Inter-Cell Slicing Resource Partitioning via Coordinated Multi-Agent Deep Reinforcement Learning
网络切片使运营商能够为具有特定要求的各种服务配置虚拟网络实例。为了实现切片感知的无线电资源调度,需要动态切片资源划分来编排多小区切片资源并减轻小区间干扰。然而,由于复杂的单元间相互依赖性、切片间资源约束和特定于服务的要求,获得分析解决方案具有挑战性。在本文中,我们提出了一种多智能体深度强化学习(DRL)方法,该方法在保持资源容量约束的同时提高了最大-最小切片性能。我们设计了两个协调方案,允许分布式代理协调和减轻小区间干扰。所提出的方法进行了广泛的评估,在系统级模拟器。数值结果表明,所提出的方法与代理间的协调优于集中式方法的延迟和收敛。与基线方法相比,拟议方法的资源效率提高了两倍以上。
2022-02-25 cs.MA cs.NI
TXOP sharing with Coordinated Spatial Reuse in Multi-AP Cooperative IEEE 802.11be WLANs
IEEE 802.11be网络(又名Wi-Fi 7)将不得不应对新的带宽需求和低延迟服务,如延展实境和多方云游戏。考虑到这一目标,协调接入点(AP)之间的传输机会(TXOP)共享可以有助于缓解AP间竞争,从而增加整体网络吞吐量。本文评估了两种协调TXOP共享策略:协调时分多址(c-TDMA)和协调TDMA与空间复用(c-TDMA/SR)。我们表明,虽然C-TDMA单独不会导致任何显着的改善,在WLAN的吞吐量方面,它奠定了基础,实现协调SR(C-SR)技术。为了评估C-TDMA/SR的性能,我们提出了一个公平的调度器,能够选择最好的子集的并行传输在WLAN部署,以及适当的功率电平将被使用的AP和站(STA),导致最大的性能。C-TDMA/SR获得的结果显示显着的吞吐量增益与C-TDMA相比,在90%的考虑的情况下,值高于140%。
2021-12-21 cs.NI
Spatio-temporal Edge Service Placement: A Bandit Learning Approach
University of Miami(迈阿密大学);University of California, Riverside(加州大学河滨分校);Huazhong University of Science and Technology(华中科技大学)
部署在无线电接入网络处的共享边缘计算平台有望以灵活且经济的方式显著提高应用服务提供商(ASP)交付的服务质量。然而,由于ASP的预算要求过高,ASP在每个可能的边缘站点中放置边缘服务实际上是不可行的。在本文中,我们调查的ASP在有限的预算下,ASP动态租用计算/存储资源的边缘站点托管其应用程序在靠近最终用户的边缘服务位置问题。由于将边缘服务放置在特定站点中的好处通常是ASP先验未知的,因此必须在学习此好处的同时做出最佳放置决策。我们把这个问题作为一个新的组合上下文强盗学习问题。它是“组合的”,因为只有有限数量的边缘网站可以租用提供边缘服务给定的ASP的预算。它是“上下文”,因为我们利用用户上下文信息来实现更细粒度的学习和决策。为了解决这个问题,优化边缘计算性能,我们提出了SEEN,一个时空边缘服务定位算法。此外,SEEN扩展到重叠的服务覆盖的情况下,通过将一个分离约束背包问题。在这两种情况下,我们证明,我们的算法实现了次线性遗憾界相比,甲骨文算法,知道确切的利益信息。在一个真实世界的数据集上进行了仿真,其结果表明,SEEN显着优于基准解决方案。
2018-10-07 cs.AI cs.NI
Toward Multi-Service Edge-Intelligence Paradigm: Temporal-Adaptive Prediction for Time-Critical Control over Wireless
Toshiba Europe Ltd.(东芝欧洲有限公司);Bristol Research and Innovation Laboratory(布里斯托尔研究与创新实验室)
时间关键的控制应用通常对通信网络提出严格的连接要求。与无线介质相关联的缺陷,诸如分组丢失、同步错误和变化的延迟,对实时控制的性能具有不利影响,通常具有安全隐患。本文介绍了多服务边缘智能作为一种新的范式,实现时间关键的无线控制。它提出了多服务边缘智能的概念,围绕无线接入,边缘计算和机器学习技术的紧密集成,以提供在无线缺陷下的稳定性保证。本文阐述了多业务边缘智能系统设计的一些关键方面。它还提出了一种时间自适应预测技术,以应付动态变化的无线环境。它提供了一个机器人远程操作的情况下的性能结果。最后,讨论了多服务边缘智能的一些开放性研究和设计挑战。
2022-12-12 cs.AI cs.NI
Coordinated Dynamic Spectrum Sharing Between Terrestrial and Non-Terrestrial Networks in 5G and Beyond
针对非地面网络与地面网络共存的频谱干扰与资源竞争问题,提出一种集中式协同动态频谱共享方案,仿真验证其可在保障主用地面网络的同时提升非地面网络及小区边缘用户性能。
2023-07-20 cs.NI
Cost-optimal V2X Service Placement in Distributed Cloud/Edge Environment
部署V2X服务已成为一项具有挑战性的任务。这主要是由于此类服务具有严格的延迟要求。为了满足这些要求,一个潜在的解决方案是采用移动边缘计算(MEC)。然而,这提出了新的挑战,包括如何找到符合其他要求(如延迟)的经济高效的布局。在这项工作中,制定了分布式云/边缘环境中的成本最优V2X服务放置(CO-VSP)问题。此外,成本为中心的延迟感知V2X服务放置(DA-VSP)启发式算法的建议。仿真结果表明,CO-VSP模型和DA-VSP算法都能保证所有此类业务的QoS要求,并说明了延迟和部署成本之间的权衡。
2020-10-14 cs.NI eess.SP
Edge-enabled V2X Service Placement for Intelligent Transportation Systems
