CN105657750A - 一种网络动态资源的计算方法及装置 - Google Patents
一种网络动态资源的计算方法及装置 Download PDFInfo
- Publication number
- CN105657750A CN105657750A CN201511019255.3A CN201511019255A CN105657750A CN 105657750 A CN105657750 A CN 105657750A CN 201511019255 A CN201511019255 A CN 201511019255A CN 105657750 A CN105657750 A CN 105657750A
- Authority
- CN
- China
- Prior art keywords
- user
- sigma
- service provider
- cloud service
- clouds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种网络动态资源的计算方法及装置,本发明实施例提供的方案中,首先将具有资源供求关系的云服务提供商和用户端转化为多主多从两阶段斯坦伯格博弈模型;根据多主多从两阶段斯坦伯格博弈模型,建立云端效用函数和用户端效用函数;根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。应用本发明实施例所提供的方法来计算用户端的网络动态资源需求,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种网络动态资源的计算方法及装置。
背景技术
随着移动互联网与智能终端技术的发展,移动智能终端的应用程序也呈现出***式增长。现阶段移动服务端的计算能力仍然无法满足移动智能终端内应用程序和最佳用户体验要求。移动云计算(MCC,MobileCloudComputing),即移动智能终端将计算量与能耗密集的任务通过移动互联网卸载到云计算中心,通过云计算中心承载计算功能,以满足移动智能终端的计算服务需求。移动云计算是基于云计算的概念提出来的。移动云计算是移动用户/终端通过移动互联网以按需、易扩展的方式获得所需的基础设施、平台、软件或应用等的一种IT资源或信息服务的交付与使用模式,其是成为集移动计算、移动网络和云计算为一体的新型技术。
应用和网络之间通信质量通常包含有网络的时延、抖动、带宽、误码等指标,这些指标也是衡量通信质量综合性能的重要指标。传统的用户服务质量(QoS)侧重于对通信质量的测量和统计,从客观上反应了设备的性能,其出发点是从网络角度来揣度用户的感受,并不是根据用户的主观需求来分配网络资源,因此QoS很难体现用户的满意度。而用户体验质量(QoE,QualityofExperience)以用户的感受为价值核心,直接通过用户反馈的主观需求来配置网络资源,与用户行为相关。QoE直观地可以理解为用户体验或者用户感知,即从用户的角度出发来衡量通信质量的好坏。基于此,用户体验质量(QoE)逐渐成为了业界竞争和发展的焦点,QoE成为了一种评价无线通信***综合性能的重要指标,并逐渐成为无线资源管理技术创新的主导力量之一。
在移动云计算中,目前基于MCC的QoE研究主要侧重于如何建立QoE模型,从而基于QoE的资源管理还是个开放问题,其次,由于用户端和无线网络的特性,如用户端的缺陷,网络的低带宽和不稳定性等,使得资源管理问题更加复杂,需要更细粒度的结合云端和用户端的资源,并且,在实际应用中,移动云计算网络的动态资源往往是多个云服务提供商对多个用户端的关系,在现有技术中没有一个很有效的方法来计算用户端的网络动态资源需求,亟需一更好的网络动态资源的计算方法来最大化网络性能,满足用户端的网络动态资源需求,增强用户的体验值。
发明内容
本发明实施例公开了一种网络动态资源的计算方法及装置,应用于移动云计算环境,以最大化网络性能,增强用户的体验值。
为了达到上述目的,本发明实施例提供了一种网络动态资源的计算方法,包括步骤:
根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型;
根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数;
根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络动态资源。
优选的,所述多主多从两阶段的斯坦伯格博弈模型为:
G=(p,b,UT(p,b),UC(p,b));
其中,UT(p,b)为多主多从两阶段的斯坦伯格博弈模型中用户端效用函数,UC(p,b)为多主多从两阶段的斯坦伯格博弈模型中云端效用函数,p={p1,p2,...,pm}为云端价格策略;b={b1,b2,...,bI}为用户端带宽策略。
优选的,所述用户端效用函数为:
其中,m为云服务提供商总个数,bij为第i个用户端从第j个云服务提供商获得的带宽,为第i个用户端从云服务提供商获得的总带宽,为第i个用户端分配带宽所获得的收益,为向第j个云服务提供商支付的费用,为云服务提供商j给第i个用户端带来的时延开销,其中, 式中 I为用户端总个数,Btot为网络总带宽,ηi为第i个用户端的频谱效率,ri为第i个用户端单位传输速率收益,Mi为第i个用户端接受MCC服务的用户体验满意度;式中,pj为第j个云服务提供商所制定的单位带宽价格,式中,ci为第i个用户端的单位时延开销值,di为第i个用户端获取MCC服务时的总时延;
