張 俊， 王 楊， 張聰聰， 許閃閃

(蕪湖職業(yè)技術(shù)學(xué)院 網(wǎng)絡(luò)工程學(xué)院,安徽 蕪湖 241003；2.安徽師范大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 蕪湖 241003)

引 言

隨著通信和計(jì)算技術(shù)的迅猛發(fā)展，新興的5G應(yīng)用程序(例如，增強(qiáng)現(xiàn)實(shí)、自動(dòng)駕駛等)不僅給車輛終端的處理能力帶來了巨大壓力，又給無線接入網(wǎng)帶來了很大的負(fù)擔(dān)。針對(duì)車輛終端處理能力不足的問題，采用車載邊緣計(jì)算模式是一種有效的解決方案。通常情況下，主要有兩種車載邊緣計(jì)算的解決思路：廣泛部署輕量級(jí)的服務(wù)器和挖掘附近車輛未充分利用的資源。第一種方案需要大量的資金投入，而且在非高峰時(shí)期會(huì)存在資源過剩的情況。因此，該方案面臨的問題是如何尋求適中的成本來調(diào)節(jié)不斷增長的任務(wù)需求。第二種方案不需要部署額外的服務(wù)器，利用附近的車輛提供大量的計(jì)算資源來緩解高峰時(shí)段的網(wǎng)絡(luò)擁塞。未來的智能汽車將配備更強(qiáng)大的CPU、更大容量的數(shù)據(jù)存儲(chǔ)單元和更先進(jìn)的通信技術(shù)，以滿足用戶更高的需求。這意味著，第二種方法更加容易實(shí)施，任務(wù)不需要經(jīng)過基站，進(jìn)而減少傳輸時(shí)延。

盡管車載邊緣計(jì)算(Vehicle Edge Computing，VEC)具有上述優(yōu)勢，大面積部署仍然面臨著關(guān)鍵的挑戰(zhàn)：(1)缺乏激勵(lì)機(jī)制來刺激附近車輛提供有效的資源。自私理性的車輛如果沒有收益一般不會(huì)提供服務(wù)資源，另外，基站無法獲取車輛的私有信息。因此，在信息不對(duì)稱的情形下，建立一種有效優(yōu)化服務(wù)提供商的機(jī)制尤為重要。(2)缺乏低復(fù)雜度的任務(wù)卸載機(jī)制。每輛車都是獨(dú)立的實(shí)體，只有對(duì)所有的車輛進(jìn)行合理地分配，才能最小化網(wǎng)絡(luò)總時(shí)延，達(dá)到更為理想的執(zhí)行效果。

這些挑戰(zhàn)促使我們尋找一種合適的博弈策略來鼓勵(lì)車輛參與任務(wù)卸載。在VEC執(zhí)行任務(wù)卸載中，服務(wù)提供者和請(qǐng)求者都參與其中，通過合理分配自身的資源，實(shí)現(xiàn)系統(tǒng)效用最大化。若參與者沒有單方面偏離當(dāng)前策略，則稱這種狀態(tài)為納什均衡。因此，通過尋找任務(wù)卸載博弈的納什均衡來確定最優(yōu)定價(jià)的卸載策略。

在所有的博弈模型中，Stackelberg博弈被廣泛用于解決定價(jià)問題。Stackelberg博弈的基本策略是領(lǐng)導(dǎo)者有權(quán)采取第一個(gè)行動(dòng)，追隨者觀察領(lǐng)導(dǎo)者的行動(dòng)，并據(jù)此做出自己的行動(dòng)。利用Stackelberg博弈的主要優(yōu)勢如下：(1)能夠準(zhǔn)確地描述了服務(wù)提供者和請(qǐng)求者之間的交互；(2)領(lǐng)導(dǎo)者與跟隨者的關(guān)系符合服務(wù)提供者與請(qǐng)求者的不平等地位；(3)如果Stackelberg均衡存在，則它可以為服務(wù)提供者和請(qǐng)求者提供最優(yōu)價(jià)格和卸載比例。

