（论文分析）基于契约理论和贝叶斯匹配博弈的分层多址边缘计算卸载

论文题目：Computation Offloading in Hierarchical Multi-Access Edge Computing Based on Contract Theory and Bayesian Matching Game

研究内容：MEC网络中，信息不完整情况下设计计算卸载激励策略，激励ECN参与

针对问题：在不完整信息交换情况下实现MEC与ECN之间的激励机制以及ECN与CSS之间的交互，从而实现激励更多的ECN加入MEC网络中。

解决方案：提出了一种新的NV场景下的分层计算卸载框架，有三个参与者，即MEC运营商、ECN和从MEC运营方订购计算服务的CSS，MEC运营商在收到CSS的请求后，通过向附近的ECN租赁足够的计算资源来满足CSS的需求，然后这些ECN将为CSS提供服务，即MEC运营商为CSS提供虚拟服务，而ECN为CS提供物理服务，ECN和CSS都拥有一些其他玩家不知道的私人信息，其中考虑了激励机制设计和资源分配两步序列。为了使情况更加真实，里面考虑到不完整信息交换情况，也就是非对称信息情况，这里面MEC运营商和ECN交互的时候是没有ECN的完整信息的。为解决不完整信息这一问题，分两步，第一步设计激励机制，MEC运营商设计激励机制以吸引临时ECN的合作，基于逆向选择的契约理论建模MEC经营者和ECN之间的关系，MEC运营商和ECNs签订契约，其中MEC经营者被描述为雇主，ECN是雇员。契约签订完成进入第二步计算资源分配，基于匹配理论实现资源分配，完成CSS与ECN之间的交互，由于CSS具有私人信息，因此利用具有外部性的贝叶斯博弈建模ECN与CSS之间关系，ECN和CSS之间的交互可以建模为HR问题，第二步这里因为传统RGS算法不能保证匹配结果的稳定性，所以在RGS算法基础上提出一种始终能够收敛到稳定结果的迭代匹配算法来解决外部性问题。

契约理论具有两个特点。一个是，在信息不对称的情况下，它可以作为一种有效的激励机制，而其他基于博弈论的机制此时无法使用。另一个是基于契约理论的机制是策略证明，表明所有ECN都必须诚实。在契约理论中，委托人在存在不对称信息的情况下为不同类型的参与者设计了一系列契约，一维多侧面逆向选择契约理论被用于建模MEC运营商和ECN之间的关系，这篇文章设计契约需满足两个可行契约的约束条件，即IR和IC约束条件，IR条件表示ECN签署的合同需要确保ECN的效用不低于零，具体而言，如果选择为其类型设计的合同而不是选择其他合同。

RGS算法：ECN和CSS之间的交互可以建模为HR问题，是一个经典的多对一匹配模型，RGS算法会使用到ECN和CCS的偏好矩阵，在RGS算法中，每个CSS向位于其偏好列表第一位置的ECN发送服务请求，然后ECN将根据偏好列表选择前 $q_{i}^{th}$ 个优选的CSS。每次迭代后，每个CSS都会将拒绝其请求的ECN从其首选项列表中删除，也就是说，一个CSS永远不会向同一个ECN提议两次。重复该程序，直到所有的CSS都已匹配，或者不匹配的CSS已向所有ECN提出但被拒绝。

迭代匹配算法：由于一开始无法获得CSS对ECN的准确偏好，并且不同CSS的偏好是相互依赖的，因此RGS算法获得的匹配结果不一定稳定，具有相互依赖偏好的匹配被称为具有外部性的匹配，为了获得稳定的匹配结果，文中开发了迭代匹配过程，迭代匹配为CSS提供了改变其合作伙伴的机会。然而，当且仅当ECN批准迭代匹配时，迭代匹配才有效。与RGS算法类似，被ECN拒绝的CSS将从其偏好中删除ECN。值得注意的是，CSS可能会从其首选项列表中丢弃一个ECN，但它将在下一次迭代中再次设置所有ECN的首选项。重复有限次迭代的过程，直到无法找到迭代匹配或两次连续迭代的匹配结果保持不变。

尽管一个ECN的意愿无法直接测量，但MEC运营商可以根据网络的先前性能和ECN的历史行为来预测意愿的分布。迭代匹配后，CSS将根据实际服务延迟向MEC运营商报告ECN的性能。同时，MEC运营商将进一步评估ECN的性能，MEC运营商可根据CSS提供的反馈调整合同策略。总之，在基于契约理论的激励机制和基于贝叶斯匹配的计算卸载决策过程的相互作用下，分层MEC网络可以为CSS提供更好的计算服务，同时获得可观的利润。