作为未来智能交通系统(ITS)的一部分,车联网(V2X)通信和服务已经引起了不同利益相关者的极大兴趣。这是因为它提供了许多好处。然而,这些服务中的许多具有严格的性能要求,特别是在延迟/等待时间方面。多路访问/移动边缘计算(MEC)已被提出作为此类服务的潜在解决方案,使它们更接近车辆。然而,这带来了一系列新的挑战,例如在哪里放置这些V2X服务,特别是考虑到边缘节点可用的计算资源有限。为此,这项工作将混合核心/边缘环境中的最佳V2X服务放置(OVSP)问题表述为二进制整数线性规划问题。据我们所知,以前的工作没有考虑V2X服务放置问题,同时考虑节点处的计算资源可用性。此外,一个低复杂度的贪婪为基础的启发式算法命名为“贪婪V2X服务布局算法”(G-VSPA)的开发,以解决这个问题。仿真结果表明,OVSP模型成功地保证和维护了所有不同V2X服务的QoS要求。此外,据观察,所提出的G-VSPA算法实现接近最佳性能,同时具有较低的复杂度。
2020-01-13 cs.NI eess.SP
UAVs as a Service: Boosting Edge Intelligence for Air-Ground Integrated Networks
空地一体化网络是未来第六代(6G)网络的关键组成部分,可支持无缝和近乎即时的超级连接。迫切需要在6G网络中智能地提供各种服务,然而这是具有挑战性的。为了满足这一需求,在本文中,我们提出了一种名为UaaS(无人机即服务)的空地一体化网络的新架构,将无人机作为关键使能器,在机器学习(ML)技术的帮助下提高边缘智能。我们设想所提出的UaaS架构可以通过无人机网络智能地提供无线通信服务、边缘计算服务和边缘缓存服务,充分利用无人机的灵活部署和多样化的ML技术。我们还进行了一个案例研究,其中无人机参与多个地面用户之间的分布式ML的模型训练,其结果表明,模型训练是有效的,与飞行能耗相比,无人机的能耗可以忽略不计。最后,我们讨论了UaaS中的挑战和开放研究问题。
2020-03-24 cs.NI eess.SP
Multi-Channel Access Solutions for 5G New Radio
5G新无线电为引入针对增强型移动宽带和超可靠低延迟通信服务类别量身定制的新型多服务无线电资源管理解决方案铺平了道路。多信道接入是一系列这样的多服务解决方案,其使得用户设备能够聚合来自多个源的无线电资源。目标是多方面的;通过接入更大的带宽来提高吞吐量,通过增加分集阶数和/或协调的发送/接收来提高可靠性,以及通过将下行链路和上行链路接入点解耦来提高灵活性和负载均衡。本文介绍了几种适用于5G新无线电多业务场景的多信道接入解决方案。特别地,讨论了吞吐量增强和延迟减少的概念,如多连接、载波聚合、下行链路-上行链路解耦接入和协调多点连接。此外,新的设计方案,利用这些概念提出。所介绍的解决方案的数值评估表明显着的性能增益超过国家的最先进的计划,例如,我们提出的分量载波选择机制导致高达100%的中位吞吐量增益通过一个隐式的负载平衡。因此,所提出的多信道接入解决方案有可能成为5G新无线电的关键多服务推动者。
2019-03-13 cs.NI
Blockchain as a Service for Multi-Access Edge Computing: A Deep Reinforcement Learning Approach
最近,区块链由于其去中心化、不变性、透明性和安全性在学术界获得了发展势头。多址边缘计算(MEC)作为一种新兴的计算模式,被广泛用于为网络边缘的移动用户设备(UE)提供计算和存储资源,以提高移动应用的性能。在本文中,我们提出了一种新的基于区块链的MEC架构,其中UE可以将其计算任务卸载到MEC服务器。特别是,区块链网络作为区块链即服务(BaaS)部署和托管在MEC平台上,该平台支持基于智能合约的资源交易和交易挖掘服务,用于移动任务卸载。为了提高区块链授权的MEC系统的性能,我们提出了一个计算卸载和区块链挖掘的联合方案。因此,制定优化问题以最大化边缘服务收入和区块链挖掘奖励,同时最小化关于用户服务需求和散列功率资源的约束的服务计算延迟。然后,我们提出了一种新的深度强化学习(DRL)方法,使用双深度Q网络(DQN)算法来解决所提出的问题。数值结果表明,该方案优于其他基线方法在更好的系统效用与计算效率。实验结果也验证了交易契约设计的有效性和低运营成本,表明了该方案的可行性。
2019-12-15 cs.NI eess.SP
Slicing-Based AI Service Provisioning on Network Edge
边缘智能利用网络边缘的计算资源,提供贴近网络用户的人工智能(AI)服务。由于它能够实现快速推理和分布式学习,边缘智能被认为是6G网络的重要组成部分。在本文中,我们研究了支持边缘智能的AI服务配置。首先,我们介绍了AI服务的特点和要求。然后介绍了AI服务数据管理,并为AI服务定制了网络切片。具体而言,我们提出了一种新的资源池方法,以联合管理AI服务的服务数据和网络资源。一个跟踪驱动的案例研究证明了所提出的资源池方法的有效性。通过这项研究,我们说明了在网络边缘提供AI服务的必要性、挑战和潜力。
2021-05-14 cs.NI cs.SY eess.SY
Mobility driven Cloud-Fog-Edge Framework for Location-aware Services: A Comprehensive Review
随着物联网设备、智能手机的普及和位置跟踪技术的改进,产生了大量异构的地理标记(位置特定)数据,这促进了几种位置感知服务。这种时空(具有位置和时间维度)数据集的分析提供了各种重要服务,例如智能交通,紧急服务(医疗保健,国防或城市规划)。虽然云模式适合存储和计算能力,但主要瓶颈是网络连接丢失。在时间关键型应用中,紧急服务提供需要实时响应,这样的连接问题增加了延迟,从而影响系统的整体质量(QoS)。为了克服这个问题,出现了雾/边缘拓扑,其中在网络的边缘执行部分计算以减少通信延迟。这种基于雾/边缘的系统补充了云技术并扩展了系统的功能。本章讨论了基于云-雾-边缘的层次化协同框架,其中部署了多个组件来提高QoS。另一边移动性是增强这种位置感知服务供应的功效的另一个关键因素。因此,本章讨论了与移动驱动的基于云雾边缘的框架相关的问题和挑战,以有效地为最终用户提供多种位置感知服务。
2021-12-17 cs.DC cs.NI eess.SP
Edge Federation: Towards an Integrated Service Provisioning Model
边缘计算是将云服务推向网络边缘的一种有前途的计算范例。为此,边缘基础设施提供商(EIP)需要将计算和存储资源带到网络边缘,并允许边缘服务提供商(ESP)为用户提供延迟关键型服务。目前,EIP更倾向于建立一系列私有边缘计算环境来满足用户的特定需求。这种资源配置机制严重限制了边缘计算的发展和传播,以满足不同的用户需求。为此,我们提出了一个集成的资源供应模型,命名为边缘联邦,无缝地实现跨独立的边缘计算提供商和云的资源合作和服务提供。为了有效地调度和利用跨多个EIP的资源,我们系统地将供应过程描述为一个大规模线性规划(LP)问题,并将其转化为一个容易解决的形式。因此,我们设计了一个动态的算法来处理不同的服务需求的用户。我们在多伦多市的基站网络进行了广泛的实验。与现有的固定契约模型和多宿主模型相比,边缘联盟可以分别降低EIP的总体成本23.3%至24.5%和15.5%至16.3%。