因此，本文提出了一種基于stackelberg博弈的任務(wù)卸載策略，該策略能夠獲得最優(yōu)價(jià)格和卸載比例，以便服務(wù)提供者向請(qǐng)求者提供服務(wù)。Stackelberg博弈用于服務(wù)提供者和請(qǐng)求者之間的信息交互，接著推導(dǎo)出納什均衡狀態(tài)，并提出了一種最優(yōu)定價(jià)的任務(wù)卸載算法。大量的仿真實(shí)驗(yàn)結(jié)果表明，該算法能夠有效地減少任務(wù)的總時(shí)延，同時(shí)最大限度地提高整體效用。

1 相關(guān)工作

隨著無線通信、人工智能和云計(jì)算技術(shù)的飛速發(fā)展，許多學(xué)者認(rèn)為智能社區(qū)汽車(the Intelligent Community Vehicle,ICV)是傳統(tǒng)車輛的未來發(fā)展趨勢。ICV配備了先進(jìn)的車載傳感器、控制器、執(zhí)行器等設(shè)備，可以實(shí)現(xiàn)V2X[1]的智能信息共享。利用IoV中的通信技術(shù)將任務(wù)傳輸?shù)骄哂胸S富計(jì)算資源的其他基礎(chǔ)結(jié)構(gòu)是實(shí)現(xiàn)自動(dòng)駕駛的一個(gè)關(guān)鍵步驟[2]。

下面從優(yōu)化目標(biāo)的角度將IoV的任務(wù)卸載問題大致分為四類。

⑴以降低時(shí)延為目標(biāo)的任務(wù)卸載。在[3]中提出了一種綜合優(yōu)化算法的資源分配模型，該模型考慮邊緣服務(wù)器的計(jì)算能力在不同時(shí)間段發(fā)生變化，實(shí)現(xiàn)車輛總?cè)蝿?wù)卸載時(shí)延最小。在[4]中主要考慮車輛之間的任務(wù)卸載，提出了基于在線學(xué)習(xí)的分布式計(jì)算卸載算法，以達(dá)到對(duì)平均卸載時(shí)延的最小化。在[5]中根據(jù)最優(yōu)節(jié)點(diǎn)選取理論設(shè)計(jì)了一種任務(wù)卸載方案，實(shí)現(xiàn)了任務(wù)卸載全過程中耗時(shí)更少。在[6]中提出了一種啟發(fā)式搜索算法，通過優(yōu)化候選對(duì)象選擇、轉(zhuǎn)移排序和任務(wù)分配來解決任務(wù)卸載問題，權(quán)衡了時(shí)延和可靠性。

⑵以降低能耗為目標(biāo)的卸載決策。在[7]中提出了一種車載終端設(shè)備的節(jié)能VEC框架，并開發(fā)了基于ADMM的節(jié)能資源配置算法。在[8]中將卸載問題表述為NP難問題，提出了一種啟發(fā)式算法來逐步解決卸載問題，設(shè)計(jì)了一種預(yù)測性組合傳動(dòng)模式，并為計(jì)算設(shè)施建立深度學(xué)習(xí)模型，以達(dá)到車輛能耗最小化。在[9]中提出了一種基于共識(shí)ADMM的分布式任務(wù)卸載方案，將具有耦合變量的原始問題轉(zhuǎn)換為可分離目標(biāo)的等效一般共識(shí)問題，從而降低終端車輛的能耗。

⑶以權(quán)衡能耗和時(shí)延為目標(biāo)的卸載決策。在[10]中，提出了基于半馬爾可夫決策的集中式任務(wù)分配算法，在綜合考慮任務(wù)時(shí)延和移動(dòng)設(shè)備能耗的前提下，使系統(tǒng)平均成本最小化。在[11]中提出了一種混合NOMA的第三種策略，通過應(yīng)用幾何規(guī)劃(GP)獲得了最優(yōu)時(shí)間和功率分配的閉式表達(dá)式。在[12]中提出了一種具有混合能源供應(yīng)的F-RAN的時(shí)延感知能效計(jì)算卸載方案，利用綠色電源來支持從移動(dòng)用戶的計(jì)算卸載，在延遲和網(wǎng)絡(luò)約束下以最大程度地減少不可再生電網(wǎng)的能耗。

