一种移动AdHoc云中基于能量收集的分布式卸载方法

一种移动ad hoc云中基于能量收集的分布式卸载方法
技术领域
1.本发明属于移动通信技术领域，特别涉及一种移动ad hoc云中基于能量收集的分布式卸载方法。


背景技术：

2.在快速发展的物联网技术驱动下，终端设备的数量和数据流量呈爆炸式增长，计算密集型和时延敏感型应用(如自动驾驶、虚拟/增强现实、在线游戏等)不断兴起，这对网络的实时算力资源提出了更高的要求。另一方面传统终端设备的能量、带宽和计算资源有限，难以满足以大数据和智能化为特征的新兴应用的实时计算需求及持久的续航能力。移动云计算(mobile cloud computing,mcc)和移动边缘计算(mobile edge computing,mec)通过将计算任务卸载到云端处理的方式缓解了终端设备计算资源受限的问题，但边缘算力不足以及分布不均衡的问题依然无法有效解决。在一些网络场景中(如ad hoc网络，无人机网络，车辆云网络等)没有可用云服务器或本地微云，或因网络拥塞造成计算任务不能被及时处理，难以有效地满足用户的业务体验。
3.移动ad hoc云计算利用一组邻近终端设备(如智能手机、便携式电脑、ai监控设备、车载智能终端等)的空闲或过剩资源来协同处理网络任务。受体积和硬件成本的限制，传统终端设备的电池容量难以满足其长期续航的需求，尤其当设备分布在偏远或有毒有害环境中时，难以通过可充电电池或传统电网进行供电。能量收集(energy harvesting,eh)技术支持设备从环境中获取可再生能源(如太阳能、风能、机械能等)支撑其通信和任务处理，已成为实现绿色移动通信的重要技术。因此，移动ad hoc云计算与eh技术融合对提高网络计算性能具有重要意义。
4.近年来，mec和eh技术相结合的绿色通信也受到了广泛的关注，这对eh技术和ad hoc移动云的融合带来了极大启发。一些主要的成果有：(1)在能量收集小蜂窝网络中基于不完全状态信息的动态计算卸载：部分可观察的随机博弈(参考文献：tang q,xie r,huang t,et al.dynamic computation offloading with imperfect state information in energy harvesting small cell networks:a partially observable stochastic game[j].ieee wireless communication letters,2020,9(8):1300-1304.doi:10.1109/lwc.2020.2989147.)：该算法针对带有eh小基站的mec异构环境，考虑平均时延和平均能量需求，提出一种基于分布式可预测随机博弈的动态卸载算法，基站利用不完全状态信息做出最优卸载决策。(2)具有能量收集功能的物联网雾计算系统中的分布式计算卸载：dec-pomdp方法(参考文献：tang q,xie r,yu f a,et al.decentralized computation offloading in iot fog computing system with energy harvesting:a dec-pomdp approach[j].ieee internet of things journal,2020,7(6):4898-4911.doi:10.1109/jiot.2020.2971323.)：该算法针对能量收集物联网雾系统中的可预测分布式卸载问题提出一种基于学习的分布式卸载算法，满足时延约束下使物联网设备根据预测的系统状态做出近似最优的决策。(3)移动边缘计算中基于能量收集的任务卸载能耗与时延折中算法(参
考文献：zhang g,zhang w,cao y,et al.energy-delay tradeoff for dynamic offloading in mobile-edge computing system with energy harvesting devices[j].ieee transactions on industrial informatics,2018,14(10):4642-4655.doi:10.1109/tii.2018.2843365.)：该算法研究具有能量收集能力的mec系统在队列积压和电池电量约束下的任务卸载问题，通过基于lyapunov的动态卸载算法最小化移动设备的能量消耗和执行时延的平均加权和。