2020-03-27 cs.NI
Online Service Caching and Routing at the Edge with Unknown Arrivals
本文研究了在不知道未来请求的情况下联合优化移动边缘计算中的两个重要操作的问题,即服务缓存和服务路由,其中服务缓存决定在边缘托管哪些服务,服务路由决定在边缘本地处理哪些请求。我们的目标是解决几个实际挑战,包括边缘服务器的有限存储和计算能力以及未知的未来请求到达模式。为此,我们制定了一个在线优化问题的问题,其中的目标函数包括转发请求,处理请求和重新配置边缘服务器的成本。通过利用服务路由和服务缓存之间的自然时标分离,即前者发生的速度比后者,我们提出了一个在线的两阶段算法及其随机变量。这两种算法都具有较低的复杂度,我们的分数的解决方案实现了次线性遗憾。仿真结果表明,我们的算法显着优于其他国家的最先进的在线政策。
2022-01-29 cs.NI
Monetizing Edge Service in Mobile Internet Ecosystem
在移动互联网生态系统中,移动用户(MU)从互联网服务提供商(ISP)购买无线数据服务以接入互联网并获取感兴趣的内容服务(例如,在线游戏)从内容提供方(CP)。智能功能的普及(例如,人工智能和3D建模)增加了内容服务的计算强度,导致MU资源有限的设备的计算压力越来越大。为此,边缘计算服务正在成为一种有前途的方法,通过将MU的一些计算任务卸载到部署在本地网络边缘的边缘(计算)服务器来减轻MU的计算压力,同时保持其服务质量。因此,部署边缘服务器并提供边缘计算服务的边缘服务提供商(ESP)成为生态系统中即将到来的新利益相关者。在这项工作中,我们研究了在具有边缘计算服务的新生态系统中MU,ISP,CP和ESP的经济互动,其中MU可以获得计算密集型内容服务(由CP提供),并通过ISP将一些计算任务以及必要的原始输入数据卸载到边缘服务器(由ESP部署)。我们首先研究了MU的联合内容获取和任务卸载(J-CATO)问题,其目的是最大限度地提高他的长期回报。我们得出离线解决方案的关键见解,在此基础上,我们设计了一个在线策略,可证明的性能。然后,我们研究了ESP的边缘服务货币化问题。我们提出了一种定价策略,可以实现一个恒定的比例的事后最优收入与额外的恒定损失的ESP。数值结果表明,边缘计算服务可以刺激MU的内容获取和提高MU,ISP和CP的收益。
2020-09-16 cs.GT cs.NI
A Dynamic Service-Migration Mechanism in Edge Cognitive Computing
在边缘计算的愿景和基于人工智能的丰富认知服务的成功推动下,一种新的计算范式--边缘认知计算(ECC)是一种很有前途的方法,它将认知计算应用于网络边缘。ECC具有提供用户认知和网络环境信息的潜力,并进一步提供弹性认知计算服务,以实现比边缘计算更高的能源效率和更高的体验质量(QoE)。本文首先介绍了我们的ECC的体系结构,然后详细描述了它的设计问题。此外,我们提出了一种基于ECC的动态服务迁移机制,以深入了解认知计算如何与边缘计算相结合。为了评估所提出的机制,一个实用的平台,动态服务迁移,移动用户的行为认知的基础上迁移的服务。实验结果表明,提出的ECC架构具有超低的延迟和较高的用户体验,同时为用户提供更好的服务,节省计算资源,实现了较高的能量效率。
2018-08-22 cs.NI
Centralized Coordinated Scheduling in LTE-Advanced Networks
这项工作解决了与协调LTE高级下行链路网络中的多个基站之间的调度决策相关联的问题,以便利用集中式控制器来管理小区间干扰。为了解决协调调度问题,制定了整数非线性规划,与大多数现有方法不同,该整数非线性规划不依赖于精确的信道状态信息,而是仅利用3GPP标准中定义的特定测量报告。提出了一个等价的整数线性重构的协调调度问题,它可以有效地解决商业求解器。中大型网络进行了广泛的模拟,以分析所提出的协调调度方法的性能,确认现有的分析结果报告的基本限制,由于集群外干扰的合作。然而,在本文中提出的方案显示出重要的增益,在平均用户吞吐量的小区边缘用户,特别是在异构网络的情况下。
2017-02-13 cs.NI
Online Partial Service Hosting at the Edge
我们考虑服务托管的问题,其中应用程序提供商可以动态地租用边缘计算资源并从边缘服务用户请求,以提供更好的服务质量。这项工作的一个关键新颖之处在于,我们允许服务部分托管在边缘,这使得用户查询的一小部分可以由边缘提供服务。我们将(部分)在边缘托管服务的总成本建模为服务请求的延迟,带宽消耗和租用边缘资源的时变成本的组合。我们提出了一个在线政策称为$α$ -RetroRenting($α$ -RR),动态地确定在任何时隙的边缘托管的服务的分数,根据历史的请求到达和租金成本序列。作为我们的主要结果,我们推导出上界$α$ -RR的竞争比相对于离线最优策略,知道整个请求到达和租金成本序列提前。我们进行了广泛的数值评估,比较性能的$α$ -RR与各种基准的合成和基于跟踪的请求到达和租金成本的过程中,并找到几个参数制度,其中$α$ -RR的存储服务的能力部分大大提高了成本效益。
2022-07-19 cs.NI
Cooperative Service Caching and Workload Scheduling in Mobile Edge Computing
移动边缘计算通过将云功能推到网络边缘,有利于减少服务响应时间和核心网络流量。边缘节点具备存储和计算能力,可以缓存资源密集型和延迟敏感型移动应用的服务,并处理相应的计算任务,而无需外包给中心云。然而,边缘节点资源能力的异构性以及边缘节点存储和计算能力的不一致性,使得在边缘节点之间缺乏协作的情况下,很难联合充分利用边缘节点的存储和计算能力。为了解决这个问题,我们考虑边缘节点之间的合作,并研究合作服务缓存和工作负载调度在移动边缘计算。该问题可以转化为一个混合整数非线性规划问题,具有非多项式的计算复杂性。为了克服子问题耦合,计算通信权衡,和边缘节点异构性的挑战,我们开发了一个迭代算法称为ICE。该算法是基于吉布斯抽样,它具有可证明的近最优结果,和注水的思想,它具有多项式计算复杂度的基础上设计的。仿真结果表明,与基准算法相比,该算法能够同时降低服务响应时间和外包流量。
