摘要：為了緩解能源性能的瓶頸，滿足更多用戶的資源需求，將移動邊緣計算（Mobile Edge Computing，MEC）與能量收集（Energy Harvesting，EH）技術(shù)相結(jié)合，其中，EH 技術(shù)可以通過捕獲環(huán)境中的綠色能量來促進(jìn)設(shè)備的可持續(xù)計算，提出一個具有隨機(jī)能量收集的EH?MEC 系統(tǒng)，以研究資源供給不確定性的投資和定價問題. 用戶可以租賃MEC 系統(tǒng)的固有資源，也可以使用EH 裝置收集的資源. 由于無線環(huán)境的時變性，EH 收集的能源具有不確定性，所以，在MEC 系統(tǒng)中找到MEC 服務(wù)器和用戶之間的平衡是值得研究的問題. 針對這一問題，提出一種序貫決策方法，將用戶的投資和MEC服務(wù)器資源定價的交互行為建模為一個四階段的Stackelberg 博弈，利用逆向歸納法得到用戶與MEC 服務(wù)器在利潤最大化下的納什均衡解，證明MEC 服務(wù)器的最優(yōu)能量收集時間、最優(yōu)租賃資源和定價決策遵循良好的閾值結(jié)構(gòu). 實驗結(jié)果表明，綠色資源獲取可以顯著提高M(jìn)EC 服務(wù)器和用戶的預(yù)期收益.

關(guān)鍵詞：移動邊緣計算，Stackelberg 博弈，能量收集，資源分配，投資與定價

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

隨著5G 移動通信技術(shù)和物聯(lián)網(wǎng)的發(fā)展，在智能手機(jī)、可穿戴智能設(shè)備和傳感器等移動設(shè)備上運行計算密集型和延遲敏感型應(yīng)用已成為趨勢［1］. 由于自身計算能力與功耗的限制，移動設(shè)備通常不具備運行這類應(yīng)用的條件，而移動邊緣計算（Mobile Edge Computing，MEC）將計算任務(wù)從移動設(shè)備卸載到計算資源相對豐富的邊緣服務(wù)器上執(zhí)行，實現(xiàn)了在移動設(shè)備上運行計算密集型和延遲敏感型應(yīng)用的愿景［2］. 與移動云計算不同，MEC 服務(wù)器通常部署在網(wǎng)絡(luò)邊緣，避免移動用戶和遠(yuǎn)程云中心之間的長距離數(shù)據(jù)傳輸，可以顯著降低延遲和移動用戶的能量消耗［3］. 因此，MEC是5G 網(wǎng)絡(luò)的關(guān)鍵技術(shù)，獲得了業(yè)界的廣泛關(guān)注.

