Socially-Motivated Cooperative Mobile Edge Computing论文阅读
Socially-Motivated Cooperative Mobile Edge Computing
社交合作的移动边缘计算
摘要
在本文中,我们提出了一种新的基于社会动机的协作移动边缘计算的范例,其中利用移动和可穿戴设备用户之间的社交联系结构来实现有效且可信赖的协作,以执行协作计算任务。我们设想将本地设备计算和网络资源共享相结合,为设备提供多种灵活的任务执行方法,包括本地移动执行,D2D卸载执行,直接云卸载执行和D2D辅助云卸载执行。具体来说,我们提出了一种用于协作移动边缘计算的系统模型,其中开发了设备社交图模型来捕获设备之间的社交关系。然后,通过将社交联系结构集成到设备计算和网络资源共享过程中,设计出一种基于社交感知二分匹配的协作任务卸载算法。我们使用Erdos-Renyi和基于真实轨迹的社交图评估社交动机的协作移动边缘计算的性能,这证实了所提出的社交意识机制的优越性能。
社交图 Social Graph
什么是社交图:https://www.wisegeek.com/what-is-the-social-graph.htm 社交图不仅包括个人之间的关系,还包括与虚拟对象(如照片,页面和事件)的连接
从web graph到social graph,搜索引擎正在发生的革命 https://www.huxiu.com/article/9321.html
Erdos-Renyi
https://www.jianshu.com/p/7b2f65585438
介绍
随着智能手机和可穿戴设备等智能移动设备的日益普及,诸如实时人脸识别,自然语言处理,虚拟现实和增强现实等越来越多的智能移动应用正在兴起。这种移动应用程序通常运行资源消耗大的算法(例如,深度学习和GPU渲染)[1],这将需要大量的计算以及高能耗。但是,受物理尺寸约束的影响,大多数移动设备通常受到资源限制,其计算能力和电池容量是有限的。
为了应对这一挑战,已经提出了移动边缘计算(更普遍的为雾计算),这是一种新兴的范例,它利用多种协作的终端用户和/或临近用户设备来完成大量的计算任务(从[2]中获益)。如图1所示,可以利用不同类型的设备(例如,可穿戴设备,智能手机和平板电脑)的多种功能和多路复用增益(因为设备之间资源可用性在运行中的异构性)来支持协作任务执行 。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aUgJENAE-1589331529315)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044071203.png)]
通过在设备之间协作地共享异构计算和通信资源,我们构想了协作移动边缘计算的新范例,设备用户可以灵活地在多种方法中进行选择来根据用户的不同需求和设备的资源条件进行任务执行(请参阅 图2为示意图),包括以下内容:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vw7smTeN-1589331529318)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044817627.png)]
- 本地移动执行Local Mobile Execution:设备用户可以选择在其移动设备上本地执行任务,以避免任务卸载时产生过多的开销(图2a)
- 设备到设备卸载执行Device-to-Device (D2D) Offloaded Execution:网络边缘附近的设备可以通过D2D通信[3]进行任务卸载,从而彼此之间有利地共享计算资源(图2b)。
- 直接云卸载执行Direct Cloud Offloaded Execution:设备可以通过其高质量的蜂窝通信链路将其任务直接卸载到边缘云,从而利用强大的云计算功能(图2c)。
- D2D辅助的云卸载执行D2D-Assisted Cloud Offloaded Execution:蜂窝连接不良的设备可以首先通过D2D连接将其计算任务转移到附近具有高质量蜂窝链路的设备,然后可以帮助将计算繁重的任务卸载到边缘云 (图2d)。
