[论文解读] Applications of Auction and Mechanism Design in Edge Computing: A Survey

Houming Qiu, Kun Zhu+4 more|arXiv (Cornell University)|May 8, 2021

IoT and Edge/Fog Computing参考文献 140被引用 8

一句话总结

本综述对边缘计算中拍卖与机制设计的应用进行了全面分析，重点关注资源分配、任务卸载及激励机制。它将基于拍卖的现有方法按云粒、雾计算和移动边缘计算范式进行分类，评估其在实现公平性、效率和真实性方面的性能，并识别出隐私、可扩展性以及NP难设置下的胜出者确定（WDP）等关键挑战。

ABSTRACT

Edge computing as a promising technology provides lower latency, more efficient transmission, and faster speed of data processing since the edge servers are closer to the user devices. Each edge server with limited resources can offload latency-sensitive and computation-intensive tasks from nearby user devices. However, edge computing faces challenges such as resource allocation, energy consumption, security and privacy issues, etc. Auction mechanisms can well characterize bidirectional interactions between edge servers and user devices under the above constraints in edge computing. As demonstrated by the existing works, auction and mechanism design approaches are outstanding on achieving optimal allocation strategy while guaranteeing mutual satisfaction among edge servers and user devices, especially for scenarios with scarce resources. In this paper, we introduce a comprehensive survey of recent researches that apply auction approaches in edge computing. Firstly, a brief overview of edge computing including three common edge computing paradigms, i.e., cloudlet, fog computing and mobile edge computing, is presented. Then, we introduce fundamentals and backgrounds of auction schemes commonly used in edge computing systems. After then, a comprehensive survey of applications of auction-based approaches applied for edge computing is provided, which is categorized by different auction approaches. Finally, several open challenges and promising research directions are discussed.

研究动机与目标

• 提供对边缘计算中基于拍卖机制的系统性综述，以实现高效的资源分配与任务卸载。
• 分析不同拍卖类型（如英语式、密封投标式及组合拍卖）在不同边缘计算场景中的适用性。
• 识别在拍卖驱动的边缘系统中，安全、隐私、激励相容性以及胜出者确定问题（WDP）求解方面的开放挑战。
• 探索新兴研究方向，包括与区块链、联邦学习及机器学习的集成，以实现可扩展且私密的拍卖解决方案。
• 为研究人员提供指导，帮助其根据特定边缘计算工作负载与约束条件选择合适的拍卖机制。

提出的方法

• 将边缘计算划分为三大主要范式：云粒、雾计算和移动边缘计算（MEC），突出其架构差异与应用场景。
• 回顾拍卖理论的基础概念，包括真实性、预算平衡、个体理性与经济效率，作为机制设计的核心期望属性。
• 根据拍卖类型（如单件、多件、组合拍卖）和应用场景（资源分配、卸载、能效）对现有的基于拍卖的边缘计算方法进行分类与分析。
• 利用社会福利、计算复杂度和激励相容性等关键性能指标评估机制，特别关注实际部署中的约束条件。
• 提出将拍卖理论与新兴技术（如区块链）结合以增强信任与安全性，并与机器学习结合以解决NP难的胜出者确定问题。
• 讨论将联邦学习与拍卖机制结合使用，以在保护数据隐私的同时激励边缘节点参与。

实验结果

研究问题

• RQ1 如何有效应用拍卖机制以优化去中心化边缘计算环境中的资源分配？
• RQ2 哪些关键设计原则（如真实性与预算平衡）可确保基于拍卖的边缘系统中的公平性与效率？
• RQ3 不同拍卖类型（如密封投标式、组合拍卖）在边缘计算工作负载中的性能与可扩展性方面如何比较？
• RQ4 在边缘环境中，防止隐私泄露和恶意参与者攻击的拍卖机制面临哪些主要安全挑战？
• RQ5 拍卖理论在何种方式下可与机器学习及联邦学习结合，以增强边缘计算中的可扩展性与隐私保护？

主要发现

• 基于拍卖的机制通过协调服务请求者与提供者之间的激励，显著提升了边缘计算中的资源分配效率。
• 组合拍卖与多单位拍卖在处理移动边缘环境中复杂且相互依赖的任务卸载与资源分配方面尤为有效。
• 真实机制（如VCG拍卖）可确保经济效率并防止策略性出价，但可能存在预算平衡问题。
• 区块链集成可增强拍卖过程中的信任与数据完整性，但因公共账本暴露而引入新的隐私风险。
• 机器学习技术在近似求解NP难的胜出者确定问题（WDP）方面展现出潜力，可降低计算开销。
• 将联邦学习与拍卖机制结合，可在保护隐私的同时实现在边缘节点的模型训练，激励机制可提升参与度与资源贡献。