1.一种基于博弈论的移动边缘计算资源分配方法,其特征在于,包括如下步骤:S1、根据实际应用建立系统模型,确定用户k的卸载时延与能耗;
S2、建立Stackelberg 博弈模型将计算卸载决策与计算资源分配问题建立为Stackelberg博弈模型,记为Δ=(S,N,Y,Z,{U(Y)},{Uk(Yk,Zk)}),其中S为领导者——MEC服务器,N为跟随者——移动用户集;Y ,Z分别为领导者和跟随者的策略集,记为Y ={Y1,Y2,…..,YN}、Z={Z1,Z2,…..,ZN};{U(Y)},{Uk(Yk,Zk)}分别为领导者和跟随者的效用函数;
MEC服务器作为博弈的领导者,通过对计算资源进行定价,向移动用户进行销售从而获得自身利益最大化;领导者的效用函数可以表示为:;
Yk是用户K卸载任务的服务器的价格,移动用户k作为博弈的跟随者,通过根据领导者给出的定价策略调节自身的卸载策略来获得自身利益最大化;跟随者的效用函数由两部分组成,一是任务卸载时延与能耗的加权和,权可以定为0.5,另一部分是购买MEC服务器计算资源的费用,表示为:;
Stackelberg 博弈中,领导者和跟随者的利益相互耦合,领导者的定价策略和移动用户的卸载策略相互影响;
总的优化问题可以表示为
;
;
所述步骤S1中,整个边缘计算系统中,服务提供商配备有M个MEC服务器,用于为N个移动用户的应用程序提供计算与通信服务,其中MEC服务器的集合表示为m={1,2,,,M},移动用户的集合表示为u={1,2,,,N},每个移动用户k都有一个需要处理的计算任务Wk=(λk,ρk,ηk), 即任务状态信息,其中λk以bit为单位,表示处理任务所需要的数据量,ρk以CPU周期为单位,表示处理该任务的每单位数据所需要的CPU 周期数,ηk表示移动用户k选择卸载到MEC服务器的数据比例,则λkηk为到达MEC服务器的数据量;
移动用户k在本地计算的时延表示为
;
其中,fk表示移动用户k的计算能力,即CPU 处理能力;同时,移动用户k 在本地计算部分的能耗表示为:;
其中, 表示移动用户在本地计算1bit 数据所消耗的能量;
当移动用户将任务卸载至MEC服务器时,传输所用的时延为;
其中rk表示为数据传输速率,计算公式为;
其中B表示移动用户k与MEC服务器之间的无线信道带宽;N表示信道噪声功率密度;为移动用户k 单位时间内的发射功率;表示信道增益,单位为dB,计算公式为:;
其中,D表示通信距离,单位为m,若通信距离不发生变化,则信道增益为常量,为一个定值,单位为bit/s;
移动用户k通过无线信道上传计算数据过程中产生的能耗表示为:;
任务到达MEC服务器之后,在MEC服务器中执行计算任务所产生的时延表示为;
其中,表示移动用户k 从MEC服务器分配到的计算资源, 即单位时间CPU 周期数;
综上所述,移动用户k的任务卸载时延表示为;
移动用户k 的能耗表示为
。
2.根据权利要求1所示的移动边缘计算资源分配方法,其特征在于,还包括步骤S3:采取深度强化学习优化Stackelberg博弈模型,在领导者问题使用深度确定性策略梯度算法优化,追随者问题使用DDQN算法。