实验结果：使用了另外两种比较算法来证明我们算法的性能，即基于完全信息的算法和线性定价机制。三种算法的贡献随着ECN类型的增加而增加，此外，基于完全信息的算法显示出最高的贡献，而基于契约理论的算法显示了中等ECN的贡献。同时，线性定价机制需要最低的贡献。另一方面，由于更多的CPU贡献，基于完整信息的算法可以获得更高的回报，同时，线性定价机制获得最低的回报，这对应于最低的贡献。值得注意的是，与基于契约理论的算法相比，第5类ECN在完整信息场景中贡献了更多的资源，但获得的回报更少。原因是在完全信息场景下，ECN的效用总是等于零，而在基于契约理论的算法中，更高的类型表示更高的效用。这个有趣的结果说明了完整信息场景中ECN的糟糕情况，特别是对于具有更高类型的ECN。基于完全信息的算法可以实现最高的MEC运营商效用，因为MEC运营商可以获得完美的信息，而线性定价机制具有最差的MEC经营者效用。所提出的算法的曲线接近于完整信息场景中的曲线，这检验了我们算法的良好性能，尤其是在信息不对称应用中。MEC运营商可以获得ECN的完美信息，然后MEC运营商只需要满足ECN效用不小于零。因此，无法确保ECN的效用。对于线性定价机制，它获得的ECN效用略高于完全基于信息的算法。同时，值得一提的是，与其他算法相比，所提出的算法获得了更高的ECN效用。仿真结果证明了我们算法的良好性能，特别是在MEC运营商的效用和ECN的效用之间的更好权衡，以及在不完全信息场景下的优势效用值。迭代匹配算法总是确保收敛到最终的稳定结果。迭代次数随着CSS数量的增加而增加，同时，平均迭代次数相当小，因此，迭代匹配适合于实际场景

总之，，数值结果证明了所提出的序列决策算法的良好性能。此外，所提出的算法由于复杂性低，特别适合实际应用，同时，框架中不需要完整的信息交换。

（论文分析）基于契约理论和贝叶斯匹配博弈的分层多址边缘计算卸载相关推荐

[Python图像处理] 二十六.图像分类原理及基于KNN、朴素贝叶斯算法的图像分类案例
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
基于图正则化的贝叶斯宽度学习系统
摘要作为一种前馈神经网络,宽度学习系统因其精度高.训练速度快且能有效代替深度学习方法而备受研究者的关注.然而,宽度学习系统存在对网络中的特征节点个数比较敏感且求伪逆方式易使模型出现过拟合等问题.为此 ...
概率图模型基于R语言(一)贝叶斯模型
概率图模型基于R语言[一]贝叶斯模型条件概率贝叶斯模型 R 参考书:<概率图模型基于R语言> 记录一些代码和自己的想法和目前版本代码的写法(书中有一些无法用了) 随时更新条件概率熟 ...
贝叶斯与认知——读《贝叶斯的博弈》有感
关于对贝叶斯与认知问题的相关思考一.贝叶斯定理二.贝叶斯与认知的本质三.经验的偏见四.总结自古以来,人们就在思考知识来自何处,"冯翼惟象,何以识之?",对此的思考逐渐发展 ...
基于snownlp及朴素贝叶斯的情感分析——以大众点评网评论为例
「情感分析」是对带有感情色彩的主观性文本进行分析.处理.归纳和推理的过程.按照处理文本的类别不同,可分为基于新闻评论的情感分析和基于产品评论的情感分析.其中,前者多用于舆情监控和信息预测,后者可帮助用 ...
基于sklearn的朴素贝叶斯_朴素贝叶斯分类实战：对文档进行分类
朴素贝叶斯分类最适合的场景就是文本分类.情感分析和垃圾邮件识别.其中情感分析和垃圾邮件识别都是通过文本来进行判断.所以朴素贝叶斯也常用于自然语言处理 NLP 的工具. sklearn 机器学习包 sk ...
基于sklearn的朴素贝叶斯_sklearn 朴素贝叶斯
朴素贝叶斯是基于贝叶斯理论的一种监督学习算法,『朴素』意思是假设所有特征两两相互独立,给出类别y和一组依赖特征[x1..xn],根据贝叶斯理论,他们有如下的关系. P(y|x1,...xn)=P(y) ...
朴素贝叶斯情感分析评分python_比朴素贝叶斯更优秀的情感分析方法？答案在这里...
作者|Samuel Pilcer 译者 & 编辑|Debra AI 前线导读:根据在线评论和评分,我们可以为客户提供关于其信誉度的深刻见解.我们会拆解评论文本了解评论的内容,并告诉我们的客户他 ...
基于sklearn的朴素贝叶斯_Sklearn参数详解—贝叶斯
在开始学习具体的贝叶斯参数前,你可以先看看:朴素贝叶斯详解mp.weixin.qq.com 朴素贝叶斯一共有三种方法,分别是高斯朴素贝叶斯.多项式分布贝叶斯.伯努利朴素贝叶斯,在介绍不同方法的具体参 ...

（论文分析）基于契约理论和贝叶斯匹配博弈的分层多址边缘计算卸载

（论文分析）基于契约理论和贝叶斯匹配博弈的分层多址边缘计算卸载相关推荐

最新文章

热门文章