CN107819840B - 超密集网络架构中分布式移动边缘计算卸载方法 - Google Patents

Abstract

本发明公开了一种超密集网络架构中的分布式移动边缘计算卸载方法，属于无线通信网络与云计算技术领域。计算移动设备的干扰，若需要卸载，则选择满足负载限制、干扰限制和时延限制的策略进行计算卸载；进一步的，当所选策略的能量消耗优于当前计算卸载策略，发送请求更新信息到当前所选基站，请求更新自身的计算卸载策略；移动设备在获得基站允许更新计算策略的信息后，通知其他移动设备已获得本次更新机会，并在下一时隙采用更新的策略；如果移动设备未获得更新机会，则在下一时隙保持现有的策略。本发明方法在保证一定时延限制的前提下，有效地降低了计算卸载过程中的能量开销，有效的达到了节约能耗的目的，有着很好的前沿性和可应用性。

Description

超密集网络架构中分布式移动边缘计算卸载方法

技术领域

本发明属于无线通信网络与云计算技术领域，具体涉及一种超密集网络架构中的分布式移动边缘计算卸载方法。

背景技术

智能终端设备的普及，改变了人们对传统移动设备的认识，各种以用户体验为基础的移动应用软件的出现，不断的改变着现代人的生活方式，也使得人们比以往任何时候都更加依赖智能终端。然而，受到终端设备的电池容量、计算能力以及存储容量的限制，一些例如自然语言处理、虚拟现实、交互式游戏等需要大量数据处理和计算的应用无法在移动设备上实现其功能。MEC(Mobile Edge Computing，移动边缘计算)的出现为以上的问题带来了新的解决方案。在移动边缘计算场景中，移动用户可以将计算任务卸载到网络边缘上，通过网络边缘上的云计算设备去完成具体的计算任务[参考文件1：Wu J,Yuen C,Cheung N M,et al.Enabling adaptive high-frame-rate video streaming in mobilecloud gaming applications[J].IEEE Transactions on Circuits and Systems forVideo Technology,2015,25(12):1988-2001]。超密集网络被认为是未来5G的关键技术之一，超密集网络可以为用户提供更高的QoS(Quality of Service，服务质量)、更高的数据传输速率和更低的传输时延。结合超密集网络的特点，在5G(The 5th generationwireless systems，第5代移动通信)超密集网络中部署移动边缘云的相关研究受到了行业的广泛关注。

近年来，部分研究学者已经围绕移动边缘云计算网络做了广泛的研究，文献2[Chen X.Decentralized computation offloading game for mobile cloud computing[J].IEEE Transactions on Parallel and Distributed Systems,2015,26(4):974-983]中的作者提出了在MEC场景下，通过博弈理论的方法去优化计算任务卸载过程。与此同时，文献3[Tong L,Li Y,Gao W.A hierarchical edge cloud architecture for mobilecomputing[C]//Computer Communications,IEEE INFOCOM 2016-The 35th Annual IEEEInternational Conference on.IEEE,2016:1-9.]的作者提出了针对移动云计算的分层边缘云网络架构，并且提出了处理峰值移动用户负载的有效方法和策略。在文献4[Chen X,Jiao L,Li W,et al.Efficient multi-user computation offloading for mobile-edgecloud computing[J].IEEE/ACM Transactions on Networking,2016,24(5):2795-2808]中，作者联合的考虑了移动用户在进行计算卸载过程中的时延和能量开销，并以此作为研究目标，为用户提供计算卸载选择的判断依据。文献5[Zhang W,Wen Y,Chen H H.Towardtranscoding as a service:energy-efficient offloading policy for green mobilecloud[J].IEEE Network,2014,28(6):67-73]和文献6[Zhang K,Mao Y,Leng S,etal.Energy-Efficient Offloading for Mobile Edge Computing in 5G HeterogeneousNetworks[J].IEEE Access,2016,4:5896-5907]的作者以最小化能量消耗为目标，设计了一种优化计算卸载过程中能量消耗的策略。在文献7[Tianze L,Muqing W,Min Z,et al.AnOverhead-Optimizing Task Scheduling Strategy for Ad-hoc Based Mobile EdgeComputing[J].IEEE Access,2017,5:5609-5622]中，作者提出了这样一种场景，当移动设备自身的计算能力无法满足自身的需求时，用户可以选择将计算任务卸载到邻近的移动设备上去完成。文献8[Sun N,Zhao Y,Sun L,et al.Distributed and Dynamic ResourceManagement for Wireless Service Delivery to High-Speed Trains[J].IEEE Access,2017,5:620-632]中的作者设计了一种在高速铁路网络场景下的计算卸载策略，提升了用户在快速移动过程中卸载计算任务的可靠性。

