典型文献
移动边缘计算网络中的资源分配与定价
文献摘要：
移动边缘计算(mobile edge computing,MEC)使移动设备(mobile device,MD)能够将任务或应用程序卸载到MEC服务器上进行处理.由于MEC服务器在处理外部任务时消耗本地资源,因此建立一个向 MD 收费以奖励MEC服务器的多资源定价机制非常重要.现有的定价机制依赖于中介机构的静态定价,任务的高度动态特性使得实现边缘云计算资源的有效利用极为困难.为了解决这个问题,我们提出了一个基于Stackelberg博弈的框架,其中MEC服务器和一个聚合平台(aggregation platform,AP)充当跟随者和领导者.我们将多重资源分配和定价问题分解为一组子问题,其中每个子问题只考虑一种资源类型.首先,通过MEC服务器宣布的单价,AP通过解决一个凸优化问题来计算MD从MEC服务器购买的资源数量.然后,MEC服务器计算其交易记录,并根据多智能体近端策略优化(multi-agent proximal policy optimization,MAPPO)算法迭代调整其定价策略.仿真结果表明,MAPPO在收益和福利方面优于许多先进的深度强化学习算法.
文献关键词：
移动边缘计算(MEC);资源定价;博弈论;深度强化学习;资源分配
中图分类号：
作者姓名：
吕晓东;邢焕来;宋富洪;王心汉
作者机构：
西南交通大学 信息科学与技术学院,成都 610031;西南交通大学 计算机与人工智能学院,成都 610031
文献出处：
引用格式：
[1]吕晓东;邢焕来;宋富洪;王心汉-.移动边缘计算网络中的资源分配与定价)[J].计算机系统应用,2022(10):99-107
A类：
MAPPO
B类：
移动边缘计算,边缘计算网络,资源分配,mobile,edge,computing,MEC,移动设备,device,MD,应用程序,卸载,载到,服务器上进行,本地资源,收费,多资源,资源定价机制,中介机构,动态特性,边缘云计算,计算资源,Stackelberg,聚合平台,aggregation,platform,充当,跟随者,领导者,重资,问题分解,子问题,资源类型,宣布,单价,凸优化问题,交易记录,多智能体,近端策略优化,multi,agent,proximal,policy,optimization,定价策略,利方,深度强化学习算法,博弈论
AB值：
0.411574
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