[0005]
带有eh功能的不同终端设备具有不同的数据特征和应用需求，这对任务的卸载效率提出了严峻挑战，现有的任务卸载方案大多只考虑移动终端带有eh功能，未考虑基站或mec服务器带有eh功能的场景。因此，如何以分布式的方式开发具有能量收集水平的任务卸载策略具有重要研究价值。


技术实现要素：

[0006]
有鉴于此，为了实现系统收益最大化及队列积压的稳定本发明提出一种移动ad hoc云中基于能量收集的分布式卸载方法，具体包括以下步骤：
[0007]
考虑一组带有eh功能的附近终端设备构成的移动ad hoc云网络，分别建立计算任务模型、任务卸载模型和能量收集模型；
[0008]
将客户终端作为买方，根据自身的计算任务需求向代理终端购买资源，采用李雅普诺夫优化理论，基于计算任务模型、任务卸载模型和能量收集模型建立买方的收益最大化问题；
[0009]
将代理终端作为卖方，通过动态资源报价为客户终端提供不同的计算和存储资源，基于计算任务模型、任务卸载模型和能量收集模型建立卖方的收益最大化问题；
[0010]
根据客户终端的任务积压、电池能量水平以及代理终端的报价，在各个时隙内，利用拉格朗日乘子法和kkt条件计算出买方向所选择的代理终端卸载的最优任务卸载策略以及卖方的最优报价策略；
[0011]
若买方的最优任务卸载策略和卖方的最优报价策略满足斯坦克尔伯格均衡解，则客户终端按照最优任务卸载策略向代理终端进行任务卸载。
[0012]
进一步的，基于计算任务模型、任务卸载模型和能量收集模型建立买方的收益最大化问题表示为：
[0013][0014]
约束条件：
[0015][0016][0017][0018][0019]
[0020]
其中，表示买方在第t时隙的收益最大化问题；vi表示第i个客户终端的控制参数；表示第i个客户终端在时隙t的总收益；表示卸载收益与任务队列相关；为第i个客户终端ci在时隙t内的任务到达量，表示第i个客户终端ci在时隙t内处理的总任务量；为第i个客户终端带有的eh设备的虚拟能量队列，表示为θi为eh设备的扰动参数，为第i个客户终端带有的eh设备的在时隙t开始时的能量队列积压；e
min
表示电池最小放电能量；表示第i个客户终端在时隙t内产生的总能耗；e
max
表示电池最大放电能量；表示第t时隙内第j个代理终端aj协助第i个客户终端计算任务时产生的计算能耗；表示第i个客户终端带有的eh设备在时隙t开始时的能量队列积压；表示第t时隙第i个客户终端卸载到第j个代理终端的任务量；表示第i个客户终端在第t时隙的任务队列积压；表示第i个客户终端在第t时隙的平均任务队列积压；t表示系统运行时间；表示求期望。
[0021]
进一步的，将基于计算任务模型、任务卸载模型和能量收集模型建立买方的收益最大化问题分解为求解能量收集的最优解和任务卸载优化问题，其中求解能量收集的最优解表示为：
[0022][0023]
当时，当时，
[0024]
将能量收集优化问题解耦合之后，任务卸载优化问题表示为：
[0025][0026]
约束条件：
[0027][0028][0029][0030]
其中，表示能量收集的最优解；γ
max
表示eh设备在第t时隙收集的能量最大值。
[0031]
进一步的，当计算任务在本地处理且时，利用拉格朗日乘子法和kkt条件求解第t时隙的最优本地计算频率为：
[0032]
[0033]
其中，κi为第i个客户终端芯片的有效能量成本系数；li表示第i个客户终端的单位处理能力；τ为单位时隙长度；ξi为任务卸载效益权重参数。
[0034]
进一步的，当计算任务在本地处理且时，最优本地计算频率为：
[0035][0036]
其中，表示当计算任务在本地处理且时最优本地计算频率；表示第i个客户的最大cpu处理频率；表示第i个客户的电池最大放电能量；表示第i个客户终端在第t时隙卸载到第j个代理终端的最优任务量；为第t时隙第i个客户终端将任务卸载到第j个代理终端的传输功率；为第t时隙第i个客户终端将任务卸载到第j个代理终端的任务传输速率；κi为第i个客户终端芯片的有效能量成本系数；τ为单位时隙长度。
[0037]
