摘要：當前關(guān)于如何激勵更多邊緣節點(diǎn)參與邊緣計算環(huán)境仍然缺乏研究，為此本文首先基于斯塔克爾伯格博弈理論提出了在云—邊環(huán)境中單個(gè)云服務(wù)下行任務(wù)的激勵機制設計，考慮了云節點(diǎn)和邊緣節點(diǎn)間的博弈以及邊緣節點(diǎn)內部的博弈，該激勵機制能夠適應邊緣計算環(huán)境的動(dòng)態(tài)性。同時(shí)提出了“云-邊-端”三層  架構環(huán)境中多個(gè)云服務(wù)下行任務(wù)的激勵機制；最后，本文提出了一種邊緣節點(diǎn)相互合作以實(shí)現資源分配均衡的合作激勵機制，該合作激勵機制能夠有效激勵邊緣節點(diǎn)貢獻資源以及均衡任務(wù)間的資源分配。此外，本文給出了關(guān)于該問(wèn)題可進(jìn)一步開(kāi)展的重點(diǎn)研究工作。

關(guān)鍵詞：邊緣計算；激勵機制；斯塔克爾伯格均衡；重疊聯(lián)盟形成博弈

1 背景

邊緣計算是近年來(lái)興起的前沿技術(shù)，已成為國內外工業(yè)界和學(xué)術(shù)界關(guān)注的熱點(diǎn)。其基本設想是將計算、存儲資源以及服務(wù)等從云端下行到靠近終端用戶(hù)的邊緣側，從而減少用戶(hù)時(shí)延，緩解網(wǎng)絡(luò )數據傳輸壓力，創(chuàng )造出一個(gè)具備高性能、低延遲、高帶寬的大數據處理服務(wù)環(huán)境[1]。與云計算架構相比，邊緣計算主要具有兩方面 顯著(zhù)優(yōu)勢：（1）可在邊緣側處理大量臨時(shí)數據，緩解遠程數據中心和網(wǎng)絡(luò )帶寬的壓力；（2）結合5G技術(shù)共同向多樣化的終端設備提供更靠近的本地化服務(wù)，顯著(zhù)增強服務(wù)的響應能力。鑒于邊緣計算的優(yōu)勢，學(xué)術(shù)界和工業(yè)界就邊緣計算環(huán)境等諸多問(wèn)題展開(kāi)了大量研究，包括服務(wù)放置和請求調度問(wèn)題、服務(wù)質(zhì)量（QoS）提升問(wèn)題、負載均衡問(wèn)題、邊緣網(wǎng)絡(luò )數據存儲問(wèn)題等。

然而，當前邊緣計算的相關(guān)工作大多假設邊緣節點(diǎn)自愿為云數據中心托管服務(wù)，忽視了邊緣節點(diǎn)的個(gè)體理性和自私性。在邊緣計算中，這些邊緣節點(diǎn)通常是由不同基礎設施提供商（如Amazon的AWS、阿里云等）提供的邊緣服務(wù)器，具有一定計算能力和存儲能力。單個(gè)邊緣節點(diǎn)資源能力有限，難以承擔云服務(wù)下行任務(wù)帶來(lái)的大量的終端用戶(hù)需求，因此需要由多個(gè)邊緣節點(diǎn)共同承擔下行任務(wù)。對邊緣節點(diǎn)而言，為云數據中心托管服務(wù)會(huì )消耗其自身資源，包括計算資源、存儲資源和傳輸資源，從而造成資源開(kāi)銷(xiāo)。通常，邊緣節點(diǎn)提供者是個(gè)體理性的，如果參與邊緣計算帶來(lái)的凈收益（即所獲報酬減去所需開(kāi)銷(xiāo)）為負，則不會(huì )參與；邊緣節點(diǎn)提供者是自私的，其目的都是最大化自己的凈收益，不會(huì )為了整體或其他節點(diǎn)的利益而損害自己的利益。也就是說(shuō)，邊緣節點(diǎn)不會(huì )自愿無(wú)私地貢獻自己的資源來(lái)托管下行的云端服務(wù)。因此，亟待解決激勵邊緣節點(diǎn)為云端服務(wù)提供空閑資源的問(wèn)題，從而構建持續可擴展的邊緣層共享資源池。

