Socially-Motivated Cooperative Mobile Edge Computing

社交合作的移動邊緣計算

摘要

? 在本文中，我們提出了一種新的基于社會動機的協作移動邊緣計算的范例，其中利用移動和可穿戴設備用戶之間的社交聯系結構來實現有效且可信賴的協作，以執行協作計算任務。我們設想將本地設備計算和網絡資源共享相結合，為設備提供多種靈活的任務執行方法，包括本地移動執行，D2D卸載執行，直接云卸載執行和D2D輔助云卸載執行。具體來說，我們提出了一種用于協作移動邊緣計算的系統模型，其中開發了設備社交圖模型來捕獲設備之間的社交關系。然后，通過將社交聯系結構集成到設備計算和網絡資源共享過程中，設計出一種基于社交感知二分匹配的協作任務卸載算法。我們使用Erdos-Renyi和基于真實軌跡的社交圖評估社交動機的協作移動邊緣計算的性能，這證實了所提出的社交意識機制的優越性能。

---

社交圖 Social Graph

什么是社交圖：https://www.wisegeek.com/what-is-the-social-graph.htm 社交圖不僅包括個人之間的關系，還包括與虛擬對象（如照片，頁面和事件）的連接

從web graph到social graph，搜索引擎正在發生的革命 https://www.huxiu.com/article/9321.html

Erdos-Renyi

https://www.jianshu.com/p/7b2f65585438

---

介紹

? 隨著智能手機和可穿戴設備等智能移動設備的日益普及，諸如實時人臉識別，自然語言處理，虛擬現實和增強現實等越來越多的智能移動應用正在興起。這種移動應用程序通常運行資源消耗大的算法（例如，深度學習和GPU渲染）[1]，這將需要大量的計算以及高能耗。但是，受物理尺寸約束的影響，大多數移動設備通常受到資源限制，其計算能力和電池容量是有限的。

? 為了應對這一挑戰，已經提出了移動邊緣計算（更普遍的為霧計算），這是一種新興的范例，它利用多種協作的終端用戶和/或臨近用戶設備來完成大量的計算任務（從[2]中獲益）。如圖1所示，可以利用不同類型的設備（例如，可穿戴設備，智能手機和平板電腦）的多種功能和多路復用增益（因為設備之間資源可用性在運行中的異構性）來支持協作任務執行 。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-aUgJENAE-1589331529315)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044071203.png)]

通過在設備之間協作地共享異構計算和通信資源，我們構想了協作移動邊緣計算的新范例，設備用戶可以靈活地在多種方法中進行選擇來根據用戶的不同需求和設備的資源條件進行任務執行（請參閱 圖2為示意圖），包括以下內容：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Vw7smTeN-1589331529318)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044817627.png)]

• 本地移動執行Local Mobile Execution：設備用戶可以選擇在其移動設備上本地執行任務，以避免任務卸載時產生過多的開銷（圖2a）
• 設備到設備卸載執行Device-to-Device (D2D) Offloaded Execution：網絡邊緣附近的設備可以通過D2D通信[3]進行任務卸載，從而彼此之間有利地共享計算資源（圖2b）。
• 直接云卸載執行Direct Cloud Offloaded Execution：設備可以通過其高質量的蜂窩通信鏈路將其任務直接卸載到邊緣云，從而利用強大的云計算功能（圖2c）。
• D2D輔助的云卸載執行D2D-Assisted Cloud Offloaded Execution：蜂窩連接不良的設備可以首先通過D2D連接將其計算任務轉移到附近具有高質量蜂窩鏈路的設備，然后可以幫助將計算繁重的任務卸載到邊緣云 （圖2d）。

---

D2D通信

D2D通信技術是指兩個對等的用戶節點之間直接進行通信的一種通信方式。在由D2D通信用戶組成的分布式網絡中，每個用戶節點都能發送和接收信號，并具有自動路由(轉發消息)的功能。網絡的參與者共享它們所擁有的一部分硬件資源，包括信息處理、存儲以及網絡連接能力等。這些共享資源向網絡提供服務和資源，能被其它用戶直接訪問而不需要經過中間實體。在D2D通信網絡中，用戶節點同時扮演服務器和客戶端的角色，用戶能夠意識到彼此的存在，自組織地構成一個虛擬或者實際的群體。