进一步的，客户终端在每个时隙开始时选择将部分任务卸载到代理终端，其余部分任务在本地进行卸载，第i个客户终端在第t时隙卸载到第j个代理终端的最优任务量表示为：
[0038][0039][0040]
其中，ξi为任务卸载效益权重参数；为第t时隙第i个客户终端ci向第j个代理终端aj购买计算资源的单位支付成本；为t时隙第i个客户终端将任务卸载到第j个代理终端的单位通信成本；为t时隙第i个客户终端将任务卸载到第j个代理终端的传输功率；为t时隙第i个客户终端将任务卸载到第j个代理终端的任务传输速率。
[0041]
进一步的，基于计算任务模型、任务卸载模型和能量收集模型建立卖方的收益最大化问题表示为：
[0042][0043]
目标函数：
[0044][0045][0046]
其中，表示卖方的收益最大化问题；v表示控制参数；表示第t时隙第j个代理终端的总收益；为第t时隙第j个代理终端的虚拟能量队列，表示为θj为eh设备的扰动参数，为第j个代理终端带有的eh设备在时隙t开始时的能量队列积压；表示第j个代理终端带有的eh设备在时隙t实际收集的能量；第t时隙第j个代理终
端aj处理来自第i个客户终端的计算任务时的计算能耗；e
min
表示电池最小放电能量；e
max
表示电池最大放电能量；为第t时隙第i个客户终端ci向第j个代理终端aj购买计算资源的单位支付成本。
[0047]
进一步的，将基于计算任务模型、任务卸载模型和能量收集模型建立卖方的收益最大化问题分解为求解能量收集的最优解和任务卸载优化问题，其中求解能量收集的最优解表示为：
[0048][0049]
当时，当时，
[0050]
将能量收集优化问题解耦合之后，任务卸载优化问题表示为；
[0051][0052]
约束条件：
[0053][0054][0055]
其中，表示能量收集的最优解；γ
max
表示表示eh设备在第t时隙收集的能量最大值。
[0056]
进一步的，通过拉格朗日乘子法和kkt条件所求出第t时隙的最优报价为：
[0057][0058]
其中，为第i个客户终端ci向第j个代理终端aj购买计算资源的最优单位支付成本；为第i个客户终端ci最优的卸载任务量；最优的卸载任务量；为第t时隙第i个客户终端ci向第j个代理终端aj购买计算资源的单位支付成本；为第t时隙第i个客户终端将任务卸载到第j个代理终端的单位通信成本；η
ij
表示代理终端处理任务的单位能耗成本；ξi为任务卸载效益权重参数。
[0059]
本发明考虑所有终端设备都带有eh功能的移动ad hoc云网络，提出一种分布式动态卸载方案。同时，理性的终端设备不可能无偿地为其它终端设备服务，为优化系统收益，该文运用lyapunov优化理论和博弈论，提出了一种基于动态报价的激励机制。相比于现有方案，仿真结果表明所提方案可以有效提升系统收益，稳定电池能量和减少任务队列积压。
附图说明
[0060]
图1为本发明中移动ad hoc云中一种基于能量收集的分布式卸载方法流程图；
[0061]
图2为ad hoc云协作系统模型；
[0062]
图3为资源动态报价过程中价格更新图；
[0063]
图4为资源动态报价过程中cpu频率更新图。
具体实施方式
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本发明提出一种移动ad hoc云中基于能量收集的分布式卸载方法，包括以下步骤：
[0066]
考虑一组带有eh功能的附近终端设备构成的移动ad hoc云网络，分别建立计算任务模型、任务卸载模型和能量收集模型；
[0067]
将客户终端作为买方，根据自身的计算任务需求向代理终端购买资源，采用李雅普诺夫优化理论，基于计算任务模型、任务卸载模型和能量收集模型建立买方的收益最大化问题；
[0068]
将代理终端作为卖方，通过动态资源报价为客户终端提供不同的计算和存储资源，基于计算任务模型、任务卸载模型和能量收集模型建立卖方的收益最大化问题；
[0069]
根据客户终端的任务积压、电池能量水平以及代理终端的报价，在各个时隙内，利用拉格朗日乘子法和kkt条件计算出买方向所选择的代理终端卸载的最优任务卸载策略以及卖方的最优报价策略；
[0070]
若买方的最优任务卸载策略和卖方的最优报价策略满足斯坦克尔伯格均衡解，则客户终端按照最优任务卸载策略向代理终端进行任务卸载。
[0071]