2020-02-04 cs.NI
Service Capacity Enhanced Task Offloading and Resource Allocation in Multi-Server Edge Computing Environment
边缘计算环境具有多个边缘服务器和多个服务客户端。在这种环境中,移动服务提供商可以将客户端侧计算任务从服务客户端的设备卸载到边缘服务器上,以减少客户端所经历的服务延迟和功耗。尚未妥善解决的一个关键问题是如何分配边缘计算资源以实现两个优化目标:1)最小化由服务延迟和服务客户端所经历的功耗衡量的服务成本;以及2)最大化由可以长期卸载其计算任务的服务客户端的数量衡量的服务容量。本文将这一长期问题归结为一个随机优化问题,并采用基于李雅普诺夫优化的在线算法求解。这个NP难问题被分解成三个子问题,然后用一套技术来解决。实验结果表明,我们的方法显着优于两个基线方法。
2019-03-12 cs.DC cs.NI
EaaS: A Service-Oriented Edge Computing Framework Towards Distributed Intelligence
边缘计算已经成为一种流行的模式,其中服务和应用程序部署在更接近数据源的网络边缘。它为应用程序提供了突出的优势,包括减少响应延迟和增强的隐私保护。对于新兴的高级应用,如自动驾驶汽车、工业物联网和虚拟世界,还需要进一步的研究。这是因为此类应用需要超低延迟、超连接以及动态可靠的服务提供,而现有方法不足以应对新的挑战。因此,我们设想,未来的边缘计算正朝着分布式智能方向发展,在分布式智能中,异构边缘节点协作,在大规模和地理分布的边缘基础设施中提供服务。因此,我们提出边缘即服务(EaaS)来实现分布式智能。EaaS共同管理大规模跨节点边缘资源,促进边缘自治,边缘到边缘协作和资源弹性。这些功能支持灵活的服务部署以及无处不在的计算和智能。我们首先概述了现有的边缘计算研究,并讨论了它们的局限性,以阐明提出EaaS的动机。然后,我们描述了EaaS的细节,包括物理架构,建议的软件框架和EaaS的好处。通过实时视频监控、智能建筑、虚拟实境等多种应用场景,说明了EaaS的重要性和潜力。最后,我们讨论了EaaS的几个具有挑战性的问题,以激励更多的研究对这个新的边缘计算框架。
2022-09-14 cs.NI
On Attack-Resilient Service Placement and Availability in Edge-enabled IoV Networks
在攻击容忍度和服务可用性方面实现网络弹性对于车联网(IoV)网络至关重要,因为车辆在敏感和安全关键型应用(如驾驶)中需要帮助。这在车联网流量的时变条件下尤其具有挑战性。在本文中,我们研究了攻击弹性的最优服务放置问题,以确保无中断的服务提供给边缘使能的车联网网络中的用户。我们的工作旨在改善用户体验,同时最大限度地减少延迟,并同时考虑有限的边缘资源的有效利用。首先,在考虑流量动态性和使用深度强化学习(DRL)框架满足服务要求的同时执行最优服务放置。接下来,执行最佳的辅助映射和服务恢复放置,以考虑边缘处的攻击/故障。DRL框架的使用有助于适应动态变化的车联网流量和服务需求。在这项工作中,我们开发了三个ILP模型,并使用它们在基于DRL的框架,提供攻击弹性的服务放置,并确保服务的可用性与高效的网络性能。大量的数值实验证明了所提出的方法的有效性。
2022-06-25 cs.NI
Dynamic Regret of Randomized Online Service Caching in Edge Computing
本文研究了一个在线服务缓存问题,在边缘服务器,配备了一个预测窗口,未来的服务请求到达,需要决定哪些服务本地托管有限的存储容量。边缘服务器旨在最小化请求转发成本(即,将请求转发到远程数据中心进行处理的成本)和服务实例化成本(即,即检索和建立服务)。考虑到实际应用中请求模式的非平稳性,采用动态遗憾度来衡量边缘服务器的性能,并将总代价与动态最优离线解的总代价进行比较。为了解决这个问题,我们提出了一个低复杂度的随机在线算法,并从理论上推导出其预期动态后悔的上界。仿真结果表明,我们的算法显着优于其他国家的最先进的政策方面的运行时间和预期的总成本。
2023-01-10 cs.NI
DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement in Edge-Enabled Internet of Vehicles
National University of Singapore(新加坡国立大学)
5G和边缘计算的发展使车联网的出现成为可能。它支持具有不同资源和服务要求的不同类型的服务。然而,有限的资源在边缘,高流动性的车辆,不断增长的需求,和动态的服务请求类型,使服务安置一个具有挑战性的任务。典型的静态放置解决方案并不有效,因为它没有考虑流量移动性和服务动态性。在车联网中处理动态服务放置是一个重要的和具有挑战性的问题,这是我们的工作在本文中的主要重点。我们提出了一个基于深度强化学习的动态服务放置(DRLD-SP)框架,其目标是最大限度地减少边缘资源使用和服务延迟,同时考虑车辆的移动性,不同的需求,以及不同类型的服务请求的动态性。我们使用SUMO和MATLAB进行仿真实验。实验结果表明,DRLD-SP方法是有效的,优于其他静态和动态布局方法。
2021-09-08 cs.LG cs.NI
Throughput Analysis of IEEE 802.11bn Coordinated Spatial Reuse
本文针对 IEEE 802.11bn(Wi-Fi 8)的协同空间复用(C-SR)特性,提出基于连续时间马尔可夫链的分析模型,揭示其在多种拓扑下相比传统机制可实现高达59%的吞吐量增益。
2023-10-19 cs.IT cs.NI eess.SP
An Edge-Cloud Collaboration Framework for Generative AI Service Provision with Synergetic Big Cloud Model and Small Edge Models
提出一种协同大型云模型与小型边缘模型的BAIM架构及分布式训练框架,通过图像生成用例验证其能有效提供原生GenAI服务并减轻边缘云负担。
2024-01-03 cs.NI
Diffusion Model-based Incentive Mechanism with Prospect Theory for Edge AIGC Services in 6G IoT