⑷以權(quán)衡時(shí)延和成本為目標(biāo)的卸載決策。在[13]和[14]中，提出了兩種基于云的車輛邊緣計(jì)算卸載框架，分別采用運(yùn)籌學(xué)理論和Stackelberg博弈論方法，使MEC服務(wù)器和車輛的效益最大化。在[15]中提出了一種基于凸凹過程的合同優(yōu)化算法以激勵(lì)服務(wù)車輛提供服務(wù)，設(shè)計(jì)了基于定價(jià)的任務(wù)卸載機(jī)制，在信息不對(duì)稱的情況下實(shí)現(xiàn)服務(wù)提供商的期望效用最大化。在[16]中引入附近備份服務(wù)器來補(bǔ)充資源，提出Stackelberg博弈的卸載方案以實(shí)現(xiàn)改善服務(wù)提供商效用的目標(biāo)。在[17]中，考慮計(jì)算任務(wù)的時(shí)間消耗和車輛的移動(dòng)性，提出一種預(yù)測組合模式的卸載方案，減少計(jì)算卸載的停留時(shí)延和傳輸成本。

然而，較少有論文考慮到車輛的移動(dòng)性。事實(shí)上，信道傳輸?shù)臄?shù)據(jù)速率和有效的通信時(shí)間都受到數(shù)據(jù)傳輸距離的影響。在本文中，針對(duì)VEC系統(tǒng)的優(yōu)點(diǎn)，提出任務(wù)卸載方案，旨在最小化任務(wù)完成的平均卸載時(shí)延，而主要考慮任務(wù)完成的時(shí)延和車輛的移動(dòng)性。

2 系統(tǒng)模型

2.1 VEC模型

服務(wù)車SV(Service Vehicle)：SV是擁有空閑計(jì)算資源的車輛，可以幫助請(qǐng)求車執(zhí)行任務(wù)。請(qǐng)求車表示為SV={p,εsr,fs,vs,Ps}，其中p表示SV提供的任務(wù)卸載成本，εsr表示通信成本，fs表示SV的計(jì)算強(qiáng)度，vs和Ps分別表示SV的速度和瞬時(shí)位置。

請(qǐng)求車RV(Request Vehicle)：RV是需要卸載任務(wù)的車輛，表示為RV={λ,Dt,fr,vr,Pr}，其中λ表示卸載百分比，Dt表示任務(wù)數(shù)據(jù)的大小，fr表示RV的計(jì)算強(qiáng)度，vr表示RV的速度，Pr表示RV的瞬時(shí)位置。

如圖1所示，我們?cè)O(shè)想了一個(gè)VEC網(wǎng)絡(luò)場景，蜂窩網(wǎng)絡(luò)的基站均部署在路邊，通過電線連接到互聯(lián)網(wǎng)上的服務(wù)器。所有車輛都配備有兩個(gè)無線接口：蜂窩網(wǎng)絡(luò)接口和IEEE802.11p網(wǎng)絡(luò)接口。因此，車輛可以使用4G協(xié)議連接到蜂窩網(wǎng)絡(luò)，也可以使用IEEE 802.11p協(xié)議互相通信。SDN控制器用于管理任務(wù)的卸載，也可以與蜂窩網(wǎng)絡(luò)、車輛和內(nèi)容服務(wù)器通信。SDN控制器充當(dāng)車輛和內(nèi)容服務(wù)器之間的中介。

如果RV想卸載內(nèi)容，需要通過蜂窩網(wǎng)絡(luò)向SDN控制器發(fā)送請(qǐng)求。然后，SDN控制器發(fā)回一組SV和關(guān)于請(qǐng)求內(nèi)容的信息。與RV行駛方向相同的臨近車輛若具有所請(qǐng)求任務(wù)的副本，則這些車輛是SV。同時(shí)，SDN控制器向所有SV發(fā)送一條消息，請(qǐng)他們參加博弈。接下來，SV將自己的信息發(fā)送給RV。最后，RV根據(jù)最低價(jià)格選擇最終的SV進(jìn)行任務(wù)卸載。如果所有SV提供的卸載價(jià)格過高，客戶將直接在本地執(zhí)行。在考慮的時(shí)間段內(nèi)，車輛的身份是穩(wěn)定的。提出的基本假設(shè)如下:

1)在卸載過程中每輛車的速度和方向保持不變。

2)在通信范圍內(nèi)每個(gè)RV只能將任務(wù)卸載給一個(gè)SV，每個(gè)SV可以向多個(gè)RV提供服務(wù)。

3)僅考慮V2V的任務(wù)卸載，如果RV僅有一個(gè)通信鏈接，RV的任務(wù)只能被卸載到它的一跳鄰居。

2.2 系統(tǒng)模型

(1)

每一對(duì)RV和SV只有在通信范圍R內(nèi)才有機(jī)會(huì)進(jìn)行通信，即RV和SV之間的距離(需要滿足不等式)||PRVi(t)-PSVj(t)||R。假設(shè)RVi在t0=0時(shí)刻有一個(gè)計(jì)算密集型任務(wù)，第Δt時(shí)刻的RVi與SVj之間的歐式距離為

(2)

有幾項(xiàng)工作表明停留時(shí)延服從伽馬分布[18]。通常來說,伽馬分布的概率密度函數(shù)Ga(△t,dij(△t),θ)和伽馬函數(shù)Γ(dij(△t))分別表示為

(3)

(4)

其中，θ是比例參數(shù)，其值是由道路段的實(shí)際情況決定的[19]。SVj的停留時(shí)延為

(5)

2.2.2 計(jì)算模型 任務(wù)完成的時(shí)間包括三個(gè)過程所消耗的時(shí)間:1)任務(wù)內(nèi)容的交付;2)任務(wù)執(zhí)行;3)任務(wù)結(jié)果反饋。考慮計(jì)算密集型任務(wù)，如果RVi決定任務(wù)在本地執(zhí)行的時(shí)間為

(6)

(7)

由于RV和SV都是移動(dòng)的車輛，卸載任務(wù)的總計(jì)算時(shí)間應(yīng)該小于RV和SV之間的相互接觸時(shí)間,即

(8)

2.2.3 信任模型 在具有多個(gè)SV的系統(tǒng)中，一些SV很受歡迎，RV想要卸載任務(wù)給它們，而其他不受歡迎的SV，可能少數(shù)RV對(duì)它們感興趣。我們根據(jù)歷史信任值和現(xiàn)有觀察值對(duì)SV未來行為進(jìn)行預(yù)測，由RV確定是否將任務(wù)卸載給SV。根據(jù)RV對(duì)SV的信任分布來建模SV的受歡迎程度。而信任值是兩個(gè)相鄰車輛直接交互過程中對(duì)SV行為的評(píng)價(jià)值。根據(jù)文獻(xiàn)[20]可知信任關(guān)系為

(9)

2.3 Stackelberg模型

2.3.1 效用函數(shù) RV的效用函數(shù)是通過卸載節(jié)省的時(shí)間與獲取數(shù)據(jù)成本之間的差值。RV的效用函數(shù)定義為

(10)

其中，α1+α2=1,0≤α1≤1和0≤α2≤1，α1和α2是權(quán)重。

SV的策略是通過定價(jià)來最大化收益。SV的效用函數(shù)包含三部分內(nèi)容：1)輔助RV執(zhí)行任務(wù)獲得的利潤；2)因信任度的提升而獲得的利潤；3)由于任務(wù)傳輸而消耗的通信成本。因此，SV的效用函數(shù)可以定義為

(11)

其中，β1+β2=1,0≤β1≤1和0≤β2≤1，β1和β2是權(quán)重。

3 基于Stackelberg博弈的任務(wù)卸載策略

3.1 問題描述

將RV的任務(wù)請(qǐng)求和SV的價(jià)格建模為非合作的Stackelberg博弈，SV是領(lǐng)導(dǎo)者，RV是跟隨者。Stackelberg博弈包括兩個(gè)階段：在第一階段，每個(gè)候選SV都提供成本p；在第二階段，RV根據(jù)價(jià)格p確定從每個(gè)SV獲取任務(wù)的卸載比例λ。 最后，RV選擇提供最低價(jià)格p的SV進(jìn)行任務(wù)卸載。在博弈中，每一方都是追求最大效用。因此，任務(wù)卸載問題可以表述為：

