基于區(qū)塊鏈的視頻流邊緣計算卸載方案研究

馬麗 李英

摘要：傳統(tǒng)多媒體物聯(lián)網(wǎng)難以滿足對時延敏感和計算密集型視頻處理任務(wù)的需求，且無法保證任務(wù)處理過程中的安全性和隱私性。為此，將移動邊緣計算（Mobile Edge Computing，MEC）與視頻流結(jié)合，提出一種基于區(qū)塊鏈的MEC視頻流網(wǎng)絡(luò)架構(gòu)（B-SMEC）?？紤]斯塔克爾伯格動態(tài)博弈優(yōu)化移動邊緣服務(wù)器（Mobile Edge Servers，MES）、視頻服務(wù)提供商（Video Service Providers，VSPs）和用戶之間的視頻資源分配，在滿足用戶動態(tài)視頻服務(wù)請求的同時，實現(xiàn)MES與VSPs的效益最大化。應(yīng)用區(qū)塊鏈技術(shù)記錄整個資源交易過程，保護其安全性和隱私性。仿真實驗驗證了該方案的有效性。

關(guān)鍵詞：移動邊緣計算；區(qū)塊鏈；斯塔克爾伯格博弈；視頻流；資源分配

中圖分類號：

TP302.1

文獻標(biāo)志碼：A

隨著多媒體技術(shù)的不斷發(fā)展，信息已經(jīng)從簡單的文字和圖片發(fā)展到更復(fù)雜的音頻和視頻[1-2]。數(shù)字視頻技術(shù)作為信息處理的一個重要分支，廣泛應(yīng)用在通信中。然而，許多視頻流處理任務(wù)都是計算密集型且耗時較長，傳統(tǒng)多媒體網(wǎng)絡(luò)難以滿足視頻任務(wù)處理的需求[3]。為了解決算力不足、時延長的問題，移動邊緣計算（Mobile Edge Computing，MEC）應(yīng)運而生。MEC將計算和通信擴展到無線接入網(wǎng)絡(luò)的邊緣，并為用戶設(shè)備提供邊緣計算服務(wù)[4]。用戶設(shè)備可以將計算任務(wù)轉(zhuǎn)移到MEC服務(wù)器，通過無線蜂窩網(wǎng)絡(luò)執(zhí)行計算，然后卸載計算任務(wù)到單個或多個邊緣設(shè)備[5-8]，以減少視頻處理任務(wù)的延遲。計算應(yīng)用程序的卸載率[9]，并通過邊緣視頻流系統(tǒng)節(jié)能優(yōu)化框架[10]，使視頻任務(wù)在卸載到邊緣之前被壓縮以節(jié)省帶寬。區(qū)塊鏈技術(shù)的分布式存儲可以保障視頻數(shù)據(jù)的可靠性和安全性[11]?；贛EC的轉(zhuǎn)碼框架[12]可以將區(qū)塊鏈與視頻流結(jié)合，利用智能合約促進非信任實體之間的分布式優(yōu)化[13]。移動用戶通過移動區(qū)塊鏈網(wǎng)絡(luò)的MECenabled框架[14]可以訪問和利用邊緣計算服務(wù)提供商的資源來支持他們應(yīng)用區(qū)塊鏈技術(shù)，區(qū)塊鏈技術(shù)可以為視頻流服務(wù)提供去中心化、版權(quán)保護、透明度和安全高效性等方面的幫助[15-16]。然而，傳統(tǒng)區(qū)塊鏈網(wǎng)絡(luò)中PoW協(xié)議產(chǎn)生巨大的計算能耗，導(dǎo)致過度浪費計算資源[17]。為減少資源浪費，同時最優(yōu)化效益問題，本文引入了一種PoS共識機制[17]并將移動邊緣計算視頻流服務(wù)與區(qū)塊鏈相結(jié)合，構(gòu)建基于區(qū)塊鏈的MEC視頻流網(wǎng)絡(luò)架構(gòu)（B-SMEC），利用斯塔克爾伯格博弈的方法討論系統(tǒng)中MES、VSPs和移動用戶之間的資源分配方案及各自的效應(yīng)，在高效地使用MEC網(wǎng)絡(luò)中計算資源的同時，保障了MEC網(wǎng)絡(luò)的安全性和隱私性。

