(shí)際意義，其優(yōu)點(diǎn)有以下3個(gè)。

（1）低時(shí)延

邊緣計(jì)算實(shí)時(shí)性高、周期性短的數(shù)據(jù)分析能更好地支持對(duì)時(shí)延要求高的計(jì)算任務(wù)的處理與執(zhí)行。MEC通過將計(jì)算任務(wù)“下沉”至更靠近用戶的無線接入網(wǎng)側(cè)，在本地的MEC服務(wù)器上執(zhí)行。由于與用戶的距離更近，用戶請(qǐng)求可以及時(shí)處理，從而大大降低通信時(shí)延[12]。此外，MEC的低時(shí)延特性在智能交通系統(tǒng)、人臉識(shí)別、視頻編輯、智慧城市等對(duì)時(shí)延具有極高需求的新興應(yīng)用中優(yōu)勢(shì)尤其顯著。以智能交通系統(tǒng)為例，在傳統(tǒng)情況下，高額的傳感成本極大地限制了智能交通系統(tǒng)，使其不能全面、高效地收集交通系統(tǒng)中的種種信息，無法動(dòng)態(tài)和精準(zhǔn)地反映交通系統(tǒng)的狀態(tài)；而且各系統(tǒng)采集信息不能互通，不同設(shè)備商的系統(tǒng)間或設(shè)備間接口不開放，信息難以協(xié)調(diào)，獨(dú)立系統(tǒng)的判決結(jié)果不具備綜合性和全局性。在引入MEC之后，可通過MEC低時(shí)延的特性以及“智能分布式”控制網(wǎng)絡(luò)平衡技術(shù)，對(duì)路口和區(qū)域的車流情況、道路交通流的飽和情況、車輛通行速度、總時(shí)延和車輛排隊(duì)長度等，進(jìn)行區(qū)域管理和交通流綠波控制，從而實(shí)現(xiàn)智能交通系統(tǒng)[13]。

（2）緩解流量壓力

MEC在進(jìn)行云端傳輸數(shù)據(jù)時(shí)，先通過邊緣服務(wù)器進(jìn)行一部分簡單的數(shù)據(jù)預(yù)處理，減少數(shù)據(jù)帶寬的消耗；然后，將提煉出來的精簡數(shù)據(jù)傳輸?shù)皆贫?，減輕云端的壓力，從而緩解流量壓力。以視頻編輯為例，在視頻傳輸中，對(duì)于某些點(diǎn)擊率較高的視頻，如天氣預(yù)報(bào)等，通常以直播的方式發(fā)布。這種高并發(fā)的發(fā)布方式使得在相同時(shí)間段將會(huì)有大量用戶接入并且請(qǐng)求同一資源，一般的帶寬和鏈路狀態(tài)難以滿足這種需求。借助部署在網(wǎng)絡(luò)邊緣的MEC服務(wù)器，能夠?qū)⑦@類視頻直播實(shí)時(shí)緩存在更靠近用戶的地方，在本地為用戶進(jìn)行請(qǐng)求反饋，進(jìn)而減小發(fā)生鏈路擁塞和網(wǎng)絡(luò)故障的可能性。

（3）信息安全

網(wǎng)絡(luò)邊緣數(shù)據(jù)往往涉及一些個(gè)人隱私信息，如家用攝像機(jī)緩存的視頻等，傳統(tǒng)的云服務(wù)模式需要將這些數(shù)據(jù)信息上傳至云端，這使用戶隱私承受更大的泄露風(fēng)險(xiǎn)。MEC模式可以在靠近用戶的邊緣節(jié)點(diǎn)直接對(duì)數(shù)據(jù)源進(jìn)行管理、歸檔、分析，以過濾掉隱私數(shù)據(jù)，實(shí)現(xiàn)對(duì)一些敏感數(shù)據(jù)的保護(hù)與隔離。以人臉識(shí)別為例，不同于傳統(tǒng)的視頻監(jiān)控，“MEC+視頻監(jiān)控”模式能夠?qū)σ曨l圖像信息進(jìn)行預(yù)處理，彌補(bǔ)了云服務(wù)響應(yīng)不及時(shí)和能量消耗高等問題，并且在用戶隱私方面滿足了用戶隱私信息安全保護(hù)等方面的訴求以及安防行業(yè)實(shí)時(shí)性的需求。邊緣計(jì)算的數(shù)據(jù)可使用加密算法后，再打包傳回云端，同時(shí)，MEC可以改進(jìn)部分公網(wǎng)易破解、個(gè)人隱私容易被竊取等缺陷，極大地提升整個(gè)行業(yè)的性能和信息安全。

2 MEC中的資源分配問題

目前，MEC正處于高速發(fā)展階段，許多問題仍然需要進(jìn)一步深入研究。資源分配作為MEC的一大關(guān)鍵問題，引起了廣大研究者的關(guān)注，主要體現(xiàn)在如何有效地分配MEC服務(wù)器上的空閑資源，以提高網(wǎng)絡(luò)的整體性能。一方面，利用資源分配可以通過降低計(jì)算與傳輸消耗的能量，進(jìn)而達(dá)到降低運(yùn)營商成本的目的；另一方面，用戶端的資源（計(jì)算資源、通信資源、存儲(chǔ)資源等）也是有限的，并且用戶對(duì)網(wǎng)速（網(wǎng)絡(luò)的數(shù)據(jù)傳輸速率）也有相應(yīng)的要求。對(duì)不同場景進(jìn)行合理的資源分配，可以在確保用戶QoE（例如，降低時(shí)延，提高網(wǎng)絡(luò)數(shù)據(jù)傳輸速率避免視頻播放卡頓；降低計(jì)算、傳輸和存儲(chǔ)的能量消耗，延長終端設(shè)備的待機(jī)時(shí)間）的前提下最小化運(yùn)營商的成本。MEC中的資源分配問題主要有：通信資源分配，根據(jù)無線系統(tǒng)環(huán)境，高效地分配通信資源，優(yōu)化傳輸效率，降低用戶間的干擾；計(jì)算資源分配，根據(jù)用戶的任務(wù)需求，有效地分配計(jì)算資源，最小化任務(wù)時(shí)延和能耗，提高卸載效率；存儲(chǔ)資源分配，根據(jù)用戶的存儲(chǔ)需求，分配對(duì)應(yīng)的存儲(chǔ)資源，避免用戶存儲(chǔ)空間不足引發(fā)的設(shè)備卡頓，提升用戶QoE。

為了最大限度地利用有限的資源，最小化任務(wù)時(shí)延/能量消耗，MEC系統(tǒng)需要根據(jù)網(wǎng)絡(luò)環(huán)境、終端的卸載請(qǐng)求以及資源的情況，合理地進(jìn)行資源分配，MEC資源分配如圖3所示。用戶終端將計(jì)算任務(wù)提交至MEC系統(tǒng)中的本地調(diào)度程序，調(diào)度程序檢查是否有計(jì)算節(jié)點(diǎn)能夠提供足夠的資源。如果存在可處理應(yīng)用程序的計(jì)算節(jié)點(diǎn)，則會(huì)在該節(jié)點(diǎn)上分配資源，最后在該節(jié)點(diǎn)上處理應(yīng)用程序，并將處理結(jié)果發(fā)回給用戶；若不存在該計(jì)算節(jié)點(diǎn)，則調(diào)度應(yīng)用程序給遠(yuǎn)端云服務(wù)器。

圖3 MEC資源分配

計(jì)算資源與通信資源的綜合管理是MEC系統(tǒng)設(shè)計(jì)中必不可少的部分。針對(duì)不同MEC系統(tǒng)的設(shè)計(jì)目標(biāo)，需要采用不同的策略解決資源管理問題。當(dāng)前對(duì)MEC資源分配方法的研究大致從兩個(gè)方面進(jìn)行：技術(shù)層面和經(jīng)濟(jì)層面。其中，技術(shù)層面主要涉及將計(jì)算任務(wù)卸載到哪個(gè)邊緣節(jié)點(diǎn)，致力于平衡通信資源和計(jì)算資源，以提升能量效率、縮短任務(wù)時(shí)延和節(jié)約成本；而經(jīng)濟(jì)層面不僅需要考慮如何分配資源，更需要考慮市場競爭性。用戶不僅需要評(píng)估資源出價(jià)，更需要考慮向哪個(gè)服務(wù)器購買資源，以使自身效益最大化。因此，經(jīng)濟(jì)層面的資源分配問題計(jì)算復(fù)雜度大，綜合管理更加復(fù)雜。對(duì)此，研究者一般采用動(dòng)態(tài)分布式算法、拍賣、博弈等經(jīng)濟(jì)分析方法求解。