针对6G-IoT中边缘AIGC服务缺乏激励的问题,提出以用户为中心的契约理论框架,结合前景理论刻画客户端主观效用,并采用基于扩散模型的软执行器-评论器算法求解最优契约设计。
2024-07-25 cs.NI
A Distributed Architecture for Edge Service Orchestration with Guarantees
网络功能虚拟化范例正在吸引服务提供商的兴趣,服务提供商可以极大地受益于其灵活性和可扩展性属性。然而,可能的编排服务的多样性,提高了采用特定的编排策略,为每个服务请求是未知的先验的必要性。本文介绍了Senate,这是一种分布式架构,可以在通用边缘基础设施上精确编排异构服务。为了将共享资源分配给服务编排,Senate使用分布式编排资源分配(DORA),这是一种近似算法,我们设计它来保证收敛时间的约束和Pareto最优资源分配的最优(1-1/e)近似。通过一个原型实现,我们评估了与参议院和DORA的性能服务编排的优势。
2018-03-14 cs.DS cs.NI
Multitier Service Migration Framework Based on Mobility Prediction in Mobile Edge Computing
本文针对移动边缘计算中用户移动导致的服务中断问题,提出一种基于地图数据且无需用户轨迹先验知识的在线移动性预测方法,并构建多层服务迁移框架以最小化中断时间并减少冗余流量。
2024-02-21 cs.DC cs.NI
JCSP: Joint Caching and Service Placement for Edge Computing Systems
在资源受限的情况下,在边缘缓存什么、在哪里以及如何缓存是边缘计算系统的关键挑战之一。缓存项不仅包括应用程序数据内容,还包括处理传入请求的边缘服务的本地缓存。然而,当前的系统将内容和服务分离,而没有考虑缓存和缓存的延迟相互作用。因此,在本文中,我们提出了一类新的随机模型,使内容缓存和服务放置决策的优化联合。我们首先解释了如何应用分层排队网络(LQNs)模型的边缘服务的位置,并表明,将其与遗传算法相结合,提供了更高的准确性,在资源分配比一个既定的基线。接下来,我们扩展LQNs与缓存组件,建立一个联合建模方法的内容缓存和服务放置(JCSP),并提出分析方法来分析所产生的模型。最后,我们模拟了真实的Azure跟踪来评估JCSP方法,发现JCSP在响应时间上比边缘缓存资源分配的基线算法提高了35%,内存使用量减少了500 MB。
2022-05-09 cs.NI cs.PF
EdgeMatrix: A Resources Redefined Edge-Cloud System for Prioritized Services
边缘云系统有潜力结合异构设备的优势,真正实现无处不在的计算。然而,复杂的网络环境给服务提供商提供服务等级协议(SLA)优先级的保证带来了多资源异构、资源竞争和网络系统动态性等内在挑战。在本文中,我们设计了一个框架的边缘云系统,即EdgeMatrix,以最大限度地提高吞吐量,同时保证各种SLA优先级。首先,EdgeMatrix引入了网络化多智能体Actor-Critic(NMAC)算法,将物理资源重新定义为逻辑上隔离的资源组合,即,资源细胞。然后,我们使用聚类算法将具有相似特征的细胞分组为各种集合,即,资源通道,对于不同的通道可以提供不同的SLA保证。此外,设计了一种多任务机制来解决边缘云集群间的联合服务编排和请求分发(JSORD)问题,较传统方法大大减少了运行时间。为了确保稳定性,EdgeMatrix采用了两个时间尺度的框架,即,在大的时间尺度上协调资源和服务,并且在小的时间尺度上分派请求。基于真实痕迹的实验结果验证了EdgeMatrix在复杂网络环境下能够提高系统吞吐量,减少SLA违规,并比传统方法显著降低运行时间。
2022-03-20 cs.DC cs.NI
SD-AETO: Service Deployment Enabled Adaptive Edge Task Offloading in MEC
近年来,边缘计算作为未来网络的重要支柱得到了快速发展。任务卸载是边缘计算的关键部分,可以为资源受限的设备提供计算资源,以运行计算密集型应用,加快计算速度并节省能源。一个高效可行的任务卸载方案,不仅可以大幅提升用户体验质量(QoE),还可以为5G/B5 G网络、工业物联网(IIoT)、计算网络等提供有力的支撑和帮助,为了实现这些目标,提出了一种基于服务部署的自适应边缘任务卸载方案(SD-AETO),该方案着眼于能量利用率的优化,EUR)和处理延迟。在SD-AETO方案的预实现阶段,考虑到每个服务的受欢迎程度,调用服务部署方案来帮助任务卸载。利用近似部署图(AD-图)得到最优服务部署方案。在此基础上,提出了一种基于任务优先级的任务调度和队列卸载设计方法,实现了SD-AETO方案。任务优先级由对应的服务流行度和任务卸载方向生成。最后,对SD-AETO方案进行了分析,并与相关方法进行了比较,结果表明,该方案在边缘网络中的大规模任务场景下具有更高的边缘卸载率和更低的资源消耗。
2022-05-06 cs.NI
DOSM: Demand-Prediction based Online Service Management for Vehicular Edge Computing Networks
本文提出DOSM框架,结合GRU需求预测与深度强化学习,在线决策车载边缘计算网络中的服务横向扩展、迁移和缩减,以优化延迟和网络性能。
2023-04-12 cs.NI
Follow Me at the Edge: Mobility-Aware Dynamic Service Placement for Mobile Edge Computing
School of Data and Computer Science, Sun Yat-sen University(中山大学数据科学与计算机学院)
移动边缘计算是一种新的计算范式,它将云计算能力从集中式云推向网络边缘。然而,随着计算能力的下沉,用户移动性带来的新挑战出现了:由于最终用户通常不规则地移动,因此服务应该在多个边缘之间动态迁移以保持服务性能,即,用户感知的延迟。解决这个问题并不容易,因为频繁的服务迁移会大大增加运营成本。为了解决这一挑战的性能-成本权衡,在本文中,我们研究了长期成本预算约束下的移动边缘服务性能优化问题。为了解决用户移动性通常是不可预测的,我们应用李亚普诺夫优化分解成一系列的实时优化问题,不需要先验知识,如用户的移动性的长期优化问题。由于分解问题是NP难的,我们首先设计了一个基于Markov逼近的近似算法来寻求近优解。为了使我们的解决方案具有可扩展性并适用于未来具有大规模用户设备的5G应用场景,我们进一步提出了一种基于最佳响应更新技术的分布式近似方案,该方案具有大大降低的时间复杂度。严格的理论分析和广泛的评估表明,所提出的集中式和分布式方案的有效性。
