[论文解读] A Game-theoretic Approach Towards Collaborative Coded Computation Offloading

Jer Shyuan Ng, Wei Yang Bryan Lim+6 more|arXiv (Cornell University)|Feb 17, 2021

Stochastic Gradient Optimization Techniques参考文献 40被引用 9

一句话总结

本文提出了一种两级博弈论框架，通过结合享乐联盟形成（hedonic coalition formation）以实现资源共享，以及全支付拍卖（all-pay auction）以分配CPU算力，从而激励编码分布式计算（Coded Distributed Computing, CDC）中的边缘服务器。结果表明，提供多个同质奖励可最大化云服务器的效用，并激励更高水平的CPU算力贡献，尤其对高估值的集群头节点效果显著。

ABSTRACT

Coded distributed computing (CDC) has emerged as a promising approach because it enables computation tasks to be carried out in a distributed manner while mitigating straggler effects, which often account for the long overall completion times. Specifically, by using polynomial codes, computed results from only a subset of edge servers can be used to reconstruct the final result. However, incentive issues have not been studied systematically for the edge servers to complete the CDC tasks. In this paper, we propose a tractable two-level game-theoretic approach to incentivize the edge servers to complete the CDC tasks. Specifically, in the lower level, a hedonic coalition formation game is formulated where the edge servers share their resources within their coalitions. By forming coalitions, the edge servers have more Central Processing Unit (CPU) power to complete the computation tasks. In the upper level, given the CPU power of the coalitions of edge servers, an all-pay auction is designed to incentivize the edge servers to participate in the CDC tasks. In the all-pay auction, the bids of the edge servers are represented by the allocation of their CPU power to the CDC tasks. The all-pay auction is designed to maximize the utility of the cloud server by determining the allocation of rewards to the winners. Simulation results show that the edge servers are incentivized to allocate more CPU power when multiple rewards are offered, i.e., there are multiple winners, instead of rewarding only the edge server with the largest CPU power allocation. Besides, the utility of the cloud server is maximized when it offers multiple homogeneous rewards, instead of heterogeneous rewards.

研究动机与目标

• 解决编码分布式计算（Coded Distributed Computing, CDC）中的激励挑战，其中边缘服务器可能因慢速节点效应及缺乏补偿而不愿贡献资源。
• 通过享乐联盟形成博弈建模边缘服务器与设备之间的合作，以提升可用CPU算力。
• 设计全支付拍卖机制，激励集群头节点为其CDC任务分配更多CPU算力。
• 确定最优奖励结构（奖励数量与同质性），以最大化云服务器的效用。
• 评估多奖励机制与联盟形成对整体CPU算力贡献与系统效率的影响。

提出的方法

• 在底层构建享乐联盟形成博弈，边缘服务器基于个体效用最大化原则形成联盟以汇聚CPU资源。
• 在上层采用全支付拍卖模型，集群头节点竞标CPU算力以获取奖励，且所有竞标者无论是否中奖均需支付成本。
• 使用多项式编码确定恢复阈值，即完成最终计算所需的最少结果数量，从而指导奖励分配。
• 应用贝叶斯纳什均衡分析集群头节点在全支付拍卖中面对他人估值不确定性时的战略行为。
• 将联盟形成与拍卖机制整合为两级框架，以协调边缘服务器与云之间的激励机制。
• 通过仿真评估在不同集群头节点数量、奖励数量及奖励同质性下的性能表现。

实验结果

研究问题

• RQ1 边缘服务器之间的联盟形成如何影响CDC任务的总可用CPU算力？
• RQ2 在全支付拍卖中，提供多个奖励与单一奖励相比，对集群头节点的CPU算力分配有何影响？
• RQ3 竞争集群头节点数量的变化如何影响高估值与低估值集群头节点的出价行为与CPU算力分配策略？
• RQ4 在何种奖励结构（同质 vs. 异质）下，云服务器能实现最大效用？
• RQ5 所提出的两级博弈论框架相较于随机分配与非合作方案，在总CPU算力贡献方面表现如何？

主要发现

• 当提供多个奖励时，高估值集群头节点（如0.9）的CPU算力分配从5个集群头节点时的2159 W提升至15个集群头节点时的4563 W，表明激励效果更强。
• 低估值集群头节点（如0.6）在竞争加剧时减少CPU分配，但仅在奖励同质且提供多个奖励时出现此现象。
• 云服务器效用在提供多个同质奖励时达到最大，优于单一奖励或异质奖励结构。
• 在两级联盟-拍卖框架下，CDC任务分配的总CPU算力达到7537 W，显著高于随机分配下联盟形成时的3615 W。
• 全支付拍卖结合多奖励机制通过使更多集群头节点赢得奖励，提升了系统效率，从而激励了更高的整体CPU贡献。
• 仿真结果证实，所提框架在总CPU算力利用率与系统效用方面均优于随机分配与非合作方案。