1 基于區(qū)塊鏈的MEC網(wǎng)絡(luò)架構(gòu)

基于區(qū)塊鏈的MEC網(wǎng)絡(luò)架構(gòu)結(jié)合了區(qū)塊鏈技術(shù)和MEC技術(shù)，旨在提供更安全、可靠和去中心化的邊緣計算環(huán)境。MEC通過在物理網(wǎng)絡(luò)基礎(chǔ)設(shè)施上部署計算和存儲能力，使應(yīng)用程序和服務(wù)更接近終端用戶。這種邊緣計算模型可以提供更低的延遲，減少網(wǎng)絡(luò)擁塞，并支持更高效的數(shù)據(jù)處理。區(qū)塊鏈以透明的方式保護數(shù)據(jù)和交易的準(zhǔn)確性、一致性和有效性[18]。每個參與者都管理自己的密鑰，數(shù)據(jù)和交易被加密并存儲在塊上，實現(xiàn)在沒有任何第三方控制的環(huán)境下保護隱私和安全。區(qū)塊鏈和MEC網(wǎng)絡(luò)對計算卸載的集成旨在支持安全、分散和激勵的邊緣計算服務(wù)，以滿足移動設(shè)備的計算需求[19]。

本文采用基于區(qū)塊鏈的MEC視頻流網(wǎng)絡(luò)架構(gòu)（B-SMEC），框架由多個移動邊緣服務(wù)器（Mobile Edge Servers，MES）和視頻服務(wù)提供商（Video Service Providers，VSPs）組成，分為：MES層、VSPs層和用戶層（圖1）。MES的集合由N表示，N=1，2…，N，VSPs的集合由M表示，M={1，2…，M}。在移動邊緣服務(wù)器層中，有多個MES為VSPs分配邊緣計算的視頻資源，并假設(shè)MES中有足夠的視頻資源。VSPs為移動用戶提供視頻資源服務(wù)，因為VSPs視頻資源的有限性，VSPs可以向MES請求邊緣視頻資源，以提高對移動用戶的服務(wù)質(zhì)量（QoS）。在用戶層，每個移動用戶將視頻服務(wù)需求上傳到VSPs。

為保證系統(tǒng)的安全性和隱私性，MEC系統(tǒng)模型集成區(qū)塊鏈模塊，系統(tǒng)中有4個角色：邊緣計算視頻資源請求者、邊緣計算視頻資源分配者、區(qū)塊生成者和區(qū)塊驗證者。VSPs是邊緣計算視頻資源請求者，控制視頻資源需求并從MES獲得邊緣計算視頻資源；MES是邊緣計算資源分配者，控制視頻資源價格并將邊緣計算視頻資源分配給VSPs；MES還充當(dāng)區(qū)塊鏈系統(tǒng)中的區(qū)塊生成者和區(qū)塊驗證者。在基于區(qū)塊鏈的MEC系統(tǒng)中，控制資源價格和分配邊緣計算視頻資源后，MES充當(dāng)區(qū)塊鏈節(jié)點，將交易信息提交給區(qū)塊鏈系統(tǒng)。

2 B-SMEC系統(tǒng)模型

2.1 用戶服務(wù)請求模型

為了更好的描述用戶的彈性服務(wù)需求和變化情況，使用Cobb-Douglas函數(shù)[20]定義用戶的動態(tài)服務(wù)請求，可以更加直觀、快捷的計算服務(wù)價格和傳輸速率對于用戶服務(wù)需求的影響。由于參與用戶服務(wù)的VSPs視頻資源有限，VSPs會將一部分用戶需求傳輸至MES進行計算。因此，用戶的服務(wù)需求受服務(wù)價格和MES與VSP之間的傳輸速率影響。用戶服務(wù)請求ui（t）為

ui（t）=φidi－1（t）pi（t）（1）

其中，pi（t）為t時第i（i∈M）個VSP向MES傳輸計算任務(wù)的傳輸功率，di（t）是VSP為用戶提供服務(wù)的價格，φi為加權(quán)參數(shù)。

