[论文解读] BARGAIN-MATCH: A Game Theoretical Approach for Resource Allocation and Task Offloading in Vehicular Edge Computing Networks

Zemin Sun, Geng Sun+3 more|arXiv (Cornell University)|Mar 26, 2022

Privacy-Preserving Technologies in Data被引用 4

一句话总结

本文提出 BARGAIN-MATCH，一种用于车辆边缘计算（VEC）网络中联合资源分配与任务卸载的博弈论框架。其采用讨价还价博弈实现服务器内资源分配，采用多对一匹配实现服务器间负载均衡，实现了稳定性、弱帕累托最优性以及多项式时间复杂度，仿真结果表明在高负载条件下系统效用与效率均表现优越。

ABSTRACT

Vehicular edge computing (VEC) is emerging as a promising architecture of vehicular networks (VNs) by deploying the cloud computing resources at the edge of the VNs. This work aims to optimize resource allocation and task offloading in VEC networks. Specifically, we formulate a game theoretical resource allocation and task offloading problem (GTRATOP) that aims to maximize the system performance by jointly considering the incentive for cooperation, competition among vehicles, heterogeneity between VEC servers and vehicles, and inherent dynamic of VNs. Since the formulated GTRATOP is NP-hard, we propose an adaptive approach for resource allocation and task offloading in VEC networks by incorporating bargaining game and matching game, which is called BARGAIN-MATCH. First, for resource allocation, a bargaining game-based incentive is proposed to stimulate the vehicles and VEC servers to negotiate the optimal resource allocation and pricing decisions. Second, for task offloading, a many-to-one matching scheme is proposed to decide the optimal offloading strategies. Third, the dynamic and time-varying features are considered to adapt the strategies of BARGAIN-MATCH to the real-time VEC networks. Moreover, the BARGAIN-MATCH is proved to be stable and weak Pareto optimal. Simulation results demonstrate that the proposed BARGAIN-MATCH achieves superior system performance and efficiency compared to other methods, especially when the system workload is heavy.

研究动机与目标

• 为解决高度动态、计算资源受限的车辆边缘计算（VEC）网络中高效资源管理与任务卸载的挑战。
• 协调任务需求在时空上的异质性以及 VEC 服务器与云节点之间的计算异质性。
• 联合优化服务器内与服务器间资源分配及任务卸载策略，以最大化系统效用。
• 设计一种低复杂度、稳定且帕累托最优的算法，适用于实时 VEC 环境。

提出的方法

• 提出一种分层 VEC 架构，采用基于软件定义网络（SDN）的控制器，协调水平（车-车、边缘-边缘）与垂直（车-边缘-云）协作。
• 构建联合资源分配与任务卸载问题（JRATOP），整合移动性、信道动态特性、非正交多址接入（NOMA）、能耗及任务服务质量（QoS）要求。
• 引入讨价还价博弈模型用于服务器内资源分配，以激励车辆与 VEC/云服务器之间实现公平且高效的定价与资源分配。
• 采用多对一匹配框架实现服务器间任务卸载，以平衡 VEC 服务器间的负载并减少拥塞。
• 证明 BARGAIN-MATCH 具备稳定性、弱帕累托最优性，且运行时间复杂度为多项式时间，确保实际可部署性。
• 集成非正交多址接入（NOMA）与移动性感知的任务建模，以反映真实世界 VEC 网络的动力学特性。

实验结果

研究问题

• RQ1 在服务器容量有限的条件下，如何优化服务器内资源分配，以公平且高效地服务异构、延迟敏感的车载任务？
• RQ2 如何设计服务器间任务卸载机制，以在平衡 VEC 服务器工作负载的同时防止拥塞，并最小化端到端延迟？
• RQ3 何种博弈论机制可确保在动态 VEC 环境中，车辆与边缘/云服务器之间实现稳定且高效的协作？
• RQ4 与现有卸载与资源分配方案相比，所提方法在高系统负载下的性能表现如何？

主要发现

• BARGAIN-MATCH 在重负载条件下，相比基线方法，显著提升了系统效用、车辆效用与服务器效用。
• 该算法显著降低了任务处理延迟并提高了任务处理速率，展现出在高密度车载网络中的强大可扩展性。
• 执行时间随车辆数量线性增长，证实了其多项式时间复杂度与实际可行性。
• 尽管时间复杂度高于直接决策方案，BARGAIN-MATCH 在效率上仍优于 OPOPRA，且在高密度网络中运行速度超过 EXO。
• 在高性能设备上执行时，性能提升达 19.28% 至 52.02%，表明其具备出色的硬件可扩展性。
• 该方法在所有测试场景中均保持稳定与弱帕累托最优性，确保了公平且高效的运行结果。