所述云端效用函数为:
UCj=Qj*pj;
其中,Qj为向云服务提供商j所求的所有用户端的总带宽,pj为第j个云服务提供商所制定的单位带宽价格;
所述用户端效用函数至少包括基于带宽的收益和花费;所述花费包括向云服务提供商支付的费用和时延开销。
优选的,所述根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,包括:
云端的云服务提供商基于当前网络的负载状态,计算出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端;
用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略;
云端云服务提供商根据所有用户端反馈的用户端最优带宽需求策略b*(p)计算满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和;
用户端根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。
为了达到上述目的,本发明实施例提供了一种网络动态资源的计算装置,包括:
多主多从斯坦伯格博弈模型建立模块,用于根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型;
效用函数建立模块,用于根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数;
最优策略计算模块,用于根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络动态资源。
优选的,所述多主多从斯坦伯格博弈模型建立模块为:
G=(p,b,UT(p,b),UC(p,b));
其中,UT(p,b)为多主多从两阶段的斯坦伯格博弈模型中用户端效用函数,UC(p,b)为多主多从两阶段的斯坦伯格博弈模型中云端效用函数,p={p1,p2,...,pm}为云端价格策略;b={b1,b2,...,bI}为用户端带宽策略。
优选的,所述用户端效用函数为:
其中,m为云服务提供商总个数,bij为第i个用户端从第j个云服务提供商获得的带宽,为第i个用户端从云服务提供商获得的总带宽,为第i个用户端分配带宽所获得的收益,为向第j个云服务提供商支付的费用,为云服务提供商j给第i个用户端带来的时延开销,其中, 式中 I为用户端总个数,Btot为网络总带宽,ηi为第i个用户端的频谱效率,ri为第i个用户端单位传输速率收益,Mi为第i个用户端接受MCC服务的用户体验满意度;式中,pj为第j个云服务提供商所制定的单位带宽价格,式中,ci为第i个用户端的单位时延开销值,di为第i个用户端获取MCC服务时的总时延;
所述云端效用函数为:
UCj=Qj*pj;
其中,Qj为向云服务提供商j所求的所有用户端的总带宽,pj为第j个云服务提供商所制定的单位带宽价格;
所述用户端效用函数至少包括基于带宽的收益和花费;所述花费包括向云服务提供商支付的费用和时延开销。
优选的,所述最优策略计算模块,包括:
云端价格策略计算及广播子模块,用于根据当前网络的负载状态,计算出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端;
用户端最优带宽需求策略计算及反馈子模块,用于在用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略;
云端最优带宽价格策略计算及广播子模块,用于根据所有用户端反馈的用户端最优带宽需求策略b*(p),云服务提供商制定满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和;
用户端最优带宽分配策略计算子模块,用于根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*后,用户端重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。本发明实施例提供的方案中,首先将具有资源供求关系的云服务提供商和用户端转化为多主多从两阶段斯坦伯格博弈模型;根据多主多从两阶段斯坦伯格博弈模型,建立云端效用函数和用户端效用函数;根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。应用本发明实施例所提供的方法来计算用户端的网络动态资源需求,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种网络动态资源的计算方法的流程示意图;
图2为本发明实施例提供的另一种网络动态资源的计算方法的流程示意图;
图3为本发明实施例提供的一种网络动态资源的计算装置的结构示意图;
图4为本发明实施例提供的另一种网络动态资源的计算装置的结构示意图;
图5为本发明实施例的移动云网络***模型示意图;
图6为本发明实施例的斯坦伯格博弈求解过程示意图;
图7为本发明实施例在不同的带宽价格下,云服务提供商的效用值变化图;