尽管在移动边缘云计算中，已经有很多学者围绕计算卸载过程进行了相关研究，但其主要的研究方向都集中在了中心式计算卸载模型上，即算法的执行需要由一个统一调度的中心控制器去实现和完成。然而，在带有MEC功能的超密集网络中，采用中心控制的思想会引起严重的流量拥塞，产生大量的控制信号在无线网络中进行传输，占用信道带宽资源。

发明内容

针对上述技术的缺点，本发明提出了一种超密集网络下多用户多MEC节点的分布式计算卸载方法，以实现最小化每个移动设备计算卸载能耗的目的。

本发明提供的一种超密集网络架构中分布式移动边缘计算卸载方法，在网络中的微微蜂窝基站附近部署有MEC服务器，使得微微蜂窝基站具有MEC计算功能，将具有MEC计算功能的微微蜂窝基站称为MEC-微微蜂窝基站。将超密集网络架构中移动设备分布式计算卸载的决策问题，描述为多用户多基站的分布式计算卸载博弈，所有的移动设备是博弈参与者，博弈的目标是最小化每个移动设备的能量开销。

本发明方法在博弈过程中，利用潜在方程判断是否达到纳什均衡；

所建立的潜在方程

其中，N为MEC-微微蜂窝基站数量，K为移动设备数量，p_i,n为移动设备i接入基站n时的传输功率，g_i,n为移动设备i和基站n之间的信道增益；I_{A}为指示函数，I_{A}＝1时代表事件A是真的，此时多个移动设备占用同一信道，I_{A}＝0时代表事件A是假的，此时移动设备并未占用同一信道；G_i,n为移动设备i的干扰阈值；a表示所有移动设备的决策，a_i表示移动设备i的卸载决策。

本发明的计算卸载方法，初始设置各移动设备都选择本地计算，然后在每个决策时隙τ内，执行如下步骤：

步骤1，计算移动设备的干扰初步判断是否可以进行计算卸载，如果可以，则从移动设备的计算卸载策略集中选择一个MEC-微微蜂窝基站；

步骤2，首先，计算移动设备所选策略是否满足负载限制、干扰限制和时延限制，若不满足，执行步骤3；如果满足，继续判断所选策略的能量消耗是否优于当前计算卸载策略，如果是，则发送请求更新信息到当前所选基站，请求更新自身的计算卸载策略，如果否，则转步骤3执行；

步骤3，判断移动设备的计算卸载策略集中策略是否都已选过，若是，则结束本次时隙的操作；若否，重新从计算卸载策略集中选择一个未选择过的MEC-微微蜂窝基站，继续执行步骤2；

步骤4，移动设备在获得基站允许更新计算策略的信息后，通知其他移动设备已获得本次更新机会，并在下一时隙采用更新的策略；如果移动设备未获得更新机会，则在下一时隙保持现有的策略。

在所有移动设备完成本次决策时隙的迭代后，判断博弈是否达到纳什均衡，如果是，则此时表示所有移动设备都找不到比现有策略更优的计算卸载策略，结束博弈；否则继续判断是否达到了预设的最大迭代次数，如果是，结束博弈，如果否，继续进入下一个决策时隙。

相对于现有技术，本发明的优点与积极效果在于：

(1)本发明基于MEC技术提供的在超密集网络架构下的分布式MEC计算卸载方法，弥补了过去在分布式MEC方面技术的空缺，不需要统一的中心调度机制，依靠移动设备与MEC节点间交互而完成，从仿真结果可以看出，本发明方法在保证一定时延限制的前提下，有效地降低了计算卸载过程中的能量开销。

