资源受限边缘网络中面向 AIGC 服务的 QoE 驱动个性化激励机制设计
计算机科学与博弈论
2025-11-04 v1
摘要
随着大型语言模型 (LLMs) 的快速发展，AI 生成内容 (AIGC) 已成为技术创新和经济转型的关键驱动力。为个人用户 (MUs) 个性化 AIGC 服务对 AIGC 服务提供商 (ASPs) 至关重要，但由于移动用户的主观和复杂需求，以及 ASPs 面临的计算和通信资源约束，这具有挑战性。为了应对这些挑战，我们首先开发了一种新颖的多维质量体验 (QoE) 指标。该指标通过整合准确性、令牌数量和及时性来全面评估 AIGC 服务。我们关注一个由多个 ASPs 组成、移动边缘计算 (MEC) 支持的 AIGC 网络，这些 ASPs 在边缘服务器上部署了不同的 AIGC 模型，以及多个具有异构 QoE 需求的 MUs 向 ASPs 请求 AIGC 服务。为了激励 ASPs 在 MEC 资源约束下提供个性化 AIGC 服务，我们提出了一种 QoE 驱动的激励机制。我们将该问题表述为均衡约束下的均衡问题 (EPEC)，其中 MUs 作为领导者确定奖励，而 ASPs 作为跟随者优化资源分配。为了求解，我们开发了一种双扰动奖励优化算法，降低了自适应定价的实施复杂性。实验结果表明，与最先进的基准相比，我们提出的机制在平均计算和通信开销方面实现了约 64.9% 的降低，而 MUs 的平均服务成本和 ASPs 的资源消耗分别降低了 66.5% 和 76.8%。
引用
@article{arxiv.2508.16251,
title = {A QoE-Driven Personalized Incentive Mechanism Design for AIGC Services in Resource-Constrained Edge Networks},
author = {Hongjia Wu and Minrui Xu and Zehui Xiong and Lin Gao and Haoyuan Pan and Dusit Niyato and Tse-Tin Chan},
journal= {arXiv preprint arXiv:2508.16251},
year = {2025}
}