2018-09-14 cs.AI cs.DC cs.MM
Technical Report: Design, Implementation and Deployment of Intermittency-aware Cellular Edge Services for Rural areas
由于电力基础设施差且不可靠、回程连接差以及缺乏对电信提供商的经济激励,农村地区继续受到数据连接有限的困扰。这些因素继续阻碍提供可靠、高可用性和带宽密集型的移动服务和应用程序,使其在此类环境中良好运行。本文介绍了GreenLinks的设计,实施和部署,一个新的地面上的平台,使可靠性感知,可靠和可用的蜂窝服务和应用支持在农村环境下的极端操作环境下,有限的功率和现有的蜂窝覆盖。与传统的单片蜂窝网络架构不同,GreenLinks能够实现开放的可编程蜂窝基站的分布式(并且可能是不相交的)集合,以提供传统蜂窝服务和新形式的分布式边缘服务。GreenLinks提供了新的应用程序原语,以支持不同类型的可靠性感知分布式移动边缘服务,包括P2P交易,基于语音的社交媒体应用程序和分布式移动传感应用程序。使用参与式感知空白空间方法,GreenLinks基础站点
2016-04-18 cs.NI
Placing Timely Refreshing Services at the Network Edge
针对边缘服务部署中刷新成本易被忽略、时空耦合导致问题难解的问题,提出轻量级DVA方法,通过时域和空域解耦优化服务部署与请求卸载,实验验证其最多可降低59.1%的总传输成本。
2024-06-24 cs.DC cs.NI
STEPS: Semantic Contract-Guided Scheduling for LLM-Assisted Natural Language-Driven Edge AI Services
Tongji University(同济大学);Western University(韦仕敦大学);University at Buffalo-SUNY(纽约州立大学布法罗分校)
提出STEPS框架,通过语义契约将用户自然语言需求转化为可执行接口,利用LLM解析服务级别和置信度,构建势博弈模型联合优化节点选择、资源分配和带宽分配,提升语义契约满足率并适应模糊请求。
2026-10-30 cs.NI
Joint Service Placement and Request Routing in Multi-cell Mobile Edge Computing Networks
增强现实、联网游戏和自动驾驶等创新移动服务的激增,刺激了对计算资源的低延迟访问的日益增长的需求,而这是现有的集中式云系统无法单独满足的。移动边缘计算(MEC)有望成为满足低延迟服务需求的有效解决方案,通过在网络外围执行计算任务,接近最终用户。虽然最近的一些研究已经解决了确定服务任务的执行和将用户请求路由到相应边缘服务器的问题,但重点主要集中在计算资源的有效利用上,忽略了需要存储大量数据以实现服务执行以及许多新兴服务表现出不对称带宽要求的事实。为了填补这一空白,我们研究的联合优化服务放置和请求路由MEC启用多细胞网络多维(存储-计算-通信)的约束。我们发现,这个问题概括了文献中的几个问题,并提出了一种算法,实现接近最佳性能,使用随机舍入。评估结果表明,我们的方法可以有效地利用可用资源,最大限度地提高低延迟边缘云服务器服务的请求数量。
2019-01-25 cs.NI
Discovery of 6G Services and Resources in Edge-Cloud-Continuum
针对6G边缘-云连续体中的服务供给需求,本文提出融合区块链、语义网络、动态覆盖分区和学习预测的服务与资源发现架构,以实现低延迟、可扩展且接近最优的及时响应。
2024-08-08 cs.NI
EdgeChain: Blockchain-based Multi-vendor Mobile Edge Application Placement
最先进的移动边缘应用程序正在产生密集的流量,并对服务提供商提出严格的延迟要求。虽然跨多个服务提供商的资源共享可以最大限度地利用网络边缘的有限资源,但它需要由所有各方维护的集中式存储库,以便服务提供商共享状态。此外,服务提供商必须为了资源分配公平而相互信任,这是困难的,因为潜在的利益冲突。我们提出了EdgeChain,这是一种基于区块链的架构,可以为多个服务提供商做出移动边缘应用程序放置决策。首先,我们制定了一个随机规划问题,最大限度地减少移动边缘应用程序放置场景的放置成本。在此基础上,提出了一种启发式移动边缘应用布局算法.作为一个去中心化的公共账本,区块链将我们算法的逻辑作为智能合约,并考虑到参与系统的所有移动边缘主机的资源。该算法由各方同意,结果只会被区块链上的大多数采矿节点接受。当做出放置决定时,将以最低的成本选择满足消费者延迟和预算要求的边缘主机。所有放置交易都存储在区块链上,并且可以由在移动边缘消耗资源的每个移动边缘服务提供商和应用程序供应商跟踪。
2018-01-12 cs.NI
Heuristic and Reinforcement Learning Algorithms for Dynamic Service Placement on Mobile Edge Cloud
边缘计算将应用托管在终端用户附近,并支持低延迟实时应用。现代应用程序反过来采用了微服务架构,将应用程序组成为松散耦合的较小组件或服务。这补充了边缘计算基础设施,这些基础设施通常受到资源限制,可能无法处理单片应用程序。相反,边缘服务器可以独立地部署应用服务组件,尽管代价是通信开销。在移动边缘云环境中,持续满足应用程序服务级别目标,同时优化应用程序部署(服务的放置和迁移)成本和通信开销并非易事。在本文中,我们提出并评估三个动态布局策略,两个启发式(贪婪近似的基础上设置覆盖,整数规划为基础的优化)和一个学习为基础的算法。他们的目标是满足应用限制,最大限度地降低基础设施部署成本,同时确保网络覆盖区域内所有客户端和用户设备(UE)的服务可用性。这些算法可以扩展到任何网络拓扑和基于微服务的边缘计算应用。在实验中,我们使用无人机群导航作为边缘计算用例的代表性应用。由于访问现实世界的物理测试平台,这样的应用是困难的,我们证明了我们的算法作为一个模拟的有效性。我们还对比这些算法的放置质量,利用集群,和水平的确定性。我们的评估不仅表明,基于学习的算法提供了更好的质量的解决方案,它也提供了有趣的结论,当(更传统的)启发式算法实际上更适合。
2021-10-30 cs.NI
Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems
在移动边缘计算(MEC)系统中,边缘服务缓存是指预先存储用于在MEC服务器处执行计算任务的必要程序。在资源受限的边缘服务器上,服务缓存放置通常是一个复杂的问题,与计算任务的卸载决策高度相关。在本文中,我们考虑一个单一的边缘服务器,协助移动用户(MU)在执行一系列的计算任务。特别地,MU可以在边缘服务器处运行其定制的程序,而服务器可以选择性地缓存先前生成的程序以供将来的服务重用。为了最小化MU的计算延迟和能量消耗,我们制定了一个混合整数非线性规划(MINLP),共同优化服务缓存的位置,计算卸载,和系统资源分配。我们首先推导出最优资源分配的封闭表达式,然后将MINLP转化为一个等价的纯0-1整数线性规划(ILP)。为了进一步降低求解ILP的复杂性,我们利用最优解的底层结构,并设计了一种降低复杂性的交替最小化技术来交替更新缓存放置和卸载决策。仿真结果表明,所提出的技术实现了大量的资源节省相比,其他代表性的基准方法。
2020-04-14 cs.NI
CNSMO: A Network Services Manager/Orchestrator Tool for Cloud Federated Environments
应用程序服务提供商(ASP)现在在多个云基础设施内开发、部署和维护复杂的计算平台,以提高其应用程序的弹性、响应能力和弹性。另一方面,复杂的应用程序对网络资源的控制和可见性很小,需要使用低级别的黑客来提取网络属性并对流量进行优先级排序。这种有偏见的观点限制了租户部署应用程序的灵活性,并阻止他们在网络中实现部分应用程序逻辑。在本文中,我们提出了CNSMO(CYCLONE网络服务管理器/配置器)工具,通过将这些网络服务功能桥接到基于云的服务作为整体CYCLONE解决方案的一部分,在联合云环境中实现创新。网络方面与纯粹的联合云的集成将允许用户请求特定的基础设施,并以简单透明的方式管理其专用的协调网络和IT资源,同时操作分布式应用程序的动态部署。
2016-09-05 cs.DC cs.NI
Distributed Asynchronous Service Deployment in the Edge-Cloud Multi-tier Network
针对边缘云多层网络中服务部署与迁移的挑战,提出一种分布式异步框架,通过避免单点故障增强系统弹性,在较小通信开销下实现接近集中式方案的性能。
2025-01-31 cs.NI
Online Learning for Failure-aware Edge Backup of Service Function Chains with the Minimum Latency
虚拟网络功能(VNF)已被广泛部署在移动边缘计算(MEC)中,以灵活高效地为运行资源密集型应用的最终用户提供服务,这些应用可以进一步序列化以形成服务功能链(SFC),从而提供定制的网络服务。为了确保SFC的可用性,事实证明,将冗余SFC备份放置在边缘以快速从任何故障中恢复是有效的。现有的研究在很大程度上忽略了SFC流行度,备份完整性和失败率对边缘服务器上SFC备份的最佳部署的影响。在本文中,我们从最终用户和边缘系统的角度综合考虑备份SFC,以提供具有最低延迟的热门服务。为了克服未知SFC流行度和故障率以及已知系统参数约束所带来的挑战,我们利用在线强盗学习技术来应对不确定性问题。结合Prim-inspired方法和贪婪策略,提出了一种实时选择和部署(RTSD)算法。大量的仿真实验证明了我们提出的算法的优越性。
2022-01-18 cs.NI
IoT service slicing and task offloading for edge computing
随着物联网技术的进步,智能工厂、智能城市和智能汽车等各个领域都在使用物联网提供增值服务。此外,MEC和网络切片等技术为物联网提供了另一个机会,可以支持以前无法支持的更先进和实时的服务。然而,将这些技术简单地集成到物联网中并没有充分利用MEC和网络切片,或者分别减少延迟和流量优先级。因此,迫切需要一种有效的物联网平台集成机制,以最大限度地发挥使用此类技术的优势。在本文中,我们介绍了一种新颖的架构框架,该框架能够以最少的功能虚拟化物联网平台,以支持特定的物联网服务,并在靠近最终用户的边缘节点上托管实例。由于实例在MEC节点和网络切片所在的边缘节点处提供其服务,因此最终用户的流量不需要遍历回到云。这种架构不仅保证了低延迟,还保证了边缘节点处物联网服务的有效管理。为了证明所提出的架构的可行性,我们通过比较在中央云上运行的物联网服务和在边缘网关中使用切片物联网功能的物联网服务的传输时间来进行实验评估。结果表明,所提出的架构提供的传输时间比传统的基于云的物联网平台快两倍。
2020-08-24 cs.NI
EdgeLaaS: Edge Learning as a Service for Knowledge-Centric Connected Healthcare
通过将网络技术和服务引入医疗保健基础设施(例如,随着部署多模态传感器和智能设备来监督人的健康状况,传统的医疗保健系统正在朝着以知识为中心的互联医疗保健(KCCH)方向进行革命,在这种医疗保健系统中,人们将以知识为中心的方式对自己的医疗保健负责。由于由这些医疗保健基础设施生成的医疗保健监督数据的量、速度和种类,迫切的和战略性的问题是如何利用正确监护人的正确知识(例如,医生、护士、护士在正确的时间。针对这一问题,研究了医学知识的命名和路由规范。有了这些卸载的医疗知识,我们提出了一个边缘学习即服务(EdgeLaaS)框架,用于KCCH本地处理健康监督数据。在这个框架中,边缘学习节点可以帮助患者在一些紧急情况发生时实时的从正确的监护人那里选择更好的建议。研究了两个应用案例:1)快速自助和2)移动帮助预呼叫。性能评估分别证明了KCCH和EdgeLaaS的优越性。
2023-02-01 cs.NI
TransMUSE: Transferable Traffic Prediction in MUlti-Service EdgeNetworks