(12)

s.t.εsrppmax

(13)

其中，pmax表示SV提供的最大價(jià)格。

3.2 納什均衡解

(14)

(15)

(16)

ur(λ)對(duì)λ求一階導(dǎo)和二階導(dǎo)得到

(17)

(18)

(19)

綜上所述，RV的最優(yōu)策略λ*的表達(dá)式為

(20)

(21)

(22)

3.3 算法的設(shè)計(jì)與實(shí)現(xiàn)

設(shè)計(jì)了一種基于Stackelberg(Stackelberg Game Based Task Offloading Algorithm)博弈的任務(wù)卸載算法，用于從SV候選集合中選擇價(jià)格最低的SV執(zhí)行任務(wù)卸載。RV向SV發(fā)出請(qǐng)求后，查詢是否有車輛提供任務(wù)卸載服務(wù)。如果有，則執(zhí)行SGTO算法。

SGTO算法的時(shí)間復(fù)雜度為O(n)。因此，在移動(dòng)車輛上實(shí)現(xiàn)SGTO算法是可行的。此外，要運(yùn)行算法SGTO，RV必須有SV實(shí)時(shí)輸入所需數(shù)據(jù)項(xiàng)的信息。有關(guān)SV所需數(shù)據(jù)項(xiàng)的信息可以從APP程序和SDN控制器獲得，SDN控制器將有關(guān)數(shù)據(jù)項(xiàng)的信息返回給RV。然后，每個(gè)SV將自己的信息發(fā)送給RV。

4 仿真實(shí)驗(yàn)分析

4.1 仿真參數(shù)設(shè)置

圖2 含有交通信號(hào)燈的城市道路仿真場景Fig.2 Urban road simulation scene with traftic lights

采用SUMO來評(píng)估基于真實(shí)道路的SGTO算法。從OpenStreetMap中提取真實(shí)場景的特征信息，并使用JOSM對(duì)數(shù)字地圖進(jìn)行處理。然后將這些數(shù)字地圖數(shù)據(jù)導(dǎo)入SUMO進(jìn)行處理，其中根據(jù)特定的道路拓?fù)渖绍囕v流量。通過對(duì)SUMO界面的預(yù)先定義，可以在仿真過程中獲得車輛的速度和相應(yīng)的時(shí)間等關(guān)鍵參數(shù)。這里考慮的場景是一個(gè)有交通信號(hào)燈的城市道路，只考慮交通信號(hào)燈對(duì)車輛行駛速度的影響。我們以安徽省蕪湖市的花津南路(大工山路-文昌西路)作為依據(jù)。其仿真場景為圖2所示。

為了獲得模擬結(jié)果，通過Matlab 2016b進(jìn)行了1000次蒙特卡羅模擬。其參數(shù)設(shè)置為表1。

將該算法與文獻(xiàn)中最近提出的兩種方法[21-22]進(jìn)行比較:

基于梯度迭代(GBI)[21]:該算法用于獲得三方Stackelberg博弈均衡，其中三方為停放車輛、RSU和移動(dòng)車輛。

先到先得(FCFS)[22]:一個(gè)用戶訪問服務(wù)車，車輛選擇第一個(gè)進(jìn)行卸載。

5.2 仿真結(jié)果分析

圖3描述的是在不同通信成本εsr的條件下，不同效用函數(shù)和計(jì)算強(qiáng)度fr的關(guān)系。從圖3(a)可以看出，在同一通信成本εsr條件下，隨著計(jì)算強(qiáng)度fr的增加，效用函數(shù)ur逐漸減少；這是因?yàn)閒r的值較小時(shí)，RV處理任務(wù)需要的時(shí)間較長；隨著fr的值逐漸增加，RV處理任務(wù)的時(shí)間逐漸縮短。同時(shí)，在同一計(jì)算強(qiáng)度fr的條件下，隨著通信成本εsr的增加，RV的效用函數(shù)ur減少。從圖3(b)可以看出，在同一通信成本εsr條件下，隨著計(jì)算強(qiáng)度fr的增加，效用函數(shù)us逐漸減少；這是因計(jì)算強(qiáng)度fr增加時(shí)，任務(wù)卸載給SV的數(shù)據(jù)量減少，從而造成了SV的效用函數(shù)us的減少；而在同一計(jì)算強(qiáng)度下，隨著通信成本εsr的增加，效用函數(shù)us逐漸減少。