图8为本发明实施例在在不同MOS值得情况下,用户端采用两种网络动态资源的计算方法计算的结果进行分配的用户端效用值变化图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种网络动态资源的计算方法和装置,首先将具有资源供求关系的云服务提供商和用户端转化为多主多从两阶段斯坦伯格博弈模型;根据多主多从两阶段斯坦伯格博弈模型,建立云端效用函数和用户端效用函数;根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。应用本发明实施例所提供的方法来计算用户端的网络动态资源需求,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
下面通过具体实施例,对本发明进行详细说明。
图1为本发明实施例提供的一种网络动态资源的计算方法的流程示意图,包括如下步骤:
S101:根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型;
在移动云计算网络中,通常动态资源的供求涉及到云服务提供商和用户端,多个用户端竞争带宽资源得到最多带宽资源并最大化自身收益;同时多个云服务提供商通过不断调节自身带宽价格,来影响移动用户的带宽需求以求最大化自身收益,将这种云服务提供商和用户端之间的资源供求关系,抽象成多主多从两阶段的斯坦伯格博弈模型;
本领域技术人员可以理解的是,在建立斯坦伯格博弈模型时,通常,我们将最先采取行动的博弈局中人称为领导者,而称跟随领导者的行动而采取应对策略的局中人为跟随者,并称这样的一个由局中人领导者与跟随者构成的博弈为斯坦伯格博弈。博弈过程中的领导者会根据自身情况及自己对跟随者应对策略的预测事先制定行动策略。当观测到领导者的行动之后,跟随者会根据自身情况及其观测结果制定应对策略进行回应。
本发明实施例中,领导者是云端,跟随者是用户端,可建立多主多从两阶段的斯坦伯格博弈模型为:
G=(p,b,UT(p,b),UC(p,b));
其中,UT(p,b)为多主多从两阶段的斯坦伯格博弈模型中用户端效用函数,UC(p,b)为多主多从两阶段的斯坦伯格博弈模型中云端效用函数,p={p1,p2,...,pm}为云端价格策略;b={b1,b2,...,bI}为用户端带宽策略。
云端云服务提供商首先根据网路负载制定云端价格策略p={p1,p2,...,pm},并且将该云端价格策略p={p1,p2,...,pm}广播给云端所覆盖的所有用户端,当用户端接收到云端云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,用户端将依据做接收的策略制定对应该策略的用户端带宽策略b={b1,b2,...,bI}。
S102:根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数。
本领域技术人员可以理解的是,在进行斯坦伯格博弈模型的时候需要首先都需先申明博弈过程中谁是领导者谁是跟随者,由S101可知,在本发明中定义对网络资源进行是由领导者,即云端,定义跟随者为用户端,作为跟随者用户端的用户端效用函数为:
其中,m为云服务提供商总个数;bij为第i个用户端从第j个云服务提供商获得的带宽,为第i个用户端从云服务提供商获得的总带宽;为第i个用户端分配带宽所获得的收益,为向第j个云服务提供商支付的费用,为云服务提供商j给第i个用户端带来的时延开销。
用户端效用函数可以理解为用户端的总收益,该用户端效用函数包括基于带宽的收益和花费;所述花费包括向云服务提供商支付的费用和时延开销,每个用户独立的选择云服务提供商,制定用户端带宽需求策略,用户端的带宽需求是动态变化值。
其中,用户的收益函数如下:
式中,I为用户端总个数,Btot为网络总带宽;ηi为第i个用户端的频谱效率;ri为第i个用户端单位传输速率收益;Mi为第i个用户端接受MCC服务的用户体验满意度,通常情况下这个用户体验满意度用MOS(MeanOpinionStore)值来衡量。
ηi为第i个用户端的频谱效率:
Mi为第i个用户端的接受MCC服务的用户体验满意度,这个用户体验满意度MOS用值来衡量。基站向用户端提供三种业务,分别为音频流,数据流和视频流;
衡量音频流MOS公式为:
衡量数据流的MOS公式为:
其中S为文件大小,Tc为用户端的吞吐量;
衡量视频流的MOS公式为:
其中k为关于视频移动因子,α为视频空间特性因子,Ra为用户端的传输速率,u为编码速率。
用户端的带宽分配开支函数为:
用户端的时延开销函数为:
上式中,ci为第i个用户端的单位时延开销值,di为第i个用户端获取MCC服务时的总时延,其中Ti为第i个用户端的传输延迟。
则,用户端效用函数为:
作为领导者云端的云端效用函数为:
UCj=Qj*pj;
其中,Qj为向云服务提供商j所求的所有用户端的总带宽,pj为第j个云服务提供商所制定的单位带宽价格。
在移动云计算网络的动态资源分配的过程中,对用户端来说就是对云计算网络动态资源的需求,所以可以将用户端的动态资源需求问题转换为如下公式:
上述公式表明,取用户端效用函数的最大值,第i个用户端的s.tMi要大于等于第i个用户端的最小流量,第i个用户端从云服务提供商获得的总带宽小于等于云服务提供商所提供的所有用户端的总带宽Qj,第i个用户端从第j个云服务提供商获得的带宽bij大于等于0。
能理解的,对于领导者云端来说就是资源供给,所以可以将云端的资源供给问题转换为如下公式:
上述公式表明,取云端效用函数的最大值,第j个云服务提供商的s.t.pj要大于等于0。
通过对云端和用户端的资源问题的转化,可将用户端效用函数以及云端效用函数代入多主多从斯坦伯格博弈模型。