D2D通信
D2D通信技术是指两个对等的用户节点之间直接进行通信的一种通信方式。在由D2D通信用户组成的分布式网络中,每个用户节点都能发送和接收信号,并具有自动路由(转发消息)的功能。网络的参与者共享它们所拥有的一部分硬件资源,包括信息处理、存储以及网络连接能力等。这些共享资源向网络提供服务和资源,能被其它用户直接访问而不需要经过中间实体。在D2D通信网络中,用户节点同时扮演服务器和客户端的角色,用户能够意识到彼此的存在,自组织地构成一个虚拟或者实际的群体。
蜂窝移动通信系统
https://baike.baidu.com/item/蜂窝移动通信系统
为了囊括协作移动边缘计算所带来的巨大利益,关键的挑战是如何激发设备之间的有效协作。例如,一方面,为了实现高效的D2D卸载执行,它要求附近的设备以协作的方式共享其计算资源。 另一方面,为了实现高效的云卸载执行,通常需要高质量的蜂窝连接才能将任务卸载到边缘云。由于局部环境因素(例如,衰退)和异构传输技术(例如3G / 4G),不同的设备将经历各种蜂窝传输条件。因此,非常需要在设备之间进行蜂窝网络资源共享以实现有效的云任务数据传输的合作。 为了解决这些挑战,在本文中,我们提出了一种社会动机的协作移动边缘计算的新范例以实现高效的混合任务卸载。由于移动和可穿戴设备是人类携带和拥有的,因此有希望利用人类固有的社会纽带来激发协作式移动边缘计算。 随着诸如Facebook和Wechat之类的在线移动社交媒体的广泛渗透,许多用户正在积极地参与在线社交互动,因此用户之间的社交关系得到了广泛的扩展。 这实际上为探索社会维度并实现了具有社会动机的协作移动边缘计算系统设计开辟了新空间。
如图3所示,设备用户的社交关系结构就可以激发他们为设备计算和网络资源共享实现有效和可信赖的合作。这将成为社会动机的协作移动边缘计算系统的基石。具体来说,我们首先介绍用于联合本地计算和网络资源共享的协作移动边缘计算系统模型,该模型可以为设备提供灵活多样的任务执行方法。因此,我们随后提出了一种设备社交图模型来捕获设备之间的社交关系,然后通过将社交联系结构集成到设备计算和网络资源共享过程中,开发出一种基于社交感知的二分匹配的协作任务卸载算法。使用Erdos-Renyi和基于真实轨迹的社交图进行的广泛表现评估,证实了所提出的具有社交意识的协作任务卸载解决方案的出色性能。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fQ3V3Ds7-1589331529321)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583385570449.png)]
本文的其余部分组织如下: 首先,我们将在以下部分中讨论相关工作,然后介绍协作移动边缘计算系统模型。 然后,我们提出了具有社会意识的协作任务卸载算法,讨论扩展方向,最后总结本文。
相关工作
近年来,移动边缘计算已引起了广泛的关注(参见[4-6])。 例如,在文献[5]研究了具有能量收集能力的移动边缘计算的单设备动态计算卸载问题。 在[6]中,通过假设所有设备用户都愿意合作,为移动边缘计算中的多设备计算卸载设计了一种有效节能资源的分配框架。 沿着不同的思路,在本文中,我们考虑了通过联合计算和网络资源共享实现社会动机的协作移动边缘计算,可以在设备之间实现高度灵活的任务执行方法。
最近有一些研究通过激励机制设计解决了移动边缘计算中的设备协作问题。 例如,在[7]中提出了一种基于拍卖的定价机制,以激励合作进行计算资源共享。 在[8]中,为分散管理的边缘资源交易设计了类似比特币的虚拟货币系统。 但是,由于超高的系统开销和操作复杂性,这些激励方案是否可以在实践中实现尚不明确,这很容易减少协作移动边缘计算的收益。 例如,强大的权限对于在[7]中实施拍卖机制至关重要,在[8]中,每个单独的参与用户都需要足够的计算资源来运行虚拟货币系统。