2.2 MES效益模型

MES與VSP之間通過無線信道進行傳輸，傳輸速率Ri（t）表示為[21]

Ri（t）=bilog2（1+pi（t）hiσ2i）（2）

其中，bi，hi，σi分別表示MES與VSPs之間無線信道的帶寬、信道增益和高斯白噪聲功率。

VSPs將計算任務(wù)上傳至MES，MES完成計算任務(wù)并從中獲得利潤，在計算過程中產(chǎn)生計算能耗。ri（t）表示MES在t時提供給第i（i∈M）個VSP的計算資源的價格，ti表示MES與VSP之間無線傳輸時間。因此，得到MES需要處理的計算任務(wù)量Ri（t）ti。MES的服務(wù)效益由服務(wù)收益與計算耗損組成，服務(wù)效益UC（t）表示為

UC（t）=∑Mi=1ri（t）pi（t）－ρikci（fci）2 ∑Mi=1Ri（t）tiLi（3）

其中，ρi表示計算資源過程中的損耗系數(shù)，kci是MES自身的硬件能耗，fci是MES配備的處理器的計算頻率，Li表示計算任務(wù)單位數(shù)據(jù)量所需要的計算負(fù)載。

作為區(qū)塊鏈的節(jié)點，MES可以在區(qū)塊鏈服務(wù)中獲得獎勵。MES是否被選為塊生成者是由MES所擁有的“股份”決定，在基于PoS的共識協(xié)議中[22-23]，每個時隙利用“股份”制選舉產(chǎn)生唯一的塊生成者，這些“股份”由最新的資源服務(wù)收益度量。因此，在下一個時期選擇MES服務(wù)器作為區(qū)塊生產(chǎn)者的概率由其服務(wù)獎勵與當(dāng)前時期其他服務(wù)器的總服務(wù)獎勵的比值決定，概率函數(shù)為

Pi（t）=ri（t）pi（t）∑Mj=1，j≠irj（t）pj（t）（4）

其中，ri（t）為最優(yōu)資源價格。

MES作為區(qū)塊鏈節(jié)點獲得的收益表示為

UB（t）=RvPi（t）+Rg（1－Pi（t））（5）

其中，Rv表示MES為塊生產(chǎn)者時生成的效益，Rg為塊參與者時生成的效益。

MES的效益函數(shù)UMESi（t）由服務(wù)效益UC（t）和區(qū)塊鏈獎勵UB（t）兩部分組成

UMESi（t）=UC（t）+UB（t）=∑Mi=1ri（t）pi（t）－ρikci（fci）2∑Mi=1Ri（t）tiLi+RvPi（t）+

Rg（1－Pi（t））（6）

2.3 VSP效益模型

收到用戶請求時，VSPs使用自身資源及從MES處獲得的資源為用戶提供服務(wù)。每個VSP使用自身和邊緣資源為用戶提供需求服務(wù)。在t時刻，資源越多的VSP可以服務(wù)更多的用戶。VSP通過向用戶提供計算資源獲得收入，t時第i（i∈M）個VSP的利潤UVSPi（t）

UVSPi（t）=di（t）ui（t）－∑Mi=1γiri（t）pi（t）－μikui（fui）2（ui（t）－Ri（t）ti）Li（7）

VSP的收益包括三部分：di（t）ui（t）表示VSP向用戶提供服務(wù)時獲得的利潤，ui（t）是用戶的服務(wù)需求；γiri（t）pi（t）是VSP向MES請求資源時支付給MES的費用，γi是VSP支付成本的決策權(quán)重；μikui（fui）2（ui（t）－Ri（t）ti）Li表示VSP使用自身資源處理用戶需求時的計算能耗，μi為平衡VSP的計算能耗和服務(wù)收益的權(quán)重，kui是VSP自身的硬件能耗，fui是VSP配備處理器的計算頻率。