(2)本发明在计算卸载的时延与能耗两个方面进行了平衡，在保证用户可以容忍的时延条件下，最小化了系统计算卸载过程中的能量开销，有效的起到了节约能耗的目的。

(3)本发明方法利用潜在博弈模型实现分布式计算卸载，根据计算卸载过程中的通信资源和计算资源的使用情况对计算卸载过程进行优化，联合考虑了MEC节点的通信资源和计算资源。

(4)本发明方法将MEC技术与未来5G超密集网络相结合，有着很好的前沿性和可应用性。

附图说明

图1是一个具有MEC功能的超密集网络架构示意图；

图2是本发明提供的分布式移动边缘计算卸载方法的流程示意图；

图3是本发明方法中迭代次数与系统开销的曲线示意图；

图4是本发明方法与现有两种方法的系统性能开销对比示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

在分布式场景下，计算任务的执行不需要统一的中心调度机制，仅靠移动设备间彼此协调即可完成整个卸载任务的分配。在分布式模型中，移动设备彼此间进行信息交互，每个移动设备可以根据其他移动设备的卸载连接情况，选择合适的MEC节点进行连接，或者选择进行本地计算。计算卸载决策主要受到系统能量和时延开销的影响。移动设备在传输计算任务过程中会彼此产生干扰，影响移动设备的传输功率，进而影响系统的能量消耗。由于移动设备在卸载计算任务过程中主要使用基站通信资源和MEC节点的计算资源，因此本发明方法分别考虑计算卸载过程中的通信资源和计算资源的分配使用情况，并分别对两部分进行建模，用来量化计算卸载过程中的能量开销。博弈论是研究分布式条件下最优决策的理论，因此本发明将潜在博弈理论应用于分布式场景下用户计算卸载的分配问题上，并引入潜在方程来实现纳什均衡，最终实现算法的收敛。

本发明所研究的是在超密集网络中部署MEC服务器的分布式网络架构，如图1所示。此超密集网络由K＝{1,2,...,K}个移动设备，N＝{1,2,...,N}个微微蜂窝基站组成，微微蜂窝基站通过有线光纤与核心网相连。在微微蜂窝基站附近部署MEC服务器，使得微微蜂窝基站具有MEC计算功能，把具有MEC计算能力的微微蜂窝基站称为MEC-微微蜂窝基站。在图1的网络场景中，当移动设备i(i∈K)需要执行大量计算任务时，受到自身计算资源的限制，移动设备会首先选择将计算任务卸载到MEC-微微蜂窝基站上去完成，MEC-微微蜂窝基站彼此间进行通信，决定哪个基站接受该用户的计算请求能够使系统的能量开销最小。

本发明方法整体上，包括如下3个步骤：

第一步，对移动设备的计算卸载选择情况进行初始化，即起初所有移动设备都选择本地进行计算。移动用户根据无线信道的状况，适当选择一个MEC基站进行连接，每个移动设备计算此时所产生的干扰，广播给其他移动用户。

第二步，根据移动设备的干扰情况，建立博弈所用到的潜在方程。根据所建立的潜在方程，在有限时隙内进行迭代，移动设备判断在有限的计算卸载策略集内，是否能够找到一个比当前策略更优的策略，如果有，则与其他用户竞争选择该策略；如果没有，则保持现有策略。

第三步，当所有移动设备都找不到比现有策略更优的计算卸载策略时，表明博弈已经达到了纳什均衡，即算法已经收敛到了全局最优值，此时退出博弈，结束整个过程。

下面首先需要说明本发明所解决的超密集网络架构中移动设备分布式计算卸载的决策问题需要用到的模型，如步骤1～3所示；然后将该决策问题描述为多用户多基站的分布式计算卸载博弈问题，建立目标函数和潜在方程，如步骤4～5所示；最后结合图2描述了一个具体实现分布式计算卸载的流程，如步骤6所述。

步骤1，建立通信模型。

设移动设备总数为K，移动设备i需要将计算任务卸载到N个MEC-微微蜂窝基站上，用a_i,n＝{0,1}(i∈K,n∈N)代表用户i的卸载决策，a_i,n＝1代表移动设备i选择MEC-微微蜂窝n去完成具体的计算任务，如果移动设备i没有选择接入MEC-微微蜂窝n，则a_i,n＝0。移动设备i的传输速率r_i可以由式(1)得出：