蜂窩移動通信系統

https://baike.baidu.com/item/蜂窩移動通信系統

---

? 為了囊括協作移動邊緣計算所帶來的巨大利益，關鍵的挑戰是如何激發設備之間的有效協作。例如，一方面，為了實現高效的D2D卸載執行，它要求附近的設備以協作的方式共享其計算資源。 另一方面，為了實現高效的云卸載執行，通常需要高質量的蜂窩連接才能將任務卸載到邊緣云。由于局部環境因素（例如，衰退）和異構傳輸技術（例如3G / 4G），不同的設備將經歷各種蜂窩傳輸條件。因此，非常需要在設備之間進行蜂窩網絡資源共享以實現有效的云任務數據傳輸的合作。 為了解決這些挑戰，在本文中，我們提出了一種社會動機的協作移動邊緣計算的新范例以實現高效的混合任務卸載。由于移動和可穿戴設備是人類攜帶和擁有的，因此有希望利用人類固有的社會紐帶來激發協作式移動邊緣計算。 隨著諸如Facebook和Wechat之類的在線移動社交媒體的廣泛滲透，許多用戶正在積極地參與在線社交互動，因此用戶之間的社交關系得到了廣泛的擴展。 這實際上為探索社會維度并實現了具有社會動機的協作移動邊緣計算系統設計開辟了新空間。

? 如圖3所示，設備用戶的社交關系結構就可以激發他們為設備計算和網絡資源共享實現有效和可信賴的合作。這將成為社會動機的協作移動邊緣計算系統的基石。具體來說，我們首先介紹用于聯合本地計算和網絡資源共享的協作移動邊緣計算系統模型，該模型可以為設備提供靈活多樣的任務執行方法。因此，我們隨后提出了一種設備社交圖模型來捕獲設備之間的社交關系，然后通過將社交聯系結構集成到設備計算和網絡資源共享過程中，開發出一種基于社交感知的二分匹配的協作任務卸載算法。使用Erdos-Renyi和基于真實軌跡的社交圖進行的廣泛表現評估，證實了所提出的具有社交意識的協作任務卸載解決方案的出色性能。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-fQ3V3Ds7-1589331529321)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583385570449.png)]

? 本文的其余部分組織如下： 首先，我們將在以下部分中討論相關工作，然后介紹協作移動邊緣計算系統模型。 然后，我們提出了具有社會意識的協作任務卸載算法，討論擴展方向，最后總結本文。

相關工作

? 近年來，移動邊緣計算已引起了廣泛的關注（參見[4-6]）。 例如，在文獻[5]研究了具有能量收集能力的移動邊緣計算的單設備動態計算卸載問題。 在[6]中，通過假設所有設備用戶都愿意合作，為移動邊緣計算中的多設備計算卸載設計了一種有效節能資源的分配框架。 沿著不同的思路，在本文中，我們考慮了通過聯合計算和網絡資源共享實現社會動機的協作移動邊緣計算，可以在設備之間實現高度靈活的任務執行方法。

? 最近有一些研究通過激勵機制設計解決了移動邊緣計算中的設備協作問題。 例如，在[7]中提出了一種基于拍賣的定價機制，以激勵合作進行計算資源共享。 在[8]中，為分散管理的邊緣資源交易設計了類似比特幣的虛擬貨幣系統。 但是，由于超高的系統開銷和操作復雜性，這些激勵方案是否可以在實踐中實現尚不明確，這很容易減少協作移動邊緣計算的收益。 例如，強大的權限對于在[7]中實施拍賣機制至關重要，在[8]中，每個單獨的參與用戶都需要足夠的計算資源來運行虛擬貨幣系統。