構建一個(gè)有足夠邊緣節點(diǎn)愿意貢獻部分資源，為更多下行云服務(wù)提供服務(wù)的邊緣計算環(huán)境，建立對應的高效激勵機制，是一個(gè)非常具有挑戰的問(wèn)題。由于邊緣節點(diǎn)的個(gè)體理性和自私性，邊緣計算環(huán)境中所有實(shí)體“各自為政”，只考慮自身利益，因而我們無(wú)法通過(guò)傳統的優(yōu)化建模方式來(lái)解決上述問(wèn)題。盡管在一些領(lǐng)域（如群智感知、對等網(wǎng)絡(luò )等）已有關(guān)于激勵機制設計的工作， 但邊緣計算環(huán)境仍缺少高效的激勵機制設計研究。和其他領(lǐng)域的問(wèn)題不同，邊緣計算環(huán)境是云-邊-端三層架構，即云端層、邊緣層和終端用戶(hù)層，其中各個(gè)邊緣節點(diǎn)的能力不一，這種多層次異構結構加大了激勵機制設計求解的復雜度。

2 相關(guān)工作

在邊緣計算領(lǐng)域，一些經(jīng)濟學(xué)理論已被應用于激勵機制設計，包括斯塔克爾伯格博弈、市場(chǎng)模型和契約理論等。Zhou等人面向邊緣計算下的移動(dòng)群體感知問(wèn)題，提出一個(gè)魯棒群體移動(dòng)感知框架RMCS[2]。Shen等 人研究了霧計算環(huán)境下的移動(dòng)眾包感知[3]，設計了一個(gè) 基于斯塔克伯格博弈的激勵機制來(lái)激勵霧計算中的邊緣節點(diǎn)將其感知信息傳回控制器。Zheng等人以云端效用最大化為目標設計了一種基于斯塔克伯格博弈的邊緣緩存激勵機制[4]。Zeng等人針對霧計算環(huán)境中的計算負載均衡問(wèn)題設計了一種基于契約的激勵機制[5]。Yang Liu 等人設計了一種基于斯塔爾伯格博弈的激勵機制，并提出多輪搜索最優(yōu)解的算法來(lái)實(shí)現邊緣計算環(huán)境中的計算負載均衡[6]。然而，目前邊緣計算環(huán)境中的激勵機制設 計仍然缺乏深入研究。盡管已有研究利用斯塔爾伯格博弈來(lái)設計邊緣計算負載均衡的激勵機制，但是這些工作只考慮了云節點(diǎn)和邊緣節點(diǎn)之間的協(xié)商，而忽略了不同邊緣節點(diǎn)之間的博弈，同時(shí)無(wú)法給出帶約束的兩階段斯塔爾伯格對策的最優(yōu)解析解。如何在考慮兩類(lèi)競爭的同時(shí)激勵邊緣節點(diǎn)參與云服務(wù)下行任務(wù)有待進(jìn)一步研究。此外，目前也沒(méi)有相關(guān)工作考慮在邊緣計算環(huán)境下用合作博弈的方式來(lái)設計激勵機制，也沒(méi)有工作關(guān)注激勵機制多任務(wù)間資源分配不均衡的問(wèn)題。

3 主要研究問(wèn)題

在邊緣計算環(huán)境中，面對不同基礎設施提供商提供的邊緣服務(wù)器自私理性、“各自為政”的情況，我們研究通過(guò)設計激勵機制來(lái)激勵邊緣服務(wù)器為云端服務(wù)提供空閑資源，提高邊緣層基礎設施的服務(wù)能力，構建持續可擴展的邊緣層共享資源池，搭建共享和共贏(yíng)的邊緣計算服務(wù)平臺，在緩解云數據中心壓力和網(wǎng)絡(luò )帶寬壓力的同時(shí)為更多終端客戶(hù)提供質(zhì)量更高的內容服務(wù)。具體的研究問(wèn)題如下：

（1）如何設計云-邊環(huán)境單個(gè)云服務(wù)下行任務(wù)的激勵機制？如圖1所示，邊緣計算網(wǎng)絡(luò )通常由云節點(diǎn)、邊緣節點(diǎn)和終端用戶(hù)組成，云節點(diǎn)希望將云服務(wù)下行到靠近用戶(hù)的邊緣節點(diǎn)上，從而提高用戶(hù)服務(wù)質(zhì)量，緩解網(wǎng)絡(luò )帶寬壓力。然而，為下行云服務(wù)提供資源會(huì )讓邊緣節點(diǎn)自身產(chǎn)生開(kāi)銷(xiāo)。這些邊緣節點(diǎn)由不同的邊緣設施提供商操作，是理性和獨立的節點(diǎn)。如果沒(méi)有足夠的激勵， 邊緣節點(diǎn)將不會(huì )自愿承擔下行云服務(wù)。本文重點(diǎn)關(guān)注云-邊環(huán)境中單個(gè)云服務(wù)下行任務(wù)，研究如何設計邊緣 計算激勵機制來(lái)高效地激勵異構的邊緣節點(diǎn)貢獻空余資源，承擔下行云服務(wù)。同時(shí)，考慮到各節點(diǎn)的自私理性，研究如何在每個(gè)節點(diǎn)都希望最大化自身利益的同時(shí)能夠保證云服務(wù)下行任務(wù)的質(zhì)量。

