CN110072288A - 一种雾无线接入网中基于博弈论的边缘缓存资源配置方法 - Google Patents

Abstract

本发明公开了一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，该方法包括：(1)构建云服务中心及内容供应商的收益函数；(2)根据给定定价策略，得到内容供应商的最佳响应；(3)根据内容供应商的最佳响应，并利用乘子罚函数法消除云服务中心收益函数的约束；(4)根据提出的资源配置算法获得云服务中心的最佳定价策略，根据定价策略，内容供应商获得最佳租赁策略。本发明可以有效配置缓存资源，提高内容命中率。

Description

一种雾无线接入网中基于博弈论的边缘缓存资源配置方法

技术领域

本发明涉及资源配置方法，尤其涉及一种雾无线接入网中基于博弈论的边缘缓存资源配置方法。

背景技术

随着移动用户数量和移动服务业务的持续增加，无线数据流量将会在未来几年呈现出指数式增长。快速增长的数据流量将会对通信网络的传输产生巨大压力。雾无线接入网(F-RAN，Fog-Radio Access Network)作为未来无线网络架构，通过将内容文件到放置到更靠近请求用户的雾无线接入节点F-AP(Fog-Access Point)上的方式，可以有效地降低回传负载并降低中心云服务器的负担，从而受到了业界和学术界的广泛关注。在F-RAN架构下，通过边缘缓存的方式，用户可以从F-AP处获得本地服务，从而达到缩短时延的目的。然而，网络中的资源(例如缓存容量)是有限的，因此，怎样合理的配置资源从而最大限度提升***性能成为了急需解决的关键问题。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，该方法可以有效实现网络资源的合理配置，并能大幅度提高内容命中率。

本发明所采用的技术方案是：一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，应用场景包括一个云服务中心、N个内容供应商和云服务中心管理下的雾无线接入点，包括以下步骤：

S1：构建云服务中心和内容供应商的收益函数；

S2：根据给定的定价策略，得到内容供应商的最佳响应；

S3：根据内容供应商的最佳响应，利用乘子罚函数法消除云服务中心的收益函数的约束条件，得到对应的无约束收益函数；

S4：根据得到的无约束收益函数，迭代修正拉格朗日因子使无约束收益函数不断贴近原始收益函数，求解对应无约束收益函数并获得云服务中心的最佳定价策略；

S5：根据最佳定价策略，内容供应商获得最佳租赁策略；

进一步的，所述云服务中心的收益函数表示为：

其中，定价策略为s＝[s₁,s₂...s_n...s_N]，s_n代表云服务中心将区域内全部接入点租赁给第n个内容供应商的价格，租赁策略τ＝[τ₁,τ₂...τ_n...τ_N]，τ_n表示第n个内容供应商租赁的该区域内的接入点比例；

所述第n个内容供应商的收益函数表示为：

其中，H_n,f表示将第f个内容缓存至接入点上时得到的内容命中率，Q_n为单个接入点可缓存的第n个内容供应商的最多内容数量。

进一步的，S2具体表示为：

对于第n个供应商，当s_n≥F_n时表示定价过高，第n个供应商停止租赁接入点，即此时第n个供应商的租赁策略为：τ_n＝0；

当时表示定价较低，第n个供应商将试图租赁全部接入点，即此时第n个供应商的租赁策略为：τ_n＝1；

当定价位于上述两种情况之间时，时第n个供应商的租赁策略为：

其中，

p_n,f为第n个内容供应商存储的第f个内容的流行度，λ为区域内接入点的空间配置密度，且服从空间内均匀泊松分布，r为单个接入点对区域内用户的覆盖半径。

进一步的，S3具体包括以下步骤：

S3-1：将内容供应商的最佳响应带入到云服务中心的收益函数中，得到的收益函数为非凸优化函数，引入指标矢量ξ_n取0或1，若s_n≤F_n时，ξ_n＝1，对应的第n个内容供应商参与资源配置过程，否则当s_n＞F_n时，ξ_n＝0，表示第n个内容供应商退出资源配置过程；

当指标矢量给定后，云服务中心的收益函数转换为相应的凸优化函数；资源配置过程初始化后，假设所有内容供应商均参与资源配置，ξ＝1，云服务中心的收益函数可表示为：

其中，e为自然对数；

S3-2：引入变量y将云服务中心的收益函数中的不等式约束条件松弛为一个等式约束条件：

S3-3：根据云服务中心的收益函数及等式约束条件，得到对应的增广拉格朗日函数：

其中，w为拉格朗日乘子，σ为乘子罚因子；

S3-4：根据配方法，将增广拉格朗日函数中的变量y视为唯一未知量，得到使上述拉格朗日函数最小化情况下的y取值，将变量y带入增广拉格朗日函数中即得到云服务中心收益函数(5)对应的无约束收益函数：