社会方面正在成为未来网络系统设计的一个新的重要方面[9]。 例如,文献[10]中使用社交网络绑定来设计VANET(车载自组网)中的隐私保护数据包转发协议。 在==[11]==中的先前研究中,我们提出了一种用于协作网络设计的社交团体效用最大化的新框架。 与这些用于网络研究的工作不同,在本文中,我们考虑了用于移动边缘计算的具有社会意识的合作刺激方法,该方法涉及计算和网络资源共享。 此外,通过利用设备用户之间可信赖的社交关系,我们可以提高移动任务卸载的安全级别,这在计算任务涉及对隐私敏感的输入数据(例如,移动健康计算和推理)时尤其有用。
VANET(车辆自组网)
http://www.baike.com/wiki/VANET
合作移动边缘计算模型
我们考虑移动边缘计算场景,其中有一组多个用户设备,并且运营商在网络边缘部署了云服务器[12]。设备可以与基站建立蜂窝链路,也可以与附近的另一个设备建立D2D链路[3]。我们介绍了D2D连接图,其中设备集是顶点集,并且在设备顶点之间存在一条边,并且如果可行的话在相应的设备之间建立D2D连接。
根据通讯和计算资源共享中两个设备i和j的协作效率,我们可以获取本地移动执行的能源成本==wilw^{l}_{i}wil==,D2D卸载执行的能源成本==wijdw^{d}_{ij}wijd==,直接云卸载执行的能源成本==wicw^{c}_{i}wic和D2D辅助云卸载执行的能源成本wijdcw^{dc}_{ij}wijdc==。为了计算这些成本因素,在这里我们采用文献==[4-6]中的通用任务模型,该模型使用元组<λi\lambda_iλi, ψi\psi_iψi, μi\mu_iμi>来描述任务的**输入数据大小λi\lambda_iλi**(如程序代码),**完成任务所需的计算资源ψi\psi_iψi(如CPU周期数)和任务的输出数据大小μi\mu_iμi**。注意,如果我们使用其他任务模型,例如基于计算密度的数据流处理模型,则所提出的具有社会意识的协作任务卸载算法也可以应用[13]==。我们讨论以下不同选项的任务执行成本:
本地移动执行Local Mobile Execution:
设备i可以在本地执行其自己的任务。 ==ρic\rho^c_iρic==是每个CPU周期用于计算的能耗,对于不同的设备类型,能耗会有所不同。
能耗为==wil=ρicψiw^{l}_{i} = \rho^c_i\psi_iwil=ρicψi==
设备到设备卸载执行Device-to-Device (D2D) Offloaded Execution:
设备i可以通过D2D连接将其自己的任务卸载到附近的设备j。 ==HitdH^d_{it}Hitd==为设备i的D2D传送功率,==HirdH^d_{ir}Hird==为设备i的D2D的接收功率,==RijR_{ij}Rij==为设备i和j之间的D2D数据传输速度。
因此,通过这两个设备之间的D2D传输进行任务输入和输出数据传输的能耗为==Zijd1=(Hitd+Hjrd)λi/Rij+(Hjtd+Hird)μi/RjiZ^{d1}_{ij} = (H^d_{it} + H^d_{jr})\lambda_i / R_{ij} + (H^d_{jt} + H^d_{ir})\mu_i / R_{ji} Zijd1=(Hitd+Hjrd)λi/Rij+(Hjtd+Hird)μi/Rji==
此外,在设备j中执行卸载任务的能耗为==Zijd2=ρjcψiZ^{d2}_{ij} = \rho^c_j\psi_iZijd2=ρjcψi==。 因此,我们可以得到D2D卸载执行方法的能耗为==ωijd=Zijd1+Zijd2\omega^d_{ij} = Z^{d1}_{ij}+Z^{d2}_{ij}ωijd=Zijd1+Zijd2== 。
移动设备通常具有有限的资源容量,因此,由于物理尺寸的限制,我们将假定一个设备一次最多只能执行一项任务。
直接云卸载执行Direct Cloud Offloaded Execution:
设备i可以通过蜂窝链接将其自己的任务卸载到网络边缘的边缘云服务器。
蜂窝传送功率为==HitcH^c_{it}Hitc==,蜂窝接收功率为HircH^c_{ir}Hirc,上载蜂窝数据速率为RitR^t_iRit,下载蜂窝数据速率为==RirR^r_iRir==。