式(1)中，

代表移动用户的最终卸载决策，

表示移动设备i最多只能接入一个MEC-微微蜂窝，

表示用户i选择本地计算。W代表移动设备的信道带宽，p_i,n代表移动设备i接入n时的传输功率，该传输功率由基站的功率控制策略所决定，可根据参考文献9中的公式得到。g_i,n代表移动设备i和MEC-微蜂窝n之间的信道增益；σ²代表移动设备i的信道的高斯噪声。

表示在计算卸载过程中，其他用户的接入对用户i造成的干扰。

参考文件9：Xiao M,Shroff N B,Chong E K P.A utility-based power-controlscheme in wireless cellular systems[J].IEEE/ACM Transactions on networking,2003,11(2):210-221。

步骤2，建立本地计算模型。

计算任务的执行可以分为两种类型，一种是移动设备选择本地进行计算，即移动设备靠自身计算能力去完成，另一是将计算任务卸载到边缘云上去完成计算。本发明设每个移动设备都有一个计算任务

需要去执行，其中b_i代表计算任务的数据量大小，w_i代表完成计算任务L_i所需的CPU周期数，

为用户所能容忍的最大时延。

当移动用户选择本地计算时，代表计算任务L_i需要在设备自身上去完成。用

代表设备i的本地计算能力，用每秒的CPU周期数来量化，不同移动设备具有不同的计算能力。在本地执行计算任务所需的执行时间

可以由式(2)得出。

执行本地计算所需要消耗的能量

可以由式(3)得出。

在式(3)中，ε₀表示每个CPU单元所需要消耗的能量。

步骤3，建立卸载计算模型。

对于卸载计算的方法，计算任务的完成需要分为数据的传输和执行计算两部分。假设移动设备i选择MEC-微微蜂窝基站n去完成计算请求，则总的计算卸载时间可以分为计算任务的传输时间

和在MEC服务器上执行计算的计算时间

和

可以由式(4)和式(5)

式(5)中，

代表MEC-微微蜂窝基站的计算能力。用

代表移动设备i在计算卸载过程中总的时间消耗，根据式(4)和式(5)可以得出

与时延相对应，设计算卸载过程中总的能量消耗为

主要由传输计算数据能量开销

和执行计算过程能量开销

两部分组成。详细的计算过程如式(7),式(8),式(9)所示。

其中，ε_c表示MEC节点n的每个CPU周期所消耗的能量，单位为J/GHz。

步骤4，设计计算卸载目标函数。

首先，介绍多用户分布式计算卸载的决策问题。用a_i代表移动设备i的卸载决策，a_-i代表除移动设备i以外其他用户的计算卸载决策。当移动设备i选择本地计算时，a_i＝0；当移动设备选择MEC-微微蜂窝基站进行计算时，a_i＝1。移动设备以最小化计算能量开销为目标进行选择。

以上问题可以描述为多用户多MEC基站的分布式计算卸载博弈，本发明将此博弈模型表示为Γ＝(K,{A_i}_i∈K,{E_i}_i∈K)，其中K代表所有的博弈参与者，也就是移动设备，{A_i}_i∈K＝{0,1}代表参与者i的决策集；{E_i}_i∈K代表移动设备i在计算卸载博弈中的能量开销函数。将Γ称为多设备多MEC的分布式计算卸载博弈，博弈的目标是最小化每个移动设备的能量开销，目标函数如式(10)所示。

计算卸载的能量开销函数E_i和卸载决策a_i需要满足如下的限制条件：

对本发明的多移动设备的分布式计算卸载博弈过程中的限制条件说明如下。

负载限制。由于MEC-微微蜂窝的基站的计算资源是有限的，所以MEC-微微蜂窝不能同时满足过多用户的计算卸载请求。设c_j代表MEC-微微蜂窝基站的有限计算资源，MEC-微微蜂窝基站的负载需要满足∑_i∈Kb_ia_i,j＜c_j,j∈K。

时延限制。当移动设备i决定将计算任务卸载到MEC-微微蜂窝节点上进行计算时，在卸载和计算的过程中将会产生一定的时延，为了能够在保证用户QoS的前提下完成计算任务，计算的执行时间需要遵循以下规则：本地计算时延