进一步的，S4包括以下步骤：

S4-1：引入：

若ε₁≥0，则对定价策略进行重新初始化：若ε₁＜0，则利用单纯型算法更新定价策略；

S4-2：更新拉格朗日因子w：

其中w^(t)为第t次迭代时拉格朗日乘子的值；

S4-3：计算修正量：

Δ＝|w^(t+1)-w^(t)|

若Δ大于允许误差，则重复执行S4-1和S4-2，若Δ小于等于允许误差，得到最佳定价策略：

s^*＝[s^* ₁,s^* ₂...s^* _n...s^* _N]。

基于最佳定位策略，执行S2，得到内容供应商的最佳租赁策略：

τ^*＝[τ^* ₁,τ^* ₂...τ^* _n...τ^* _N]。

有益效果：本发明具有以下优点：

1、本发明将雾无线接入网中的存储容量视为一种特殊资源，并将拥有资源的云服务中心视为领导者，购买资源的内容供应商视为跟随者，将两者之间对于资源的竞争过程构建成博弈的方式，通过求解博弈均衡的方法实现资源的合理配置；

2、本发明利用乘子罚函数方法去约束条件，将约束条件下的凸优化问题转化成无约束条件下的凸优化问题，为问题的求解带来极大方便；

3、本发明提出的资源配置算法可以有效实现资源配置，极大提高内容命中率。

附图说明

图1为本发明的应用场景图；

图2为本发明的边缘缓存资源配置流程示意图。

具体实施方式

下面结合附图进一步阐述本发明。

本实施提供一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其应用场景如图1所示，场景中包括一个云服务中心及N个内容供应商(CP，Content Provider)，以及云服务中心管理下的雾无线接入点(F-AP，Fog-Access Point)，该资源配置方法如图2所示包括如下步骤：

S1：构建云服务中心及内容供应商的收益函数，该步骤具体包括：

S1-1：对云服务器而言，构建收益函数：

其中，定价策略为s＝[s₁,s₂...s_n...s_N]，s_n代表云服务中心将区域内全部接入点租赁给第n个内容供应商的价格，租赁策略τ＝[τ₁,τ₂...τ_n...τ_N]，其中，τ_n表示第n个内容供应商租赁的该区域内的接入点比例；

S1-2：对第n个内容供应商而言，构建收益函数：

其中，H_n,f表示将第f个内容缓存至接入点上时得到的内容命中率，Q_n为单个接入点可缓存的第n个内容供应商的最多内容数量；

S2：根据给定的定价策略，得到内容供应商的最佳响应，该步骤具体包括：

S2-1：对于给出的定价策略s＝[s₁,s₂...s_n...s_N]，对于第n个供应商，当定价过高时，即s_n≥F_n时，

其中，p_n,f为第n个内容供应商存储的第f个内容的流行度，λ为区域内接入点的空间配置密度，且服从空间内均匀泊松分布，r为单个接入点对区域内用户的覆盖半径。对于第n个供应商，当s_n≥F_n时表示定价过高，第n个供应商将停止租赁接入点，即此时第n个供应商的租赁策略为：τ_n＝0，当定价较低时，即时，供应商n将租赁区域内的全部接入点，即此时第n个供应商的租赁策略为：τ_n＝1；

S2-2：对于供应商n，当定价位于上述两种情况之间时，时第n个供应商的租赁策略为：

S3：根据内容供应商的最佳响应，并利用乘子罚函数法消除云服务中心收益函数的约束，该步骤具体包括：

S3-1：将内容供应商的最佳响应带入到云服务中心的收益函数中，得到的收益函数为非凸优化函数，引入指标矢量ξ_n取0或1，若s_n≤F_n时，ξ_n＝1，对应的第n个内容供应商参与资源配置过程，否则当s_n＞F_n时，ξ_n＝0，表示第n个内容供应商退出资源配置过程；

当指标矢量给定后，云服务中心的收益函数转换为相应的凸优化函数；资源配置过程初始化后，假设所有内容供应商均参与资源配置，ξ＝1，云服务中心的收益函数可表示为：

其中，e为自然对数；

S3-2：引入变量y将云服务中心收益函数中的不等式约束条件松弛为一个等式约束条件，即由松弛为：

S3-3：根据云服务中心的收益函数及等式约束条件，可以得到对应的增广拉格朗日函数，如下：

其中，w为拉格朗日乘子，σ为乘子罚因子；

S3-4：根据配方法，将公式(6)中的拉格朗日函数中的y视为唯一未知量，可以得到使上述增广拉格朗日函数最小化情况下的y取值，将y值带入增广拉格朗日函数中即得到云服务中心收益函数(5)对应的无约束收益函数：

S4：根据得到的无约束收益函数，迭代修正拉格朗日因子使无约束收益函数不断贴近原始收益函数，求解对应无约束收益函数并获得云服务中心的最佳定价策略，内容供应商获得最佳租赁策略，该步骤具体包括：