3 Stackelberg博弈框架

3.1 問題描述

在B-SMEC系統(tǒng)模型中，MES對資源價格ri（t）有決策權(quán)，需尋求合適的資源價格，以使利潤最大化。MES的優(yōu)化問題定義為

maxri（t） UiMES（t）

s.t.0≤ri（t）≤ri（t）（8）

VSP決定從MES請求資源的傳輸功率pi（t），以優(yōu)化其利潤，VSP的利潤函數(shù)由式（7）給出，用戶的動態(tài)資源請求由式（1）給出，VSP的優(yōu)化問題可定義為

maxpi（t） UiVSP（t）

s.t.ui（t）=φidi－1（t）pi（t）? （9）

3.2 基于斯塔克爾伯格博弈的資源分配策略

本文采取Stackelberg動態(tài)博弈優(yōu)化VSP的傳輸功率和MES計算資源的價格。作為領(lǐng)導(dǎo)者，MES首先向VSP宣布資源單價，VSP作為追隨者將按照預(yù)期的邊緣計算資源做出決策，計算資源需求上傳到MES后，MES決定最佳價格以獲得最大利潤，此過程一直迭代到Stackelberg動態(tài)平衡。在Stackelberg動態(tài)均衡下，MES制定最優(yōu)資源價格使利潤最大化，同時，VSP達到最佳的資源傳輸功率使效用最大化。

定義1 對于MES，如果不等式（10）適用于所有價格ri（t）≠ri*（t），則資源價格ri*（t）是Stackelberg動態(tài)均衡

UiMES（ri*（t），pi*（t），t）≥UiMES（ri（t），pi*（t），t）（10）

定義2 對于VSP，如果不等式（11）適用于所有傳輸功率pi（t）≠pi*（t），則計算資源量pi*（t）是Stackelberg動態(tài)均衡

UiVSP（pi*（t），ri*（t），t）≥UiVSP（pi（t），ri*（t），t）（11）

3.2.1 VSP均衡博弈分析 VSP根據(jù)自身視頻資源儲備情況和資源價格決定卸載多少計算任務(wù)到MES，以有效地完成來自用戶的計算任務(wù)并盡可能提高自身的收益。首先證明VSP具有唯一的最優(yōu)卸載策略，并通過令效益函數(shù)的一階導(dǎo)數(shù)為零求解該階段的最優(yōu)策略。

根據(jù)式（1），求得式（7）關(guān)于pi（t）的一階導(dǎo)函數(shù)

UVSPi（t）pi（t）=φi－γiri（t）－μikui（fui）2Li（φidi（t）－bitihi（σ2i+pi（t）hi）ln2）（12）

得到二階導(dǎo)函數(shù)

2UiVSP（t）pi2（t）=－μikui（fui）2Libitihi2（σ2i+pi（t）hi）2ln2（13）

可知，式（13）恒小于0，即VSP的效益函數(shù)是關(guān)于pi（t）的凸函數(shù)，因此pi（t）具有唯一最優(yōu)策略。令式（12）等于0，求解最優(yōu)的pi（t）

φi－γiri（t）－μikui（fui）2Li（φidi（t）－bitihi（σ2i+pi（t）hi）ln2）=0（14）

即

pi*（t）=μikui（fui）2Libiti（γiri（t）+μikui（fui）2Liφidi（t）－φi）ln2－σ2ihi（15）

為簡化方便后續(xù)公式的表達，令Ri（t）=γiri（t）+μikui（fui）2Liφidi（t）－φi。

3.2.2 MES均衡博弈分析 為最大化MES效應(yīng)函數(shù)，式（15）代入式（6），得MES的效用函數(shù)

UMESi（t）=（1+Rv－Rg∑Mj=1，j≠irj（t）pj（t））∑Mi=1ri（t）（μikui（fui）2LibitiRi（t）ln2－σ2ihi）+Rg－

ρikci（fci）2∑Mi=1bilog2（μikui（fui）2LibitihiRi（t）σ2iln2）tiLi（16）

計算式（16）關(guān)于ri（t）的一階偏導(dǎo)數(shù)，得

UMESi（t）ri（t）=（1+Rv－Rg∑Mj=1，j≠irj（t）pj（t））∑Mi=1（μikui（fui）2LibitiRi（t）ln2－σ2ihi－ri（t）γiμikui（fui）2LibitiR2i（t）ln2）+