3 MEC技術(shù)層面的資源分配方法

按照MEC系統(tǒng)規(guī)模，本節(jié)將MEC應(yīng)用場景分為單用戶系統(tǒng)、多用戶系統(tǒng)和異構(gòu)服務(wù)器系統(tǒng)，并對(duì)這3種場景在資源分配上的研究現(xiàn)狀進(jìn)行歸納總結(jié)。

3.1 單用戶場景下的資源分配方法

單用戶MEC系統(tǒng)一般指一個(gè)邊緣服務(wù)器為單用戶提供服務(wù)的場景，單用戶MEC系統(tǒng)如圖4所示。

圖4 單用戶MEC系統(tǒng)

在單用戶MEC系統(tǒng)中，用戶不但占有邊緣服務(wù)器的全部計(jì)算資源，且無須考慮用戶之間通信資源的競爭，是一種比較簡單的場景。目前，國內(nèi)外已有一些研究人員對(duì)單用戶MEC系統(tǒng)的資源分配問題進(jìn)行研究。文獻(xiàn)[14]在不考慮網(wǎng)絡(luò)狀態(tài)、頻繁刷新內(nèi)容進(jìn)而造成高能量消耗的背景下，提出了基于馬爾可夫決策過程的能耗優(yōu)化模型。文獻(xiàn)[15]考慮在一個(gè)具有能量收集裝置的綠色MEC場景中，提出了基于李雅普諾夫優(yōu)化的動(dòng)態(tài)計(jì)算卸載（Lyapunov optimization based dynamic computing offloading，LODCO）算法。相比基準(zhǔn)貪婪策略，該算法能明顯降低執(zhí)行成本（執(zhí)行時(shí)延與任務(wù)失敗時(shí)所消耗的能量），且在一定的時(shí)延約束下減少計(jì)算失敗概率。文獻(xiàn)[16]采用馬爾可夫決策方法處理單用戶MEC系統(tǒng)的計(jì)算任務(wù)調(diào)度問題。文獻(xiàn)[17]同時(shí)考慮計(jì)算時(shí)延與通信時(shí)延，并對(duì)這兩種時(shí)延進(jìn)行建模，提出了一個(gè)網(wǎng)絡(luò)時(shí)延估計(jì)決策分析，以找出網(wǎng)絡(luò)時(shí)延估計(jì)誤差對(duì)作業(yè)完成時(shí)間的影響。為研究MEC服務(wù)器自身的安全性問題，文獻(xiàn)[18]利用空間泊松點(diǎn)過程刻畫多個(gè)潛在竊聽者場景，在給定安全傳輸條件約束下追求最小化文件傳輸?shù)臅r(shí)延與能耗，得到了最優(yōu)碼本速率設(shè)計(jì)和計(jì)算任務(wù)分配方案。文獻(xiàn)[19]研究了綠色MEC在移動(dòng)客戶端QoE和回傳流量的聯(lián)合優(yōu)化方面的啟用。作者設(shè)計(jì)了一種具有自調(diào)整參數(shù)化機(jī)制的基于貪婪的算法（greedy-based algorithm with self-adjusting parameterization mechanism，GASPM）解決公式化的問題。結(jié)果表明，啟用綠色MEC的動(dòng)態(tài)自適應(yīng)視頻流系統(tǒng)不僅有助于降低電網(wǎng)能耗，還能明顯減少回傳流量并提高客戶端的平均視頻比特率。單用戶MEC系統(tǒng)結(jié)構(gòu)是規(guī)模最小、最簡單的系統(tǒng)模型，在網(wǎng)絡(luò)環(huán)境中，多個(gè)用戶并存才是常態(tài)。因此，將簡單的單用戶MEC系統(tǒng)擴(kuò)展到多用戶場景中研究資源分配問題是十分有必要的。

3.2 多用戶場景下的資源分配方法

多用戶的MEC系統(tǒng)一般指一個(gè)邊緣服務(wù)器為多個(gè)終端用戶提供服務(wù)的系統(tǒng)模型，多用戶MEC系統(tǒng)如圖5所示。

在多用戶的MEC場景中，系統(tǒng)需要依據(jù)有限的資源協(xié)調(diào)用戶之間的競爭，制定資源分配和計(jì)算卸載策略，滿足大量用戶的任務(wù)請(qǐng)求。文獻(xiàn)[20]以提高邊緣服務(wù)器的能量使用效率（power usage efficiency，PUE）、實(shí)現(xiàn)綠色計(jì)算為目標(biāo)，提出了基于設(shè)備間通信（device-to-device communication，D2DC）技術(shù)和能量收集（energy harvesting，EH）技術(shù)的綠色任務(wù)卸載框架，通過李雅普諾夫技術(shù)優(yōu)化在線任務(wù)卸載和資源分配算法。文獻(xiàn)[21]提出了云計(jì)算與邊緣計(jì)算結(jié)合模型結(jié)構(gòu)（architecture model combines cloud computing and edge computing，CENAM）的新型3層網(wǎng)絡(luò)架構(gòu)模型，降低邊緣層與云計(jì)算中心的通信時(shí)延、邊緣節(jié)點(diǎn)間的通信時(shí)延和邊緣層的計(jì)算時(shí)延。文獻(xiàn)[22]旨在最大化長期效用性能，同時(shí)考慮降低計(jì)算能耗以及時(shí)延，提出了一種運(yùn)用深度確定性策略梯度（depth deterministic policy gradient，DDPG）和基于候選網(wǎng)絡(luò)優(yōu)化邊緣計(jì)算優(yōu)化卸載（edge computing optimization offloading，ECOO）算法的新型學(xué)習(xí)算法，用于解決隨機(jī)任務(wù)卸載問題。文獻(xiàn)[23]采用遺傳算法和基于分割時(shí)間槽的資源分配算法搜索最優(yōu)決策，以減少云端通信流量。文獻(xiàn)[24]提供了一種新穎的MEC代理擴(kuò)展和實(shí)施緩存基礎(chǔ)設(shè)施，以實(shí)現(xiàn)高效可靠的內(nèi)容分發(fā)。代理將下載會(huì)話切換到替代內(nèi)容分發(fā)網(wǎng)絡(luò)（content delivery network，CDN）以確保QoE速率，從而實(shí)現(xiàn)基于實(shí)時(shí)連接統(tǒng)計(jì)的CDN動(dòng)態(tài)選擇。文獻(xiàn)[25]考慮Wi-Fi和蜂窩網(wǎng)絡(luò)覆蓋的場景，將線性規(guī)劃與交替技術(shù)相結(jié)合，有效地解決任務(wù)分流決策的非凸問題，該方案能夠極大地提高系統(tǒng)性能。

圖5 多用戶MEC系統(tǒng)

上述研究成果忽略異構(gòu)MEC系統(tǒng)的資源分配問題，特別是在5G場景中，相同區(qū)域內(nèi)存在大量的邊緣設(shè)備，以及若干數(shù)量的邊緣服務(wù)器。這些邊緣服務(wù)器的運(yùn)行方式、功能以及結(jié)構(gòu)往往不盡相同，如果沒有合理的資源分配機(jī)制將極大地影響用戶的QoS。因此，研究異構(gòu)MEC系統(tǒng)的資源分配問題已成為研究熱點(diǎn)之一。

3.3 異構(gòu)服務(wù)器場景下的資源分配方法

異構(gòu)服務(wù)器MEC系統(tǒng)如圖6所示，包括多個(gè)邊緣服務(wù)器，這為設(shè)計(jì)高效的資源分配方案帶來諸多挑戰(zhàn)，包括服務(wù)器的選擇與協(xié)作、計(jì)算遷移等。

圖6 異構(gòu)服務(wù)器MEC系統(tǒng)