表1 實(shí)驗(yàn)參數(shù)

圖4描述的是不同算法的效用函數(shù)與計(jì)算強(qiáng)度fr的關(guān)系。從圖4(a)可以看出，對(duì)于FCFS算法，效用函數(shù)ur的值總是為零，這意味著FCFS不能優(yōu)化RV的效用；而且當(dāng)計(jì)算強(qiáng)度fr達(dá)到一定的值時(shí)，GBI算法的效用函數(shù)ur的值也為零，這說明GBI算法優(yōu)化RV效用的效果受計(jì)算強(qiáng)度fr的值影響；同時(shí)SGTO算法的效用函數(shù)ur的值也隨著計(jì)算強(qiáng)度fr的增大而減小。由圖4(b)可以看出，在同一計(jì)算強(qiáng)度fr下，SGTO算法和GBI算法的效用函數(shù)us的值總是小于FCFS算法，這是因?yàn)镕CFS算法的任務(wù)處理時(shí)間比較短，不考慮RV的效用函數(shù)；而且當(dāng)計(jì)算強(qiáng)度fr達(dá)到一定的值時(shí)，GBI算法的效用函數(shù)us的值為零；結(jié)合圖4(a)可知，F(xiàn)CFS算法不能同時(shí)優(yōu)化兩個(gè)效用函數(shù)；而且GBI算法優(yōu)化兩個(gè)效用函數(shù)的效果沒有SGTO算法好，GBI算法受計(jì)算強(qiáng)度fr的值影響較大。

圖5描述的是不同計(jì)算強(qiáng)度fr的效用函數(shù)和通信成本εsr的關(guān)系。由圖5(a)可知，在同一通信成本εsr的條件下，計(jì)算強(qiáng)度fr越大，效用函數(shù)ur的值反而越小，且在同一計(jì)算強(qiáng)度fr的條件下，隨著通信成本εsr的增加，效用函數(shù)ur逐漸降低。這是因?yàn)橥ㄐ懦杀镜脑黾?，使得需要支付的通信成本更大。從圖5(b)可以看出，在同一計(jì)算強(qiáng)度fr的條件下，隨著通信成本εsr的增加，SV效用函數(shù)us逐漸減少。且在同一通信成本εsr的條件下，隨著計(jì)算強(qiáng)度fr的增加，效用函數(shù)us也會(huì)減少。

圖6描述的是不同算法的效用函數(shù)與通信成本εsr的關(guān)系。從圖6(a)可以看出，對(duì)于FCFS算法，不管通信成本εsr的值為多少，效用函數(shù)ur的值總是趨近于零；而當(dāng)通信成本us達(dá)到一定的值時(shí)，GBI算法的效用函數(shù)ur的值也為零；同時(shí)SGTO算法的效用函數(shù)ur的值也隨著通信成本εsr的增大而減??；但是在同一通信成本εsr條件下，SGTO算法的效用函數(shù)ur的值總是大于FCFS算法和GBI算法的值。由圖6(b)可以看出，SGTO算法和GBI算法的效用函數(shù)隨通信成本εsr的變化幅度不大，而FCFS算法的效用函數(shù)us雖然值較大，但RV的參與度不高，會(huì)使得SV的收益不佳。

圖7描述的是不同通信成本εsr的卸載價(jià)格p和計(jì)算強(qiáng)度fr的關(guān)系。從圖7(a)可以看出，在同一通信成本εsr下，隨著計(jì)算強(qiáng)度fr的增加，任務(wù)卸載的價(jià)格p逐漸降低。這是因?yàn)殡S著計(jì)算強(qiáng)度fr的增加，RV出于經(jīng)濟(jì)考慮會(huì)降低任務(wù)卸載率，進(jìn)一步影響到任務(wù)卸載的購買性能的降低。因此，SV會(huì)做出降低價(jià)格的措施應(yīng)對(duì)這一變化。從圖7(b)可以看出，在同一通信成本εsr下，隨著計(jì)算強(qiáng)度fr的增加，任務(wù)卸載節(jié)省的時(shí)間逐漸減少。這是因?yàn)槿蝿?wù)在RV上執(zhí)行的時(shí)間隨著計(jì)算強(qiáng)度fr的增加而減少。

