面向 Edge-AI 市场的按需 DNN 推理动态定价
摘要
边缘计算与人工智能（AI）的融合催生了 Edge-AI，使能够在网络边缘部署实时 AI 应用。Edge-AI 的关键研究挑战在于边缘推理加速，即通过将分割后的推理任务从终端设备卸载到边缘服务器，实现低延迟高精度的深度神经网络（DNN）推理。然而，现有研究尚未从实际的 Edge-AI 市场视角出发，这需要探讨 AI 用户（如推理准确率、延迟和任务复杂度）的个性化需求、提供边缘推理服务的 AI 服务提供商的收益激励，以及以市场导向语境下的多方利益相关者治理。为弥合这一差距，本文提出了一种基于拍卖的边缘推理定价机制（Auction-based Edge Inference Pricing Mechanism, AERIA），用于收益最大化，以解决 DNN 模型分区、边缘推理定价和资源分配的多维优化问题。我们发展了一种用于按需 DNN 推理加速的多出口设备-边缘协同推理方案，并理论分析了 AI 服务提供商、AI 用户和边缘基础设施提供商之间的拍卖动态。由于通过随机共识估计和成本分摊等策略性机制设计，Edge-AI 市场实现了收益最大化的竞争性、激励相容性和无嫉妒性，这些特性对于维持拍卖结果的有效性、真实性和公平性至关重要。基于四种代表性 DNN 推理工作负载的大量仿真结果表明，AERIA 在收益最大化方面显著优于几种最新方法，验证了 AERIA 在 Edge-AI 市场中实现按需 DNN 推理的有效性。
引用
@article{arxiv.2503.04521,
title = {Dynamic Pricing for On-Demand DNN Inference in the Edge-AI Market},
author = {Songyuan Li and Jia Hu and Geyong Min and Haojun Huang and Jiwei Huang},
journal= {arXiv preprint arXiv:2503.04521},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Mobile Computing. Index Terms: Edge-AI, DNN Inference Offloading, Resource Management, Dynamic Pricing, Auction Mechanism