伴隨著車聯(lián)網(wǎng)行業(yè)的迅猛發(fā)展，車聯(lián)網(wǎng)應(yīng)用場景對(duì)任務(wù)時(shí)延有著很高的要求。文獻(xiàn)[26]提出了一種基于車聯(lián)網(wǎng)多跳傳輸?shù)囊苿?dòng)邊緣計(jì)算卸載策略，通過預(yù)測(cè)車輛行駛軌跡，保證在一定時(shí)延條件下完成任務(wù)卸載。文獻(xiàn)[27]運(yùn)用最佳停止理論（optimal stopping theory，OST）原則解決數(shù)據(jù)質(zhì)量感知卸載順序的決策問題，通過對(duì)比眾多OST隨機(jī)模型，該方法能夠極大地減少車聯(lián)網(wǎng)分析卸載任務(wù)優(yōu)先級(jí)調(diào)度的需求。文獻(xiàn)[28]提出了改進(jìn)min-min算法TPMM（task priority-based min-min）。該算法能在一定時(shí)延約束的條件下，根據(jù)用戶任務(wù)的優(yōu)先級(jí)、服務(wù)器調(diào)度次數(shù)制定資源匹配方案。文獻(xiàn)[29]考慮時(shí)間敏感任務(wù)的QoE要求，研究了無人機(jī)輔助的多任務(wù)MEC網(wǎng)絡(luò)，其中，無人機(jī)為物聯(lián)網(wǎng)設(shè)備提供協(xié)作卸載服務(wù)。結(jié)果表明，協(xié)同計(jì)算和緩存卸載可以有效降低物聯(lián)網(wǎng)設(shè)備的總能耗，同時(shí)滿足不同類型任務(wù)的QoE需求。在文獻(xiàn)[30]中，作者開發(fā)了兩種機(jī)器學(xué)習(xí)模型，并納入MEC應(yīng)用程序，用于流行視頻預(yù)測(cè)和無線電信道質(zhì)量預(yù)測(cè)。實(shí)驗(yàn)證明作者構(gòu)建的模型在MEC體系中能夠?qū)μ岣哂脩舻腝oE產(chǎn)生效果。除此之外，深度強(qiáng)化學(xué)習(xí)在優(yōu)化計(jì)算任務(wù)卸載策略方面成效顯著。文獻(xiàn)[31]提出了基于深度強(qiáng)化學(xué)習(xí)的計(jì)算訪問點(diǎn)（computing access point，CAP）輔助計(jì)算的策略，通過將一些計(jì)算任務(wù)卸載到CAP降低系統(tǒng)的時(shí)延和能耗。文獻(xiàn)[32]則研究了具有軟時(shí)間窗口的MEC系統(tǒng)的卸載策略，并設(shè)計(jì)了遺傳學(xué)和生物地理學(xué)集成算法處理多個(gè)同時(shí)執(zhí)行的任務(wù)的卸載問題。

3.4 技術(shù)層面資源分配方法總結(jié)

MEC中技術(shù)層面資源分配方法歸類總結(jié)見表1。在MEC中計(jì)算卸載分為3種情況：本地執(zhí)行（計(jì)算任務(wù)完全在本地進(jìn)行）、完全卸載（計(jì)算任務(wù)全部由邊緣服務(wù)器負(fù)責(zé)）和部分卸載（計(jì)算任務(wù)一部分在本地執(zhí)行一部分上傳至邊緣服務(wù)器執(zhí)行）。本地卸載的能量消耗主要來源于CPU的功耗，而上傳至邊緣服務(wù)器進(jìn)行計(jì)算卸載的能量消耗則由傳輸能耗與邊緣服務(wù)器計(jì)算能耗組成。相似地，本地卸載的時(shí)延通常指CPU完成計(jì)算卸載所消耗的時(shí)間，上傳到邊緣服務(wù)器進(jìn)行計(jì)算卸載的時(shí)延則包括傳輸時(shí)延與計(jì)算時(shí)延。除此之外，以QoE為優(yōu)化目標(biāo)的研究成果通常以量化的方式表達(dá)用戶對(duì)當(dāng)前網(wǎng)絡(luò)的體驗(yàn)和感受，從而反映當(dāng)前業(yè)務(wù)情況與終端用戶期望之間的差距。上述列舉的研究成果主要從網(wǎng)絡(luò)環(huán)境、技術(shù)方面研究MEC的資源分配問題，旨在最小化能量消耗和任務(wù)執(zhí)行時(shí)延，或找到這兩個(gè)度量之間的權(quán)衡，但是都忽略了經(jīng)濟(jì)層面的分析。除了優(yōu)化系統(tǒng)的能耗與時(shí)延以外，經(jīng)濟(jì)模型能夠最大限度地利用邊緣網(wǎng)絡(luò)的資源使得系統(tǒng)利潤最大化。

表1 MEC中技術(shù)層面資源分配方法歸類總結(jié)

4 MEC在經(jīng)濟(jì)層面的資源分配與定價(jià)方法

在一個(gè)由多個(gè)資源提供者、大量多樣的應(yīng)用和用戶需求組成的MEC系統(tǒng)中，很多的資源所有者可能不會(huì)有動(dòng)力與MEC供應(yīng)商合作，因此，需要設(shè)計(jì)適當(dāng)?shù)募?lì)機(jī)制進(jìn)行資源的分配和定價(jià)，以刺激資源所有者最大限度地共享其通信和計(jì)算能力，實(shí)現(xiàn)最高利潤。此外，不同的邊緣節(jié)點(diǎn)有不同的管理模式、業(yè)務(wù)策略和服務(wù)定價(jià)。因此，從經(jīng)濟(jì)層面上對(duì)MEC資源分配和定價(jià)問題進(jìn)行研究是很有必要的。雖然在云計(jì)算領(lǐng)域已提出很多基于市場的資源分配機(jī)制，由于MEC服務(wù)器資源有限性和分布式的特點(diǎn)，為云計(jì)算系統(tǒng)設(shè)計(jì)的資源分配和定價(jià)機(jī)制并不能直接適用于MEC系統(tǒng)。最近，國內(nèi)外學(xué)者開始為MEC系統(tǒng)設(shè)計(jì)基于市場的資源分配和定價(jià)策略，主要基于博弈論/拍賣（auction-based）和基于市場定價(jià)等經(jīng)濟(jì)模型對(duì)資源交易過程進(jìn)行建模，經(jīng)濟(jì)與定價(jià)模型如圖7所示。

圖7 經(jīng)濟(jì)與定價(jià)模型

4.1 基于市場定價(jià)的資源分配方案

定價(jià)常用于研究商品的價(jià)格制定和變更策略。定價(jià)策略框架如圖8所示，目前用于MEC系統(tǒng)的定價(jià)策略主要包括基于成本的定價(jià)（cost-based pricing）、歧視定價(jià)（differential pricing）、利潤最大化定價(jià)（profit maximization pricing）以及拉姆齊定價(jià)（ramsey pricing）。

圖8 定價(jià)策略框架

（1）基于成本的定價(jià)

基于成本的定價(jià)是最常見、最簡單的定價(jià)策略，通過計(jì)算服務(wù)的總成本，再加上成本的百分比作為“期望利潤”確定服務(wù)的價(jià)格[33]。采用這種定價(jià)策略能夠保證服務(wù)提供者（即邊緣服務(wù)器）至少不虧損，并且基于成本的定價(jià)具有易于確定價(jià)格的優(yōu)點(diǎn)，適用于比較簡單的市場結(jié)構(gòu)。為了在保留用戶體驗(yàn)的同時(shí)最小化運(yùn)營商成本，在車聯(lián)網(wǎng)環(huán)境中，文獻(xiàn)[34]結(jié)合部分卸載決策和邊緣服務(wù)器的定價(jià)對(duì)系統(tǒng)進(jìn)行成本優(yōu)化。文獻(xiàn)[35]對(duì)資源進(jìn)行基于成本的統(tǒng)一定價(jià)，并通過仿真實(shí)驗(yàn)表明在統(tǒng)一定價(jià)下的最大價(jià)格就是資源供應(yīng)商獲得最大利潤的最優(yōu)價(jià)格。文獻(xiàn)[36-38]亦得出最優(yōu)價(jià)格總是接近最大價(jià)格結(jié)論。因此，這種定價(jià)策略容易使資源供應(yīng)商為獲得最大利潤而不斷提高資源的價(jià)格?；诔杀镜亩▋r(jià)策略易于實(shí)現(xiàn)，但是沒有考慮其他供應(yīng)商的策略、買家的價(jià)格感知能力和支付意愿等市場外部因素，只適用于簡單的市場機(jī)制。

（2）歧視定價(jià)

歧視定價(jià)又稱為差別定價(jià)。在一個(gè)資源市場中，依據(jù)終端用戶不同的需求和購買意愿，資源供應(yīng)商可以向他們收取不同的價(jià)格[33]。歧視定價(jià)本質(zhì)上是將用戶剩余（即用戶愿意支付的總金額與用戶實(shí)際支付的總金額間的差額）轉(zhuǎn)移到資源供應(yīng)商，這種定價(jià)模型能夠使資源供應(yīng)商利潤最大化。文獻(xiàn)[35]結(jié)合區(qū)塊鏈技術(shù)構(gòu)建基于云挖掘機(jī)制的算力交易模型，設(shè)計(jì)一種低梯度迭代算法用于完成邊緣服務(wù)器與“礦工”之間算力交易的利潤最大化。同樣在區(qū)塊鏈場景中，文獻(xiàn)[36]采用兩階段的stackelberg博弈實(shí)現(xiàn)不同礦工的利潤最大化和各自效用最大化。文獻(xiàn)[37]提出基于定價(jià)策略的分布式方法用以管理用戶的計(jì)算卸載任務(wù)，建立stackelberg博弈模型分析邊緣服務(wù)器與用戶間的交互。服務(wù)器根據(jù)有限的計(jì)算能力設(shè)置定價(jià)以最大化收益，用戶根據(jù)卸載決策以最小化成本。文獻(xiàn)[38]以資源總需求、競爭環(huán)境、對(duì)象屬性和對(duì)象需求等價(jià)格導(dǎo)向因素為基石，制定一致性定價(jià)與彈性定價(jià)這兩種定價(jià)方案，運(yùn)用stackelberg博弈模型解決了資源需求以及資源價(jià)格只能靜態(tài)定價(jià)的問題，并通過改進(jìn)的強(qiáng)化學(xué)習(xí)狀態(tài)動(dòng)作獎(jiǎng)勵(lì)狀態(tài)動(dòng)作（state action reward state action，SARASA）算法獲得了最優(yōu)解。歧視定價(jià)模型雖然能保證資源供應(yīng)商的利潤，但是讓不同類型的終端用戶支付不同的價(jià)格是不公平的。