? 社會方面正在成為未來網絡系統設計的一個新的重要方面[9]。 例如，文獻[10]中使用社交網絡綁定來設計VANET（車載自組網）中的隱私保護數據包轉發協議。 在==[11]==中的先前研究中，我們提出了一種用于協作網絡設計的社交團體效用最大化的新框架。 與這些用于網絡研究的工作不同，在本文中，我們考慮了用于移動邊緣計算的具有社會意識的合作刺激方法，該方法涉及計算和網絡資源共享。 此外，通過利用設備用戶之間可信賴的社交關系，我們可以提高移動任務卸載的安全級別，這在計算任務涉及對隱私敏感的輸入數據（例如，移動健康計算和推理）時尤其有用。

---

VANET（車輛自組網）

http://www.baike.com/wiki/VANET

---

合作移動邊緣計算模型

? 我們考慮移動邊緣計算場景，其中有一組多個用戶設備，并且運營商在網絡邊緣部署了云服務器[12]。設備可以與基站建立蜂窩鏈路，也可以與附近的另一個設備建立D2D鏈路[3]。我們介紹了D2D連接圖，其中設備集是頂點集，并且在設備頂點之間存在一條邊，并且如果可行的話在相應的設備之間建立D2D連接。

? 根據通訊和計算資源共享中兩個設備i和j的協作效率，我們可以獲取本地移動執行的能源成本==$$w_i^l$$==，D2D卸載執行的能源成本==$$w_{ij}^d$$==，直接云卸載執行的能源成本==$$w_i^c$$和D2D輔助云卸載執行的能源成本$$w_{ij}^{dc}$$==。為了計算這些成本因素，在這里我們采用文獻==[4-6]中的通用任務模型，該模型使用元組<$${\lambda }_i$$, $${\psi }_i$$, $${\mu }_i$$>來描述任務的**輸入數據大小$${\lambda }_i$$**（如程序代碼），**完成任務所需的計算資源$${\psi }_i$$（如CPU周期數）和任務的輸出數據大小$${\mu }_i$$**。注意，如果我們使用其他任務模型，例如基于計算密度的數據流處理模型，則所提出的具有社會意識的協作任務卸載算法也可以應用[13]==。我們討論以下不同選項的任務執行成本：

• 本地移動執行Local Mobile Execution：

  ? 設備i可以在本地執行其自己的任務。 ==$${\rho }_i^c$$==是每個CPU周期用于計算的能耗，對于不同的設備類型，能耗會有所不同。

  ? 能耗為==$$w_i^l={\rho }_i^c{\psi }_i$$==

• 設備到設備卸載執行Device-to-Device (D2D) Offloaded Execution：

  ? 設備i可以通過D2D連接將其自己的任務卸載到附近的設備j。 ==$$H_{it}^d$$==為設備i的D2D傳送功率，==$$H_{ir}^d$$==為設備i的D2D的接收功率，==$$R_{ij}$$==為設備i和j之間的D2D數據傳輸速度。

  ? 因此，通過這兩個設備之間的D2D傳輸進行任務輸入和輸出數據傳輸的能耗為==$$Z_{ij}^{d1}=(H_{it}^d+H_{jr}^d){\lambda }_i/R_{ij}+(H_{jt}^d+H_{ir}^d){\mu }_i/R_{ji}$$==
  ? 此外，在設備j中執行卸載任務的能耗為==$$Z_{ij}^{d2}={\rho }_j^c{\psi }_i$$==。

  ? 因此，我們可以得到D2D卸載執行方法的能耗為==$${\omega }_{ij}^d=Z_{ij}^{d1}+Z_{ij}^{d2}$$== 。

  ? 移動設備通常具有有限的資源容量，因此，由于物理尺寸的限制，我們將假定一個設備一次最多只能執行一項任務。

• 直接云卸載執行Direct Cloud Offloaded Execution：

  ? 設備i可以通過蜂窩鏈接將其自己的任務卸載到網絡邊緣的邊緣云服務器。

  ? 蜂窩傳送功率為==$$H_{it}^c$$==，蜂窩接收功率為$$H_{ir}^c$$，上載蜂窩數據速率為$$R_i^t$$，下載蜂窩數據速率為==$$R_i^r$$==。

