? 注意為了便于說明，我們主要考慮任務(wù)執(zhí)行的能耗。 但是，我們的模型可以輕松擴(kuò)展以考慮執(zhí)行時(shí)間的開銷。此外，由于云服務(wù)器通常具有恒定的電源，因此在本文中，我們僅關(guān)注設(shè)備用戶的能耗優(yōu)化。在上述協(xié)作移動(dòng)邊緣計(jì)算系統(tǒng)模型的基礎(chǔ)上，如何整合設(shè)備用戶的社交關(guān)系以推動(dòng)大量設(shè)備協(xié)作以進(jìn)行協(xié)作任務(wù)執(zhí)行，以及如何針對不同的單個(gè)設(shè)備在不同的任務(wù)執(zhí)行方法之間進(jìn)行適當(dāng)選擇是非常具有挑戰(zhàn)性的。 在以下部分中，我們將提出一種具有社會(huì)意識(shí)的協(xié)作任務(wù)卸載算法來解決此問題。

具有社會(huì)意識(shí)的協(xié)作任務(wù)卸載算法

? 現(xiàn)在，我們考慮通過利用設(shè)備用戶之間的潛在社會(huì)紐帶來設(shè)計(jì)一種社交意識(shí)的協(xié)作任務(wù)卸載算法。 基于具有社會(huì)動(dòng)機(jī)的合作結(jié)構(gòu)，我們將提出一種基于社會(huì)意識(shí)的二分匹配方案，以找到使所有設(shè)備執(zhí)行任務(wù)的系統(tǒng)開銷最小化的最佳解決方案。

設(shè)備社交圖

? 我們首先介紹用于社交動(dòng)機(jī)的協(xié)作移動(dòng)邊緣計(jì)算的社交關(guān)系模型。使用社交聯(lián)系的基本原理是，許多移動(dòng)設(shè)備（例如，智能手機(jī)和可穿戴設(shè)備）是人類擁有和攜帶的，并且可以利用內(nèi)在的可信賴的人類社會(huì)關(guān)系來實(shí)現(xiàn)移動(dòng)邊緣計(jì)算的有效合作。

? 具體來說，我們引入設(shè)備社交圖==$$G^{SOC}$$==來建模設(shè)備之間的社交聯(lián)系。這里的頂點(diǎn)集與設(shè)備集相同，并且當(dāng)且僅當(dāng)兩個(gè)設(shè)備彼此之間具有社會(huì)信任時(shí)，這兩個(gè)設(shè)備之間才存在社交連線，這意味著要么兩個(gè)設(shè)備屬于同一用戶，要么這兩個(gè)設(shè)備的用戶具有某種社會(huì)關(guān)系，例如親戚關(guān)系，友誼或同事關(guān)系。我們假設(shè)具有社會(huì)紐帶的設(shè)備愿意協(xié)助設(shè)備n分擔(dān)任務(wù)。 這是因?yàn)榭梢栽诰哂猩鐣?huì)關(guān)系的人類之間建立起社會(huì)互惠，并且利他行為在許多人類社會(huì)互動(dòng)中得到了廣泛觀察[9]。 例如，當(dāng)設(shè)備用戶在家中或工作時(shí)，通常家庭成員，鄰居，同事或朋友在附近并愿意提供幫助。

? 實(shí)際上，兩個(gè)設(shè)備用戶可以通過本地執(zhí)行“匹配”過程來識(shí)別他們之間的共同社交特征，從而即時(shí)檢測其社交關(guān)系。 例如，兩個(gè)設(shè)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(gè)設(shè)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(guān)系。 例如，任何經(jīng)過身份驗(yàn)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(shí)的二分匹配合作任務(wù)卸載

? 給定設(shè)備之間的社交聯(lián)系所帶來的有效和可信賴的合作關(guān)系，然后我們考慮尋找最佳的具有社會(huì)意識(shí)的合作任務(wù)卸載解決方案的問題。

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

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)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(shí)考慮設(shè)備社交圖和D2D連接圖，我們可以構(gòu)建有權(quán)重的二部圖，以使節(jié)點(diǎn)i在一側(cè)（即任務(wù)端）代表設(shè)備i的任務(wù) ，在另一端（即執(zhí)行者端），節(jié)點(diǎn)代表設(shè)備集以及用于任務(wù)執(zhí)行的虛擬機(jī)集。

? 具體而言，給定設(shè)備社交圖（例如，圖4a）和D2D連接圖（例如，圖4b），然后我們?yōu)槎繄D（例如，圖4c）定義邊集，如下所示：

• 本地移動(dòng)執(zhí)行Local Mobile Execution：

  ? 任務(wù)節(jié)點(diǎn)i及其對應(yīng)的本地設(shè)備節(jié)點(diǎn)i之間存在一條邊，并且邊的權(quán)重是本地移動(dòng)執(zhí)行能耗==$$w_i^l={\rho }_i^c{\psi }_i$$==。

• 設(shè)備到設(shè)備卸載執(zhí)行D2D Offloaded Execution：

  ? 如果任務(wù)節(jié)點(diǎn)i和設(shè)備節(jié)點(diǎn)j在設(shè)備社交圖上具有社交聯(lián)系且在D2D連接圖上具有D2D鏈接（如圖4中的設(shè)備1和3），則在任務(wù)節(jié)點(diǎn)i和設(shè)備節(jié)點(diǎn)j之間存在邊。邊的權(quán)重就是D2D卸載執(zhí)行能耗==$${\omega }_{ij}^d=Z_{ij}^{d1}+Z_{ij}^{d2}$$==

• 直接云卸載執(zhí)行Direct Cloud Offloaded Execution：

  ? 邊緣云上的任務(wù)節(jié)點(diǎn)i及其包括的虛擬機(jī)節(jié)點(diǎn)之間存在一條邊緣，邊的權(quán)重表示了直接云卸載執(zhí)行能耗==$${\omega }_i^c=Z_i^c$$==

• D2D輔助的云卸載執(zhí)行D2D-Assisted Cloud Offloaded Execution：

  ? 任務(wù)節(jié)點(diǎn)i和由設(shè)備節(jié)點(diǎn)j和節(jié)點(diǎn)i的虛擬機(jī)節(jié)點(diǎn)組成的捆綁節(jié)點(diǎn)之間存在一條邊，如果i和j在設(shè)備社交圖上具有社交聯(lián)系并且在D2D連接圖上具有D2D鏈接。 邊的權(quán)重就是D2D輔助的云卸載執(zhí)行的能耗==$${\omega }_{ij}^{dc}=Z_{ij}^{d1}+Z_{ij}^c$$==

? 在構(gòu)建二部圖之后，我們可以通過計(jì)算二部圖上最小權(quán)重的二分完全匹配解來找到最佳的社交意識(shí)協(xié)作任務(wù)卸載解決方案。 通常，經(jīng)典的二分匹配算法復(fù)雜度為$$O(NE)$$，其中E是二部圖中的邊數(shù)。 對于我們的問題，邊的數(shù)量E與節(jié)點(diǎn)的數(shù)量N成正比，因此基于二分匹配的社交感知任務(wù)卸載算法有較低的復(fù)雜度為$$O(N^2)$$，可以很好地進(jìn)行實(shí)際執(zhí)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(xiàn)評價(jià)

? 接下來，我們將通過數(shù)值研究評估所提出的具有社會(huì)意識(shí)的協(xié)作任務(wù)卸載解決方案的性能。在仿真中，我們運(yùn)行100輪任務(wù)分配以獲得平均性能。設(shè)備之間可行的D2D連接在每個(gè)回合中各不相同，這取決于設(shè)備的位置。 在這里我們使用普遍采用的機(jī)會(huì)網(wǎng)絡(luò)環(huán)境（ONE）模擬器[14]來對由于移動(dòng)性引起的設(shè)備位置動(dòng)態(tài)變化進(jìn)行建模，這已被證明可以很好地捕獲許多現(xiàn)實(shí)世界中的用戶移動(dòng)性軌跡[14]中的分布特性。與[13]類似，我們將數(shù)據(jù)流處理應(yīng)用程序任務(wù)作為研究案例。對于設(shè)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(shí)數(shù)據(jù)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(shè)備之間的社交聯(lián)系都存在可能性$$P_L$$。為了評估社交圖的社交聯(lián)系密度的影響，我們使用200種設(shè)備和不同社交聯(lián)系概率分別為$$P_L=0.02,0.05,....,0.5$$==的情況進(jìn)行模擬。

  ? 作為基準(zhǔn)，我們還比較了具有社交意識(shí)的協(xié)作任務(wù)卸載解決方案的三種方案。

  • 社交未察覺的任務(wù)卸載Socially-Oblivious Task Offloading：

    我們通過構(gòu)建二部圖而不考慮設(shè)備之間的社會(huì)聯(lián)系，為任務(wù)卸載計(jì)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(dòng)和云卸載執(zhí)行的最佳解決方案。

  • 所有設(shè)備的云卸載執(zhí)行Cloud Offloaded Execution by All Devices：

    所有設(shè)備都選擇將其任務(wù)卸載到邊緣云。

  • 所有設(shè)備的本地移動(dòng)執(zhí)行Local Mobile Execution by all Devices:

    所有設(shè)備都在本地執(zhí)行其任務(wù)。

    下面，我們將所有設(shè)備==相對于本地移動(dòng)執(zhí)行的計(jì)算能耗降低率==用作性能指標(biāo)。

    ---

    cost reduction ratio = (本地移動(dòng)執(zhí)行的能耗-選擇方式的能耗)/本地移動(dòng)執(zhí)行的能耗

    ---

    [外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)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(tǒng)計(jì)算開銷。我們看到，隨著社會(huì)聯(lián)系概率==$$P_L$$==的增加，社交意識(shí)協(xié)作任務(wù)卸載的性能也會(huì)提高。這是由于以下事實(shí)：隨著協(xié)作社交互動(dòng)的增加，每個(gè)單獨(dú)的設(shè)備從更多具有社會(huì)關(guān)系的設(shè)備提供協(xié)助并實(shí)現(xiàn)更有效的任務(wù)卸載而從協(xié)作任務(wù)卸載中受益更多。當(dāng)社會(huì)聯(lián)系概率==$$P_L$$較大時(shí)（例如，$$P_L=0.5$$== ），社交感知的協(xié)作任務(wù)卸載可以實(shí)現(xiàn)超過59％的計(jì)算成本降低，而社交未察覺的任務(wù)卸載和所有設(shè)備的云卸載執(zhí)行的成本降低率分別產(chǎn)生30%和25%。這表明了所提出的具有社會(huì)意識(shí)的協(xié)作任務(wù)卸載方案的優(yōu)越性能。即使社會(huì)聯(lián)系概率==$$P_L$$==非常小，我們提出的方案仍然可以實(shí)現(xiàn)良好的性能，與所有設(shè)備執(zhí)行本地移動(dòng)執(zhí)行相比，成本降低了37％以上。

• 基于真實(shí)軌跡的社交圖Real Trace Based Social Graph

  ? 我們現(xiàn)在根據(jù)真實(shí)數(shù)據(jù)蹤跡Brightkite的社交網(wǎng)絡(luò)通過社交圖評估社交意識(shí)的協(xié)作任務(wù)卸載方案，該網(wǎng)絡(luò)包含移動(dòng)用戶之間的明顯的社交網(wǎng)絡(luò)。 我們分別使用100，200，…，500個(gè)設(shè)備來實(shí)現(xiàn)仿真。

  [外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)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(tǒng)計(jì)算開銷，其中進(jìn)一步考慮了貪婪任務(wù)卸載的基準(zhǔn)。類似于許多現(xiàn)有研究中的近似解決方案（例如[6]），貪婪任務(wù)卸載方案首先根據(jù)其所有能耗對所有可行的任務(wù)所有者－執(zhí)行者（owner-executors）對進(jìn)行排序，然后貪婪地按順序選擇所有者－執(zhí)行者對（owner-executors）。我們看到，具有社會(huì)意識(shí)的協(xié)作任務(wù)卸載可以減少多達(dá)44％的計(jì)算成本。相比之下，社交未察覺的任務(wù)卸載，所有設(shè)備的云卸載執(zhí)行和貪婪的任務(wù)卸載分別僅將成本降低了30％，33％和37％。我們還觀察到，隨著設(shè)備數(shù)量的增加，具有社交意識(shí)的協(xié)作任務(wù)卸載的性能也會(huì)提高，這部分是由于在更大的設(shè)備群體中可以出現(xiàn)更多有益的合作。使用真實(shí)社交網(wǎng)絡(luò)數(shù)據(jù)軌跡進(jìn)行的評估證明了所提出的社交感知協(xié)作任務(wù)卸載對于實(shí)際實(shí)施的效率。

ONE(機(jī)會(huì)網(wǎng)絡(luò))

不需要源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間存在完整鏈路,

利用節(jié)點(diǎn)移動(dòng)帶來的相遇機(jī)會(huì)實(shí)現(xiàn)通信的自組織網(wǎng)絡(luò)。

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

關(guān)于未來方向的討論

? 在本節(jié)中，我們將討論幾個(gè)重要的方向，以進(jìn)一步探索協(xié)作移動(dòng)邊緣計(jì)算的社會(huì)意識(shí)機(jī)制設(shè)計(jì)問題。

協(xié)作移動(dòng)邊緣計(jì)算的社交團(tuán)體效用最大化

? 正如相關(guān)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(xié)作網(wǎng)絡(luò)設(shè)計(jì)的社交團(tuán)體效用最大化social group utility maximization（SGUM）框架。SGUM框架整合了兩個(gè)用戶（例如，家庭成員或朋友）之間的“積極”社交關(guān)系和兩個(gè)用戶（例如，由于惡意行為）之間的“消極”社交關(guān)系。 通過改變用戶之間的社交聯(lián)系強(qiáng)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(xù)性，從而達(dá)到網(wǎng)絡(luò)效用最大化network utility maximization （NUM），因此，可以為具有社會(huì)意識(shí)的協(xié)作網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)（包括研究網(wǎng)絡(luò)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(kuò)展SGUM框架，以實(shí)現(xiàn)社交意識(shí)的協(xié)作移動(dòng)邊緣計(jì)算包括計(jì)算和網(wǎng)絡(luò)資源共享。 此外，我們將在具有積極和消極社會(huì)聯(lián)系的SGUM框架的基礎(chǔ)上，通過利用社交朋友的值得信賴的幫助和協(xié)作來防御惡意用戶的攻擊，從而設(shè)計(jì)出安全的移動(dòng)邊緣計(jì)算系統(tǒng)。

零和博弈

零和博弈的原理如下：兩人對弈，總會(huì)有一個(gè)贏，一個(gè)輸，如果我們把獲勝計(jì)算為得1分，而輸棋為-1分。則若A獲勝次數(shù)為N，B的失敗次數(shù)必然也為N。若A失敗的次數(shù)為M，則B獲勝的次數(shù)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(shù)學(xué)表達(dá)式。

一般和非合作博弈

零和的泛化形式

社區(qū)意識(shí)協(xié)作設(shè)備資源池

? 在本文中，我們通過考慮任務(wù)是從移動(dòng)設(shè)備生成的，并且還適合在具有空閑計(jì)算資源的另一設(shè)備上卸載移動(dòng)執(zhí)行，來重點(diǎn)關(guān)注實(shí)現(xiàn)最佳任務(wù)卸載決策的問題。 未來研究的一個(gè)有趣方向是考慮到某些任務(wù)可能源自其他類型的設(shè)備，并且具有較大的計(jì)算量。 在這種情況下，通常需要跨多個(gè)設(shè)備的設(shè)備資源池，以支持大型任務(wù)。

? 為了應(yīng)對這一挑戰(zhàn)，我們可以利用社交網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)來進(jìn)行具有社會(huì)動(dòng)機(jī)的協(xié)作設(shè)備資源池。社交社區(qū)是一個(gè)結(jié)構(gòu)組件，它代表一組具有密切而穩(wěn)定的社交關(guān)系的設(shè)備用戶，例如，家庭成員和同一公司的同事。顯然，同一個(gè)社區(qū)的成員經(jīng)?；?dòng)，并被認(rèn)為彼此之間具有很強(qiáng)的社會(huì)聯(lián)系以進(jìn)行協(xié)作。對于具有社交社區(qū)意識(shí)的協(xié)作設(shè)備資源池，我們可以首先在設(shè)備社交圖上應(yīng)用經(jīng)典社區(qū)檢測算法，以識(shí)別潛在的社交社區(qū)。 在此基礎(chǔ)上，通過在合作博弈論中利用聯(lián)盟形成算法，我們可以通過將多個(gè)社交社區(qū)合并在一起來支持多個(gè)大型任務(wù)的資源需求，從而形成多個(gè)超級(jí)社區(qū)。

社區(qū)檢測算法

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

結(jié)論

? 在本文中，我們提出了一種社會(huì)動(dòng)機(jī)的協(xié)作移動(dòng)邊緣計(jì)算的新范例，該范例利用移動(dòng)和可穿戴設(shè)備用戶之間的社交聯(lián)系結(jié)構(gòu)來實(shí)現(xiàn)任務(wù)執(zhí)行中的有效和可信賴的合作。 出于社會(huì)動(dòng)機(jī)的協(xié)作移動(dòng)邊緣計(jì)算可以促進(jìn)任務(wù)執(zhí)行方法的靈活選擇，包括本地移動(dòng)執(zhí)行，D2D卸載執(zhí)行，直接云卸載執(zhí)行和D2D輔助云卸載執(zhí)行。

? 具體來說，我們提出了一種用于協(xié)作移動(dòng)邊緣計(jì)算的系統(tǒng)模型以及一種設(shè)備社交圖模型，以捕獲設(shè)備之間的社交關(guān)系。我們還通過集成底層的社交聯(lián)系結(jié)構(gòu)以及設(shè)備之間的網(wǎng)絡(luò)連接，設(shè)計(jì)了一種基于二分匹配的基于社交意識(shí)的協(xié)作任務(wù)卸載算法。使用基于Erdos-Renyi和基于實(shí)際軌跡的社交圖進(jìn)行執(zhí)行評估，證實(shí)了所提出的社交意識(shí)機(jī)制可以實(shí)現(xiàn)出色的效果，因此是進(jìn)一步探索的有希望的方向。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。