（3）利潤最大化定價(jià)

利潤最大化定價(jià)是一個(gè)確認(rèn)資源供應(yīng)商的資源量與其相應(yīng)的價(jià)格能夠產(chǎn)生最高利潤的過程[30]。利潤最大化定價(jià)如圖9所示，假設(shè)存在一個(gè)資源供應(yīng)商需要確定其資源量，資源供應(yīng)商的利潤可表示為：

圖9 利潤最大化定價(jià)

通常資源量與資源價(jià)格的關(guān)系曲線可表示為：

其中，、為適當(dāng)?shù)膮?shù)?；谑袌鲂枨笄€，當(dāng)=*時(shí)，可以通過最優(yōu)資源量找到最優(yōu)價(jià)格：

文獻(xiàn)[39]提出一個(gè)基于市場的框架有效地將容量受限邊緣節(jié)點(diǎn)的資源分配給多個(gè)競爭服務(wù)。通過引入分布式算法得出了市場需求曲線，對(duì)地理上分布的邊緣節(jié)點(diǎn)進(jìn)行合理定價(jià)，提出一個(gè)市場均衡和計(jì)算均衡的解決方案，并進(jìn)一步證明了均衡分配是帕累托最優(yōu)的，且滿足期望的公平性，包括共享激勵(lì)、比例性和無嫉妒性。然而，在實(shí)際市場中，由于用戶需求是隨機(jī)的，確定需求曲線是比較困難的。另外，利潤最大化定價(jià)模型在確定資源數(shù)量和資源價(jià)格時(shí)，往往會(huì)忽略市場競爭問題。

（4）拉姆齊定價(jià)

拉姆齊定價(jià)指針對(duì)不同市場對(duì)商品的不同需求采用不同的定價(jià)策略[33]。與歧視定價(jià)的不同之處在于，拉姆齊定價(jià)是在保證一定的資源供應(yīng)商利潤的前提下最大化社會(huì)福利。文獻(xiàn)[40]提出一種可以通過任務(wù)卸載降低成本的效用函數(shù)，經(jīng)過實(shí)驗(yàn)證實(shí)該效用函數(shù)可以達(dá)到均衡，且該定價(jià)策略能夠在滿足個(gè)人均衡的同時(shí)達(dá)到社會(huì)均衡。文獻(xiàn)[41]提出一種基于學(xué)習(xí)的定價(jià)機(jī)制，在達(dá)到均衡時(shí)，通過接入點(diǎn)（access point，AP）誘導(dǎo)自利用戶選擇正確的優(yōu)先級(jí)類別以達(dá)到社會(huì)均衡。拉齊姆定價(jià)模型局限性在于，通?？紤]的市場是一個(gè)無彈性需求的市場。但是，在現(xiàn)實(shí)的市場中，用戶的需求會(huì)根據(jù)資源的價(jià)格以及其他因素的變化而發(fā)生改變，資源供應(yīng)商無法利用無限抬高價(jià)格獲取相應(yīng)的利潤。

4.2 基于博弈理論的資源分配方案

博弈論是研究關(guān)于激勵(lì)結(jié)構(gòu)間的相互作用（即包含相互依存情況中的理性行為）的學(xué)科，是現(xiàn)代數(shù)學(xué)的一個(gè)分支。在邊緣計(jì)算環(huán)境下，參與者可以是邊緣服務(wù)器或者終端用戶。本節(jié)將介紹博弈論模型在MEC資源分配中的應(yīng)用。

（1）非合作博弈（non-cooperative game）

瀘州市政府基于當(dāng)?shù)刭Y源優(yōu)勢(shì)特點(diǎn)，設(shè)立了國家級(jí)高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)、長江經(jīng)濟(jì)開發(fā)區(qū)、中國白酒金三角酒業(yè)園區(qū)和瀘州航空航天產(chǎn)業(yè)園四大園區(qū)。2017年四大園區(qū)整體收入達(dá)2248億元，2018年預(yù)計(jì)突破2600億元。

圖10 非合作博弈框架

文獻(xiàn)[43]在確保用戶計(jì)算任務(wù)時(shí)延需求的條件下，將博弈模型轉(zhuǎn)換為勢(shì)博弈模型，構(gòu)造了基于有限改進(jìn)性質(zhì)的分布式博弈方法，用于尋找納什均衡解，從而降低移動(dòng)設(shè)備端的能耗。文獻(xiàn)[44]通過對(duì)基站群的通信資源、計(jì)算資源以及任務(wù)隊(duì)列進(jìn)行建模，將任務(wù)卸載過程的能源成本進(jìn)行量化。利用潛在博弈模型解決分布式任務(wù)卸載的問題，結(jié)果表明，所提模型可以收斂到納什均衡，并且同其他算法相比，該算法可以在時(shí)延受限下有效降低系統(tǒng)能耗。文獻(xiàn)[45]提出基于博弈的云資源和計(jì)算資源聯(lián)合分配方案（joint resource allocation scheme based on evolutionary game，JRA-EG），通過對(duì)這兩種資源的分配實(shí)現(xiàn)最小化移動(dòng)終端任務(wù)卸載的代價(jià)。作者提出基于復(fù)制動(dòng)態(tài)的集中式算法和基于Q-learning的分布式算法，實(shí)驗(yàn)證實(shí)兩種算法均能收斂至均衡解。文獻(xiàn)[46]提出云邊協(xié)作任務(wù)遷移策略，借此充分利用MEC服務(wù)器及云服務(wù)器的資源。作者還提出了一種運(yùn)用博弈論的兩階段任務(wù)遷移算法降低系統(tǒng)開銷。文獻(xiàn)[47]則重點(diǎn)考慮移動(dòng)終端設(shè)備的時(shí)延問題，設(shè)計(jì)了一個(gè)非合作博弈模型并證實(shí)了納什均衡的存在。該算法運(yùn)用拉格朗日乘子法以及迭代法，在資源受限的情況下最小化計(jì)算任務(wù)的時(shí)延。

上述文獻(xiàn)所考慮的非合作博弈模型建立在參與者同時(shí)公布自身定價(jià)策略的前提下，然而這在實(shí)際市場中并不總是成立。在主從博弈（stackelberg game）中參與者可按照事先確定的順序公布自己的策略，因此可以考慮根據(jù)主從博弈模型的資源分配方案。

（2）主從博弈

圖11 stackelberg博弈模型

文獻(xiàn)[49]考慮一個(gè)邊緣服務(wù)器和多個(gè)終端用戶的MEC場景，設(shè)計(jì)一個(gè)以終端用戶作為領(lǐng)導(dǎo)者、邊緣服務(wù)器充當(dāng)跟隨者的stackelberg博弈模型。在車聯(lián)網(wǎng)場景中，文獻(xiàn)[50]將優(yōu)化目標(biāo)放在時(shí)延上，提出基于stackelberg博弈模型的資源分配框架，并利用分布式迭代算法對(duì)邊緣節(jié)點(diǎn)的定價(jià)問題和邊緣服務(wù)器的資源策略進(jìn)行分析。文獻(xiàn)[51]則針對(duì)多邊緣服務(wù)器與多用戶的異構(gòu)MEC系統(tǒng)，構(gòu)建了“多主多從”的stackelberg博弈模型，證明了stackelberg平衡的存在，并通過設(shè)計(jì)最佳需求設(shè)計(jì)算法（optimal demand computation algorithm，ODCA）尋找終端用戶的最佳資源訴求策略和均衡價(jià)格，但是沒有考慮動(dòng)態(tài)場景。