需要满足

云计算时延

需要满足

干扰限制。当移动设备卸载计算任务到MEC-微微蜂窝时，为了保证微微蜂窝基站能够正确的接收到移动设备的数据流，用β代表能够正确接收数据流的最小信干噪比，即判断是否满足条件：

当用户选择卸载到MEC-微微蜂窝进行计算时，需要满足

否则，计算任务将在设备本地完成计算。根据式(1)、式(7)和式(8)可以得出：

进而得到a_i的限制条件。

其中，

步骤5，建立潜在博弈方程。

对于非合作博弈问题，存在一个很重要的概念，即纳什均衡。所谓纳什均衡，即在某情况下，没有任何一个参与者可以通过改变自身策略而增加自身收益，此状态即为纳什均衡。下面简单介绍纳什均衡的概念。

纳什均衡概念：对于博弈Γ＝(K,{A_i}_i∈K,{E_i}_i∈K)，假设均衡点的策略为

此时没有一个参与者可以通过单方面的改变自身策略来使系统的总体能耗最小，那么此时策略a^*即为Γ纳什均衡策略，所达到的平衡点即为纳什均衡点。即可以表示为：

根据分布式计算卸载博弈纳什均衡概念，为了证明纳什均衡的存在，需要通过引入潜在方程，将原始的分布式计算卸载博弈转化为潜在博弈。最后，通过潜在博弈来证明分布式计算卸载算法的收敛性。

如果想要研究纳什均衡的存在性，首先需要引入一个有效的潜在博弈方程。

潜在方程定义：对于一个博弈，如果存在潜在方程P，满足对任意i∈K，当式(14)成立时

E_i(a′_i,a_-i)＜E_i(a_i,a_-i) (14)

有式(15)成立

P_i(a′_i,a_-i)＜P_i(a_i,a_-i) (15)

那么称方程P为该博弈的潜在方程。由式(14)和式(15)可知，潜在方程和原方程具有相同的单调性。a和a′为所有移动设备的两个不同的计算卸载决策向量。

根据上述所提的分布式计算卸载的特点和分布式计算卸载的限制条件，本发明提供的潜在方程表达式，如式(16)所示：

在式(16)中，I_{A}代表指示函数，用来表示当多用户选择计算卸载时，这些用户是否占用相同信道，如果I_{A}＝1，代表事件A是真的，即此时多个设备占用同一信道；如果I_{A}＝0，代表事件A是假的，即此时彼此并未占用同一信道。有关潜在方程存在的合理性，文献2中给出了详细的证明过程，这里不再过多赘述。公式中的a表示所有移动设备的决策。

步骤6，设计并实现分布式计算卸载。

在本发明的卸载方法中，移动设备在更新自身的决策前，需要先将自身的通信相关参数广播到MEC-微微蜂窝基站上，卸载算法根据用户的计算请求和信道状况，为移动用户分配一个能够使其计算能耗最小的MEC-微微蜂窝基站进行接入。现在考虑在一个时隙的计算卸载决策更新情况，并引入较优响应和最优响应的概念。

较优响应策略：参与者将卸载决策由a_i改变为a_i′，如果能量消耗函数满足：

E_i(a_i′,a_-i)＜E_i(a_i,a_-i) (17)那么将卸载决策a_i′称为较优响应策略。

最优响应策略：对于给定的其他参与者的策略a_-i，当没有比策略

更优的策略可供改变时，同时策略

满足：

那么将卸载策略

称为最优响应策略。

根据式(17)，基于所构建的潜在博弈较优响应的概念，在每个给定的时隙内，移动设备都能够根据自身的偏好来选择较优的策略；由(18)可知，根据最优响应的概念，每个参与者相比于其他参与者都在扮演者最优参与者的角色。基于以上分析，本发明计算卸载算法博弈满足潜在博弈，并且该博弈能够达到纳什均衡。

下面介绍移动设备更新自身决策的方式。

首先，每个移动设备在一个时隙内对计算卸载策略进行初始化，当移动设备有计算任务需要执行时，根据多用户多MEC的潜在博弈算法，每个时隙都会有一个移动设备选择更新自身的策略。在时隙τ内，如果可改变的策略集空间不为空，移动设备将广播其计算任务的相关参数并发送请求更新信息(Request-to-Update,RTU)到MEC-微微蜂窝基站去请求更新自身的卸载策略。