ρikci（fci）2∑Mi=1biγiLitiRi（t）ln2（17）

基于式（17），計算式（16）關(guān)于ri（t）的二階導(dǎo)數(shù)

2UMESi（t）ri2（t）=－（1+Rv－Rg∑Mj=1，j≠irj（t）pj（t））∑Mi=12μikui（fui）2LibitiγiR3i（t）ln2（μikui（fui）2Liφidi（t）－φi）－ρikci（fci）2∑Mi=1biγi2LitiR2i（t）ln2（18）

定理1 當(dāng)滿足式（19）時，UMESi（t）為凸函數(shù)，MES的資源價格具有唯一的最優(yōu)解

di（t）≤μikui（fui）2Li（19）

證明：針對式（18）中（γiri（t）+μikui（fui）2Liφidi（t）－φi）3和μikui（fui）2Liφidi（t）－φi，給出如下定義

f（t）=（γiri（t）+μikui（fui）2Liφidi（t）－φi）3

g（t）=μikui（fui）2Liφidi（t）－φi

當(dāng)di（t）=μikui（fui）2Li時，f（t）=（γiri（t））3且g（t）=0，式（18）恒小于0；當(dāng)di（t）<μikui（fui）2Li時，f（t）>0且g（t）>0，式（18）恒小于0。

現(xiàn)證明滿足式（19）時，UMESi（t）為凸函數(shù)，MES的資源價格具有唯一的最優(yōu)解，令式（17）=0，得

1+Rv－Rg∑Mj=1，j≠irj（t）pj（t）∑Mi=1μikui（fui）2LibitiRi（t）ln2－σ2ihi－ri（t）γiμikui（fui）2LibitiR2i（t）2ln2+

ρikci（fci）2∑Mi=1biγiLitiRi（t）ln2=0（20）

求解式（20）可以獲得最優(yōu)資源價格ri（t），然而式（20）中的ri（t）是一個非線性復(fù)雜的優(yōu)化問題，用傳統(tǒng)的數(shù)學(xué)方法很難求得最優(yōu)解。為此本文設(shè)計了基于梯度上升的算法MISSM逼近ri（t）的最優(yōu)解。首先，初始化一組隨機的MES的單位資源價格ri（0）（t），并根據(jù)式（15）計算對應(yīng)VSP的傳輸功率pi（0）（t）；然后根據(jù)式（2）以及pi（0）（t）計算每個MES的總負(fù)載，得到每個MES參與區(qū)塊鏈生成的成功競選概率及收益情況。通過梯度上升法，由式（20）對ri（t）進行迭代運算，得到ri（t）最終的收斂結(jié)果，即為最優(yōu)單位資源價格ri*（t）。

4 數(shù)值模擬實驗

通過模擬實驗評估B-SMEC系統(tǒng)性能。

4.1 參數(shù)設(shè)置

考慮多個MES和多個VSP的視頻服務(wù)系統(tǒng)模型，實驗中使用了5個邊緣計算服務(wù)器，每個服務(wù)器為2～20個VSP提供計算資源；MES的單位能耗為5 W；由于VSPs效率不同，能耗也不同，定為5～9 W，VSPs計算頻率為1 ms；MES與VSP之間無線信道的帶寬、信道增益和高斯白噪聲功率分別設(shè)置為30 MHz、53 dBm、10 dB；計算任務(wù)的傳輸時間間隔為（0.5～2.5） ms。

4.2 結(jié)果分析

實驗首先測試了不同區(qū)塊鏈協(xié)議對系統(tǒng)效益的影響，如圖2所示，相較于傳統(tǒng)的PoW協(xié)議，PoS協(xié)議無論對MES還是VSP效益都有明顯的增大。在PoS協(xié)議中，MES作為區(qū)塊鏈的節(jié)點，參與區(qū)塊鏈的存儲服務(wù)，并從中獲得一定的效益。VSP作為Stackelberg博弈的追隨者，當(dāng)MES的效益增加時，系統(tǒng)調(diào)整視頻資源價格來實現(xiàn)雙方效益的最大化。

