基于广义纳什均衡视角的智能充电网络中电动汽车供电设备协同任务卸载：一种分布式边缘计算方法

《COMPUTERS IN INDUSTRY》：Collaborative task offloading for electric vehicle supply equipment in smart charging networks: A distributed edge computing approach from a generalized Nash equilibrium perspective

　　

电动汽车（EVs）的快速增长导致电动汽车供电设备（EVSE）的广泛部署，其产生海量数据，需要实时处理以确保充电的高效与安全。然而，EVSE有限的计算资源在处理数据密集型且延迟敏感的任务时面临巨大挑战。分布式边缘计算（Distributed Edge Computing）通过将计算资源迁移至更靠近EVSE的位置，为智能充电网络提供了实现低延迟和快速响应服务的有前景的范式。但该范式面临异构计算能力、资源竞争及网络安全风险等多项挑战。本研究基于广义纳什均衡问题（Generalized Nash Equilibrium Problem, GNEP）提出了一种智能充电网络中的协同任务卸载优化模型。在该模型中，每个EVSE在遵循与任务大小、服务器容量和网络安全相关的耦合约束下，独立最小化其效用函数。所提模型有效捕捉了充电网络中EVSE与边缘服务器之间的耦合约束和策略交互，弥补了现有文献的关键空白。为高效求解该GNEP，研究人员基于变分不等式（Variational Inequality, VI）理论开发了改进的超梯度算法（Adapted Extra Gradient Algorithm, AEGA），该算法允许个体EVSE进行分散决策，同时确保快速收敛和可扩展性。仿真结果表明，优化传输策略、任务卸载和边缘服务器部署对于实现能耗、延迟和网络安全之间的平衡至关重要。该研究为在电动汽车充电网络的分布式边缘计算中开发更安全、高效和可扩展的协同任务卸载策略做出了贡献，为电动汽车普及时代先进的EVSE应用和服务铺平了道路。

随着电动汽车的快速发展，其充电基础设施面临日益增长的计算需求。当前，智能充电网络中的电动汽车供电设备（EVSE）通常集成了智能电表、摄像头、传感器等多种设备，这些设备在充电过程中产生了需要实时处理的大量数据，以保障充电操作的高效与安全。然而，EVSE本身的计算资源有限，难以独立处理这些伴随充电需求增长而产生的数据密集型和延迟敏感型计算任务（如视频处理、模式识别）。即使硬件性能有所提升，这些任务也常超出单个EVSE的本地能力，无法满足不断增长的服务质量（Quality of Service, QoS）要求。在此背景下，随着处理器架构、存储及物联网技术的进步，边缘计算（Edge Computing, EC）或移动边缘计算（Mobile Edge Computing, MEC）作为一种有前景的范式应运而生。它通过在充电基础设施附近部署边缘服务器，将EVSE的计算任务卸载到这些服务器上进行处理。与依赖集中式服务器的传统云计算相比，这种方式显著缩短了数据传输距离，有利于提供低延迟、快响应的服务，从而缓解了潜在的延迟和带宽问题。

然而，在EC辅助的EVSE系统中优化高效的任务卸载策略面临多重挑战。首先，EVSE计算能力的异构性及通信条件的时变性可能导致多样化的卸载偏好。每个EVSE的卸载决策必须考虑自身的计算能力、通信质量和应用需求。其次，多个EVSE可能会竞争边缘服务器的计算资源，影响其负载均衡。因此，需要健壮的资源分配机制来动态管理这种竞争，这可能涉及根据当前负载、请求优先级和未来需求预测等因素，将CPU、内存等资源公平高效地分配给各个EVSE。第三，将计算任务卸载到边缘服务器可能引入网络安全和隐私风险。边缘服务器本身可能易受网络攻击，从而危及卸载计算的完整性和EVSE敏感数据（如用户资料和充电交易详情）的隐私。因此，在制定每个EVSE的卸载策略时，确保强大的网络安全至关重要。尽管针对EC或MEC环境下的任务卸载问题在工业物联网、智能电网等多个领域已获得广泛关注，但专门针对EVSE网络内部任务卸载的研究仍然有限。此外，为EVSE分配更多资源会产生成本，且当它们在边缘服务器的共享资源池中竞争计算资源时，其卸载策略会发生冲突。为应对这些挑战，本文提出了一种用于EVSE网络联合任务卸载的优化模型。该研究考虑了多个EVSE可以将计算任务卸载到多个边缘服务器的场景。每个EVSE的目标是最小化其效用函数，该函数反映了在执行时间、能耗和通信延迟方面本地计算与边缘计算之间的权衡。

论文主要贡献在于：第一，将多EVSE与多边缘服务器间的任务卸载问题构建为一个广义纳什均衡问题（GNEP），其中每个EVSE在满足任务大小、服务器容量和网络安全的耦合约束下，独立最小化自身效用。此公式化使得能够分析EVSE如何根据自身成本考虑和对等EVSE的决策来调整其卸载策略，同时遵守系统整体限制，为电动汽车充电系统中的任务卸载场景提供了更全面和现实的模型。这不同于以往应用经典纳什均衡的研究，后者中博弈参与者之间的策略交互仅体现在目标函数中，而非约束条件。第二，将网络安全因素纳入模型，量化了将任务卸载到边缘服务器所涉及的网络风险，这在以往研究的卸载模型中常被忽视。任务卸载涉及的网络风险随卸载任务规模以及EVSE和边缘服务器各自的网络安全等级的提升而增加，从而能够基于个体的网络安全偏好和对不同边缘服务器感知到的网络威胁，制定更细致的卸载策略决策，有助于构建更安全高效的充电网络。第三，开发了基于变分不等式（VI）理论的改进超梯度算法（AEGA）来求解所构建GNEP的广义纳什均衡。该算法旨在处理多个EVSE和边缘服务器之间的耦合约束和策略交互，允许每个EVSE在考虑其他EVSE决策的同时独立优化其卸载策略。通过分析耦合约束的一阶导数，也证明了算法的收敛性。

在模拟设置部分，研究人员使用PyTorch 1.10.1在特定硬件平台上实施了广泛的模拟，以评估所提算法的性能并研究各种系统参数对任务卸载性能的影响。模拟结果表明，所提出的AEGA算法能够收敛，并有效处理了耦合约束。对性能评估的分析显示，所提出的模型和算法能够在能耗、延迟和网络安全之间实现平衡。具体而言，通过优化传输策略、任务卸载决策和边缘服务器部署，可以显著提升系统整体性能。研究结果验证了将任务卸载问题建模为GNEP并考虑网络安全因素的合理性和有效性。

在结论部分，研究人员总结指出，本文研究了包含多个EVSE和边缘服务器的分布式计算环境中的任务卸载问题。为了捕捉自利EVSE之间的策略交互，将问题构建为纳什均衡问题的广义版本，并纳入了能耗、传输延迟、计算延迟和网络风险。该建模框架支持分散决策，并明确考虑了EVSE之间以及EVSE与边缘服务器之间的耦合约束。通过求解广义纳什均衡，为每个EVSE提供了一个考虑全局约束和竞争动态的最优卸载策略。所开发的AEGA算法在理论上是合理的，且在实践中是有效的。该研究的成果有助于推动开发更安全、高效、可扩展的分布式边缘计算协同任务卸载策略，为电动汽车大规模普及时代的先进EVSE应用和服务奠定基础。未来的工作可以进一步探索动态环境和不确定条件下的模型，并将更多实际因素纳入考虑范围。