本实施例分别从系统模型、问题描述、基于博弈论的动态分布式卸载方案、仿真结果及分析四个方面对本发明方案进行说明。
[0072]
一、系统模型
[0073]
考虑由一组带有eh功能的附近终端设备构成的移动ad hoc云网络，每个终端设备都可成为客户终端或代理终端，当有计算任务时，可作为客户终端，当处于空闲状态时，可作为代理终端。假设每个客户终端都有计算密集型任务，其系统模型如图2所示，包括m个有不同计算任务的客户终端(client，和n个代理终端(agent，)可共享空闲或过剩的算力资源。ci的计算任务可以在本地处理或卸载到aj协同计算。其中，j＝0表示任务在本地处理。定义ci的任务卸载决策的任务卸载决策表示ci在时隙t将任务卸载到第j个代理aj，否则，假设时间可以时隙化，定义单位时隙长度为τ，时隙索引为τd表示ci的最大容忍时延。
[0074]
1.计算任务模型
[0075]
假设ci的任务到达过程服从参数为λi的泊松分布，且计算任务可以被任意划分，定义第t时隙内，为ci的任务到达量，为任务队列积压，且满足为任务队列积压，且满足为最大任务到达量，ci的队列特征用表示，其中，li表示ci的单位处理能力，表示ci在时隙t内处理的总任务量，表示卸载到aj的任务量，表示
本地处理的任务量，并满足本地处理的任务量，并满足为最大可处理的任务量。其中，为aj的cpu处理频率，且满足的cpu处理频率，且满足和分别表示最大和最小cpu处理频率，表示ci的cpu处理频率。第t+1时隙的任务队列积压为
[0076]
2.任务卸载模型
[0077]
任务的卸载过程主要包括客户终端的任务上传、代理终端协同计算卸载任务及计算结果返回。返回结果时的数据量很小，产生的时延和能耗可忽略不计。为简单起见，本地计算中只考虑处理计算任务产生的能耗其中，是与芯片架构相关的有效能量成本系数。
[0078]
假设任务上传时的无线信道是加性高斯白噪声信道，传输功率为且满足根据香农公式，第t时隙内ci卸载任务到aj的任务传输速率为其中，为信道带宽，为信道增益，为ci与aj之间的距离，k为衰落因子，σ
ij
为信道上的平均噪声功率。
[0079]
第t时隙ci将任务卸载到aj的通信能耗为其中，传输时延为1{
·
}是指示函数，当
·
为真时1{
·
}＝1，反之为0。aj协同处理任务时会消耗自身的算力资源和电池能量，第t时隙aj处理计算任务时的计算能耗为其中，κj是与芯片架构相关的有效能量成本系数。
[0080]
3.能量收集模型
[0081]
假设每个带有eh功能的移动终端设备都可以从环境中获取可再生能源用于电池供电，eh过程被建模为连续的能量包到达过程，g＝i时表示客户终端，g＝j时表示代理终端，用表示在第t时隙收集的能量，满足且在不同时隙是独立同分布的。由于可再生能源收集时的随机性和不连续性，只有部分收集的能量会被存储在电池中，因此，终端设备实际收集的能量为且满足可从下一时隙开始用于本地和卸载计算。
[0082]
用和分别表示客户终端和代理终端的eh设备能量队列的集合，其中，为第g个eh设备在时隙t开始时的能量队列积压，通常情况下，ci只考虑本地计算和传输过程的能耗
[0083]aj
只考虑计算能耗为防止电池过度放电，应满足电池放电约束其中，e
max
和e
min
分别表示最大和最小电池放电能量。此
外，为了保证移动终端电池的续航能力，在时隙t开始时的电池电量必须大于移动终端所需能耗
[0084]
因此，ci在t+1时隙的能量队列积压为aj在t+1时隙的能量队列积压为
[0085]
二、问题描述
[0086]
第t时隙内，定义通信成本模型为能耗成本模型为其中为单位通信成本，本地计算不产生通信能耗，即η
ij
表示代理处理任务的单位能耗成本。定义ci卸载任务获得的收益为其中，ξi为一个大于零的任务卸载效益权重参数。在移动ad hoc云中，终端设备卸载决策受任务队列稳定性，能量队列稳定性以及任务卸载时间的约束，本发明提出一个在时间平均意义上的长期收益最大化问题
[0087][0088][0089][0090][0091][0092][0093][0094]
其中，约束条件分别表示ci任务卸载量不超过其任务队列积压量，队列稳定性约束。
[0095]
三、基于博弈论的动态分布式卸载方案
[0096]
