摘要：当前关于如何激励更多边缘节点参与边缘计算环境仍然缺乏研究，为此本文首先基于斯塔克尔伯格博弈理论提出了在云—边环境中单个云服务下行任务的激励机制设计，考虑了云节点和边缘节点间的博弈以及边缘节点内部的博弈，该激励机制能够适应边缘计算环境的动态性。同时提出了“云-边-端”三层  架构环境中多个云服务下行任务的激励机制；最后，本文提出了一种边缘节点相互合作以实现资源分配均衡的合作激励机制，该合作激励机制能够有效激励边缘节点贡献资源以及均衡任务间的资源分配。此外，本文给出了关于该问题可进一步开展的重点研究工作。

关键词：边缘计算；激励机制；斯塔克尔伯格均衡；重叠联盟形成博弈

1 背景

边缘计算是近年来兴起的前沿技术，已成为国内外工业界和学术界关注的热点。其基本设想是将计算、存储资源以及服务等从云端下行到靠近终端用户的边缘侧，从而减少用户时延，缓解网络数据传输压力，创造出一个具备高性能、低延迟、高带宽的大数据处理服务环境[1]。与云计算架构相比，边缘计算主要具有两方面 显著优势：（1）可在边缘侧处理大量临时数据，缓解远程数据中心和网络带宽的压力；（2）结合5G技术共同向多样化的终端设备提供更靠近的本地化服务，显著增强服务的响应能力。鉴于边缘计算的优势，学术界和工业界就边缘计算环境等诸多问题展开了大量研究，包括服务放置和请求调度问题、服务质量（QoS）提升问题、负载均衡问题、边缘网络数据存储问题等。

然而，当前边缘计算的相关工作大多假设边缘节点自愿为云数据中心托管服务，忽视了边缘节点的个体理性和自私性。在边缘计算中，这些边缘节点通常是由不同基础设施提供商（如Amazon的AWS、阿里云等）提供的边缘服务器，具有一定计算能力和存储能力。单个边缘节点资源能力有限，难以承担云服务下行任务带来的大量的终端用户需求，因此需要由多个边缘节点共同承担下行任务。对边缘节点而言，为云数据中心托管服务会消耗其自身资源，包括计算资源、存储资源和传输资源，从而造成资源开销。通常，边缘节点提供者是个体理性的，如果参与边缘计算带来的净收益（即所获报酬减去所需开销）为负，则不会参与；边缘节点提供者是自私的，其目的都是最大化自己的净收益，不会为了整体或其他节点的利益而损害自己的利益。也就是说，边缘节点不会自愿无私地贡献自己的资源来托管下行的云端服务。因此，亟待解决激励边缘节点为云端服务提供空闲资源的问题，从而构建持续可扩展的边缘层共享资源池。

构建一个有足够边缘节点愿意贡献部分资源，为更多下行云服务提供服务的边缘计算环境，建立对应的高效激励机制，是一个非常具有挑战的问题。由于边缘节点的个体理性和自私性，边缘计算环境中所有实体“各自为政”，只考虑自身利益，因而我们无法通过传统的优化建模方式来解决上述问题。尽管在一些领域（如群智感知、对等网络等）已有关于激励机制设计的工作， 但边缘计算环境仍缺少高效的激励机制设计研究。和其他领域的问题不同，边缘计算环境是云-边-端三层架构，即云端层、边缘层和终端用户层，其中各个边缘节点的能力不一，这种多层次异构结构加大了激励机制设计求解的复杂度。

2 相关工作

在边缘计算领域，一些经济学理论已被应用于激励机制设计，包括斯塔克尔伯格博弈、市场模型和契约理论等。Zhou等人面向边缘计算下的移动群体感知问题，提出一个鲁棒群体移动感知框架RMCS[2]。Shen等 人研究了雾计算环境下的移动众包感知[3]，设计了一个 基于斯塔克伯格博弈的激励机制来激励雾计算中的边缘节点将其感知信息传回控制器。Zheng等人以云端效用最大化为目标设计了一种基于斯塔克伯格博弈的边缘缓存激励机制[4]。Zeng等人针对雾计算环境中的计算负载均衡问题设计了一种基于契约的激励机制[5]。Yang Liu 等人设计了一种基于斯塔尔伯格博弈的激励机制，并提出多轮搜索最优解的算法来实现边缘计算环境中的计算负载均衡[6]。然而，目前边缘计算环境中的激励机制设 计仍然缺乏深入研究。尽管已有研究利用斯塔尔伯格博弈来设计边缘计算负载均衡的激励机制，但是这些工作只考虑了云节点和边缘节点之间的协商，而忽略了不同边缘节点之间的博弈，同时无法给出带约束的两阶段斯塔尔伯格对策的最优解析解。如何在考虑两类竞争的同时激励边缘节点参与云服务下行任务有待进一步研究。此外，目前也没有相关工作考虑在边缘计算环境下用合作博弈的方式来设计激励机制，也没有工作关注激励机制多任务间资源分配不均衡的问题。

3 主要研究问题

在边缘计算环境中，面对不同基础设施提供商提供的边缘服务器自私理性、“各自为政”的情况，我们研究通过设计激励机制来激励边缘服务器为云端服务提供空闲资源，提高边缘层基础设施的服务能力，构建持续可扩展的边缘层共享资源池，搭建共享和共赢的边缘计算服务平台，在缓解云数据中心压力和网络带宽压力的同时为更多终端客户提供质量更高的内容服务。具体的研究问题如下：

（1）如何设计云-边环境单个云服务下行任务的激励机制？如图1所示，边缘计算网络通常由云节点、边缘节点和终端用户组成，云节点希望将云服务下行到靠近用户的边缘节点上，从而提高用户服务质量，缓解网络带宽压力。然而，为下行云服务提供资源会让边缘节点自身产生开销。这些边缘节点由不同的边缘设施提供商操作，是理性和独立的节点。如果没有足够的激励， 边缘节点将不会自愿承担下行云服务。本文重点关注云-边环境中单个云服务下行任务，研究如何设计边缘 计算激励机制来高效地激励异构的边缘节点贡献空余资源，承担下行云服务。同时，考虑到各节点的自私理性，研究如何在每个节点都希望最大化自身利益的同时能够保证云服务下行任务的质量。

图1 边缘计算网络框架

（2）如何在云-边-端环境中建立多任务激励机制？在云-边环境激励机制设计的基础上，我们考虑云- 边-端环境的激励机制设计。和其他领域不同，边缘计 算激励机制涉及到云端、边缘层、终端用户三层，包括云服务下行和终端用户请求上行两部分。边缘节点不仅要考虑为云端提供资源，还需要考虑为其附近的终端用户提供资源。因此，边缘节点需要同时考虑云端和终端用户，确定具体的资源提供量，来实现自身利益最大化的目的。同时，我们研究多个云服务下行任务，每个边缘节点可以同时参加多个任务。相比单任务激励机制， 多任务激励机制能够帮助云节点和边缘节点作出更有利于自身的决策。所以，在设计激励机制时还需要考虑边缘节点如何选择任务以及如何为各个任务确定提供的资源量。

（3）如何设计资源分配均衡的激励机制？在多任务激励机制问题中，各边缘节点为了最大化自身利益， 会倾向于向回报率高的任务提供资源，最终导致回报率高的任务收到过多资源而造成资源浪费，回报率低的任务不能收到足够的资源而造成任务无法保质完成。本文研究如何设计激励机制来有效解决这种任务间资源分配不均衡的问题，从而提高资源利用率，提升云服务下行任务的总体性能。

4 主要研究工作

为了解决上述问题，有效激励边缘节点提供空闲资源，提升边缘层基础设施的服务能力，我们主要开展了以下几个方面研究工作：

（1）基于斯塔克尔伯格博弈建立云-边环境单个云服务下行任务的激励机制。我们基于斯塔克伯格博弈理论设计了一种有效的单任务激励机制，以激励更多的边缘节点为云端托管下行的云服务。图2展现了边缘计算单任务激励机制的工作流程。首先，云节点释放一个云服务下行任务。边缘节点如果愿意执行此任务，它将消耗其原本用于部署本地服务的资源。因此，它会期望从相应的云节点获得报酬来弥补产生的资源开销。之后， 每个边缘节点根据成本和报酬制定服务提供计划，并将其提交到云节点。云节点从边缘节点收集提供服务的计划，选择一部分边缘节点来参与任务。在选定的边缘节点提供资源后，云节点计算并发送每个选定边缘节点的报酬。在整个云服务下行任务过程中，云节点旨在最大化自己的效用。边缘节点由不同的边缘提供商操作，希望最大化自身效用，并在足够的激励下实现云服务下行任务。我们将该激励流程建模为斯塔克尔伯格博弈模型，同时考虑了云节点和边缘节点间的博弈，以及边缘节点内部的博弈。然后，研究了该复杂博弈模型最优解的求解方法，给出斯塔克尔伯格均衡的解析解及其严格推导过程，并讨论其唯一性。该云-边环境单任务激励 机制可以有效地激励云节点和边缘节点参与边缘环境， 且适用于动态边缘环境。

图2 边缘计算单任务激励机制工作流程

（2）将云服务下行任务建模为重叠联盟，设计云-边-端环境中的多任务激励机制。在云-边环境激励机制的基础上，我们提出了云-边-端环境的激励机制。 如图3所示，边缘计算云服务下行系统分为云服务下行和终端用户请求上行两个部分。在云服务下行过程中， 云平台将同时发布多个云服务下行任务，并招募边缘节点来缓存服务，从而确保延迟敏感型服务的网络服务质量。考虑到边缘节点的自私性和个体理性，云平台将提供相应报酬给贡献资源的边缘节点。在终端用户请求上行过程中，每个边缘节点需要处理原本就由其承担的附近终端用户发送的请求。这些终端用户在请求完成后， 将为相应的边缘节点支付任务奖励。我们将每个任务建模为重叠的联盟，在重叠联盟中理性的局中人可以同时加入多个联盟。也就是说，每个边缘节点可以同时参加多个任务，根据所有任务的情况来挑选任务并制定为任务提供资源的方案。 

图3 云-边-端架构多任务激励机制设计

（3）提出合作激励机制设计，有效保证任务间资源分配均衡。基于重叠联盟形成博弈，本文设计了一种合作激励机制，以鼓励边缘节点从云平台选择多个下行云服务时相互协作。在多任务激励机制问题中，各边缘节点为了最大化自身利益，会倾向于向回报率高的任务提供资源。合作激励机制能够防止这种情况的发生，从而避免了该任务收集的资源浪费和任务间资源分配不均衡的情况，也避免了边缘节点都加入单一任务而各自得到的报酬过低的情况。相比非合作方法，该合作激励机制获得了更高的云节点效用，并且任务间的资源分配更加均衡。

5 发展展望

当前我们考虑到边缘服务器自私理性的特点，研究了边缘计算环境下激励机制设计，着力解决边缘层基础设施服务能力不足的问题，为更多终端客户提供质量更高的内容服务，后续我们将继续在该领域开展相关的研究工作：

（1）结合边缘设备层的激励机制设计研究。当前边缘计算环境的激励机制研究主要考虑了如何激励边缘服务器构成的边缘层。在更靠近终端用户处，还有由终端用户手机、路由、个人电脑等边缘设备构成的边缘设备层，这些边缘设备通常会连接到边缘服务器，再通过边缘服务器连接到云端，可以作为边缘服务器的扩展。下一步工作将关注包含边缘服务器和边缘设备的双层边缘层，在已有的基础上进一步研究如何激励边缘设备为边缘服务器提供额外支撑，从而构建更具扩展性的边缘计算共享资源池。

（2）考虑边缘节点资源位置分布的边缘计算激励机制设计研究。当前的激励机制设计大多是以激励边缘节点贡献空闲资源为研究目标，而没有考虑到边缘计算模式的最终目的是提高终端用户服务质量（QoS），提升终端用户服务体验。相比云数据中心，边缘节点计算存储能力有限，但是数量更多且分散地分布在靠近用户的地方，边缘节点可提供资源的位置分布也将成为影响服务质量的重要因素。相比附近用户对下行云服务需求低的边缘节点，对应需求高的边缘节点需要提供更多资源才能有效提升其附近终端用户的服务质量。因此，在后续研究中，将在考虑资源位置分布的基础上设计激励机制，从而能够更有效地保证用户的服务质量。

（3）激励机制安全保障体系研究。在边缘环境激励机制中，云端和边缘节点的行为难以得到保证，双方可能存在作弊的情况，使得激励机制的合理性和有效性受到质疑。因此，需要研究如何构建安全可靠的诚信评价系统，设计惩罚函数来抑制非理性不公平的竞争，确保激励机制运行时云端和边缘节点不会出现作弊行为。同时，可以考虑如何结合区块链，引进智能协议等技术，确保云节点和边缘节点遵循激励机制给出的最优策略，实现去第三方的激励机制安全保障体系。

作者简介：

姚晨蝶，国防科技大学系统工程学院研究生，主要研究方向为边缘计算、智能博弈等。

谢俊杰，军事科学院系统工程研究院工程师，主要研究方向为分布式系统、软件定义网络、移动边缘计算等。

郭得科，国防科技大学系统工程学院教授，主要研究方向为网络计算与系统、分布式计算与系统、网络空间安全、移动计算等。荣获湖南省自然科学一等奖（排名第一）、2020年度CCF-IEEE CS青年科学家奖、IEEE ICNP 2019最佳论文；以第一完成人出版学术专著2 部，获得中国和美国授权发明专利38项。入选国家优青、国家万人计划青年拔尖、军队高层次科技创新人才工程、湖南省杰青、教育部新世纪人才计划。

刘 忠，国防科技大学系统工程学院副院长、教授，主要研究方向为人工智能、深度强化学习、多智能体系统等。担任教育部科技创新团队负责人、国家人工智能战略咨询委员会委员。

参考文献：

[1] P. Mach and Z. Becvar, et al. Mobile edge computing: A Survey on Architecture and 

Computation Offloading[J]. IEEE Communications Surveys and Tutorials, vol. 19,

 No. 3, 2017, 1628 – 1656.

[2] Zhou Z, Liao H, Gu B, et al. Robust Mobile Crowd Sensing: When Deep Learning Meets 

Edge Computing[J]. IEEE Network, 2018, 32 (4) : 54 - 60.

[3] Shen F, Zhang G, Zhang C, et al. An Incentive Framework for Resource Sensing in Fog 

Computing Networks[C]. Global communications conference, 2018: 1 - 6.

[4] Zheng Z, Song L, Han Z, et al. A Stackelberg Game Approach to Proactive Caching in 

Large-Scale Mobile Edge Networks[J]. IEEE Transactions on Wireless Communications, 2018, 17 (8) : 5198 - 5211.

[5] Zeng M, Li Y, Zhang K, et al. Incentive Mechanism Design for Computation Offloading in 

Heterogeneous Fog Computing: A Contract-based Approach[C]. International Conference on Communications, 2018 : 1 - 6.

[6] Liu Y, Xu C, Zhan Y, et al. Incentive Mechanism for Computation Offloading Using Edge 

 Computing: A Stackelberg Game Approach[J]. Computer Networks, 2017, 129 (24) : 399 - 409.

摘自《自动化博览》2021年2月刊