單純運(yùn)用stackelberg博弈模型往往忽略參與者并非完全理性這一事實(shí)，演化博弈模型則將這一問題考慮在內(nèi)。

（3）演化博弈（evolutionary game）

圖12 演化博弈模型

文獻(xiàn)[52]考慮在多用戶多服務(wù)器場景下計(jì)算和通信資源的分配問題，利用演化博弈對(duì)移動(dòng)用戶的動(dòng)態(tài)行為進(jìn)行建模，建立確定性和隨機(jī)性模型，并通過設(shè)計(jì)進(jìn)化算法得到進(jìn)化均衡解。文獻(xiàn)[53]將多用戶卸載問題看作一個(gè)演化博弈模型，經(jīng)過分析策略選擇過程，達(dá)到演化均衡。之后結(jié)合實(shí)際應(yīng)用場景，設(shè)計(jì)基于強(qiáng)化學(xué)習(xí)的進(jìn)化博弈卸載策略（evolutionary game theory based on Q-learning，EGT-QL），在能耗方面達(dá)到穩(wěn)定收斂。文獻(xiàn)[54]考慮多個(gè)邊緣云與中央云協(xié)作的異構(gòu)MEC系統(tǒng)，根據(jù)去中心化的思想，提出了基于演化博弈的分散迭代算法。通過模擬終端用戶的動(dòng)態(tài)行為，在確保終端用戶QoE的前提下，實(shí)現(xiàn)運(yùn)營成本最小化。同樣在3層異構(gòu)MEC系統(tǒng)下，文獻(xiàn)[55]綜合考慮MEC系統(tǒng)的能耗、時(shí)延以及經(jīng)濟(jì)成本，提出人口進(jìn)化的集中算法，該算法能夠快速實(shí)現(xiàn)均衡。為研究邊緣服務(wù)器的地理位置對(duì)MEC系統(tǒng)性能的影響，文獻(xiàn)[56]提出了基于概率演化博弈框架的動(dòng)態(tài)卸載策略。文獻(xiàn)[57]提出一種創(chuàng)新的均值場進(jìn)化方法，該方法考慮了信道干擾、平均時(shí)延、邊緣服務(wù)器間的平衡和公平性，但是沒有考慮資源十分有限的情況。

4.3 基于拍賣理論的資源分配方案

拍賣經(jīng)濟(jì)理論最初歸屬于經(jīng)濟(jì)理科學(xué)與運(yùn)籌學(xué)，是最久遠(yuǎn)的價(jià)格發(fā)現(xiàn)機(jī)制之一。拍賣理論也是研究MEC資源分配和定價(jià)的有效方法。

（1）雙重拍賣（double auction）

以橫軸表示邊緣服務(wù)器所提供的資源數(shù)量，縱軸表示用戶給出的定價(jià)，則雙重拍賣資源要價(jià)的供需曲線如圖13所示，當(dāng)需求和供給曲線相交于一點(diǎn)時(shí)，達(dá)到了市場均衡，這一點(diǎn)被稱作市場均衡點(diǎn)。雙重拍賣具有拍賣參與者無損失、拍賣人得到收益、拍賣雙方如實(shí)提供定價(jià)與要價(jià)以及群體收益最優(yōu)的特點(diǎn)。

圖13 雙重拍賣資源要價(jià)的供需曲線

在車聯(lián)網(wǎng)環(huán)境中，文獻(xiàn)[58]提出一種基于交通流量預(yù)判測(cè)的車聯(lián)網(wǎng)邊緣計(jì)算遷移方案。該方案采用McAfee拍賣算法解決車輛與邊緣服務(wù)器之間的資源雙重拍賣問題，旨在提高車輛的計(jì)算遷移率同時(shí)，改善邊緣服務(wù)器的資源利用率。文獻(xiàn)[59]針對(duì)工業(yè)物聯(lián)網(wǎng)移動(dòng)設(shè)備和邊緣服務(wù)器的適配問題提出兩種雙重拍賣方案，分別為盈虧平衡雙重拍賣（break-even double auction，BDA）和動(dòng)態(tài)定價(jià)雙重拍賣（dynamic pricing double auction，DPDA）。這兩種方案都能夠滿足MEC的經(jīng)濟(jì)特性，有效提高M(jìn)EC系統(tǒng)資源分配效率。文獻(xiàn)[60]提出了一種基于時(shí)延保證的資源雙重拍賣算法（latency guaranteed based resource double auction，LGRDA），在保證計(jì)算任務(wù)時(shí)延約束的前提下，該算法能高效地將邊緣服務(wù)器中的資源分配給終端用戶，從而最大化邊緣服務(wù)器利潤。文獻(xiàn)[61]為解決長距離傳輸對(duì)時(shí)延敏感任務(wù)（如自動(dòng)駕駛、工業(yè)控制等）的資源需求問題，提出雙邊拍賣方案，并運(yùn)用經(jīng)驗(yàn)加權(quán)吸引力（experience weighted attraction，EWA）算法加快不透明環(huán)境中每個(gè)參與者的學(xué)習(xí)過程。

雙重拍賣要求拍賣雙方如實(shí)提供定價(jià)及要價(jià)，并且在整個(gè)交易過程中，價(jià)格信息是公開的。

（2）最優(yōu)拍賣（optimal auction）

最優(yōu)拍賣參與的買家是獨(dú)立且理性的，賣家無法干預(yù)買家參與競價(jià)與否以及如何出價(jià)。在拍賣機(jī)制中的收益期望可表示為：

其中，表示分配函數(shù)，表示計(jì)價(jià)函數(shù)，0表示商品的正常價(jià)格，表示買家對(duì)商品的估價(jià)。最優(yōu)拍賣機(jī)制要解決的問題就是設(shè)計(jì)具體的和，實(shí)現(xiàn)最大化收益期望。

文獻(xiàn)[62]兼顧終端用戶的任務(wù)處理時(shí)延以及系統(tǒng)能耗，運(yùn)用深度神經(jīng)網(wǎng)絡(luò)控制終端設(shè)備參與拍賣活動(dòng)。深度神經(jīng)網(wǎng)絡(luò)能夠保證拍賣結(jié)果的公平性，與隨機(jī)拍賣相比該拍賣機(jī)制能夠?qū)⒗麧櫶岣咧辽?0%。文獻(xiàn)[63]提出基于深度學(xué)習(xí)的最佳拍賣方案以解決移動(dòng)區(qū)塊鏈網(wǎng)絡(luò)中邊緣服務(wù)器資源的分配問題?？紤]任務(wù)獲取和傳輸?shù)某杀荆墨I(xiàn)[64]為最大化邊緣服務(wù)器的預(yù)期收入，提出基于最優(yōu)拍賣的任務(wù)緩存機(jī)制。經(jīng)過仿真實(shí)驗(yàn)，該機(jī)制性能很好，但是受各種模型的參數(shù)影響大。

最優(yōu)拍賣需要滿足兩個(gè)假設(shè)：每個(gè)買家都要有參與拍賣的意愿；買家會(huì)依照真實(shí)的價(jià)值估價(jià)出價(jià)。

（3）組合拍賣（combinatorial auction）

組合拍賣也是典型的背包問題，它不同于傳統(tǒng)拍賣機(jī)制的地方在于，其拍賣目標(biāo)為多種商品的組合[65]，組合拍賣框架如圖14所示。MEC中的資源分配常常設(shè)計(jì)多種資源，包括計(jì)算資源、通信資源和存儲(chǔ)資源等，當(dāng)要進(jìn)行多種資源的分配和定價(jià)時(shí)，組合拍賣的效率比傳統(tǒng)拍賣方式更高。

文獻(xiàn)[66]提出由層次分析法（analytic hierarchy process，AHP）排序、任務(wù)投標(biāo)、獲勝者決策3個(gè)部分組合而成的多輪順序組合拍賣機(jī)制。該機(jī)制適用于時(shí)延與容量受限，最大化服務(wù)節(jié)點(diǎn)效益的車載網(wǎng)絡(luò)環(huán)境。

在組合拍賣中，勝利者（即拍賣的最后中標(biāo)者）如何確定是組合拍賣的一大挑戰(zhàn)，該問題為非確定性多項(xiàng)式（non-deterministic polynomial，NP）難題，在當(dāng)前的研究中依舊很熱門。

圖14 組合拍賣框架

5 問題與挑戰(zhàn)

基于經(jīng)濟(jì)分析的資源分配和定價(jià)方法比較及使用場景與局限性見表2，盡管基于經(jīng)濟(jì)分析的資源分配和定價(jià)方法已經(jīng)開始被研究，國內(nèi)外研究人員針對(duì)該領(lǐng)域方向已取得一些研究成果，但以下幾個(gè)關(guān)鍵問題到目前為止仍未得到有效解決。