这两个设备之间通过D2D传输进行任务输入和输出数据传输的能耗为==Zic=Hitcλi/Rit+Hircμi/RirZ^c_i = H^c_{it}\lambda_i/R^t_i+H^c_{ir}\mu_i/R^r_iZic=Hitcλi/Rit+Hircμi/Rir==
因此,云卸载执行方法的能耗表示为ωic=Zic\omega^c_i = Z^c_iωic=Zic。
D2D辅助的云卸载执行D2D-Assisted Cloud Offloaded Execution:
设备i可以通过D2D链接将其自己的任务数据传输到附近的设备j。
而且,在计算完成之后,它还将从附近的设备j接收结果。
在这种情况下,通过这两个设备之间的D2D传输进行任务输入和输出数据传输的能耗为Zijd1=(Hitd+Hjrd)λi/Rij+(Hjtd+Hird)μi/RjiZ^{d1}_{ij} = (H^d_{it} + H^d_{jr})\lambda_i / R_{ij} + (H^d_{jt} + H^d_{ir})\mu_i / R_{ji} Zijd1=(Hitd+Hjrd)λi/Rij+(Hjtd+Hird)μi/Rji
然后,设备j将通过蜂窝链路将接收到的任务从设备i卸载到网络边缘的云服务器。
在这种情况下,这两个设备之间通过D2D传输进行任务输入和输出数据传输的能耗为Zjc=Hjtcλj/Rjt+Hjrcμj/RjrZ^c_j = H^c_{jt}\lambda_j/R^t_j+H^c_{jr}\mu_j/R^r_jZjc=Hjtcλj/Rjt+Hjrcμj/Rjr
因此,我们可以获得设备i的云卸载执行方法的能耗ωijdc=Zijd1+Zijc\omega^{dc}_{ij} = Z^{d1}_{ij}+Z^c_{ij}ωijdc=Zijd1+Zijc
注意为了便于说明,我们主要考虑任务执行的能耗。 但是,我们的模型可以轻松扩展以考虑执行时间的开销。此外,由于云服务器通常具有恒定的电源,因此在本文中,我们仅关注设备用户的能耗优化。在上述协作移动边缘计算系统模型的基础上,如何整合设备用户的社交关系以推动大量设备协作以进行协作任务执行,以及如何针对不同的单个设备在不同的任务执行方法之间进行适当选择是非常具有挑战性的。 在以下部分中,我们将提出一种具有社会意识的协作任务卸载算法来解决此问题。
具有社会意识的协作任务卸载算法
现在,我们考虑通过利用设备用户之间的潜在社会纽带来设计一种社交意识的协作任务卸载算法。 基于具有社会动机的合作结构,我们将提出一种基于社会意识的二分匹配方案,以找到使所有设备执行任务的系统开销最小化的最佳解决方案。
设备社交图
我们首先介绍用于社交动机的协作移动边缘计算的社交关系模型。使用社交联系的基本原理是,许多移动设备(例如,智能手机和可穿戴设备)是人类拥有和携带的,并且可以利用内在的可信赖的人类社会关系来实现移动边缘计算的有效合作。
具体来说,我们引入设备社交图==GSOCG^{SOC}GSOC==来建模设备之间的社交联系。这里的顶点集与设备集相同,并且当且仅当两个设备彼此之间具有社会信任时,这两个设备之间才存在社交连线,这意味着要么两个设备属于同一用户,要么这两个设备的用户具有某种社会关系,例如亲戚关系,友谊或同事关系。我们假设具有社会纽带的设备愿意协助设备n分担任务。 这是因为可以在具有社会关系的人类之间建立起社会互惠,并且利他行为在许多人类社会互动中得到了广泛观察[9]。 例如,当设备用户在家中或工作时,通常家庭成员,邻居,同事或朋友在附近并愿意提供帮助。
实际上,两个设备用户可以通过本地执行“匹配”过程来识别他们之间的共同社交特征,从而即时检测其社交关系。 例如,两个设备用户可以匹配其家庭住址和工作地址,并确定他们是邻居还是同事。 此外,两个设备用户可以通过访问在线社交媒体(例如Facebook和Twitter)来检测他们之间的社交关系。 例如,任何经过身份验证的Facebook用户都可以通过OpenGraph API访问其社交图信息。
OpenGraph API
https://www.computerhope.com/jargon/o/open-graph.htm
