近日，我院陈益杉老师课题组在国际权威期刊IEEE Internet of Things Journal上发表题为“A Game-Theoretic Approach Based Task Offloading and Resource Pricing Method for Idle Vehicle Devices Assisted VEC”的学术论文。
车载边缘计算（VEC）通过云边服务器提供车辆用户IT服务和计算能力，以减少网络操作和服务交付延迟。然而，当前的任务卸载与资源定价问题涉及越来越多的基础设施提供商和请求车辆用户之间的利益博弈。资源有限的边缘服务器难以满足需求，且存在资源不共享的问题。同时，在城市聚集区域，VEC服务器超载现象常见，未有效利用停放车辆和路侧单元等闲散资源。这些资源潜力巨大，能够潜在地为系统提供额外的计算和通信资源。将这些资源集中利用，可以实现基础设施提供商和用户的双赢局面。因此，设计利用闲置车辆辅助计算的方法显得非常有必要。通过有效利用这些闲散资源，可以提高系统的计算能力和服务效率，同时降低运营成本。
该论文设计了一种闲置车辆辅助车辆边缘计算（IVVEC）架构，通过定价机制招募闲置车辆资源来增强边缘计算能力。与现有技术忽视服务器运营商和闲置车辆的自私性相比，论文更注重通过合理的定价和奖励来激励云边缘服务器和闲置车辆（IV）参与资源共享机制。分析请求车辆和云边缘服务器之间的交互建立两阶段 Stackelberg 博弈模型。并通过逆向归纳法，将原有问题转化为凸优化问题，并从理论上证明了唯一纳什均衡的存在。在博弈求解过程中使用拉格朗日对偶方法和Karush-Kuhn-Tucker（KKT）条件来求解最优资源定价，以最大化参与方效益以及最小化任务平均时延。此外，基于任务车辆稳定匹配博弈模型，利用价格激励机制来招募道路周围闲置车辆自发参与任务卸载过程。最后，模拟结果表明，与其他解决方案相比，论文的解决方案有效降低了卸载成本、延迟、能源消耗，并提高了任务完成率。
图1. 场景
该系统中包括三个实体（即请求车辆用户产生的任务、CEA以及IV）组成，用户在每一轮任务卸载中获得的效益由用户卸载任务时的满意度以及支付的成本构成，而CEA的收益由用户卸载任务时所支付的费用以及执行该任务所产生的成本组成。该工作基于一个二阶段的Stackelberg博弈模型，任务处理首先通过 RSU 将任务从用户设备卸载到附近的边缘服务器或云服务器，旨在实现更低的延迟体验。然而，当 CEA 中的边缘服务器接近饱和或超过阈值水平时，车辆边缘服务器将监控搜索附近的不活动车辆、空闲服务器和其他可用的智能设备资源，并根据用户资源请求意愿确定资源价格。最后，用户（追随者）会基于CEA（领导者）的最优定价决策发布最有利于自身利益的卸载决策。以最大化参与方的效益并满足最低时延，通过多次反复博弈，系统最终会达到纳什均衡。
图2. Stackelberg博弈流程
将IVVEC 方案与VEC服务器独立计算方案 (VIS)、云服务器独立计算方案（CIS）和VEC-Cloud协同（VCC）方案作出比较，并就任务数量对不同方案下的云边服务器（CEA）收益进行讨论。IVVEC 方案中的收益始终优于VIS、CIS和VCC方案。在10个任务请求的情况下，IVVEC方案下的平均任务计算时延分别优于VIS、CIS 31.12%和9.28%。随着请求任务数量的增加，其他模型可能很难确保所有任务按时完成。在VIS、VCC中，任务按时完成率并不随着请求任务数量的增加而呈线性增长模式。相反，它表现出相对稳定的趋势，在某些情况下，任务按时完成率甚至没有增加。这种现象可以归因于模型在有效地重新分配和利用额外资源来满足超载任务的更高需求方面的局限性，特别是在缺乏招募闲置资源机制的情况下。值得注意的是，尽管 CIS 和论文提出的解决方案之间的任务完成率相当，但从Leader（CEA）获得的收益得出，其效用值明显低于我们的解决方案。在超载任务匹配过程中，本方法提出的SMTV算法就IVs的平均利润（效益值）而言，SMTV优于其他三种（顺序、随机分配和贪婪算法）算法。
图3. 任务数量对任务时延以及收益的影响
图4. 不同任务对CEA计算能耗及用户效益的影响
图5. 任务分配算法的性能比较
为了解决任务过载问题，同时保持提供高质量的服务并充分利用可用资源，该工作首先将资源定价和任务卸载建模为 Stackelberg 博弈模型。分析并证明了纳什均衡的存在性。随后，采用凸优化理论和拉格朗日对偶方法来寻找最优定价和卸载策略。此外，考虑到VEC服务器任务过载的场景，引入了基于激励的资源共享方案，通过任务车辆匹配博弈获得最稳定的分配结果。最后，仿真结果表明，该方法可以在当前有限的资源下有效处理更多的任务卸载任务，在能耗、车辆请求、CEA 效用和任务卸载延迟等方面优于其他解决方案。