时隙τ内的所要选择的策略空间集Θ_i(τ)需要满足：Θ_i(τ)＝{a_i′:E_i(a_i′,a_-i)＜E_i(a_i,a_-i)}。假设在时隙τ时，移动设备i接收到了基站发送的允许其更新策略的信息，可以在下个时隙更新自身计算卸载策略，并且移动设备i将给其他设备发送信息，通知其获得了本次更新的机会。对于那些没有获得更新信息的移动设备来说，其将保持现有的决策a_i(τ+1)＝a_i(τ)作为下一个时隙的决策。

经过有限次的时隙迭代后，每个移动设备的决策都会达到相对的较优值，当在整个计算卸载系统中没有RTU信息传输时，表明整个系统已经达到了纳什均衡，并且算法已经收敛到了全局最优的情况。

本发明采用大量的仿真来验证所提分布式移动边缘计算卸载方法。假设5个MEC-微微蜂窝基站覆盖100m×100m的区域，在该区域内有50个移动设备。无线信道的带宽为W＝5MHz。移动设备传输功率为50mW到100mW随机生成。无线环境系统热噪声为σ²＝-100dBm；根据蜂窝网络无线信道模型(可参考文献2)，无线信道增益

为路径衰落因子，此处设置

每个用户计算任务数据大小b_i随机分布在5MB～20MB之间。详细仿真参数如表1所示。

表1.仿真参数

为了证明本发明所提潜在函数能够达到纳什均衡点，首先对算法的收敛性进行分析。从图3中可以看出，系统的能耗随着迭代次数的增加而线性的减少。当迭代次数超过20次时，本发明的分布式移动边缘计算卸载方法到达了纳什均衡，但当迭代次数少于20次时，算法一直在搜索纳什均衡点。从图中整体曲线可以看出，本发明的卸载方法能够在有限的迭代次数范围内实现收敛。

为了比较本地计算和分布式计算卸载的性能优劣，分别对本地计算策略、分布式卸载策略和随机计算策略进行了仿真，如图4所示。从仿真结果可以看出，采用博弈模型的分布式计算卸载算法在三种算法中所消耗的能量最小，性能最优。本地计算策略中，所有的移动设备都在设备自身上完成计算，由于移动设备的计算能力有限，单位CPU能耗较大，所以导致计算任务本地计算的能量开销要明显高于分布式计算卸载算法。随机计算卸载算法为每个移动设备随机分配接入的MEC-微微蜂窝，由于随机分配接入，所以可能导致较多的移动设备同时接入同一MEC-微微蜂窝，增大了设备间的干扰，增加了计算任务的传输能耗，例如当移动设备数量在32到50之间时，随机卸载策略的性能要明显的劣于本地计算策略。仿真结果表明本发明的分布式移动边缘计算卸载方法与本地计算策略相比，可以最多节约30％的系统能耗。

Claims (3)

1.一种超密集网络架构中分布式移动边缘计算卸载方法，在网络中的微微蜂窝基站附近部署MEC服务器，使得微微蜂窝基站具有MEC计算功能，将具有MEC计算功能的微微蜂窝基站称为MEC-微微蜂窝基站；其特征在于，所述方法将超密集网络架构中移动设备分布式计算卸载的决策问题，描述为多用户多基站的分布式计算卸载博弈，所有的移动设备是博弈参与者，博弈的目标是最小化每个移动设备的能量开销；所述的多用户多基站的分布式计算卸载博弈，目标函数表示如下：