具有社交意识的二分匹配合作任务卸载
给定设备之间的社交联系所带来的有效和可信赖的合作关系,然后我们考虑寻找最佳的具有社会意识的合作任务卸载解决方案的问题。
受观察结果启发,我们的问题与匹配问题具有相似的分配工作结构,因此我们采用最小权重二分完全匹配方法来解决任务卸载问题。 这里的主要挑战是如何正确构造二部图以捕获具有社交意识的任务卸载问题的结构特征。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1jUh9F4d-1589331529329)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583513630215.png)]
如图4所示,同时考虑设备社交图和D2D连接图,我们可以构建有权重的二部图,以使节点i在一侧(即任务端)代表设备i的任务 ,在另一端(即执行者端),节点代表设备集以及用于任务执行的虚拟机集。
具体而言,给定设备社交图(例如,图4a)和D2D连接图(例如,图4b),然后我们为二部图(例如,图4c)定义边集,如下所示:
本地移动执行Local Mobile Execution:
任务节点i及其对应的本地设备节点i之间存在一条边,并且边的权重是本地移动执行能耗==wil=ρicψiw^l_i= \rho^c_i\psi_iwil=ρicψi==。
设备到设备卸载执行D2D Offloaded Execution:
如果任务节点i和设备节点j在设备社交图上具有社交联系且在D2D连接图上具有D2D链接(如图4中的设备1和3),则在任务节点i和设备节点j之间存在边。边的权重就是D2D卸载执行能耗==ωijd=Zijd1+Zijd2\omega^d_{ij} = Z^{d1}_{ij}+Z^{d2}_{ij}ωijd=Zijd1+Zijd2==
直接云卸载执行Direct Cloud Offloaded Execution:
边缘云上的任务节点i及其包括的虚拟机节点之间存在一条边缘,边的权重表示了直接云卸载执行能耗==ωic=Zic\omega^c_i = Z^c_iωic=Zic==
D2D辅助的云卸载执行D2D-Assisted Cloud Offloaded Execution:
任务节点i和由设备节点j和节点i的虚拟机节点组成的捆绑节点之间存在一条边,如果i和j在设备社交图上具有社交联系并且在D2D连接图上具有D2D链接。 边的权重就是D2D辅助的云卸载执行的能耗==ωijdc=Zijd1+Zijc\omega^{dc}_{ij} = Z^{d1}_{ij}+Z^c_{ij}ωijdc=Zijd1+Zijc==
在构建二部图之后,我们可以通过计算二部图上最小权重的二分完全匹配解来找到最佳的社交意识协作任务卸载解决方案。 通常,经典的二分匹配算法复杂度为O(NE)O(NE)O(NE),其中E是二部图中的边数。 对于我们的问题,边的数量E与节点的数量N成正比,因此基于二分匹配的社交感知任务卸载算法有较低的复杂度为O(N2)O(N^2)O(N2),可以很好地进行实际执行。
二分图匹配
https://blog.csdn.net/thundermrbird/article/details/52231639
介绍二部图 匈牙利算法https://blog.csdn.net/Young__Fan/article/details/90719285
表现评价
接下来,我们将通过数值研究评估所提出的具有社会意识的协作任务卸载解决方案的性能。在仿真中,我们运行100轮任务分配以获得平均性能。设备之间可行的D2D连接在每个回合中各不相同,这取决于设备的位置。 在这里我们使用普遍采用的机会网络环境(ONE)模拟器[14]来对由于移动性引起的设备位置动态变化进行建模,这已被证明可以很好地捕获许多现实世界中的用户移动性轨迹[14]中的分布特性。与[13]类似,我们将数据流处理应用程序任务作为研究案例。对于设备社交图GSOCG^{SOC}GSOC,我们将考虑两种类型的社交图:Erdos-Renyi社交图和基于真实数据跟踪的社交图。
Erdos-Renyi社交图