使用MISSM算法計算系統(tǒng)的最優(yōu)價格，從而實現(xiàn)MES和VSP的利潤最大化目標(biāo)。如圖3所示，MES的資源價格隨著迭代次數(shù)的增加逐漸接近其最優(yōu)價格，MISSM算法可以快速地收斂到最優(yōu)值，每個邊緣計算服務(wù)器均可以找到最優(yōu)單位資源價格。

由圖4可知，當(dāng)系統(tǒng)中參與用戶服務(wù)的VSP數(shù)量過少時，為確保自身收益，MES會適當(dāng)提高資源價格，因此，VSP的效益降低。而隨著VSP數(shù)量的增加，系統(tǒng)中參與任務(wù)處理的單位越多，在用戶請求足夠的條件下，系統(tǒng)的任務(wù)處理效率增大，VSP效益也隨之增加。且隨著VSP設(shè)備單位負(fù)載能耗的增加，其對VSP效應(yīng)的影響也變得更加明顯。

圖5中，傳輸時間越長，VSP將越多的計算任務(wù)卸載到MES上，從而增加MES的計算任務(wù)量，獲得更高的收益。隨著VSP服務(wù)價格的增大，VSP的效益函數(shù)也隨之增加。Stackelberg動態(tài)博弈使任何一方效益增加的同時，另一方的效益也隨之增加。

5 結(jié)論

本文基于斯塔克爾伯格博弈，分析了MES、VSP和用戶之間的資源分配，獲得博弈中領(lǐng)導(dǎo)者和追隨者的最佳策略。通過數(shù)學(xué)推理，證明了MES與VSP之間的斯塔克爾伯格博弈具有唯一的斯塔克爾伯格均衡；將區(qū)塊鏈網(wǎng)絡(luò)同移動邊緣計算相結(jié)合，保障了資源交易過程中的安全性和隱私性。模擬實驗證明了基于區(qū)塊鏈網(wǎng)絡(luò)的移動邊緣計算網(wǎng)絡(luò)架構(gòu)在提高計算資源利用率的同時有效地保障了整個網(wǎng)絡(luò)的隱私性和安全性。

參考文獻

[1]LEE M C， MOLISCH A F， SASTRY N， et al. Individual preference probability modeling and parameterization for video content in wireless caching networks[J].IEEE/ACM Transactions on Networking， 2019， 27（2）： 676-690.

[2]程茹秋， 余燁， 石岱宗， 等. 圖像與視頻質(zhì)量評價綜述[J]. 中國圖象圖形學(xué)報， 2022， 27（5）： 1410-1429.

[3]RAY D， KOSAIAN J， RASHMI K V， et al. Vantage： Optimizing video upload for time-shifted viewing of social live streams[C]// ACM Special Interest Group on Data Communication. Beijing， 2019： 380-393.

[4]ABBAS N， ZHANG Y， TAHERKORDI A， et al. Mobile edge computing： A survey[J]. IEEE Internet of Things Journal， 2017， 5（1）： 450-465.

[5]CHEN L X， GONG G Q， JIANG K， et al. DDPG-based computation offloading and service caching in mobile edge computing[C]// IEEE Conference on Computer Communications （INFOCOM WKSHPS）.Electr Network， 2022： 1-6.

[6]張斐斐， 葛季棟， 李忠金， 等. 邊緣計算中協(xié)作計算卸載與動態(tài)任務(wù)調(diào)度[J]. 軟件學(xué)報， 2023， 34（12）： 5737-5756.

[7]LIANG Y T， HE Y J， ZHONG XX. Decentralized computation offloading and resource allocation in mec by deep reinforcement learning[C]// IEEE/CIC International Conference on Communications in China （ICCC）. Electr Network， 2020： 244-249.

[8]WANG Y T， SHENG M， WANG X J， et al. Mobile-edge computing： Partial computation offloading using dynamic voltage scaling[J]. IEEE Transactions on Communications， 2016， 64（10）： 4268-4282.

[9]CHEN N， ZHANG S， QIAN ZZ， et al. When learning joins edge： Real-time proportional computation offloading via deep reinforcement learning[C]// 25th International Conference on Parallel and Distributed Systems （ICPADS）. Tianjin， 2019： 414-421.