（1）用戶移動(dòng)性和任務(wù)隨機(jī)性

用戶高度移動(dòng)是MEC的一大特點(diǎn)，為了確保正在執(zhí)行的應(yīng)用程序不會(huì)中斷，任務(wù)必須能夠遷移到另一個(gè)節(jié)點(diǎn)。當(dāng)前大部分經(jīng)濟(jì)模型比較適用于靜態(tài)環(huán)境，因此當(dāng)用戶移動(dòng)時(shí)，依賴于中心實(shí)體的分配和定價(jià)策略就不是很適用。此外，用戶不是時(shí)刻都有任務(wù)需要處理，它們的計(jì)算任務(wù)是隨機(jī)到達(dá)的。因此系統(tǒng)中活躍用戶的數(shù)目會(huì)隨著新任務(wù)到達(dá)和舊任務(wù)完成發(fā)生變化。用戶移動(dòng)性和任務(wù)隨機(jī)性極大提升了系統(tǒng)資源分配和定價(jià)的難度。利用馬爾可夫近似技術(shù)，可通過設(shè)計(jì)可逆且收斂的馬爾可夫鏈將用戶的移動(dòng)性問題映射為馬爾可夫鏈的狀態(tài)轉(zhuǎn)移問題?？紤]到任務(wù)隨機(jī)性，由于MEC系統(tǒng)的網(wǎng)絡(luò)拓?fù)涫请S時(shí)間發(fā)生變化的，該馬爾可夫鏈的實(shí)現(xiàn)算法應(yīng)該支持分布式實(shí)現(xiàn)。

（2）需求不確定性和信息不對(duì)稱性

由于用戶的移動(dòng)性和任務(wù)的隨機(jī)性，接入點(diǎn)無法事先知道用戶的服務(wù)需求，導(dǎo)致需求不確定性。此外，在基于基礎(chǔ)設(shè)施的網(wǎng)絡(luò)環(huán)境中，代理和無線接入點(diǎn)與用戶之間的距離不同，掌握的信息也是不一樣的。接入點(diǎn)可能不愿意將私有信息與代理節(jié)點(diǎn)共享，導(dǎo)致信息不對(duì)稱的情況，這給經(jīng)濟(jì)模型的資源預(yù)留和定價(jià)帶來了很大的挑戰(zhàn)。一般情況下，接入點(diǎn)的收益會(huì)隨著資源預(yù)留量的增大而增大，因此，為增加自身利益，接入點(diǎn)會(huì)有夸大用戶資源需求的傾向，造成代理資源預(yù)留過量。借鑒合同理論，為了激勵(lì)接入點(diǎn)共享可信的資源需求信息，代理可制定合同條款，額外收取資源保留費(fèi)用，讓接入點(diǎn)分擔(dān)一些超額預(yù)留的風(fēng)險(xiǎn)成本。

（3）用戶多樣性

MEC系統(tǒng)中有很多種用戶，根據(jù)不同的服務(wù)需求，有些選擇注冊(cè)成為合同用戶，有些是隨機(jī)用戶。例如，在健康監(jiān)測(cè)中，由于終端設(shè)備位置相對(duì)固定，注冊(cè)成為合同用戶是比較好的選擇；而對(duì)一些移動(dòng)性比較高的設(shè)備，由于服務(wù)需求是短暫的，適合成為隨機(jī)用戶。不同的用戶需要繳納不同的費(fèi)用，享受不一樣的服務(wù)，為此需要根據(jù)用戶類型制定不同的資源分配和定價(jià)策略。

表2 基于經(jīng)濟(jì)分析的資源分配和定價(jià)方法比較及使用場景與局限性

（4）5G異構(gòu)網(wǎng)

在5G異構(gòu)網(wǎng)絡(luò)中，小型基站大規(guī)模高度密集，資源常常被共享分配給不同的網(wǎng)絡(luò)層，干擾也來自不同層，使得在不同網(wǎng)絡(luò)層之間進(jìn)行經(jīng)濟(jì)分析變得十分困難，因此，5G異構(gòu)網(wǎng)絡(luò)需要比傳統(tǒng)網(wǎng)絡(luò)更加靈活高效的資源分配方式。此外，將MEC和網(wǎng)絡(luò)切片融合，滿足更多用戶個(gè)性化需求是未來5G中廣泛的服務(wù)模式[67]。隨著MEC的引入，資源分配和定價(jià)面臨新的挑戰(zhàn)，此時(shí)資源不僅有無線資源，還有計(jì)算資源和存儲(chǔ)資源。在保持所需要的QoE水平的同時(shí)優(yōu)化系統(tǒng)資源利用率是一項(xiàng)重大挑戰(zhàn)，VM的引入將資源捆綁銷售，制定組合資源價(jià)格策略是實(shí)現(xiàn)這一目標(biāo)的關(guān)鍵。一般情況下，采用VM機(jī)制解決組合資源分配問題可以分解為多個(gè)決策過程：給用戶分配哪些資源，每種資源分配多少，以及這些資源的最佳價(jià)格。在網(wǎng)絡(luò)切片運(yùn)行時(shí)，為了能夠滿足用戶的動(dòng)態(tài)需求，提供定制化服務(wù)，應(yīng)設(shè)計(jì)一種自適應(yīng)VM算法，按需調(diào)整資源的分配和定價(jià)。

6 結(jié)束語

本文主要從MEC的基本概念、參考架構(gòu)、優(yōu)點(diǎn)、資源分配與定價(jià)方法以及存在問題和挑戰(zhàn)等方面進(jìn)行了系統(tǒng)性介紹，首先，介紹了MEC的基本概念和MEC的參考框架，對(duì)MEC的優(yōu)點(diǎn)以及資源分配問題進(jìn)行歸納并闡述；然后，著重從技術(shù)和經(jīng)濟(jì)兩個(gè)層面對(duì)現(xiàn)有的資源分配策略和定價(jià)方法進(jìn)行歸納總結(jié)，并討論了不同方案的缺點(diǎn)；最后，對(duì)MEC資源分配中現(xiàn)存的幾個(gè)尚待解決的問題做了進(jìn)一步分析，并對(duì)相應(yīng)的解決方向做了簡要的展望。

[1] IMT-2020(5G)推進(jìn)組. 5G愿景與需求白皮書V1.0[R]. 2014.

IMT-2020. 5G Vision and demand white paper V1.0[R]. 2014.

[2] LIN J, YU W, ZHANG N, et al. A survey on Internet of things: architecture, enabling technologies, security and privacy, and applications[J]. IEEE Internet of Things Journal, 2017, 4(5): 1125-1142.

[3] MACH P, BECVAR Z. Mobile edge computing: a survey on architecture and computation offloading[J]. IEEE Communications Surveys & Tutorials, 2017, 19(3): 1628-1656.

[4] 張建敏, 謝偉良, 楊峰義, 等. 移動(dòng)邊緣計(jì)算技術(shù)及其本地分流方案[J]. 電信科學(xué), 2016, 32(7): 132-139.

ZHANG J M, XIE W L, YANG F Y, et al. Mobile edge computing and application in traffic offloading[J]. Telecommunications Science, 2016, 32(7): 132-139.

[5] 李子姝, 謝人超, 孫禮, 等. 移動(dòng)邊緣計(jì)算綜述[J]. 電信科學(xué), 2018, 34(1): 87-101.

LI Z S, XIE R C, SUN L, et al. A survey of mobile edge computing[J]. Telecommunications Science, 2018, 34(1): 87-101.

[6] MAO Y Y, YOU C S, ZHANG J, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, 19(4): 2322-2358.

[7] 施巍松, 張星洲, 王一帆, 等. 邊緣計(jì)算: 現(xiàn)狀與展望[J]. 計(jì)算機(jī)研究與發(fā)展, 2019, 56(1): 69-89.

SHI W S, ZHANG X Z, WANG Y F, et al. Edge computing: state-of-the-art and future directions[J]. Journal of Computer Research and Development, 2019, 56(1): 69-89.

[8] ISLAM A, DEBNATH A, GHOSE M, et al. A survey on task offloading in multi-access edge computing[J]. Journal of Systems Architecture, 2021, 118: 102225.

[9] KE H C, WANG J, DENG L Y, et al. Deep reinforcement learning-based adaptive computation offloading for MEC in heterogeneous vehicular networks[J]. IEEE Transactions on Vehicular Technology, 2020, 69(7): 7916-7929.

[10] 夏士超, 姚枝秀, 鮮永菊, 等. 移動(dòng)邊緣計(jì)算中分布式異構(gòu)任務(wù)卸載算法[J]. 電子與信息學(xué)報(bào), 2020, 42(12): 2891-2898.

XIA S C, YAO Z X, XIAN Y J, et al. A distributed heterogeneous task offloading methodology for mobile edge computing[J]. Journal of Electronics & Information Technology, 2020, 42(12): 2891-2898.

[11] PATEL M, NAUGHTON B, at al. Mobile-edge computing-introductory technical white paper[R]. European Telecommunications Standards Institute, 2015.

[12] 李邱蘋, 趙軍輝, 貢毅. 移動(dòng)邊緣計(jì)算中的計(jì)算卸載和資源管理方案[J]. 電信科學(xué), 2019, 35(3): 36-46.

LI Q P, ZHAO J H, GONG Y. Computation offloading and resource management scheme in mobile edge computing[J]. Telecommunications Science, 2019, 35(3): 36-46.