  ? 這兩個設備之間通過D2D傳輸進行任務輸入和輸出數據傳輸的能耗為==$$Z_i^c=H_{it}^c{\lambda }_i/R_i^t+H_{ir}^c{\mu }_i/R_i^r$$==

  ? 因此，云卸載執行方法的能耗表示為$${\omega }_i^c=Z_i^c$$。

• D2D輔助的云卸載執行D2D-Assisted Cloud Offloaded Execution：

  ? 設備i可以通過D2D鏈接將其自己的任務數據傳輸到附近的設備j。

  ? 而且，在計算完成之后，它還將從附近的設備j接收結果。

  ? 在這種情況下，通過這兩個設備之間的D2D傳輸進行任務輸入和輸出數據傳輸的能耗為$$Z_{ij}^{d1}=(H_{it}^d+H_{jr}^d){\lambda }_i/R_{ij}+(H_{jt}^d+H_{ir}^d){\mu }_i/R_{ji}$$

  ? 然后，設備j將通過蜂窩鏈路將接收到的任務從設備i卸載到網絡邊緣的云服務器。

  ? 在這種情況下，這兩個設備之間通過D2D傳輸進行任務輸入和輸出數據傳輸的能耗為$$Z_j^c=H_{jt}^c{\lambda }_j/R_j^t+H_{jr}^c{\mu }_j/R_j^r$$

  ? 因此，我們可以獲得設備i的云卸載執行方法的能耗$${\omega }_{ij}^{dc}=Z_{ij}^{d1}+Z_{ij}^c$$

? 注意為了便于說明，我們主要考慮任務執行的能耗。 但是，我們的模型可以輕松擴展以考慮執行時間的開銷。此外，由于云服務器通常具有恒定的電源，因此在本文中，我們僅關注設備用戶的能耗優化。在上述協作移動邊緣計算系統模型的基礎上，如何整合設備用戶的社交關系以推動大量設備協作以進行協作任務執行，以及如何針對不同的單個設備在不同的任務執行方法之間進行適當選擇是非常具有挑戰性的。 在以下部分中，我們將提出一種具有社會意識的協作任務卸載算法來解決此問題。

具有社會意識的協作任務卸載算法

? 現在，我們考慮通過利用設備用戶之間的潛在社會紐帶來設計一種社交意識的協作任務卸載算法。 基于具有社會動機的合作結構，我們將提出一種基于社會意識的二分匹配方案，以找到使所有設備執行任務的系統開銷最小化的最佳解決方案。

設備社交圖

? 我們首先介紹用于社交動機的協作移動邊緣計算的社交關系模型。使用社交聯系的基本原理是，許多移動設備（例如，智能手機和可穿戴設備）是人類擁有和攜帶的，并且可以利用內在的可信賴的人類社會關系來實現移動邊緣計算的有效合作。

? 具體來說，我們引入設備社交圖==$$G^{SOC}$$==來建模設備之間的社交聯系。這里的頂點集與設備集相同，并且當且僅當兩個設備彼此之間具有社會信任時，這兩個設備之間才存在社交連線，這意味著要么兩個設備屬于同一用戶，要么這兩個設備的用戶具有某種社會關系，例如親戚關系，友誼或同事關系。我們假設具有社會紐帶的設備愿意協助設備n分擔任務。 這是因為可以在具有社會關系的人類之間建立起社會互惠，并且利他行為在許多人類社會互動中得到了廣泛觀察[9]。 例如，當設備用戶在家中或工作時，通常家庭成員，鄰居，同事或朋友在附近并愿意提供幫助。

? 實際上，兩個設備用戶可以通過本地執行“匹配”過程來識別他們之間的共同社交特征，從而即時檢測其社交關系。 例如，兩個設備用戶可以匹配其家庭住址和工作地址，并確定他們是鄰居還是同事。 此外，兩個設備用戶可以通過訪問在線社交媒體（例如Facebook和Twitter）來檢測他們之間的社交關系。 例如，任何經過身份驗證的Facebook用戶都可以通過OpenGraph API訪問其社交圖信息。