在具有能量收集功能的移动ad hoc云中，终端设备受任务队列积压、算力资源以及电池能量等因素的影响，很难收集所有移动设备的状态信息，此外，任务到达和能量收集的间歇性和不连续性导致移动终端很难预测系统状态，使卸载决策变得更加复杂，传统的集中式方案对此问题的求解比较困难。因此，本发明通过lyapunov优化理论和博弈论对终端设备的卸载决策和价格策略进行建模，将代理终端作为卖方，通过动态资源报价为客户终端提供不同的计算和存储资源；客户终端作为买方，根据自身的计算任务需求向代理终端购买资源，从而优化系统收益。
[0097]
1.买卖博弈模型分析
[0098]
由于电池能量是与时间相关的，终端设备在不同时隙的卸载决策是耦合的。扰动加权方法是有效解决以上问题的方法
[16]
。为了消除耦合效应，首先定义终端设备的扰动参数和虚拟能量队列。
[0099]
定义1：eh设备的扰动参数θg是一个有界常量。即其中，其中，其中，表示本地计算的最大能耗，表示最大传输能耗，表示代理计算的最大能耗。v是控制参数，且满足0＜v＜+∞。
[0100]
定义2：虚拟能量队列定义为表示移动终端设备实际可以消耗的电池能量。通过调整扰动参数θg和控制参数v，使稳定在扰动参数θg附近。
[0101]
1)买方博弈模型分析
[0102]
定义第t时隙ci向aj购买计算资源的单位支付成本为ci支付的费用成本为当任务在本地处理时，ci的成本主要包括向代理支付的费用和卸载任务到代理产生的通信成本，因此，第t时隙ci的优化目标为
[0103][0104][0105][0106][0107][0108][0109][0110]
为了权衡客户终端收益和队列积压之间的关系，引入lyapunov函数对每个客户终端的队列积压进行建模，lyapunov函数是当前时隙内ci任务队列和能量队列的非负标量表示其中，l[θi(t)]≥0。
[0111]
定义两个时隙间lyapunov函数的变化为lyapunov漂移为表示从第t时隙到第t+1时隙的队列积压增长。
[0112]
通过最小化δ[θi(t)]来保证l[θi(t)]的稳定。δ[θi(t)]的上界由表示。其中，且φ≥0。
[0113]
lyapunov漂移加惩罚表示为
[0114][0115]
优化买方收益的目标是最小化lyapunov漂移加惩罚函数，将其表示为p2问题
[0116][0117][0118][0119][0120][0121]
2)卖方博弈模型分析
[0122]
对于代理终端，在时隙t内为客户终端提供计算资源获得的收益为代理通过最优定价来最大化自身的收益，aj只考虑执行计算任务的能耗成本，第t时隙aj的最大化收益问题为
[0123][0124][0125]
类似地，代理终端的lyapunov漂移加惩罚函数为
[0126][0127]
其中，且γ≥0。
[0128]
将卖方的优化问题表示为p3问题
[0129][0130][0131][0132][0133]
2.买卖博弈策略分析
[0134]
1)买方策略分析
[0135]
买方的优化问题可以分为eh优化和任务卸载策略优化，由于两个变量是相互独立的，可以将p2问题转化为两个子问题q1和q2。
[0136]
a)求解能量收集的最优值
[0137][0138]
当时，当时，
[0139]
b)任务卸载优化策略
[0140]
将能量收集优化问题解耦合之后，任务卸载优化可表示为
[0141][0142][0143][0144][0145][0146]
客户终端为了最大化自身利益，根据控制参数v，队列积压θi(t)和卖方的报价等状态信息来确定购买策略。当计算任务在本地处理时，当时，因此是关于的凸函数，又因为约束条件是仿射函数，利用拉格朗日乘子法和kkt条件求解第t时隙的最优本地计算频率为
[0147][0148]
其中，当时，时，是一个关于的单调递增函数，最优本地计算频率为
[0149]
每个客户终端的电池能量、自身资源和计算任务类型各不相同，代理终端之间计算资源、地理位置和电池电量的差异性会导致代理报价的差异化。当计算任务卸载到代理时，电池放电约束和卖方报价会影响客户终端的卸载决策，因此，客户终端在每个时隙开始时将要选择合理的代理并卸载适当的任务。可以得到最大和最小卸载任务量为和其中，当aj的单位资源报价满足
时，客户终端的收益随着卸载任务量的增大而增大。因此，当且时，客户才会将任务卸载到代理执行。对求二阶偏导得运用拉格朗日乘子法和kkt条件可得第t时隙最优的卸载任务分配为