圖1 邊緣計算網(wǎng)絡(luò )框架

（2）如何在云-邊-端環(huán)境中建立多任務(wù)激勵機制？在云-邊環(huán)境激勵機制設計的基礎上，我們考慮云- 邊-端環(huán)境的激勵機制設計。和其他領(lǐng)域不同，邊緣計 算激勵機制涉及到云端、邊緣層、終端用戶(hù)三層，包括云服務(wù)下行和終端用戶(hù)請求上行兩部分。邊緣節點(diǎn)不僅要考慮為云端提供資源，還需要考慮為其附近的終端用戶(hù)提供資源。因此，邊緣節點(diǎn)需要同時(shí)考慮云端和終端用戶(hù)，確定具體的資源提供量，來(lái)實(shí)現自身利益最大化的目的。同時(shí)，我們研究多個(gè)云服務(wù)下行任務(wù)，每個(gè)邊緣節點(diǎn)可以同時(shí)參加多個(gè)任務(wù)。相比單任務(wù)激勵機制， 多任務(wù)激勵機制能夠幫助云節點(diǎn)和邊緣節點(diǎn)作出更有利于自身的決策。所以，在設計激勵機制時(shí)還需要考慮邊緣節點(diǎn)如何選擇任務(wù)以及如何為各個(gè)任務(wù)確定提供的資源量。

（3）如何設計資源分配均衡的激勵機制？在多任務(wù)激勵機制問(wèn)題中，各邊緣節點(diǎn)為了最大化自身利益， 會(huì )傾向于向回報率高的任務(wù)提供資源，最終導致回報率高的任務(wù)收到過(guò)多資源而造成資源浪費，回報率低的任務(wù)不能收到足夠的資源而造成任務(wù)無(wú)法保質(zhì)完成。本文研究如何設計激勵機制來(lái)有效解決這種任務(wù)間資源分配不均衡的問(wèn)題，從而提高資源利用率，提升云服務(wù)下行任務(wù)的總體性能。

4 主要研究工作

為了解決上述問(wèn)題，有效激勵邊緣節點(diǎn)提供空閑資源，提升邊緣層基礎設施的服務(wù)能力，我們主要開(kāi)展了以下幾個(gè)方面研究工作：

（1）基于斯塔克爾伯格博弈建立云-邊環(huán)境單個(gè)云服務(wù)下行任務(wù)的激勵機制。我們基于斯塔克伯格博弈理論設計了一種有效的單任務(wù)激勵機制，以激勵更多的邊緣節點(diǎn)為云端托管下行的云服務(wù)。圖2展現了邊緣計算單任務(wù)激勵機制的工作流程。首先，云節點(diǎn)釋放一個(gè)云服務(wù)下行任務(wù)。邊緣節點(diǎn)如果愿意執行此任務(wù)，它將消耗其原本用于部署本地服務(wù)的資源。因此，它會(huì )期望從相應的云節點(diǎn)獲得報酬來(lái)彌補產(chǎn)生的資源開(kāi)銷(xiāo)。之后， 每個(gè)邊緣節點(diǎn)根據成本和報酬制定服務(wù)提供計劃，并將其提交到云節點(diǎn)。云節點(diǎn)從邊緣節點(diǎn)收集提供服務(wù)的計劃，選擇一部分邊緣節點(diǎn)來(lái)參與任務(wù)。在選定的邊緣節點(diǎn)提供資源后，云節點(diǎn)計算并發(fā)送每個(gè)選定邊緣節點(diǎn)的報酬。在整個(gè)云服務(wù)下行任務(wù)過(guò)程中，云節點(diǎn)旨在最大化自己的效用。邊緣節點(diǎn)由不同的邊緣提供商操作，希望最大化自身效用，并在足夠的激勵下實(shí)現云服務(wù)下行任務(wù)。我們將該激勵流程建模為斯塔克爾伯格博弈模型，同時(shí)考慮了云節點(diǎn)和邊緣節點(diǎn)間的博弈，以及邊緣節點(diǎn)內部的博弈。然后，研究了該復雜博弈模型最優(yōu)解的求解方法，給出斯塔克爾伯格均衡的解析解及其嚴格推導過(guò)程，并討論其唯一性。該云-邊環(huán)境單任務(wù)激勵 機制可以有效地激勵云節點(diǎn)和邊緣節點(diǎn)參與邊緣環(huán)境， 且適用于動(dòng)態(tài)邊緣環(huán)境。