计算卸载的能量开销函数E_i和卸载决策a_i需要满足如下限制条件：

其中，a_-i代表除移动设备i以外其他移动设备的计算卸载决策；a_i＝0时代表移动设备i选择本地计算，a_i＝1时代表移动设备选择MEC-微微蜂窝基站进行计算；

为移动设备i在本地计算的能量开销；

为卸载到MEC-微微蜂窝基站进行计算的能量开销，当移动设备i卸载到不同的基站时，

的值将根据基站的参数重新计算；

在博弈过程中，利用潜在方程判断是否达到纳什均衡；

所建立的潜在方程

其中，N为MEC-微微蜂窝基站数量，K为移动设备数量，p_i,n为移动设备i接入基站n时的传输功率，g_i,n为移动设备i和基站n之间的信道增益；I_{A}为指示函数，I_{A}＝1时代表事件A是真的，此时多个移动设备占用同一信道，I_{A}＝0时代表事件A是假的，此时移动设备并未占用同一信道；G_i,n为移动设备i的干扰阈值；a表示所有移动设备的决策，a_i、a_j分别表示移动设备i、j的卸载决策；

初始设置各移动设备都选择本地进行计算，然后在每个决策时隙τ内，每个移动设备执行步骤1～步骤4，并在所有移动设备完成本次决策时隙的迭代后，判断博弈是否达到纳什均衡，如果是，则此时表示所有移动设备都找不到比现有策略更优的计算卸载策略，结束博弈；否则继续判断是否达到了预设的最大迭代次数，如果是，结束博弈，如果否，继续进入下一个决策时隙；

所述的步骤1～步骤4包括：

步骤1，计算移动设备的干扰初步判断是否需要进行计算卸载，如果需要，则从移动设备的计算卸载策略集中选择一个MEC-微微蜂窝基站；判断方法是：

计算移动设备i的干扰阈值G_i,n，

然后判断是否满足

如果是，移动设备i选择MEC-微微蜂窝基站进行计算卸载，否则移动设备i选择本地计算；

其中，W为移动设备的信道带宽，σ²代表信道的高斯噪声，β代表基站正确接收数据流的最小信干噪比；b_i为移动设备i的计算任务L_i的数据量大小，w_i为完成计算任务L_i所需的CPU周期数；ε₀表示每个CPU单元所需要消耗的能量；a_j,l为移动设备j是否选择MEC-微微蜂窝基站l的标识，当选择时a_j,l为1，未选择时a_j,l为0；步骤2，首先，计算移动设备所选策略是否满足负载限制、干扰限制和时延限制，若不满足，执行步骤3；如果满足，继续判断所选策略的能量开销是否小于当前计算卸载策略，如果是，则发送请求更新信息到当前所选基站，请求更新自身的计算卸载策略，转步骤4执行，如果否，转步骤3执行；所述的步骤2中，负载限制、干扰限制和时延限制分别如下：

负载限制，是指MEC-微微蜂窝基站的计算资源满足用户的计算卸载请求；

时延限制，是指将计算任务卸载到MEC-微微蜂窝基站的计算时延要小于移动设备的计算任务的所能容忍的最大时延；

干扰限制，是指：设移动设备i选择基站n，σ²为移动设备信道的高斯噪声，则干扰限制需要满足公式：

β代表基站正确接收数据流的最小信干噪比；

表示在计算卸载过程中，其他移动设备的接入对移动设备i造成的干扰；

步骤3，判断移动设备的计算卸载策略集中策略是否都已选过，若是，则结束本次时隙的操作；若否，重新从计算卸载策略集中选择一个未选择过的MEC-微微蜂窝基站，继续执行步骤2；

步骤4，移动设备在获得基站允许更新计算策略的信息后，通知其他移动设备已获得本次更新机会，并在下一时隙采用更新的策略；如果移动设备未获得更新机会，则在下一时隙保持现有的策略。

2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，若移动设备i当前在本地计算，设移动设备i在本地计算的能量开销为

所选择卸载到MEC-微微蜂窝基站进行计算的能量开销为

则当满足

时，所选策略的能量开销优于当前计算卸载策略。

3.根据权利要求1所述的方法，其特征在于，所述的步骤2中，当移动设备i选择卸载到MEC-微微蜂窝基站n进行计算时，所用的能量开销为

其中，

为传输计算数据的能量开销，

为执行计算过程的能量开销，

b_i为移动设备i的计算任务L_i的数据量大小，w_i为完成计算任务L_i所需的CPU周期数；ε_c为基站n的每个CPU周期所消耗的能量；r_i为移动设备i的传输速率，所述的移动设备i的传输速率r_i如下式获得：

其中，W代表移动设备的信道带宽。

Images