S103:根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。
不难理解的是,在斯坦伯格博弈模型中,作为领导者的云端是网络资源的拥有者和决策者,它的策略将影响跟随者用户端的收益。本发明实施例中的整个竞争博弈过程中,云端首先制定自身的云端价格策略,并公布给用户端,经过反复的竞争博弈计算,最终获得云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。
应用本发明实施例,首先将具有资源供求关系的云服务提供商和用户端转化为多主多从两阶段斯坦伯格博弈模型;根据多主多从两阶段斯坦伯格博弈模型,建立云端效用函数和用户端效用函数;根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。应用本发明实施例所提供的方法来计算用户端的网络动态资源需求,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
图2为本发明实施例提供的另一种网络动态资源的计算方法的流程示意图,与图1所示实施例相比,图1所示实施例的步骤S103由本实施例中的S1031至S1034来实现,具体包括:
S1031:云端的云服务提供商基于当前网络的负载状态,计算出云端出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端。
S1032:用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略。
实际的博弈过程中,当用户端接收到不同云服务提供商发布的价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),其中,具体的,假定在时刻t时,云服务提供商广播其价格策略p(t),这时用户端根据自身的带宽需求而动态调节带宽策略,使得得到最优策略,假定用户端的时间变量为τ,则从时刻τ到时刻τ+1,vi为第i个用户端的带宽迭代步长。用户端通过迭代公式的求解,计算用户端最优带宽需求策略b*(p),并将其反馈给云端。
S1033:云端云服务提供商根据所有用户端反馈的用户端最优带宽需求策略b*(p)计算满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和。
在实际的博弈过程中,云端云服务提供商根据接收到用户端反馈的用户端最优带宽需求策略b*(p)后,云服务提供商通过对迭代公式的求解,计算出云端最优带宽价格策略p*,式中的wj为第j个云服务提供商的价格迭代步长。
S1034:用户端根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。
由上述各公式不难获得用户端最大效用函数值表示为:
其动态博弈的求解过程可直观的参考图6中的示意图。
应用本发明实施例,通过对所述多主多从的斯坦伯格博弈模型多次的竞争博弈过程和多次的迭代计算,最终计算出满足用户端的网络动态资源需求的云端最优带宽价格策略和用户端最优带宽策略,以最大化了网络性能。
图3为本发明实施例提供的一种网络动态资源的计算装置的结构示意图,与图1方法流程图对应,所述装置包括:
多主多从斯坦伯格博弈模型建立模块101,用于根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型。
效用函数建立模块102,用于根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数。
最优策略获得模块103,用于根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。
应用本发明实施例,首先将具有资源供求关系的云服务提供商和用户端转化为多主多从两阶段斯坦伯格博弈模型;根据多主多从两阶段斯坦伯格博弈模型,建立云端效用函数和用户端效用函数;根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络的动态资源。应用本发明实施例所提供的方法来计算用户端的网络动态资源需求,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
图4为本发明实施例提供的另一种网络动态资源的计算装置的结构示意图,与图3所示实施例相比,图3所示实施例的结构103由本实施例中的结构1031至1034来实现,具体包括:
云端价格策略计算及广播子模块1031,用于根据当前网络的负载状态,计算出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端。
用户端最优带宽需求策略计算及反馈子模块1032,用于在用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略。
云端最优价带宽格策略计算及广播子模块1033,用于根据所有用户端反馈的用户端最优带宽需求策略b*(p),云服务提供商制定满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和。
用户端最优带宽分配策略计算子模块1034,用于根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*后,用户端重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。