為了提高M(jìn)EC 的性能，科研人員進(jìn)行了各種研究. 資源問題是MEC 系統(tǒng)設(shè)計中的重要組成部分，可以極大地提升網(wǎng)絡(luò)性能，因而受到了廣泛的關(guān)注［4-5］. 目前，資源分配主要有兩種主流的分析模式［6］. 第一種以最小化能耗或時延為優(yōu)化目標(biāo)，從技術(shù)層面對資源分配的問題進(jìn)行研究.例如，郭延超等［7］在不考慮網(wǎng)絡(luò)情況與高刷新率導(dǎo)致的高耗能的背景下，提出基于馬爾可夫決策過程的能耗優(yōu)化模型. 李振江和張幸林［8］采用遺傳算法和基于分割時間槽的資源分配算法來搜索最優(yōu)決策，以減少云端通信流量. Wang et al［9］研究了多天線多用戶的MEC 系統(tǒng)，從離線優(yōu)化和在線優(yōu)化兩個方面對下行傳輸功率分配方案進(jìn)行研究. Zhao et al［10］在滿足時延約束的前提下聯(lián)合優(yōu)化任務(wù)卸載和資源分配來最小化能耗. Zhanget al［11］研究了多用戶多任務(wù)MEC 系統(tǒng)中服務(wù)緩存、計算卸載和計算資源分配的聯(lián)合優(yōu)化問題，并提出基于半定松弛方法和交替優(yōu)化的高效近似算法來最小化所有用戶的計算和延遲成本. 第二種分析模式以最大化利潤為優(yōu)化目標(biāo)，由于自私性和計算成本，假設(shè)邊緣服務(wù)器在無任何激勵下自愿協(xié)作計算是不現(xiàn)實的，因此有必要從經(jīng)濟(jì)層面對MEC 資源分配和定價問題進(jìn)行研究［12］. 例如，吳雨芯等［13］對資源進(jìn)行基于成本的統(tǒng)一定價，并通過仿真實驗證明在統(tǒng)一定價下的最大價格就是資源供應(yīng)商獲得最大利潤的最優(yōu)價格. Liu andLiu［14］提出基于定價策略的分布式方法來管理用戶的計算卸載任務(wù)，建立Stackelberg 博弈模型來分析MEC 服務(wù)器與用戶間的交互. Jie et al［15］考慮一個MEC 服務(wù)器和多個終端用戶的場景，設(shè)計了一個以終端用戶作為領(lǐng)導(dǎo)者、MEC 服務(wù)器充當(dāng)跟隨者的Stackelberg 博弈模型. 林艷等［16］提出一種基于交通流量預(yù)測的車聯(lián)網(wǎng)邊緣計算遷移方案，采用McAfee 拍賣算法來解決車輛與邊緣服務(wù)器之間的資源雙重拍賣問題，旨在提高車輛的計算遷移率，同時改善邊緣服務(wù)器的資源利用率. 張海波等［17］提出由層次分析法排序、任務(wù)投標(biāo)、獲勝者決策三個部分組合而成的多輪順序組合拍賣機(jī)制. 針對MEC 資源交易市場中存在的用戶多樣性問題，Huang et al［18］提出一種由期貨市場和現(xiàn)貨市場組成的混合市場資源交易機(jī)制.為了激勵節(jié)點參與編碼機(jī)器學(xué)習(xí)，Ding et al［19］在完全信息和多維不完全信息下，分別提出基于Stackelberg 博弈和契約理論的激勵機(jī)制.

然而，上述資源分配和定價分析模型通常沒有考慮多資源獲取的問題，而單一的資源獲取渠道無法支撐延遲敏感和計算密集型應(yīng)用（如增強(qiáng)現(xiàn)實（Augmented Reality，AR）［20］ 和虛擬現(xiàn)實（Virtual Reality，VR）［21］）的運行，也制約了MEC的可持續(xù)計算. 為了緩解移動邊緣設(shè)備可用資源緊張問題，能量收集（Energy Harvesting，EH）技術(shù)作為資源的另一種獲取途徑被引入MEC 系統(tǒng)［22］，EH 技術(shù)能捕獲環(huán)境中的綠色能量（風(fēng)能、太陽能等），促進(jìn)設(shè)備的可持續(xù)計算［23-24］. 隨著EH 技術(shù)的成熟和發(fā)展進(jìn)步，研究人員提出了具有能量收集的MEC 系統(tǒng). 例如，Min et al［25］針對具有EH 裝置的物聯(lián)網(wǎng)設(shè)備，提出一種基于強(qiáng)化學(xué)習(xí)的任務(wù)卸載方案. Huang et al［26］考慮一個MEC 服務(wù)器和多個具有EH 裝置的無線設(shè)備的MEC 場景，在時變無線信道條件下提出一種深度強(qiáng)化學(xué)習(xí)算法來優(yōu)化任務(wù)卸載決策和無線資源分配方案. Chen et al［27］考慮一種具有EH 功能的移動設(shè)備和多個基站的MEC 系統(tǒng)，將卸載決策問題建模為馬爾可夫決策過程，通過深度強(qiáng)化學(xué)習(xí)來得到最優(yōu)策略. 馬惠榮等［28］提出一種利用EH技術(shù)和設(shè)備間通信技術(shù)的綠色任務(wù)卸載框架來最小化任務(wù)執(zhí)行成本. EH 技術(shù)面臨的一大挑戰(zhàn)是分配收集的資源，過于保守會浪費收集的能源，過于激進(jìn)會導(dǎo)致能源供給不足. 大多數(shù)現(xiàn)有工作都假設(shè)EH 通信系統(tǒng)是完全已知的，根據(jù)確定性模型中的數(shù)據(jù)剖面或隨機(jī)模型中的參數(shù)來表示無線環(huán)境特性［29］. 然而在實踐中，無線環(huán)境是時變的，移動設(shè)備通過EH 裝置捕獲的能源也不是固定的，這給資源的有效分配帶來巨大的挑戰(zhàn).