我们首先考虑由Erdos-Renyi(ER)图模型[15]表示社交图==GSOCG^{SOC}GSOC的情况,其中任何设备之间的社交联系都存在可能性PLP_LPL。为了评估社交图的社交联系密度的影响,我们使用200种设备和不同社交联系概率分别为PL=0.02,0.05,....,0.5P_L=0.02, 0.05,....,0.5PL=0.02,0.05,....,0.5==的情况进行模拟。
作为基准,我们还比较了具有社交意识的协作任务卸载解决方案的三种方案。
社交未察觉的任务卸载Socially-Oblivious Task Offloading:
我们通过构建二部图而不考虑设备之间的社会联系,为任务卸载计算了最佳的二分匹配解决方案。 在这种情况下,它将找到涉及本地移动和云卸载执行的最佳解决方案。
所有设备的云卸载执行Cloud Offloaded Execution by All Devices:
所有设备都选择将其任务卸载到边缘云。
所有设备的本地移动执行Local Mobile Execution by all Devices:
所有设备都在本地执行其任务。
下面,我们将所有设备==相对于本地移动执行的计算能耗降低率==用作性能指标。
cost reduction ratio = (本地移动执行的能耗-选择方式的能耗)/本地移动执行的能耗
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fLz9gcUG-1589331529332)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583567485443.png)]
我们在图5中显示了所有方案的平均系统计算开销。我们看到,随着社会联系概率==PLP_LPL==的增加,社交意识协作任务卸载的性能也会提高。这是由于以下事实:随着协作社交互动的增加,每个单独的设备从更多具有社会关系的设备提供协助并实现更有效的任务卸载而从协作任务卸载中受益更多。当社会联系概率==PLP_LPL较大时(例如,PL=0.5P_L= 0.5PL=0.5== ),社交感知的协作任务卸载可以实现超过59%的计算成本降低,而社交未察觉的任务卸载和所有设备的云卸载执行的成本降低率分别产生30%和25%。这表明了所提出的具有社会意识的协作任务卸载方案的优越性能。即使社会联系概率==PLP_LPL==非常小,我们提出的方案仍然可以实现良好的性能,与所有设备执行本地移动执行相比,成本降低了37%以上。
基于真实轨迹的社交图Real Trace Based Social Graph
我们现在根据真实数据踪迹Brightkite的社交网络通过社交图评估社交意识的协作任务卸载方案,该网络包含移动用户之间的明显的社交网络。 我们分别使用100,200,…,500个设备来实现仿真。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XI8NcgNr-1589331529335)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583575476610.png)]
我们在图6中显示了平均系统计算开销,其中进一步考虑了贪婪任务卸载的基准。类似于许多现有研究中的近似解决方案(例如[6]),贪婪任务卸载方案首先根据其所有能耗对所有可行的任务所有者-执行者(owner-executors)对进行排序,然后贪婪地按顺序选择所有者-执行者对(owner-executors)。我们看到,具有社会意识的协作任务卸载可以减少多达44%的计算成本。相比之下,社交未察觉的任务卸载,所有设备的云卸载执行和贪婪的任务卸载分别仅将成本降低了30%,33%和37%。我们还观察到,随着设备数量的增加,具有社交意识的协作任务卸载的性能也会提高,这部分是由于在更大的设备群体中可以出现更多有益的合作。使用真实社交网络数据轨迹进行的评估证明了所提出的社交感知协作任务卸载对于实际实施的效率。
ONE(机会网络)
不需要源节点和目标节点之间存在完整链路,
利用节点移动带来的相遇机会实现通信的自组织网络。