本领域技术人员可以理解的是,基于移动云网络在进行带宽资源分配时需要知道谁是支配整个网络资源的领导者,谁是网络资源的分享者,基于此,本发明实施例提供了一种移动云网络***模型,参见图7,该模型中包含云层,即云端,网络层以及设备层,其中云端就是网络动态资源的支配者,网络层是连接层,设备层也就是用户端层。
应用本发明实施例,通过对多对多的网络动态资源计算,最大化了网络性能,满足了用户端的网络动态资源需求,增强用户的体验值。
图7为本发明实施例在不同的带宽价格下,云服务提供商的效用值变化图;
图中X轴代表云服务提供商1的带宽价格,Y轴表示云服务提供商2的带宽价格,Z轴表示云端效用值,图中可直观的发现,当云服务提供商1的价格为5,云服务提供商2的价格为10的情况下,整个云服务提供商的效用值达到最大。
图8为本发明实施例在在不同MOS值得情况下,用户端采用两种网络动态资源的计算方法计算的结果进行分配的用户端效用值变化图。
在整个计算过程中,随着MOS值得增大,用户端的效用值也增大,图中的两条直线代表两种不同的资源分配方案,其中,上面的一条直线为采用本发明实施例提供的网络动态资源的计算方案计算的结果进行资源分配,用户端的效用值变化曲线;下面的一条直线为采用现有技术的网络动态资源的平均计算方案计算的结果进行资源分配,用户的效用值变化曲线,从此图明显看采用出本实施例计算的结果对动态资源进行分配明显优于采用平均计算计算的结果对动态资源进行分配。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种网络动态资源的计算方法,应用于移动云计算环境,其特征在于,所述方法包括:
根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型;
根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数;
根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络动态资源。
2.根据权利要求1所述方法,其特征在于,所述多主多从两阶段的斯坦伯格博弈模型为:
G=(p,b,UT(p,b),UC(p,b));
其中,UT(p,b)为多主多从两阶段的斯坦伯格博弈模型中用户端效用函数,UC(p,b)为多主多从两阶段的斯坦伯格博弈模型中云端效用函数,p={p1,p2,...,pm}为云端价格策略;b={b1,b2,...,bI}为用户端带宽策略。
3.根据权利要求1或2所述方法,其特征在于,
所述用户端效用函数为:
其中,m为云服务提供商总个数,bij为第i个用户端从第j个云服务提供商获得的带宽,为第i个用户端从云服务提供商获得的总带宽,为第i个用户端分配带宽所获得的收益,为向第j个云服务提供商支付的费用,为云服务提供商j给第i个用户端带来的时延开销,其中,式中I为用户端总个数,Btot为网络总带宽,ηi为第i个用户端的频谱效率,ri为第i个用户端单位传输速率收益,Mi为第i个用户端接受MCC服务的用户体验满意度;式中,pj为第j个云服务提供商所制定的单位带宽价格,式中,ci为第i个用户端的单位时延开销值,di为第i个用户端获取MCC服务时的总时延;
所述云端效用函数为:
UCj=Qj*pj;
其中,Qj为向云服务提供商j所求的所有用户端的总带宽,pj为第j个云服务提供商所制定的单位带宽价格;
所述用户端效用函数至少包括基于带宽的收益和花费;所述花费包括向云服务提供商支付的费用和时延开销。
4.根据权利要求1所述方法,其特征在于,所述根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,包括:
云端的云服务提供商基于当前网络的负载状态,计算出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端;
用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略;
云端云服务提供商根据所有用户端反馈的用户端最优带宽需求策略b*(p)计算满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和;
用户端根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。
5.一种网络动态资源的计算装置,应用于移动云计算环境,其特征在于,所述装置包括:
多主多从斯坦伯格博弈模型建立模块,用于根据云服务提供商和用户端之间的资源供求关系,建立多主多从两阶段的斯坦伯格博弈模型;
效用函数建立模块,用于根据多主多从两阶段的斯坦伯格博弈模型,建立用户端效用函数和云端效用函数;
最优策略计算模块,用于根据所述多主多从的斯坦伯格博弈模型计算云端最优带宽价格策略和用户端最优带宽分配策略,以用于为用户端分配网络动态资源。
6.根据权利要求5所述装置,其特征在于,所述多主多从斯坦伯格博弈模型建立模块为:
G=(p,b,UT(p,b),UC(p,b));
其中,UT(p,b)为多主多从两阶段的斯坦伯格博弈模型中用户端效用函数,UC(p,b)为多主多从两阶段的斯坦伯格博弈模型中云端效用函数,p={p1,p2,...,pm}为云端价格策略;b={b1,b2,...,bI}为用户端带宽策略。
7.根据权利要求5或6所述装置,其特征在于,
所述用户端效用函数为:
其中,m为云服务提供商总个数,bij为第i个用户端从第j个云服务提供商获得的带宽,为第i个用户端从云服务提供商获得的总带宽,为第i个用户端分配带宽所获得的收益,为向第j个云服务提供商支付的费用,为云服务提供商j给第i个用户端带来的时延开销,其中,式中I为用户端总个数,Btot为网络总带宽,ηi为第i个用户端的频谱效率,ri为第i个用户端单位传输速率收益,Mi为第i个用户端接受MCC服务的用户体验满意度;式中,pj为第j个云服务提供商所制定的单位带宽价格,式中,ci为第i个用户端的单位时延开销值,di为第i个用户端获取MCC服务时的总时延;
所述云端效用函数为:
UCj=Qj*pj;
其中,Qj为向云服务提供商j所求的所有用户端的总带宽,pj为第j个云服务提供商所制定的单位带宽价格;
所述用户端效用函数至少包括基于带宽的收益和花费;所述花费包括向云服务提供商支付的费用和时延开销。
8.根据权利要求5所述装置,其特征在于,所述最优策略计算模块,包括:
云端价格策略计算及广播子模块,用于根据当前网络的负载状态,计算出云端价格策略p={p1,p2,...,pm},并广播给云端覆盖的所有用户端;
用户端最优带宽需求策略计算及反馈子模块,用于在用户端接收到不同云服务提供商广播的云端价格策略p={p1,p2,...,pm}后,根据当前网络的价格策略计算用户端最优带宽需求策略b*(p),并将所述用户端最优带宽需求策略b*(p)反馈给所有云服务提供商,其中,所述用户端最优带宽需求策略b*(p)表示为:
式中表示除第i个用户端外的所有用户端接收所有云服务提供商的总带宽,表示所有用户端接收所有云服务提供商的总带宽,p为第i个用户端所接收的对应云服务提供商的价格策略;
云端最优带宽价格策略计算及广播子模块,用于根据所有用户端反馈的用户端最优带宽需求策略b*(p),云服务提供商制定满足用户端带宽需求的云端最优带宽价格策略p*,并广播给所有用户端,其中,所述云端最优带宽价格策略p*表示为:
式中表示,满足除第i个用户端外的所有用户端从所有云服务提供商接收的最优带宽需求总和,为所有用户端从所有云服务提供商接收的最优带宽需求总和,为第i个用户端从所有云服务提供商接收的最优带宽需求总和;
用户端最优带宽分配策略计算子模块,用于根据接收到的所有云服务提供商广播的云端最优带宽价格策略p*后,用户端重新计算出用户端最优带宽分配策略b*(p*),其中,所述用户端最优带宽分配策略b*(p*)表示为:
式中,p*为第i个用户端所接收的对应云服务提供商的云端最优价格策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019255.3A CN105657750B (zh) | 2015-12-29 | 2015-12-29 | 一种网络动态资源的计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019255.3A CN105657750B (zh) | 2015-12-29 | 2015-12-29 | 一种网络动态资源的计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105657750A true CN105657750A (zh) | 2016-06-08 |
CN105657750B CN105657750B (zh) | 2019-03-01 |
Family
ID=56478317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511019255.3A Active CN105657750B (zh) | 2015-12-29 | 2015-12-29 | 一种网络动态资源的计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105657750B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106304308A (zh) * | 2016-09-19 | 2017-01-04 | 南京邮电大学 | 一种多业务并存***中云业务能耗优化调度方法 |
CN106385687A (zh) * | 2016-10-27 | 2017-02-08 | 北京邮电大学 | 一种网络基带功能比例的分配方法及装置 |
CN106454958A (zh) * | 2016-11-02 | 2017-02-22 | 北京邮电大学 | 一种网络资源分配方法及装置 |
CN106446959A (zh) * | 2016-10-10 | 2017-02-22 | 北京邮电大学 | 一种云计算资源动态匹配方法及装置 |
CN106534333A (zh) * | 2016-11-30 | 2017-03-22 | 北京邮电大学 | 一种基于mec和mcc的双向选择计算卸载方法 |
CN106658606A (zh) * | 2016-11-01 | 2017-05-10 | 洛阳理工学院 | 一种基于QoE的分布式分层异构网络用户基站匹配方法 |
CN107360029A (zh) * | 2017-07-11 | 2017-11-17 | 王焱华 | 一种云计算方法及装置 |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算***中基于演进博弈的动态资源分配方法 |