---

OpenGraph API

https://www.computerhope.com/jargon/o/open-graph.htm

---

具有社交意識的二分匹配合作任務卸載

? 給定設備之間的社交聯系所帶來的有效和可信賴的合作關系，然后我們考慮尋找最佳的具有社會意識的合作任務卸載解決方案的問題。

? 受觀察結果啟發，我們的問題與匹配問題具有相似的分配工作結構，因此我們采用最小權重二分完全匹配方法來解決任務卸載問題。 這里的主要挑戰是如何正確構造二部圖以捕獲具有社交意識的任務卸載問題的結構特征。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-1jUh9F4d-1589331529329)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583513630215.png)]

? 如圖4所示，同時考慮設備社交圖和D2D連接圖，我們可以構建有權重的二部圖，以使節點i在一側（即任務端）代表設備i的任務 ，在另一端（即執行者端），節點代表設備集以及用于任務執行的虛擬機集。

? 具體而言，給定設備社交圖（例如，圖4a）和D2D連接圖（例如，圖4b），然后我們為二部圖（例如，圖4c）定義邊集，如下所示：

• 本地移動執行Local Mobile Execution：

  ? 任務節點i及其對應的本地設備節點i之間存在一條邊，并且邊的權重是本地移動執行能耗==$$w_i^l={\rho }_i^c{\psi }_i$$==。

• 設備到設備卸載執行D2D Offloaded Execution：

  ? 如果任務節點i和設備節點j在設備社交圖上具有社交聯系且在D2D連接圖上具有D2D鏈接（如圖4中的設備1和3），則在任務節點i和設備節點j之間存在邊。邊的權重就是D2D卸載執行能耗==$${\omega }_{ij}^d=Z_{ij}^{d1}+Z_{ij}^{d2}$$==

• 直接云卸載執行Direct Cloud Offloaded Execution：

  ? 邊緣云上的任務節點i及其包括的虛擬機節點之間存在一條邊緣，邊的權重表示了直接云卸載執行能耗==$${\omega }_i^c=Z_i^c$$==

• D2D輔助的云卸載執行D2D-Assisted Cloud Offloaded Execution：

  ? 任務節點i和由設備節點j和節點i的虛擬機節點組成的捆綁節點之間存在一條邊，如果i和j在設備社交圖上具有社交聯系并且在D2D連接圖上具有D2D鏈接。 邊的權重就是D2D輔助的云卸載執行的能耗==$${\omega }_{ij}^{dc}=Z_{ij}^{d1}+Z_{ij}^c$$==

? 在構建二部圖之后，我們可以通過計算二部圖上最小權重的二分完全匹配解來找到最佳的社交意識協作任務卸載解決方案。 通常，經典的二分匹配算法復雜度為$$O(NE)$$，其中E是二部圖中的邊數。 對于我們的問題，邊的數量E與節點的數量N成正比，因此基于二分匹配的社交感知任務卸載算法有較低的復雜度為$$O(N^2)$$，可以很好地進行實際執行。

---

二分圖匹配

https://blog.csdn.net/thundermrbird/article/details/52231639

介紹二部圖 匈牙利算法https://blog.csdn.net/Young__Fan/article/details/90719285

---

表現評價

? 接下來，我們將通過數值研究評估所提出的具有社會意識的協作任務卸載解決方案的性能。在仿真中，我們運行100輪任務分配以獲得平均性能。設備之間可行的D2D連接在每個回合中各不相同，這取決于設備的位置。 在這里我們使用普遍采用的機會網絡環境（ONE）模擬器[14]來對由于移動性引起的設備位置動態變化進行建模，這已被證明可以很好地捕獲許多現實世界中的用戶移動性軌跡[14]中的分布特性。與[13]類似，我們將數據流處理應用程序任務作為研究案例。對于設備社交圖$$G^{SOC}$$，我們將考慮兩種類型的社交圖：Erdos-Renyi社交圖和基于真實數據跟蹤的社交圖。

• Erdos-Renyi社交圖

  ? 我們首先考慮由Erdos-Renyi（ER）圖模型[15]表示社交圖==$$G^{SOC}$$的情況，其中任何設備之間的社交聯系都存在可能性$$P_L$$。為了評估社交圖的社交聯系密度的影響，我們使用200種設備和不同社交聯系概率分別為$$P_L=0.02,0.05,....,0.5$$==的情況進行模擬。

  ? 作為基準，我們還比較了具有社交意識的協作任務卸載解決方案的三種方案。

  • 社交未察覺的任務卸載Socially-Oblivious Task Offloading：

    我們通過構建二部圖而不考慮設備之間的社會聯系，為任務卸載計算了最佳的二分匹配解決方案。 在這種情況下，它將找到涉及本地移動和云卸載執行的最佳解決方案。

  • 所有設備的云卸載執行Cloud Offloaded Execution by All Devices：

    所有設備都選擇將其任務卸載到邊緣云。

  • 所有設備的本地移動執行Local Mobile Execution by all Devices:

    所有設備都在本地執行其任務。

    下面，我們將所有設備==相對于本地移動執行的計算能耗降低率==用作性能指標。

    ---

    cost reduction ratio = (本地移動執行的能耗-選擇方式的能耗)/本地移動執行的能耗

    ---

    [外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-fLz9gcUG-1589331529332)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583567485443.png)]

  ? 我們在圖5中顯示了所有方案的平均系統計算開銷。我們看到，隨著社會聯系概率==$$P_L$$==的增加，社交意識協作任務卸載的性能也會提高。這是由于以下事實：隨著協作社交互動的增加，每個單獨的設備從更多具有社會關系的設備提供協助并實現更有效的任務卸載而從協作任務卸載中受益更多。當社會聯系概率==$$P_L$$較大時（例如，$$P_L=0.5$$== ），社交感知的協作任務卸載可以實現超過59％的計算成本降低，而社交未察覺的任務卸載和所有設備的云卸載執行的成本降低率分別產生30%和25%。這表明了所提出的具有社會意識的協作任務卸載方案的優越性能。即使社會聯系概率==$$P_L$$==非常小，我們提出的方案仍然可以實現良好的性能，與所有設備執行本地移動執行相比，成本降低了37％以上。

• 基于真實軌跡的社交圖Real Trace Based Social Graph

  ? 我們現在根據真實數據蹤跡Brightkite的社交網絡通過社交圖評估社交意識的協作任務卸載方案，該網絡包含移動用戶之間的明顯的社交網絡。 我們分別使用100，200，…，500個設備來實現仿真。

  [外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-XI8NcgNr-1589331529335)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583575476610.png)]

  ? 我們在圖6中顯示了平均系統計算開銷，其中進一步考慮了貪婪任務卸載的基準。類似于許多現有研究中的近似解決方案（例如[6]），貪婪任務卸載方案首先根據其所有能耗對所有可行的任務所有者－執行者（owner-executors）對進行排序，然后貪婪地按順序選擇所有者－執行者對（owner-executors）。我們看到，具有社會意識的協作任務卸載可以減少多達44％的計算成本。相比之下，社交未察覺的任務卸載，所有設備的云卸載執行和貪婪的任務卸載分別僅將成本降低了30％，33％和37％。我們還觀察到，隨著設備數量的增加，具有社交意識的協作任務卸載的性能也會提高，這部分是由于在更大的設備群體中可以出現更多有益的合作。使用真實社交網絡數據軌跡進行的評估證明了所提出的社交感知協作任務卸載對于實際實施的效率。

---

ONE(機會網絡)