S4-1：令：

若ε₁≥0，则对定价策略进行重新初始化：若ε₁＜0，则利用单纯型算法更新定价策略；

S4-2：更新拉格朗日因子w：

其中w^(t)为第t次迭代时拉格朗日乘子的值；

S4-3：计算修正量：Δ＝|w^(t+1)-w^(t)|，若Δ大于允许误差，则重复执行S4-1至S4-2，若Δ小于等于允许误差，即可得到最佳定价策略：

s^*＝[s^* ₁,s^* ₂...s^* _n...s^* _N]，

随后执行S2-1至S2-2，计算内容供应商的最佳租赁策略：

τ^*＝[τ^* ₁,τ^* ₂...τ^* _n...τ^* _N]。

Claims (6)

1.一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，应用场景包括一个云服务中心、N个内容供应商和云服务中心管理下的雾无线接入点，其特征在于：包括以下步骤：

S1：构建云服务中心和内容供应商的收益函数；

S2：根据给定的定价策略，得到内容供应商的最佳响应；

S3：根据内容供应商的最佳响应，利用乘子罚函数法消除云服务中心的收益函数的约束条件，得到对应的无约束收益函数；

S4：根据得到的无约束收益函数，迭代修正拉格朗日因子使无约束收益函数不断贴近原始收益函数，求解对应无约束收益函数获得云服务中心的最佳定价策略；

S5：根据最佳定价策略，内容供应商获得最佳租赁策略。

2.根据权利要求1所述的一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其特征在于：

所述云服务中心的收益函数表示为：

其中，定价策略为s＝[s₁,s₂...s_n...s_N]，s_n代表云服务中心将区域内全部接入点租赁给第n个内容供应商的价格，租赁策略τ＝[τ₁,τ₂...τ_n...τ_N]，τ_n表示第n个内容供应商租赁的该区域内的接入点比例；

所述第n个内容供应商的收益函数表示为：

其中，H_n,f表示将第f个内容缓存至接入点上时得到的内容命中率，Q_n为单个接入点可缓存的第n个内容供应商的最多内容数量。

3.根据权利要求2所述的一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其特征在于：S2具体表示为：

对于第n个供应商，当s_n≥F_n时表示定价过高，第n个供应商停止租赁接入点，此时第n个供应商的租赁策略为：τ_n＝0；

当时表示定价较低，第n个供应商将试图租赁全部接入点，此时第n个供应商的租赁策略为：τ_n＝1；

当定价位于上述两种情况之间时，此时第n个供应商的租赁策略为：为：

其中，

p_n,f为第n个内容供应商存储的第f个内容的流行度，λ为区域内接入点的空间配置密度，且服从空间内均匀泊松分布，r为单个接入点对区域内用户的覆盖半径。

4.根据权利要求3所述的一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其特征在于：S3具体包括以下步骤：

S3-1：将内容供应商的最佳响应带入到云服务中心的收益函数中，得到的收益函数为非凸优化函数，引入指标矢量ξ_n取0或1，若s_n≤F_n时，ξ_n＝1，对应的第n个内容供应商参与资源配置过程，否则当s_n＞F_n时，ξ_n＝0，表示第n个内容供应商退出资源配置过程；

当指标矢量给定后，云服务中心的收益函数转换为相应的凸优化函数；资源配置过程初始化后，假设所有内容供应商均参与资源配置，ξ＝1，云服务中心的收益函数可表示为：

其中，e为自然对数；

S3-2：引入变量y将云服务中心的收益函数中的不等式约束条件松弛为一个等式约束条件：

S3-3：根据云服务中心的收益函数及等式约束条件，得到对应的增广拉格朗日函数：

其中，w为拉格朗日乘子，σ为乘子罚因子；

S3-4：根据配方法，将公式(6)中的增广拉格朗日函数中的变量y视为唯一未知量，得到使上述增广拉格朗日函数最小化情况下的y取值，将变量y带入增广拉格朗日函数中得到云服务中心收益函数(5)对应的无约束收益函数：

5.根据权利要求4所述的一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其特征在于：S4包括以下步骤：

S4-1：引入：

若ε₁≥0，则对定价策略进行重新初始化：若ε₁＜0，则利用单纯型算法更新定价策略；

S4-2：更新拉格朗日因子w：

其中w^(t)为第t次迭代时拉格朗日乘子的值；

S4-3：计算修正量：

Δ＝|w^(t+1)-w^(t)|

若Δ大于允许误差，则重复执行S4-1和S4-2，若Δ小于等于允许误差，得到最佳定价策略：

s^*＝[s^* ₁,s^* ₂...s^* _n...s^* _N]。

6.根据权利要求5所述的一种雾无线接入网中基于博弈论的边缘缓存资源配置方法，其特征在于：基于最佳定位策略，执行S2，得到内容供应商的最佳租赁策略：

τ^*＝[τ^* ₁,τ^* ₂...τ^* _n...τ^* _N]。