CN108092804A (zh) * | 2017-12-08 | 2018-05-29 | 国网安徽省电力有限公司信息通信分公司 | 基于Q-learning的电力通信网效用最大化资源分配策略生成方法 |
CN108270621A (zh) * | 2018-01-22 | 2018-07-10 | 中国人民解放军国防科技大学 | 一种基于mas的多云服务管理技术架构及模型 |
CN109041130A (zh) * | 2018-08-09 | 2018-12-18 | 北京邮电大学 | 基于移动边缘计算的资源分配方法 |
CN109146164A (zh) * | 2018-08-08 | 2019-01-04 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109426972A (zh) * | 2017-08-21 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 订单页面的处理方法、装置和*** |
CN113543228A (zh) * | 2021-06-10 | 2021-10-22 | 中国电子科技集团公司电子科学研究院 | 一种星地融合网络切片资源调度方法、***及存储介质 |
WO2023108761A1 (zh) * | 2021-12-14 | 2023-06-22 | 清华大学 | 监控业务带宽分配方法、装置、电子设备及存储介质 |
-
2015
- 2015-12-29 CN CN201511019255.3A patent/CN105657750B/zh active Active
Non-Patent Citations (4)
Title |
---|
MAKHLOUF HADJI, WAJDI LOUATI, DJAMAL ZEGHLACHE: "Constrained Pricing for Cloud Resource Allocation", 《2011 IEEE INTERNATIONAL SYMPOSIUM ON NETWORK COMPUTING AND APPLICATIONS》 * |
ZHIYUAN YIN, F. RICHARD YU, SHENGRONG BU, ZHU HAN: "Joint Cloud and Wireless Networks Operations in Mobile Cloud Computing Environments with Telecom Operator Cloud", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS (VOLUME: 14, ISSUE: 7, JULY 2015)》 * |
杨振兴: "基于云计算环境的资源提供优化策略研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
陆振平: "云计算中资源分配策略研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106304308A (zh) * | 2016-09-19 | 2017-01-04 | 南京邮电大学 | 一种多业务并存***中云业务能耗优化调度方法 |
CN106304308B (zh) * | 2016-09-19 | 2019-06-28 | 南京邮电大学 | 一种多业务并存***中云业务能耗优化调度方法 |
CN106446959A (zh) * | 2016-10-10 | 2017-02-22 | 北京邮电大学 | 一种云计算资源动态匹配方法及装置 |
CN106446959B (zh) * | 2016-10-10 | 2019-06-07 | 北京邮电大学 | 一种云计算资源动态匹配方法及装置 |
CN106385687A (zh) * | 2016-10-27 | 2017-02-08 | 北京邮电大学 | 一种网络基带功能比例的分配方法及装置 |
CN106658606A (zh) * | 2016-11-01 | 2017-05-10 | 洛阳理工学院 | 一种基于QoE的分布式分层异构网络用户基站匹配方法 |
CN106454958B (zh) * | 2016-11-02 | 2019-06-14 | 北京邮电大学 | 一种网络资源分配方法及装置 |
CN106454958A (zh) * | 2016-11-02 | 2017-02-22 | 北京邮电大学 | 一种网络资源分配方法及装置 |
CN106534333B (zh) * | 2016-11-30 | 2019-07-12 | 北京邮电大学 | 一种基于mec和mcc的双向选择计算卸载方法 |
CN106534333A (zh) * | 2016-11-30 | 2017-03-22 | 北京邮电大学 | 一种基于mec和mcc的双向选择计算卸载方法 |
CN107360029A (zh) * | 2017-07-11 | 2017-11-17 | 王焱华 | 一种云计算方法及装置 |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算***中基于演进博弈的动态资源分配方法 |
CN107465748B (zh) * | 2017-08-18 | 2020-07-31 | 东南大学 | 移动边缘云计算***中基于演进博弈的动态资源分配方法 |
