边缘辅助的群智感知场景下基于Stackelberg博弈的任务分配和定价机制

摘要:

随着物联网（IoT）的快速发展和日益普及，边缘辅助群智感知作为一种新的数据采集和数据处理模式应运而生。在边缘辅助群智感知系统中，亟需建立合理的数据任务量分配和定价机制，以促进每个成员的积极参与。然而，现有机制或没有考虑数据质量对参与者利润的影响，或忽视了整个系统的某些部分。因此，本文考虑到所有四方参与者（数据请求者、群智感知平台、边缘服务器和物联网传感器），提出了一种基于Stackelberg博弈模型的新型任务分配和定价机制。具体来说，我们将问题分解为三个博弈子问题，并采用KKT条件法设计我们的机制，目的是使群智感知系统中的各方利益最大化。我们通过数学方法证明，在所有三个博弈中都能实现Stackelberg均衡。最终，我们通过模拟实验验证了其性能。

背景与动机:

近年来，随着物联网对数据的需求增加和移动设备的普及，边缘辅助群智感知已成为一种新的数据收集和数据处理模式，它可以捕获各种移动设备收集的大量数据，并在用户之间共享。为了使得该系统中的每一方都具有高参与性，则需要一种合理的任务量分配和激励机制。然而，现有机制或没有考虑数据质量对参与者利润的影响，或忽视了整个系统的某些部分。因此，我们提出了一种基于 Stackelberg 博弈模型考虑到所有四方参与者（数据请求者、群智感知平台、边缘服务器和物联网传感器）的新型任务分配和定价机制。

主要内容:

1、边缘辅助群智感知系统模型

图1 边缘辅助的群智感知系统模型图

2、数据质量评估模型

传感器数据收集质量评估：

公式1 传感器数据收集质量评估

边缘服务器数据计算质量评估：

公式2 边缘服务器数据计算质量评估

3、利益模型

1）请求者收益：

公式3 请求者收益计算公式

其中，请求者获得的数据收益为

公式4 请求者获得的数据收益计算公式

2）群智感知平台收益：

公式5 群智感知平台收益计算公式

其中，群智感知平台耗能仅计算数据上传时的耗能，具体为

公式6 群智感知平台耗能计算公式

群智感知平台获得的数据收益为

公式7 群智感知平台获得的数据收益计算公式

3）边缘服务器收益：

公式8 边缘服务器收益计算公式

其中，边缘服务器耗能具体考虑数据上传和数据计算两部分的耗能，分别为

公式9 边缘服务器数据上传耗能计算公式

公式10 边缘服务器数据计算耗能计算公式

边缘服务器获得的数据收益为

公式11 边缘服务器获得的数据收益计算公式

4）传感器收益：

公式12 传感器收益计算公式

其中传感器耗能具体考虑了数据上传和数据收集两部分的耗能，分别为

公式13 传感器数据上传耗能计算公式

公式14 传感器数据收集耗能计算公式

4、目标函数

在这里，我们将整个问题分解为三个两阶段博弈子问题，同时根据每场博弈中各方的具体行为拆分利益函数。从而将其转化为求解三场博弈中各方的最优策略。

博弈1：

博弈1发生于任务请求者和群智感知平台之间。其中，任务请求者的利益函数不变，群智感知平台的利益函数可拆解为，

公式15 博弈1中群智感知平台利益函数计算公式

目标函数与限制条件为

公式16 博弈1的目标函数与限制条件

博弈2：

博弈2发生于群智感知平台和边缘服务器之间。其中群智感知平台在该博弈中的利益函数应拆解为

公式17 博弈2中群智感知平台利益函数计算公式

边缘服务器在博弈2中的利益函数应拆解为

公式18 博弈2中边缘服务器利益函数计算公式

目标函数与限制条件为

公式19 博弈2的目标函数与限制条件

博弈3：

博弈3发生于边缘服务器与传感器之间。其中传感器利益函数不变，边缘服务器在博弈3中的利益函数应拆解为

公式20 博弈3中边缘服务器利益函数计算公式

目标函数与限制条件为

公式21 博弈3的目标函数与限制条件

5、优化算法

利用逆向归纳法和KKT条件方法，我们可以具体求解出上述三个博弈的最佳解决方案。同时利用数学推导，我们也可以证明三个博弈均可达到Stackelberg均衡。

具体优化算法为：

实验结果及分析:

1、参数分析实验

在参数分析实验中，我们分别具体研究了任务请求者、群智感知平台、边缘服务器和传感器的利益与单位能耗成本(c)、每个边缘服务器所管理的传感器数量(M)的关系。

任务请求者利益与c、M的关系图：

图2 任务请求者利益与c、M的关系图

群智感知平台利益与c、M的关系图：

图3 群智感知平台利益与c、M的关系图

边缘服务器利益与c、M的关系图：

图4 边缘服务器利益与c、M的关系图

传感器利益与c、M的关系图：

图5 传感器利益与c、M的关系图

2、对比实验

在对比实验中，主要将本文提出的优化算法(TAPRIM)与随机分配(Random)和平均分配(Average)两种常用传统分配算法进行了利益对比。

图6 不同策略下边缘服务器利益对比

图7 不同策略下传感器利益对比

结论:

在本文中，我们重点讨论了边缘辅助群智感知中的数据量任务分配问题。考虑到数据质量对收益的影响，我们提出了一个数据收集和数据处理质量评估模型。然后，我们提出了一种基于三次Stackelberg博弈的任务分配和定价机制，它能使这种群智感知范式中的每一方利润最大化，帮助请求者实现高质量数据收集和处理，并优化整个过程的能耗。通过用数学方法证明，三个博弈都能达到Stackelberg均衡。最后，通过模拟实验验证了该算法的有效性。

通讯作者简介:

黄霁崴，教授，博士生导师，中国石油大学（北京）信息科学与工程学院/人工智能学院副院长，石油数据挖掘北京市重点实验室主任，中国石油大学（北京）研究生教育督导组专家。入选北京市优秀人才、北京市科技新星、北京市国家治理青年人才、中国石油大学（北京）优秀青年学者。本科和博士毕业于清华大学计算机科学与技术系，美国佐治亚理工学院联合培养博士生。研究方向包括：物联网、服务计算、边缘智能等。已主持国家自然科学基金、国家重点研发计划、北京市自然科学基金等科研项目18项；在国内外著名期刊和会议发表学术论文60余篇，其中1篇获得中国科协优秀论文奖，2篇入选ESI热点论文，4篇入选ESI高被引论文；出版学术专著1部；获得国家发明专利6项、软件著作权4项；获得中国通信学会科学技术一等奖1项、中国产学研合作创新成果一等奖1项。担任中国计算机学会(CCF)服务计算专委会委员、秘书，CCF和IEEE高级会员，电子学报、Chinese Journal of Electronics、Scientific Programming等期刊编委。

联系方式：huangjw@cup.edu.cn。