这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：
多层次算力网络中代价感知任务调度算法的研究
作者及机构
本研究由刘泽宁（上海科技大学信息科学与技术学院、紫金山实验室、鹏城实验室网络通信研究中心）、李凯（上海科技大学创意与艺术学院、上海雾计算实验室）、吴连涛（上海科技大学创意与艺术学院、上海雾计算实验室）、王智（浙江大学控制科学与工程学院、工业控制技术国家重点实验室）、杨旸（上海科技大学信息科学与技术学院、创意与艺术学院、上海雾计算实验室、鹏城实验室网络通信研究中心）共同完成。该研究发表于《计算机研究与发展》（Journal of Computer Research and Development）2020年第57卷第9期。
学术背景
随着物联网（IoT）应用的智能化和数据量的增加，传统的云计算已无法满足实时性、低延迟和高能效的需求。多层次算力网络（Multi-tier Computing Network）应运而生，其结合了云计算、雾计算（Fog Computing）、边缘计算（Edge Computing）和海计算（Sea Computing）等技术，分别针对区域、本地和设备级别的任务需求。然而，如何在多层次算力网络中高效调度任务并激励各层次资源的参与，仍然是一个关键挑战。本研究旨在提出一种代价感知任务调度算法（Cost-Aware Task Scheduling, CATS），以优化任务调度并激励云和雾节点的参与。
研究流程
1. 问题建模
研究首先提出了一个云雾混合多层次算力网络及计算卸载系统，定义了一个由时延、能耗及付费组成的加权代价函数，并建模了代价感知任务调度（CATS）问题。具体来说，用户可以选择在本地处理任务，或将任务卸载到雾节点或云上进行处理。卸载决策的代价包括通信时延、能耗和付费成本。
付费模型设计
为激励云和雾节点的参与，研究提出了一个基于计算量的付费模型。对于雾节点，采用了动态付费模型，其费用随用户数的增加而降低；对于云，采用了静态付费模型，费用固定不变。这种混合付费模型旨在平衡用户和资源提供者之间的利益。
博弈论框架与算法设计
研究将CATS问题建模为一个非合作博弈，并通过势博弈理论证明了该博弈存在纯策略的纳什均衡解。基于此，研究设计了一个分布式任务调度算法——CATS算法。该算法通过迭代更新用户的卸载策略，逐步收敛到纳什均衡解。
数值仿真与验证
研究通过数值仿真验证了CATS算法的性能。仿真设置包括多个用户、10个雾节点和云，任务大小和处理密度随机生成。通信和计算参数基于实际场景设定。仿真结果表明，CATS算法在系统平均代价和受益用户数方面均优于基准方法（如本地计算、云计算、随机卸载和最优卸载）。
主要结果
1. 系统平均代价
CATS算法在系统平均代价方面表现优异，接近最优卸载方法，且显著优于本地计算和云计算。这表明引入雾计算层可以显著降低任务卸载的代价。
受益用户数
CATS算法的受益用户数（即通过任务卸载降低自身代价的用户）始终高于其他方法。这表明CATS算法能够更好地协调用户之间的竞争，使更多用户从中受益。
动态付费模型的效果
动态付费模型在用户数较大时，能够帮助雾节点获得更多收入。与静态付费模型相比，动态付费模型通过“薄利多销”的方式，吸引了更多用户使用雾节点服务。
收敛性分析
CATS算法的收敛速度与用户数呈线性关系，表明其适用于大规模网络。
结论
本研究提出了一个云雾混合多层次算力网络及计算卸载系统，定义了一个加权代价函数，并建模了代价感知任务调度问题。通过设计混合付费模型和基于势博弈的分布式算法，研究有效解决了任务调度和资源激励的难题。数值仿真验证了CATS算法在系统整体和用户个体两个维度上的优异表现。此外，动态付费模型为雾节点提供了更高的收入潜力，尤其是在用户数较大的场景中。
研究亮点
1. 多层次算力网络的全面建模
研究首次将云计算、雾计算、边缘计算和海计算技术结合，提出了一个完整的多层次算力网络架构。
混合付费模型的设计
研究创新性地提出了动态和静态相结合的付费模型，有效激励了云和雾节点的参与。
基于势博弈的分布式算法
CATS算法通过博弈论框架，实现了高效的任务调度和资源分配，适用于大规模网络。
仿真验证的全面性
研究通过大量数值仿真，验证了算法在系统平均代价、受益用户数和付费模型效果等方面的优越性。
价值与意义
本研究为多层次算力网络中的任务调度和资源激励提供了理论和方法支持，具有重要的学术价值和实际应用意义。其提出的算法和模型可以广泛应用于物联网、边缘计算和云计算等领域，为提高系统性能和用户体验提供了新的解决方案。