[13] LIU L, CHEN C, PEI Q Q, et al. Vehicular edge computing and networking: a survey[J]. Mobile Networks and Applications, 2021, 26(3): 1145-1168.

[14] 郭延超, 高嶺, 王海, 等. 移動(dòng)邊緣計(jì)算中基于內(nèi)容動(dòng)態(tài)刷新的能耗優(yōu)化[J]. 計(jì)算機(jī)研究與發(fā)展, 2018, 55(3): 563-571.

GUO Y C, GAO L, WANG H, et al. Power optimization based on dynamic content refresh in mobile edge computing[J]. Journal of Computer Research and Development, 2018, 55(3): 563-571.

[15] MAO Y Y, ZHANG J, LETAIEF K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605.

[16] LIU J, MAO Y Y, ZHANG J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory (ISIT), 2016: 1451-1455.

[17] MELENDEZ S, MCGARRY M P. Computation offloading decisions for reducing completion time[C]//Proceedings of 2017 14th IEEE Annual Consumer Communications & Networking Conference. Piscataway: IEEE Press, 2017: 160-164.

[18] 任品毅, 許茜. 基于移動(dòng)邊緣計(jì)算的時(shí)延能耗最小化安全傳輸[J]. 通信學(xué)報(bào), 2020, 41(11): 52-63.

REN P Y, XU Q. Delay and energy minimization for MEC-based secure communication[J]. Journal on Communications, 2020, 41(11): 52-63.

[19] YANG S R, TSENG Y J, HUANG C C, et al. Multi-access edge computing enhanced video streaming: proof-of-concept implementation and prediction/QoE models[J]. IEEE Transactions on Vehicular Technology, 2019, 68(2): 1888-1902.

[20] 馬惠榮, 陳旭, 周知, 等. 綠色能源驅(qū)動(dòng)的移動(dòng)邊緣計(jì)算動(dòng)態(tài)任務(wù)卸載[J]. 計(jì)算機(jī)研究與發(fā)展, 2020, 57(9): 1823-1838.

MA H R, CHEN X, ZHOU Z, et al. Dynamic task offloading for mobile edge computing with green energy[J]. Journal of Computer Research and Development, 2020, 57(9): 1823-1838.

[21] LI G S, WANG J P, WU J H, et al. Data processing delay optimization in mobile edge computing[J]. Wireless Communications and Mobile Computing, 2018, 2018: 6897523.

[22] ZHANG W X, DU Y W. Deep reinforcement learning-based optimization of lightweight task offloading for multi-user mobile computing[J]. Journal of Measurement Science and Instrumentation, 2020: 1-14.

[23] 李振江, 張幸林. 減少核心網(wǎng)擁塞的邊緣計(jì)算資源分配和卸載決策[J]. 計(jì)算機(jī)科學(xué), 2021, 48(3): 281-288.

LI Z J, ZHANG X L. Resource allocation and offloading decision of edge computing for reducing core network congestion[J]. Computer Science, 2021, 48(3): 281-288.

[24] VIOLA R, MARTIN A, ZORRILLA M, et al. MEC proxy for efficient cache and reliable multi-CDN video distribution[C]// Proceedings of 2018 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting. Piscataway: IEEE Press, 2018: 1-7.

[25] FAN W H, HAN J T, YAO L, et al. Latency-energy optimization for joint Wi-Fi and cellular offloading in mobile edge computing networks[J]. Computer Networks, 2020, 181: 107570.

[26] 邸劍, 薛林, 蔡震. 基于網(wǎng)聯(lián)車多跳傳輸?shù)囊苿?dòng)邊緣計(jì)算卸載[J]. 計(jì)算機(jī)應(yīng)用研究, 2021, 38(4): 1145-1148, 1157.

DI J, XUE L, CAI Z. Mobile edge computing offloading based on multi-hop transmission of connected vehicles[J]. Application Research of Computers, 2021, 38(4): 1145-1148, 1157.

[27] ALGHAMDI I, ANAGNOSTOPOULOS C, PEZAROS D P. Data quality-aware task offloading in mobile edge computing: an optimal stopping theory approach[J]. Future Generation Computer Systems, 2021(117): 462-479.

[28] 董思岐, 李海龍, 屈毓錛, 等. 面向優(yōu)先級(jí)用戶的移動(dòng)邊緣計(jì)算任務(wù)調(diào)度策略[J]. 計(jì)算機(jī)應(yīng)用研究, 2020, 37(9): 2701-2705.

DONG S Q, LI H L, QU Y B, et al. Task scheduling policy for mobile edge computing with user priority[J]. Application Research of Computers, 2020, 37(9): 2701-2705.

[29] TAO L W, ZHAO M X, HUI W Y, et al. Collaborative offloading for UAV-enabled time-sensitive MEC networks[J]. EURASIP Journal on Wireless Communications and Networking, 2021, 2021(1): 1-17.

[30] MEHRABI A, SIEKKINEN M, YL?-J??SKI A. Energy-aware QoE and backhaul traffic optimization in green edge adaptive mobile video streaming[J]. IEEE Transactions on Green Communications and Networking, 2019, 3(3): 828-839.

[31] ZHAO R, WANG X J, XIA J J, et al. Deep reinforcement learning based mobile edge computing for intelligent Internet of Things[J]. Physical Communication, 2020(43): 101184.

[32] WEI Z C, PAN J, LYU Z W, et al. An offloading strategy with soft time windows in mobile edge computing[J]. Computer Communications, 2020(164): 42-49.

[33] LUONG N C, WANG P, NIYATO D, et al. Resource management in cloud networking using economic analysis and pricing models: a survey[J]. IEEE Communications Surveys & Tutorials, 2017, 19(2): 954-1001.

[34] LI L H, LV T J, HUANG P M, et al. Cost optimization of partial computation offloading and pricing in vehicular networks[J]. Journal of Signal Processing Systems, 2020, 92(12): 1421-1435.

[35] 吳雨芯, 蔡婷, 張大斌. 移動(dòng)邊緣計(jì)算中基于Stackelberg博弈的算力交易與定價(jià)[J]. 計(jì)算機(jī)應(yīng)用, 2020, 40(9): 2683-2690.

WU Y X, CAI T, ZHANG D B. Computing power trading and pricing in mobile edge computing based on Stackelberg game[J]. Journal of Computer Applications, 2020, 40(9): 2683-2690.

[36] XIONG Z H, FENG S H, NIYATO D, et al. Optimal pricing-based edge computing resource management in mobile blockchain[C]//Proceedings of 2018 IEEE International Conference on Communications. Piscataway: IEEE Press, 2018: 1-6.

[37] LIU M Y, LIU Y. Price-based distributed offloading for mobile-edge computing with computation capacity constraints[J]. IEEE Wireless Communications Letters, 2018, 7(3): 420-423.

[38] 劉荊欣, 王妍, 韓笑, 等. 基于Stackelberg博弈的邊緣云資源定價(jià)機(jī)制研究[J]. 計(jì)算機(jī)科學(xué)與探索, 2020: 1-12.

LIU J X, WANG Y, HAN X, et al. Research on edge cloud resource pricing mechanism based on Stackelberg game[J]. Journal of Frontiers of Computer Science and Technology, 2020: 1-12.

[39] NGUYEN D T, LE L B, BHARGAVA V. Price-based resource allocation for edge computing: a market equilibrium approach[J]. IEEE Transactions on Cloud Computing, 2021, 9(1): 302-317.

[40] LI L X, QUEK T Q S, REN J, et al. An incentive-aware job offloading control framework for multi-access edge computing[J]. IEEE Transactions on Mobile Computing, 2021, 20(1): 63-75.

[41] LI L X, SIEW M, QUEK T Q S, et al. Learning-based priority pricing for job offloading in mobile edge computing[J]. ArXiv Preprint ArXiv, 2019: 1-25.

[42] ALSKAIF T, GUERRERO ZAPATA M, BELLALTA B. Game theory for energy efficiency in Wireless Sensor Networks: latest trends[J]. Journal of Network and Computer Applications, 2015(54): 33-61.

[43] 張艮山, 劉旭寧. 資源受限移動(dòng)邊緣計(jì)算任務(wù)拆分卸載調(diào)度決策[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2019, 36(10): 268-273, 278.

ZHANG G S, LIU X N. Tasks split and offloading scheduling decision in mobile edge computing with limited resources[J]. Computer Applications and Software, 2019, 36(10): 268-273, 278.

[44] LI Y H, JIANG C S. Distributed task offloading strategy to low load base stations in mobile edge computing environment[J]. Computer Communications, 2020, 164: 240-248.

[45] ZHANG J, XIA W W, HUANG B N, et al. Joint resource allocation scheme based on evolutionary game for mobile edge computing[J]. Journal of Southeast University (English Edition), 2018, 34(4): 415-422.

[46] 王藝潔, 凡佳飛, 王陳宇. 云邊環(huán)境下基于博弈論的兩階段任務(wù)遷移策略[J]. 計(jì)算機(jī)應(yīng)用, 2021, 41(5): 1392-1398.

WANG Y J, FAN J F, WANG C Y. Two-stage task offloading strategy based on game theory in cloud-edge environment[J]. Journal of Computer Applications, 2021, 41(5): 1392-1398.

[47] 龍隆, 劉子辰, 石晶林, 等. 移動(dòng)邊緣計(jì)算中計(jì)算卸載與資源分配的聯(lián)合優(yōu)化策略[J]. 高技術(shù)通訊, 2020, 30(8): 765-773.

LONG L, LIU Z C, SHI J L, et al. Joint optimization strategy of computation offloading and resource allocation in mobile edge computing[J]. Chinese High Technology Letters, 2020, 30(8): 765-773.

[48] LEITMANN G. Multicriteria Decision Making and Differential Games[M]. Boston, MA: Springer US, 1976.

[49] JIE Y M, TANG X Y, CHOO K K R, et al. Online task scheduling for edge computing based on repeated Stackelberg game[J]. Journal of Parallel and Distributed Computing, 2018, 122: 159-172.

[50] LI G S, ZHANG Y, WANG M L, et al. Resource management framework based on the stackelberg game in vehicular edge computing[J]. Complexity, 2020: 8936064.

[51] CHEN Y F, LI Z Y, YANG B, et al. A Stackelberg game approach to multiple resources allocation and pricing in mobile edge computing[J]. Future Generation Computer Systems, 2020, 108: 273-287.

[52] HUANG X W, ZHANG W J, YANG J M, et al. Market-based dynamic resource allocation in Mobile Edge Computing systems with multi-server and multi-user[J]. Computer Communications, 2021, 165: 43-52.

[53] CUI Y Y, ZHANG D G, ZHANG T, et al. Novel method of mobile edge computation offloading based on evolutionary game strategy for IoT devices[J]. AEU - International Journal of Electronics and Communications, 2020, 118: 153134.

[54] DONG C W, WEN W S. Joint optimization for task offloading in edge computing: an evolutionary game approach[J]. Sensors (Basel, Switzerland), 2019, 19(3): 740.

[55] DONG Y F, PENG Y F, GUO X P, et al. Offloading decision algorithm using evolutionary game for mobile edge computing[C]//Proceedings of 2019 IEEE 2nd International Conference on Information Communication and Signal Processing. Piscataway: IEEE Press, 2019: 210-214.

[56] LEI Y, ZHENG W B, MA Y, et al. A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment[C]//Collaborative Computing: Networking, Applications and Worksharing, 2021: 255-270.

[57] GAO H, LI W C, BANEZ R A, et al. Mean field evolutionary dynamics in ultra dense mobile edge computing systems[C]//Proceedings of 2019 IEEE Global Communications Conference. Piscataway: IEEE Press, 2019: 1-6.

[58] 林艷, 閆帥, 張一晉, 等. 基于交通流量預(yù)測(cè)的車聯(lián)網(wǎng)雙邊拍賣邊緣計(jì)算遷移方案[J]. 通信學(xué)報(bào), 2020, 41(12): 205-214.

LIN Y, YAN S, ZHANG Y J, et al. Flow-of-traffic prediction program based mobile edge computing for Internet of vehicles using double auction[J]. Journal on Communications, 2020, 41(12): 205-214.

[59] SUN W, LIU J J, YUE Y L, et al. Double auction-based resource allocation for mobile edge computing in industrial Internet of Things[J]. IEEE Transactions on Industrial Informatics, 2018, 14(10): 4692-4701.

[60] LIN J, HUANG L, ZHANG H L, et al. A novel Latency-Guaranteed based Resource Double Auction for market-oriented edge computing[J]. Computer Networks, 2021, 189: 107873.

[61] LI Q Y, YAO H P, MAI T L, et al. Reinforcement-learning- and belief-learning-based double auction mechanism for edge computing resource allocation[J]. IEEE Internet of Things Journal, 2020, 7(7): 5976-5985.

[62] MASHHADI F, MONROY S A S, BOZORGCHENANI A, et al. Optimal auction for delay and energy constrained task offloading in mobile edge computing[J]. Computer Networks, 2020, 183: 107527.

[63] LUONG N C, XIONG Z H, WANG P, et al. Optimal auction for edge computing resource management in mobile blockchain networks: a deep learning approach[C]//Proceedings of 2018 IEEE International Conference on Communications. Piscataway: IEEE Press, 2018: 1-6.

[64] CAO X Y, ZHANG J S, POOR H V. Mobile edge caching: an optimal auction approach[J]. ArXiv, 2017: 1-14.

[65] PARKES D C. Iterative combinatorial auctions[M]. Cambridge: MIT press, 2005: 41-78.

[66] 張海波, 欒秋季, 朱江, 等. 基于移動(dòng)邊緣計(jì)算的V2X任務(wù)卸載方案[J]. 電子與信息學(xué)報(bào), 2018, 40(11): 2736-2743.

ZHANG H B, LUAN Q J, ZHU J, et al. V2X task offloading scheme based on mobile edge computing[J]. Journal of Electronics & Information Technology, 2018, 40(11): 2736-2743.

[67] 項(xiàng)弘禹, 肖揚(yáng)文, 張賢, 等. 5G邊緣計(jì)算和網(wǎng)絡(luò)切片技術(shù)[J]. 電信科學(xué), 2017, 33(6): 54-63.

XIANG H Y, XIAO Y W, ZHANG X, et al. Edge computing and network slicing technology in 5G[J]. Telecommunications Science, 2017, 33(6): 54-63.

Review on resources allocation and pricing methods in mobile edge computing

ZOU Lushan1,2, HUANG Xiaowen1,3, YANG Jingmin1,4, ZHENG Yifeng1,2, ZHANG Guanglin3, ZHANG Wenjie1,2

1. School of Computer Sciences, Minnan Normal University, Zhangzhou 363000, China 2. Key Laboratory of Data Science and Intelligence Application, Fujian Province University, Minnan Normal University, Zhangzhou 363000, China 3. School of Information Science and Technology, Donghua University, Shanghai 200051, China 4. Department of Electronic Engineering, Taipei University of Technology, Taipei 106344, China

Mobile edge computing (MEC) has ability ofreducing network load and transmission delay, and improving user service experience by offloading computing tasks to edge servers. Therefore, MEC has attracted extensive attention and become a key technology of 5G. As one of the main issues of MEC, resource allocation has great significance in improving energy efficiency, shortening task delay and reducing cost. Firstly, the basic concept, reference architecture and technical advantages of MEC were introduced. Then, the up-to-date achievements of resources allocation and pricing strategieswere summarized from both technical and economic aspects. Finally, some possible problems and challenges associated with resource allocation and pricing strategies in MEC were discussed, and the enabling methods to address these challenges were also proposed to provide reference for subsequent research and development.

mobile edge computing, resource allocation, pricing method, economic model, game theory

TP393

A

10.11959/j.issn.1000?0801.2022022

2021?09?07；

2022?01?26

張文杰，zhan0300@ntu.edu.sg

國家自然科學(xué)基金資助項(xiàng)目（No.62141602）；福建省自然科學(xué)基金資助項(xiàng)目（No.2021J011002，No.2021J011004，No.2020J01813）

s: The National Natural Science Foundation of China (No.62141602), The Natural Science Foundation of Fujian Province of China (No.2021J011002, No.2021J011004, No.2020J01813)

鄒璐珊（1998? ），女，閩南師范大學(xué)計(jì)算機(jī)學(xué)院碩士生，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算。

黃曉雯（1995? ），女，東華大學(xué)信息科學(xué)與技術(shù)學(xué)院博士生，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算、資源分配問題等。

楊敬民（1980? ），男，臺(tái)北科技大學(xué)電子工程系博士生，閩南師范大學(xué)計(jì)算機(jī)學(xué)院副教授，主要研究方向?yàn)檐浖x網(wǎng)絡(luò)、計(jì)算機(jī)網(wǎng)絡(luò)體系結(jié)構(gòu)和無線通信。

鄭藝峰（1980? ），博士，閩南師范大學(xué)計(jì)算機(jī)學(xué)院講師，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算和深度強(qiáng)化學(xué)習(xí)等。

張光林（1981? ），男，博士，東華大學(xué)信息科學(xué)與技術(shù)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)?G車聯(lián)網(wǎng)、智能物聯(lián)網(wǎng)、移動(dòng)邊緣計(jì)算和深度強(qiáng)化學(xué)習(xí)等。

張文杰（1984? ），男，博士，閩南師范大學(xué)計(jì)算機(jī)學(xué)院教授，主要研究方向?yàn)槲锫?lián)網(wǎng)、移動(dòng)邊緣計(jì)算和深度強(qiáng)化學(xué)習(xí)等。