圖2 邊緣計算單任務(wù)激勵機制工作流程

（2）將云服務(wù)下行任務(wù)建模為重疊聯(lián)盟，設計云-邊-端環(huán)境中的多任務(wù)激勵機制。在云-邊環(huán)境激勵機制的基礎上，我們提出了云-邊-端環(huán)境的激勵機制。 如圖3所示，邊緣計算云服務(wù)下行系統分為云服務(wù)下行和終端用戶(hù)請求上行兩個(gè)部分。在云服務(wù)下行過(guò)程中， 云平臺將同時(shí)發(fā)布多個(gè)云服務(wù)下行任務(wù)，并招募邊緣節點(diǎn)來(lái)緩存服務(wù)，從而確保延遲敏感型服務(wù)的網(wǎng)絡(luò )服務(wù)質(zhì)量?？紤]到邊緣節點(diǎn)的自私性和個(gè)體理性，云平臺將提供相應報酬給貢獻資源的邊緣節點(diǎn)。在終端用戶(hù)請求上行過(guò)程中，每個(gè)邊緣節點(diǎn)需要處理原本就由其承擔的附近終端用戶(hù)發(fā)送的請求。這些終端用戶(hù)在請求完成后， 將為相應的邊緣節點(diǎn)支付任務(wù)獎勵。我們將每個(gè)任務(wù)建模為重疊的聯(lián)盟，在重疊聯(lián)盟中理性的局中人可以同時(shí)加入多個(gè)聯(lián)盟。也就是說(shuō)，每個(gè)邊緣節點(diǎn)可以同時(shí)參加多個(gè)任務(wù)，根據所有任務(wù)的情況來(lái)挑選任務(wù)并制定為任務(wù)提供資源的方案。 

圖3 云-邊-端架構多任務(wù)激勵機制設計

（3）提出合作激勵機制設計，有效保證任務(wù)間資源分配均衡?；谥丿B聯(lián)盟形成博弈，本文設計了一種合作激勵機制，以鼓勵邊緣節點(diǎn)從云平臺選擇多個(gè)下行云服務(wù)時(shí)相互協(xié)作。在多任務(wù)激勵機制問(wèn)題中，各邊緣節點(diǎn)為了最大化自身利益，會(huì )傾向于向回報率高的任務(wù)提供資源。合作激勵機制能夠防止這種情況的發(fā)生，從而避免了該任務(wù)收集的資源浪費和任務(wù)間資源分配不均衡的情況，也避免了邊緣節點(diǎn)都加入單一任務(wù)而各自得到的報酬過(guò)低的情況。相比非合作方法，該合作激勵機制獲得了更高的云節點(diǎn)效用，并且任務(wù)間的資源分配更加均衡。

5 發(fā)展展望

當前我們考慮到邊緣服務(wù)器自私理性的特點(diǎn)，研究了邊緣計算環(huán)境下激勵機制設計，著(zhù)力解決邊緣層基礎設施服務(wù)能力不足的問(wèn)題，為更多終端客戶(hù)提供質(zhì)量更高的內容服務(wù)，后續我們將繼續在該領(lǐng)域開(kāi)展相關(guān)的研究工作：

（1）結合邊緣設備層的激勵機制設計研究。當前邊緣計算環(huán)境的激勵機制研究主要考慮了如何激勵邊緣服務(wù)器構成的邊緣層。在更靠近終端用戶(hù)處，還有由終端用戶(hù)手機、路由、個(gè)人電腦等邊緣設備構成的邊緣設備層，這些邊緣設備通常會(huì )連接到邊緣服務(wù)器，再通過(guò)邊緣服務(wù)器連接到云端，可以作為邊緣服務(wù)器的擴展。下一步工作將關(guān)注包含邊緣服務(wù)器和邊緣設備的雙層邊緣層，在已有的基礎上進(jìn)一步研究如何激勵邊緣設備為邊緣服務(wù)器提供額外支撐，從而構建更具擴展性的邊緣計算共享資源池。