圖8描述的是不同算法的卸載價(jià)格p和計(jì)算強(qiáng)度fr的關(guān)系。從圖8(a)可以看出，算法SGTO相對(duì)于GBI和FCFS算法，任務(wù)卸載的成本是最低的。在仿真中，任務(wù)卸載的成本SV選擇最大值pmax。從圖8(b)可以看出，SGTO算法比GBI算法節(jié)省的時(shí)間更多。這是因?yàn)镾GTO算法可以產(chǎn)生比GBI更好的優(yōu)化結(jié)果。

(a)效用函數(shù)ur與計(jì)算強(qiáng)度fr的關(guān)系 (b)效用函數(shù)us與計(jì)算強(qiáng)度fr的關(guān)系圖3 不同通信成本εsr的效用函數(shù)和計(jì)算強(qiáng)度fr的關(guān)系Fig.3 The relationship between the caculated strength of εsr and fr

(a) 效用函數(shù)ur與計(jì)算強(qiáng)度fr的關(guān)系 (b)效用函數(shù)us與計(jì)算強(qiáng)度fr的關(guān)系圖4 不同算法的效用函數(shù)與計(jì)算強(qiáng)度fr的關(guān)系Fig.4 The relationship between utility function and fr

(a)效用函數(shù)ur與通信成本εsr的關(guān)系 (b)效用函數(shù)us與通信成本εsr的關(guān)系圖5 不同計(jì)算強(qiáng)度fr的效用函數(shù)和通信成本εsr的關(guān)系Fig.5 The relationship between fr and εsr

(a)效用函數(shù)ur與通信成本εsr的關(guān)系 (b)效用函數(shù)us與通信成本εsr的關(guān)系圖6 不同算法的效用函數(shù)和通信成本εsr的關(guān)系Fig.6 The relationship utility function and εsr

(a)任務(wù)卸載價(jià)格與計(jì)算強(qiáng)度fr的關(guān)系 (b)任務(wù)卸載時(shí)延與計(jì)算強(qiáng)度fr的關(guān)系圖7 不同通信成本εsr的卸載價(jià)格和計(jì)算強(qiáng)度fr的關(guān)系Fig.7 The relationship between εsr and fr

(a)任務(wù)卸載價(jià)格與計(jì)算強(qiáng)度fr的關(guān)系 (b)任務(wù)卸載時(shí)延與計(jì)算強(qiáng)度fr的關(guān)系圖8 不同算法的卸載價(jià)格和計(jì)算強(qiáng)度fr的關(guān)系Fig.8 The relationship between offload price and fr

5 總結(jié)

本文提出了一種基于Stackelberg博弈的任務(wù)卸載方案。該方案考慮了車輛的移動(dòng)性和計(jì)算成本，建立了RV和SV之間效用最大化的交互模型；并在Stackelberg納什均衡解的基礎(chǔ)上，提出了一種SV收益與RV成本均衡的任務(wù)卸載模型，以實(shí)現(xiàn)邊緣計(jì)算環(huán)境中IoV的任務(wù)卸載。實(shí)驗(yàn)結(jié)果與已有研究提出的GBI算法和FCFS算法相比較，在不同計(jì)算強(qiáng)度和通信成本的條件下，SGTO優(yōu)化效用函數(shù)的效果總是優(yōu)于FCFS、GBI算法，該方案不僅滿足了RV和SV的需求，也有效地降低了任務(wù)卸載時(shí)延。但是由于實(shí)驗(yàn)參數(shù)設(shè)置不具有普遍性和代表性，日后研究中需考慮不同道路狀況和突發(fā)事件下，SGTO算法結(jié)果受車輛移動(dòng)性實(shí)時(shí)改變的影響。