https://blog.csdn.net/qq_36627468/article/details/79225355
关于未来方向的讨论
在本节中,我们将讨论几个重要的方向,以进一步探索协作移动边缘计算的社会意识机制设计问题。
协作移动边缘计算的社交团体效用最大化
正如相关工作讨论中所提到的,在==[11]==的先前研究中,我们提出了用于协作网络设计的社交团体效用最大化social group utility maximization(SGUM)框架。SGUM框架整合了两个用户(例如,家庭成员或朋友)之间的“积极”社交关系和两个用户(例如,由于恶意行为)之间的“消极”社交关系。 通过改变用户之间的社交联系强度,我们表明SGUM框架可以涵盖零和博弈zero-sum game (ZSG)和一般和非合作博弈general-sum non-cooperative game(NCG)之间的连续性,从而达到网络效用最大化network utility maximization (NUM),因此,可以为具有社会意识的协作网络系统设计(包括研究网络安全问题)提供丰富的建模灵活性。
因此,作为探索的重要方向,我们将扩展SGUM框架,以实现社交意识的协作移动边缘计算包括计算和网络资源共享。 此外,我们将在具有积极和消极社会联系的SGUM框架的基础上,通过利用社交朋友的值得信赖的帮助和协作来防御恶意用户的攻击,从而设计出安全的移动边缘计算系统。
零和博弈
零和博弈的原理如下:两人对弈,总会有一个赢,一个输,如果我们把获胜计算为得1分,而输棋为-1分。则若A获胜次数为N,B的失败次数必然也为N。若A失败的次数为M,则B获胜的次数必然为M。这样,A的总分为(N-M),B的总分为(M-N),显然(N-M)+(M-N)=0,这就是零和游戏的数学表达式。
一般和非合作博弈
零和的泛化形式
社区意识协作设备资源池
在本文中,我们通过考虑任务是从移动设备生成的,并且还适合在具有空闲计算资源的另一设备上卸载移动执行,来重点关注实现最佳任务卸载决策的问题。 未来研究的一个有趣方向是考虑到某些任务可能源自其他类型的设备,并且具有较大的计算量。 在这种情况下,通常需要跨多个设备的设备资源池,以支持大型任务。
为了应对这一挑战,我们可以利用社交网络中的社区结构来进行具有社会动机的协作设备资源池。社交社区是一个结构组件,它代表一组具有密切而稳定的社交关系的设备用户,例如,家庭成员和同一公司的同事。显然,同一个社区的成员经常互动,并被认为彼此之间具有很强的社会联系以进行协作。对于具有社交社区意识的协作设备资源池,我们可以首先在设备社交图上应用经典社区检测算法,以识别潜在的社交社区。 在此基础上,通过在合作博弈论中利用联盟形成算法,我们可以通过将多个社交社区合并在一起来支持多个大型任务的资源需求,从而形成多个超级社区。
社区检测算法
https://blog.csdn.net/qq_41106162/article/details/89874569
结论
在本文中,我们提出了一种社会动机的协作移动边缘计算的新范例,该范例利用移动和可穿戴设备用户之间的社交联系结构来实现任务执行中的有效和可信赖的合作。 出于社会动机的协作移动边缘计算可以促进任务执行方法的灵活选择,包括本地移动执行,D2D卸载执行,直接云卸载执行和D2D辅助云卸载执行。
具体来说,我们提出了一种用于协作移动边缘计算的系统模型以及一种设备社交图模型,以捕获设备之间的社交关系。我们还通过集成底层的社交联系结构以及设备之间的网络连接,设计了一种基于二分匹配的基于社交意识的协作任务卸载算法。使用基于Erdos-Renyi和基于实际轨迹的社交图进行执行评估,证实了所提出的社交意识机制可以实现出色的效果,因此是进一步探索的有希望的方向。
Socially-Motivated Cooperative Mobile Edge Computing论文阅读相关推荐
- Mobile Edge Computing —— Paper List
Mobile Edge Computing -- Paper List 本博客主要是为了记录看过的一些有关于移动边缘计算的论文,并做一个分类.所有文章均已附上地址以供下载. 综述 1.张开元,桂小林, ...