新型冠状病毒疫情迫使员工转为在家工作,这给宽带网络的管理带来了巨大负担,并要求在网络边缘进行智能的逐业务资源优化。在这种情况下,网络流量预测对于运营商提供跨大地理区域的可靠连接至关重要。尽管神经网络设计的最新进展已经证明了有效解决预测问题的潜力,但在这项工作中,我们根据实际测量结果揭示了不同地区的网络流量差异很大。因此,在一个地区观察到的历史交通数据上训练的模型很难在其他地区做出准确的预测。为不同地区训练定制模型很有吸引力,但这种方法需要大量的测量开销,计算成本高,而且无法扩展。因此,在本文中,我们提出了一种新的深度学习框架TransMUSE,该框架聚类相似的服务,根据流量特征相似性将边缘节点分组为队列,并采用基于transformer的多服务流量预测网络(TMTPN),该网络可以在队列中直接传输而无需任何定制。我们证明,TransMUSE表现出难以察觉的性能下降方面的平均绝对误差(MAE)预测流量时,与设置中的一个模型是为每个单独的边缘节点进行训练。此外,我们提出的TMTPN架构优于国家的最先进的,实现了高达43.21%的低MAE在多业务流量预测任务。据我们所知,这是第一个联合使用模型传输和多服务流量预测来减少测量开销的工作,同时为边缘服务提供细粒度的准确需求预测。
2022-03-04 cs.NI
Coordinated Reinforcement Learning for Optimizing Mobile Networks
Ericsson Research(爱立信研究院)
移动网络由许多基站组成,并且对于每个基站,必须优化许多参数以提供良好的服务。自动和动态地优化所有这些实体是具有挑战性的,因为它们对环境的变化很敏感,并且可以通过干扰相互影响。强化学习(RL)算法是从传入数据自动学习基站配置策略的良好候选者,但它们通常难以扩展到许多代理。在这项工作中,我们演示了如何在涉及数百个合作代理的复杂应用程序中使用协调图和强化学习。我们展示了如何使用协调图对移动网络进行建模,以及如何使用多智能体强化学习有效地解决网络优化问题。图形结构自然地从关于网络的专家知识中产生,并且允许通过由神经网络表示的边缘价值函数来明确地学习天线之间的协调行为。我们的经验表明,协调强化学习优于其他方法。使用本地RL更新和参数共享可以处理大量代理,而不会牺牲协调,这使得它非常适合优化5G及以后带来的更密集的网络。
2021-09-30 cs.LG cs.NI
Dynamic Service Provisioning in the Edge-cloud Continuum with Provable Guarantees
我们认为一个层次化的边缘云架构,其中提供给移动用户的服务链的虚拟网络功能。每个服务都有特定的计算需求和目标延迟性能,这就需要适当地放置相应的链并分配适量的计算资源。此外,链迁移可能是满足服务的目标延迟所必需的,或者便于保持服务供应成本较低。我们解决这些问题,通过形式化的最佳链放置和资源分配的边缘云连续体的问题,考虑到迁移,带宽和计算成本。具体来说,我们首先设想一个算法,利用资源增加,解决上述问题,并提供了一个上限的资源量所需的找到一个可行的解决方案。我们使用该算法作为一个积木设计一个有效的方法,针对最低成本的解决方案,同时最大限度地减少所需的资源增加。我们的结果,通过跟踪驱动的,大规模的模拟,表明我们的解决方案可以提供一个可行的解决方案,使用一半的资源所需的国家的最先进的替代品。
2022-02-17 cs.NI
Optimizing Vehicle-to-Edge Mapping with Load Balancing for Attack-Resilience in IoV
攻击恢复能力对于在执行关键任务的车联网(IoV)中保持持续的服务可用性至关重要。在本文中,我们解决了由于攻击边缘网络的服务中断的问题,并提出了一个攻击弹性映射车辆的边缘节点,主机不同类型的服务实例考虑资源效率和延迟。利用最优车辆到边缘(V2E)映射来执行(受攻击影响的边缘节点的)服务请求到多个无攻击边缘节点的分发。最优映射旨在以最小延迟改善用户体验,同时考虑边缘容量的公平使用和在不同边缘节点上发生故障时的平衡负载。所提出的映射解决方案中使用的深度强化学习(DRL)为基础的框架,以有效地处理服务请求和车辆移动性的动态。我们证明了所提出的映射方法的有效性,通过广泛的模拟结果,使用现实世界的车辆移动数据集从三个城市。
2022-10-04 cs.NI
Joint Service Caching and Computing Resource Allocation for Edge Computing-Enabled Networks
在本文中,我们考虑了服务缓存和计算资源分配在边缘计算(EC)使能网络。本文提出了一种随机服务缓存设计方案,该方案考虑了多种延迟敏感服务和基站的服务缓存存储。然后,我们得到一个成功的服务概率(SSP)。我们还制定了一个SSP最大化问题的服务缓存分布和计算资源分配。然后,我们证明了优化问题是非凸的,并通过采用并行逐次凸逼近(SCA),开发了一种新的算法来获得SSP最大化问题的稳定点。此外,为了进一步降低算法的计算复杂性,本文还提出了一种低复杂度的算法,该算法能够在高计算能力区域内获得SSP最大化问题的近优解。最后,从数值模拟,我们表明,建议的解决方案实现更高的SSP比基线计划。此外,我们表明,近最佳的解决方案实现可靠的性能在高计算能力的区域。我们还探讨了目标延迟,BS的服务缓存大小,和EC服务器上的SSP的计算能力的影响。
2023-01-19 cs.NI
RIPPLE: Lifecycle-aware Embedding of Service Function Chains in Multi-access Edge Computing
Hasso-Plattner Institute (HPI) , Digital Engineering Faculty, University of Potsdam(波茨坦大学数字工程学院哈索·普拉特纳研究所)
RIPPLE是一种面向多接入边缘计算的生命周期感知服务功能链嵌入方法,通过考虑生命周期和连接性不确定性,减少服务中断。
2026-02-03 cs.NI
Game Theoretic Analysis for Joint Sponsored and Edge Caching Content Service Market
利用无线网络中的赞助内容方案,赞助内容服务提供商可以代表移动用户/订户向网络运营商付费,以在接收一定量的广告方面以合理的成本降低网络订阅费。因此,内容提供方、网络运营商和移动用户都被积极地激励来参与赞助内容生态系统。同时,在5G蜂窝网络中,采用缓存技术来提高内容服务质量,其将潜在的流行内容存储在边缘网络节点上以服务于移动用户。在这项工作中,我们提出了联合赞助和边缘缓存内容服务市场模型。我们调查赞助的内容服务提供商和边缘缓存内容服务提供商之间的相互作用下的非合作游戏框架。此外,制定了一个三阶段的Stackelberg游戏模型之间的互动网络运营商,内容服务提供商和移动用户。利用逆向归纳法分析了各阶段的子博弈完美均衡。利用双层优化规划方法验证了Stackelberg平衡点的存在性。基于博弈的性质,我们提出了一个基于次梯度的迭代算法,该算法保证收敛到Stackelberg均衡。
2018-08-13 cs.GT cs.NI