[0150][0151]
其中，
[0152]
2)卖方策略分析
[0153]
代理终端的单位资源报价越高，代理收益越高，然而客户终端所需要支付的费用过高，会降低购买意愿，这将使代理终端的收益减少。因此，代理存在一个最优的报价使买方和卖方的收益达到平衡，p3问题可以分为eh优化问题和资源报价优化问题q3和q4。
[0154]
a)求解能量收集的最优值
[0155][0156]
当时，当时，
[0157]
b)资源报价优化策略
[0158]
将能量收集优化问题解耦合之后，资源报价优化可表示为
[0159][0160][0161][0162][0163]aj
的收益理应是大于零，因此当时，求得的报价是报价的最小值，即
[0164]
当时，有：
[0165][0166]
因此，是关于的凸函数，且约束条件是仿射函数，通过拉格朗日乘子法和kkt条件所求出第t时隙的最优报价为
[0167][0168]
3.stackelberg均衡性分析
[0169]
根据前面的分析可知，客户终端为最大化自身的收益，会根据代理的属性和信道资源做出卸载决策，选择合适的代理来协同计算卸载任务；而代理会根据客户终端的任务量和自身收益的关系，决策最优资源定价。接下来证明最优解是se均衡解。
[0170]
定义3：当代理终端的报价一定时，
[0171][0172]
当客户终端卸载任务一定时，
[0173][0174]
若是se均衡解，则可由如下三个引理证明。
[0175]
引理1：当代理终端的报价一定时，客户终端的收益在时取得最大值。
[0176]
证明：由于所以是关于的凸函数，因此，客户终端的收益在时取得最大值。根据定义3，是se均衡解证毕
[0177]
引理2：当客户终端卸载任务一定时，代理终端的收益在时取得最大值。
[0178]
证明：当代理的报价时，所以是关于的凸函数，因此，代理终端的收益在时取得最大值。根据定义3，是se均衡解
[0179]
引理3：客户终端的最优卸载任务随着代理终端的报价的增加而减少。
[0180]
证明：最优值对求一阶偏导得
[0181][0182]
是关于的单调递减函数，当代理的报价增加时，客户终端分配的计算任务会减少，导致代理的收益会减少，因此通过求得最优报价。
[0183]
证毕
[0184]
因此，为se均衡解，即
[0185]
四、仿真结果及分析
[0186]
本发明对资源动态报价、电池能量、队列积压以及系统收益等进行仿真分析。本发明方法通过与本地执行方案、集中式方案和贪婪算法进行仿真对比，验证本发明所提方法的有效性。
[0187]
1.仿真场景设置
[0188]
主要仿真参数设置如下，效用收益因子ξi＝2，客户终端最小cpu周期频率f
imin
＝100mhz，最大cpu周期频率f
imax
＝2000mhz；代理终端最小cpu周期频率最大cpu周期频率f
imax
＝6000mhz。控制参数v∈(0,600]，单位通信成本为单位能耗成本η
ij
∈[1
×
10-7
,8
×
10-7
]，任务处理密度l∈[800,1500]cycle/mbit，能量收集功率p
ih
∈[5,30]mw，单位时隙长度τ＝1s，价格更新步长为5
×
10-7
。
[0189]
图3和图4描述了移动终端cpu计算频率和动态价格的博弈过程。假设系统有1个客户终端和4个代理终端，单位通信成本和能耗成本分别为ρ1＝0.06，η1＝1
×
10-7
，v
j1
＝100，ρ2＝0.12，η2＝2
×
10-7
，v
j2
＝150，ρ3＝0.18，η3＝4
×
10-7
，v
j3
＝200，ρ4＝0.24，η4＝8
×
10-7
，v
j4
＝250。
[0190]
由图3可知，代理报价随着迭代次数的增加而增加，直到收敛于最优报价。由图4可知，最初代理的成本价格较低，客户终端购买的cpu频率随着迭代次数的增加先增加。随着代理报价增加，客户购买cpu频率的意愿降低，购买的cpu频率随着迭代次数的增加而减少，最终当代理报价趋于稳定时，购买的cpu频率也趋于稳定。此外，代理终端的单位通信成本和单位计算成本越高，动态资源报价越高，客户终端购买的cpu频率就会越少。
[0191]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。