[10] LIU M T， YU F R， TENG Y L， et al. Computation offloading and content caching in wirelessblockchain networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology， 2018， 67（11）： 11008-11021.

[11] SARASWAT D， VERMA A， BHATTACHARYA P， et al.Blockchain-based federated learning in UAVs beyond 5G networks： A solution taxonomy and future directions[J]. IEEE Access， 2022， 10： 33154-33182.

[12] LIU M T， YU F R， TENG Y L， et al. Distributed resource allocation inblockchain-based video streaming systems with mobile edge computing[J]. IEEE Transactions on Wireless Communications， 2018， 18（1）： 695-708.

[13] LIU M T， TENG Y L， YU F R， et al. A mobile edge computing （MEC）-enabled transcoding framework forblockchain-based video streaming[J]. IEEE Wireless Communications， 2020， 27（2）： 81-87.

[14] XIONG Z H， ZHANG Y， NIYATO D， et al. When mobileblockchain meets edge computing[J]. IEEE Communications Magazine， 2018， 56（8）： 33-39.

[15] QIU C， YAO H P， JIANG C X， et al. Cloud computing assistedblockchain-enabled internet of things[J]. IEEE Transactions on Cloud Computing， 2022， 10（1）： 247-257.

[16] KOTOBI K， BILEN S G. Secureblockchains for dynamic spectrum access： A decentralized database in moving cognitive radio networks enhances security and user access[J]. IEEE Vehicular Technology Magazine， 2018， 13（1）： 32-39.

[17] OUYANG Z Q， SHAO J， ZENG Y F.PoW and PoS and related applications[C]// International Conference on Electronic Information Engineering and Computer Science （EIECS）. Changchun， 2021： 59-62.

[18] TAN Z， YU F R， LI X， et al. Virtual resource allocation for heterogeneous services in full duplex-enabled SCNs with mobile edge computing and caching[J]. IEEE Transactions on Vehicular Technology， 2017， 67（2）： 1794-1808.

[19] LENG J W， ZHOU M， ZHAO J L， et al.Blockchain security： A survey of techniques and research directions[J]. IEEE Transactions on Services Computing， 2022， 15（4）： 2490-2510.

[20] TAGHAVI M， BENTAHAR J， OTROK H， et al.Cloudchain： A blockchain-based coopetition differential game model for cloud computing[C]// 16th International Conference on Service-Oriented Computing （ICSOC）. Hangzhou， 2018： 146-161.

[21] 趙竑宇. 資源受限的移動邊緣計算系統(tǒng)中計算卸載問題研究[D]. 北京： 北京郵電大學(xué)， 2019.

[22] KIAYIAS A， RUSSELL A， DAVID B， et al.Ouroboros： A provably secure proof-of-stake blockchain protocol[C]// 37th Annual International Cryptology Conference （AICC）. Santa Barbara， 2017： 357-388.

[23] GAZI P， KIAYIAS A， ZINDROS D. Proof-of-stake sidechains[C]// IEEE Symposium on Security and Privacy （SSP）. San Francisco， 2019： 139-156.

Research on Blockchain-based Edge Computing Offloading

Scheme for Video Streaming

MA Li， LI Ying

（School of Computer Science and Technology，Qingdao University，Qingdao 266071，China）

Abstract：

Traditional multimedia IoT is difficult to meet the demand for delay-sensitive and computationally intensive video processing tasks， and cannot guarantee the security and privacy during task processing. For this reason， a blockchain-based MEC video streaming network architecture （B-SMEC） was proposed by combining Mobile Edge Computing （MEC） with video streaming. Based on the Stackelberg dynamic game to optimize the video resource allocation among mobile edge servers （MES）， video service providers （VSPs） and users， the benefits of MES and VSPs were maximized while satisfying users' dynamic video service requests. Blockchain technology was applied to record the whole resource transaction process to protect its security and privacy. The effectiveness of the proposed scheme is verified through simulation experiments.

Keywords：

mobile edge computing; blockchain; Stackelberg game; video streaming; resource allocation