（2）考慮邊緣節點(diǎn)資源位置分布的邊緣計算激勵機制設計研究。當前的激勵機制設計大多是以激勵邊緣節點(diǎn)貢獻空閑資源為研究目標，而沒(méi)有考慮到邊緣計算模式的最終目的是提高終端用戶(hù)服務(wù)質(zhì)量（QoS），提升終端用戶(hù)服務(wù)體驗。相比云數據中心，邊緣節點(diǎn)計算存儲能力有限，但是數量更多且分散地分布在靠近用戶(hù)的地方，邊緣節點(diǎn)可提供資源的位置分布也將成為影響服務(wù)質(zhì)量的重要因素。相比附近用戶(hù)對下行云服務(wù)需求低的邊緣節點(diǎn)，對應需求高的邊緣節點(diǎn)需要提供更多資源才能有效提升其附近終端用戶(hù)的服務(wù)質(zhì)量。因此，在后續研究中，將在考慮資源位置分布的基礎上設計激勵機制，從而能夠更有效地保證用戶(hù)的服務(wù)質(zhì)量。

（3）激勵機制安全保障體系研究。在邊緣環(huán)境激勵機制中，云端和邊緣節點(diǎn)的行為難以得到保證，雙方可能存在作弊的情況，使得激勵機制的合理性和有效性受到質(zhì)疑。因此，需要研究如何構建安全可靠的誠信評價(jià)系統，設計懲罰函數來(lái)抑制非理性不公平的競爭，確保激勵機制運行時(shí)云端和邊緣節點(diǎn)不會(huì )出現作弊行為。同時(shí)，可以考慮如何結合區塊鏈，引進(jìn)智能協(xié)議等技術(shù)，確保云節點(diǎn)和邊緣節點(diǎn)遵循激勵機制給出的最優(yōu)策略，實(shí)現去第三方的激勵機制安全保障體系。

作者簡(jiǎn)介：

姚晨蝶，國防科技大學(xué)系統工程學(xué)院研究生，主要研究方向為邊緣計算、智能博弈等。

謝俊杰，軍事科學(xué)院系統工程研究院工程師，主要研究方向為分布式系統、軟件定義網(wǎng)絡(luò )、移動(dòng)邊緣計算等。

郭得科，國防科技大學(xué)系統工程學(xué)院教授，主要研究方向為網(wǎng)絡(luò )計算與系統、分布式計算與系統、網(wǎng)絡(luò )空間安全、移動(dòng)計算等。榮獲湖南省自然科學(xué)一等獎（排名第一）、2020年度CCF-IEEE CS青年科學(xué)家獎、IEEE ICNP 2019最佳論文；以第一完成人出版學(xué)術(shù)專(zhuān)著(zhù)2 部，獲得中國和美國授權發(fā)明專(zhuān)利38項。入選國家優(yōu)青、國家萬(wàn)人計劃青年拔尖、軍隊高層次科技創(chuàng )新人才工程、湖南省杰青、教育部新世紀人才計劃。

劉 忠，國防科技大學(xué)系統工程學(xué)院副院長(cháng)、教授，主要研究方向為人工智能、深度強化學(xué)習、多智能體系統等。擔任教育部科技創(chuàng )新團隊負責人、國家人工智能戰略咨詢(xún)委員會(huì )委員。

參考文獻：

[1] P. Mach and Z. Becvar, et al. Mobile edge computing: A Survey on Architecture and 

Computation Offloading[J]. IEEE Communications Surveys and Tutorials, vol. 19,

 No. 3, 2017, 1628 – 1656.

[2] Zhou Z, Liao H, Gu B, et al. Robust Mobile Crowd Sensing: When Deep Learning Meets 

Edge Computing[J]. IEEE Network, 2018, 32 (4) : 54 - 60.

[3] Shen F, Zhang G, Zhang C, et al. An Incentive Framework for Resource Sensing in Fog 

Computing Networks[C]. Global communications conference, 2018: 1 - 6.

[4] Zheng Z, Song L, Han Z, et al. A Stackelberg Game Approach to Proactive Caching in 

Large-Scale Mobile Edge Networks[J]. IEEE Transactions on Wireless Communications, 2018, 17 (8) : 5198 - 5211.

[5] Zeng M, Li Y, Zhang K, et al. Incentive Mechanism Design for Computation Offloading in 

Heterogeneous Fog Computing: A Contract-based Approach[C]. International Conference on Communications, 2018 : 1 - 6.

[6] Liu Y, Xu C, Zhan Y, et al. Incentive Mechanism for Computation Offloading Using Edge 

 Computing: A Stackelberg Game Approach[J]. Computer Networks, 2017, 129 (24) : 399 - 409.

摘自《自動(dòng)化博覽》2021年2月刊