- Multi-Objective Computation Sharing in Energy and Delay Constrained Mobile Edge Computing
"Multi-Objective Computation Sharing in Energy and Delay Constrained Mobile Edge Computing Envi ...
- Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems 移动边缘计算系统中任务卸载的深度强化学 ...
- 【边缘计算概念】MEC(Mobile Edge Computing边缘计算技术)
MEC,从字面上直观理解就能知道,这是一种运用在移动通信系统(Mobile),边缘节点(Edge),并承担大量计算任务(Computer)的玩意儿. 边缘计算技术(Mobile Edge Comput ...
- 老猿学5G扫盲贴:移动边缘计算(Mobile Edge Computing, MEC)
版权声明:本文为CSDN博主「魏晓蕾」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明. 原文链接:https://blog.csdn.net/gongxifaca ...
- Mobile Edge Computing学习笔记(一)从通信领域看移动边缘计算:现有的经典结构与模型
MEC最近越来越火了,inforcom,mobicom各种顶会每年都有大量产出.看了一篇 IEEE COMMUNICATIONS SURVEYS & TUTORIALS的综述:A Survey ...
- Richer Convolutional Features for Edge Detection 论文阅读
Richer Convolutional Features for Edge Detection是2017年cvpr中一篇边缘检测文章,准备以此为基础,1)了解深度学习中边缘检测的发展:2)如何使用深 ...
- Mobile Edge Computing 可以投的期刊和会议
(一)期刊 CCF-A 一区期刊 主投期刊: task offloading Transactions on Mobile Computing (TMC) IEEE Transactions on P ...
- Reward Machines for Cooperative Multi-Agent Reinforcement Learning论文阅读
Abstract 本文提出了一种使用Reward Machine作为reward function编码任务的方法.其实就是把传统人为定义的reward function替代了.使用reward Mac ...
最新文章
- c++图形中如何判断鼠标点击在一条直线上_PS教程:十种抠图方法【上】
- Matlab 二维绘图函数(plot类)
- JS实现图片预览与等比缩放
- 实例讲解C语言的位运算
- pthon_函数式编程与面向对象编程的比较
- 作者:陈卫, 男, 微软亚洲研究院高级研究员, 清华大学客座教授。
- Pandas Apply函数
- ping 丢包 网络摄像头_FIFA21 新加入网络连接监测功能
- 【每日算法Day 73】学妹大半夜私聊我有空吗,然后竟然做出这种事!
- TCP协议-socket通信
- 浅谈人工智能时代下的工程伦理问题
- dnfdpl服务器维护了,梦想开始的地方丨山东沙排女将王鑫鑫奥运首秀止步八强 怕影响训练父母没来济南探望过...
- 网吧里电脑提示计算机内存不足,网吧电脑显示虚拟内存不足该怎么办呢
- CLC龍链:致力于打造基于区快链技术的全球跨境支付生态系统
- 洛谷P2851 [USACO06DEC]The Fewest Coins G 题解
- 记一次尴尬的经历---硅胶干燥剂颗粒堵住了耳机孔
- C语言小程序实现输出国际象棋棋盘
- 安卓毕业设计- 基于Android的旅游计划APP
- 如何通过python自动化薅短视频APP羊毛
- 数字金额转化为汉字大写金额