CN109426972A (zh) * | 2017-08-21 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 订单页面的处理方法、装置和*** |
CN108092804A (zh) * | 2017-12-08 | 2018-05-29 | 国网安徽省电力有限公司信息通信分公司 | 基于Q-learning的电力通信网效用最大化资源分配策略生成方法 |
CN108270621A (zh) * | 2018-01-22 | 2018-07-10 | 中国人民解放军国防科技大学 | 一种基于mas的多云服务管理技术架构及模型 |
CN109146164B (zh) * | 2018-08-08 | 2021-09-07 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109146164A (zh) * | 2018-08-08 | 2019-01-04 | 清华大学 | 面向云服务提供商的服务收益提升方法 |
CN109041130A (zh) * | 2018-08-09 | 2018-12-18 | 北京邮电大学 | 基于移动边缘计算的资源分配方法 |
CN109041130B (zh) * | 2018-08-09 | 2021-11-16 | 北京邮电大学 | 基于移动边缘计算的资源分配方法 |
CN113543228A (zh) * | 2021-06-10 | 2021-10-22 | 中国电子科技集团公司电子科学研究院 | 一种星地融合网络切片资源调度方法、***及存储介质 |
WO2023108761A1 (zh) * | 2021-12-14 | 2023-06-22 | 清华大学 | 监控业务带宽分配方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105657750B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105657750A (zh) | 一种网络动态资源的计算方法及装置 | |
CN108419274B (zh) | 一种基于效用函数的异构无线网络选择方法 | |
CN103295147B (zh) | 投放广告的方法、装置和*** | |
CN101945369B (zh) | 一种基于拍卖和满意度模型的动态频谱分配方法 | |
CN104038540B (zh) | 一种应用代理服务器自动选择方法及*** | |
CN104066192B (zh) | 一种基于用户体验质量的高能效频率功率分配方法 | |
CN109819057A (zh) | 一种负载均衡方法及*** | |
CN105760449B (zh) | 一种面向多源异构数据的云推送方法 | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
CN105075184A (zh) | 用于表示负荷变化对多链路上业务中断的影响的方法和*** | |
CN101662327A (zh) | 认知无线电中的多频带共享方法 | |
CN105139227B (zh) | 一种数据计算方法及装置 | |
CN102291829A (zh) | 面向用户通信的数据资源开发与频谱资源最优化分配方法 | |
CN109934675A (zh) | 对于新入网用户的套餐推荐方法、装置及*** | |
CN111988388B (zh) | 流量分配的方法、装置、电子设备及存储介质 | |
CN102883326A (zh) | 认知网络中频谱资源的分配方法 | |
CN104683318A (zh) | 一种边缘流媒体服务器缓存选择方法与*** | |
Kattiyan Ramamoorthy et al. | Stackelberg game-theoretic spectrum allocation for QoE-Centric wireless multimedia communications | |
CN103179641B (zh) | 终端选取网络的方法和终端 | |
Flamm et al. | Revising the record: Six stylized economic facts about pre-COVID US residential broadband markets | |
CN105871564B (zh) | 一种流量计费方法及装置 | |
Larisa et al. | The method of resources allocation for processing requests in online charging system | |
CN103595783B (zh) | 云计算调度***及云计算调度方法 | |
CN107464571A (zh) | 一种数据质量评估的方法、设备及*** | |
Lee et al. | Inconvenience cost of mobile communication failure: The case of South Korea |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |