石珩臻

【摘要】    针对V2X的收费问题，构建了一种结合SDN和MEC的架构;对基于SDN和MEC架构的V2X收费问题进行建模;将前景理论（Prospect Theory）的原理用于数据决策过程，采用公共地悲剧理论开发现有计算资源;进行基于价格策略和危险感知卸载问题的联合优化。可证明，最佳反应动态问题的解可趋于纯纳什均衡。

【关键词】    边缘计算    V2X    收费

引言

车联网产业发展目前正处于市场爆发前的战略机遇期，并且在疫情之下仍在逆势生长。车联网需要多项技术协同实现，V2X就是其中的一项关键技术。通过V2X，可以实现车辆与车辆的通信V2V，车辆与基础设施的通信V2I，车辆与行人的通信V2P以及车辆与网络/云平台的通信V2N/V2C。V2X涉及到计算资源的使用;服务提供商需要考虑的问题就包括：如何为消费者提供低时延的业务以及如何制定合理的定价策略。

文献[1]提出用Stackelberg博弈建模计算任务卸载分配的问题;对于某一单位负荷执行费用p，在迭代优化的过程中调整更新奖励政策r;求解出开销函数V的最大值。文献[2]利用基于动态负载指标权重的负载均衡算法，解决车联网中边缘服务器负载不均衡，资源利用率低等问题;提升了负载均衡性，缩短了业务完成时间。文献[3]引入了软件定义车载网络，设计了任务卸载优先级机制算法;对时延和能耗进行了优化。然而，上述文献并未进行危险感知-考虑卸载失败的情况。为此，本文联合考虑收费和危险感知。

一、SDN、MEC架构

传统的车联网架构是基于基站的网络服务架构;在该架构中，所有客户竞争基站的有限通信带宽;在不断地系统扩展中，会遇到瓶颈。而基于SDN架构，车联网可从全局的角度对网络进行灵活的配置;减少基站带宽的竞争，加快网络业务部署的进程。

在基于SDN的车联网架构中，控制信息与数据流被分解到集中式的基站和分布式的RSU上。其中，较短的控制信息通过V2C方式在基站和SDN控制器中传递;在接收到控制信息后，数据通过V2I，V2V方式传输。

在此基础上引入MEC，可将原本需上传到云端的任务卸载到边缘，降低时延。基于SDN的MEC车联网总体架构如图1所示。

显而易见，该架构分为用户数据区域，网络控制区域，应用区域这三层。首先，在用户数据区域，路边设有RSU;每个RSU配一个MEC服务器，根据实际需求，车辆可以通过V2I将数据卸载到MEC服务器或者通过V2V将数据卸载到相邻车辆;同时在网络控制区域部署SDN控制器，集成了多种网络协议和标准，比如车载网络，物联网网络，可使用SDN控制器灵活管理网络资源;最后在应用区域，进行与车联网有关的各种应用的实现。

二、基于计算资源的V2X收费

2.1 问题描述

V2X场景下涉及到自动驾驶车辆对边缘服务器上计算，存储，网络资源的使用;本文仅考虑基于计算资源的V2X收费。

基于计算资源的V2X定价分为四类;分别是包月定价，基于流量的定价，基于时间尺度的定价，基于参数的定价机制[4]。为了发挥以价格做杠杆调节不同V2X业务请求与MEC资源的供求关系，本文选择按照流量进行收费。

当按照流量进行收费时，计算卸载是不得不考虑的问题。通常来说，计算卸载过程可以分为卸载决策、卸载执行和结果回传3个部分。更具体的来说，价格的杠杆作用体现在：卸载决策时确定计算任务是否卸载到MEC服务器;以及在确定卸载后，选择整体开销最小的卸载路径。

2.2问题求解

定义bn是用户n的计算任务输入数据的大小;dn是为了完成计算任务需要的CPU周期;是卸载到MEC服务器的数据大小;fn是本地用户设备n的计算能力;γn是本地每个CPU周期所消耗的能量;c是MEC服务器对于每个用户的常数价格因子;αn、βn是用户对增益和衰减的敏感度;为了简化问题，本文假设αn=βn。

上式中解的物理意义是：在考虑其它用户卸载策略的情况下;因为期望理论实体已经无法再增大了;所以没有用户倾向于改变其卸载策略。

上式的求解过程是：先使用fminbound方法求出最小值，再通过最佳动态响应算法迭代收敛到PNE，最后求出纯纳什均衡点的非协作机制;其中N是用户集，An=[0，bn]是用户n的数据卸载策略空间。

为了证明在求上述最大值的问题中至少存在一个PNE点，用到了子模对策。当下列条件成立时，非协作机制是子模对策：

1、An是紧凑的欧式空间序列;2、在处是平滑的，且在处是非增的。

此外，在子模对策中，总存在这样一种外部平衡：最大动态响应策略，最小动态响应策略。其中，表示用户n相较于其它用户的最佳响应策略。

结论1：对于，非协作机制是子模对策，且至少有一个纯纳什均衡点。

因此，非协作机制是子模型。因此，非协作机制，有至少一个纯纳什均衡点。

在最符合用户期望的计算卸载确定后，也就易于确定如何对用户n进行收费。一般来说，当卸载策略确定后;越大，dn越大;收费也越高。当运营商在用户数与收益之间进行权衡后，需要对每个用户的常数价格因子进行调整。

通常来说，当运营商侧重于用户数时，可以调低价格因子;以此来吸引更多的用户。当运营商侧重于收益时，以最大化收益为目标动态调整价格因子;利用有限的计算资源创造最大的收益。

当价格因子较低时，MEC服务器被过度利用;价格策略就没有那么的严格。相应地，错误概率就较高;这就导致了期望理论实体并不高。随着价格因子继续增大，错误概率开始降低;期望理论实体随之增高。但是，当价格因子不断增加时，用户倾向于减少计算卸载到边缘MEC的数量。期望理论实体也就随之降低。

综上，就可以进行SDN和MEC架构下的V2X收费;从用户的角度看，这種收费是在尽可能满足用户对时延和处理能耗的要求前提下进行的;从电信运营商以及MEC系统运营商的角度看，这种收费也是满足收益最大化的。

三、结束语

本文通过考虑车联网中复杂的网络结构，构建了一种基于SDN的MEC车联网架构。通过引入SDN控制器，可从全局的角度对网络进行灵活的配置;减少基站带宽的竞争，加快网络业务部署的进程。通过引入MEC，可将原本需上传到云端的任务卸载到边缘，降低时延。

在此基础上，本文提出了一种基于计算资源的V2X收费，为了寻求最优卸载策略，通过最佳动态响应算法迭代收敛到PNE。结果表明，期望理论实体最大值问题中至少存在一个PNE点;V2X收费问题至少存在一个最优解。

参  考  文  献

[1]郭剑岚， 陈俞强. 基于Stackelberg博弈的车载云计算任务卸载优化[J]. 计算机应用研究， 2019， 036（012）：3752-3755，3784.

[2]林峰，段建岚，李传伟，蒋建春.C-V2X边缘服务器的动态负载均衡算法研究[J/OL].计算机工程：1-11[2020-11-19]

[3]张海波， 荆昆仑， 刘开健， et al. 车联网中一种基于软件定义网络与移动边缘计算的卸载策略[J]. 电子与信息学报， 2020， 42（3）.

[4]王朋. 移动边缘计算资源分配算法研究[D]. 2020.