不需要源節點和目標節點之間存在完整鏈路,

利用節點移動帶來的相遇機會實現通信的自組織網絡。

https://blog.csdn.net/qq_36627468/article/details/79225355

---

關于未來方向的討論

? 在本節中，我們將討論幾個重要的方向，以進一步探索協作移動邊緣計算的社會意識機制設計問題。

協作移動邊緣計算的社交團體效用最大化

? 正如相關工作討論中所提到的，在==[11]==的先前研究中，我們提出了用于協作網絡設計的社交團體效用最大化social group utility maximization（SGUM）框架。SGUM框架整合了兩個用戶（例如，家庭成員或朋友）之間的“積極”社交關系和兩個用戶（例如，由于惡意行為）之間的“消極”社交關系。 通過改變用戶之間的社交聯系強度，我們表明SGUM框架可以涵蓋零和博弈zero-sum game （ZSG）和一般和非合作博弈general-sum non-cooperative game（NCG）之間的連續性，從而達到網絡效用最大化network utility maximization （NUM），因此，可以為具有社會意識的協作網絡系統設計（包括研究網絡安全問題）提供豐富的建模靈活性。

? 因此，作為探索的重要方向，我們將擴展SGUM框架，以實現社交意識的協作移動邊緣計算包括計算和網絡資源共享。 此外，我們將在具有積極和消極社會聯系的SGUM框架的基礎上，通過利用社交朋友的值得信賴的幫助和協作來防御惡意用戶的攻擊，從而設計出安全的移動邊緣計算系統。

---

零和博弈

零和博弈的原理如下：兩人對弈，總會有一個贏，一個輸，如果我們把獲勝計算為得1分，而輸棋為-1分。則若A獲勝次數為N，B的失敗次數必然也為N。若A失敗的次數為M，則B獲勝的次數必然為M。這樣，A的總分為（N-M），B的總分為（M-N），顯然（N-M）+（M-N）=0，這就是零和游戲的數學表達式。

一般和非合作博弈

零和的泛化形式

---

社區意識協作設備資源池

? 在本文中，我們通過考慮任務是從移動設備生成的，并且還適合在具有空閑計算資源的另一設備上卸載移動執行，來重點關注實現最佳任務卸載決策的問題。 未來研究的一個有趣方向是考慮到某些任務可能源自其他類型的設備，并且具有較大的計算量。 在這種情況下，通常需要跨多個設備的設備資源池，以支持大型任務。

? 為了應對這一挑戰，我們可以利用社交網絡中的社區結構來進行具有社會動機的協作設備資源池。社交社區是一個結構組件，它代表一組具有密切而穩定的社交關系的設備用戶，例如，家庭成員和同一公司的同事。顯然，同一個社區的成員經?；?#xff0c;并被認為彼此之間具有很強的社會聯系以進行協作。對于具有社交社區意識的協作設備資源池，我們可以首先在設備社交圖上應用經典社區檢測算法，以識別潛在的社交社區。 在此基礎上，通過在合作博弈論中利用聯盟形成算法，我們可以通過將多個社交社區合并在一起來支持多個大型任務的資源需求，從而形成多個超級社區。

---

社區檢測算法

https://blog.csdn.net/qq_41106162/article/details/89874569

---

結論

? 在本文中，我們提出了一種社會動機的協作移動邊緣計算的新范例，該范例利用移動和可穿戴設備用戶之間的社交聯系結構來實現任務執行中的有效和可信賴的合作。 出于社會動機的協作移動邊緣計算可以促進任務執行方法的靈活選擇，包括本地移動執行，D2D卸載執行，直接云卸載執行和D2D輔助云卸載執行。

? 具體來說，我們提出了一種用于協作移動邊緣計算的系統模型以及一種設備社交圖模型，以捕獲設備之間的社交關系。我們還通過集成底層的社交聯系結構以及設備之間的網絡連接，設計了一種基于二分匹配的基于社交意識的協作任務卸載算法。使用基于Erdos-Renyi和基于實際軌跡的社交圖進行執行評估，證實了所提出的社交意識機制可以實現出色的效果，因此是進一步探索的有希望的方向。

總結

以上是生活随笔為你收集整理的Socially-Motivated Cooperative Mobile Edge Computing论文阅读的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。