CN109684075A - 一种基于边缘计算和云计算协同进行计算任务卸载的方法 - Google Patents

Abstract

本发明提供一种基于边缘计算和云计算协同进行计算任务卸载的方法，包括设定变量参数及初始化；构建出移动终端、边缘节点和远端云各自时延模型和能耗模型，并得到移动终端当前任务量全部执行时的时延期望值模型和总能耗模型，且进一步得到总移动终端中所有任务执行时的时延期望值模型和总能耗模型；定义最优分配问题并转换为凸优化问题；引入拉格朗日函数求满足KKT约束条件下终端本机、边缘节点及远端云的任务执行量的最优解，使每一个移动终端根据各自对应求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调整及执行。实施本发明，综合考虑移动终端、边缘节点及远端云的计算能力和功耗限制，实现最优的计算任务卸载决策。

Description

一种基于边缘计算和云计算协同进行计算任务卸载的方法

技术领域

本发明涉及云计算技术领域，尤其涉及一种基于边缘计算和云计算协同进 行计算任务卸载的方法。

背景技术

传统的云计算中心能提供强大的计算能力，实现如大数据分析处理、数据 存储、平台服务等。但受制于地理位置和传输环节，云计算中心往往远离数据 产生与被收集的边缘侧，数据需要经过网络的传输才能得到处理，再经过传输 回到终端，整个过程的时延相对很长，无法应用于实时性的应用场景。边缘计 算通过无线接入网络“增强”终端用户计算能力，实现如视频监测、语音识别、 增强现实等计算密集、时延敏感任务的执行。但面对用户数量持续增加，计算 任务量不断增大的情况，边缘节点有限的计算能力依旧无法很好的满足用户需 求，如何利用计算资源有限的边缘节点保障终端用户服务质量成为当前研究的 热点问题。

目前，边缘云与远端云相结合的协同计算模式是解决边缘节点计算能力有 限，无法有效满足用户需求问题的有效方法。在该协同计算模式下，终端计算 过载时，大量的任务负载将被卸载至边缘节点和远端云节点，从而在有效缓解 边缘节点负载压力的同时，节省用户设备的资源消耗和任务处理时间，实现任 务的高效计算。另外，在该协同计算模式下，主要面临着以下两方面的问题需 要解决：高效计算卸载决策的制定，边缘节点资源的高效分配。其中如何制定 高效的计算卸载决策以更好的卸载任务是一个关键问题。

为了获得最优的卸载策略，已有研究考虑多用户场景下的任务划分和任务 分配问题，但在保障终端用户服务质量问题的解决上仍存在问题，并且也缺乏 考虑边缘节点资源分配的条件下的最优卸载决策。例如，专利公布号为CN108600299A，名称为一种分布式多用户间计算任务卸载方法及系统的发明专 利，能够实现多用户间稳定的计算任务卸载，且每个用户支持将计算卸载到单 个或多个的计算节点，并以分布式地方式运行，但面对较大的计算需求时，仅 边缘侧服务器是难以满足需求的，仍需要与云端服务器协同进行任务卸载工作， 所设计系统并未考虑边缘侧计算服务器的性能瓶颈问题。又如，专利号为公布 号为CN107122249A，名称为一种基于边缘云定价机制的任务卸载决策方法的发 明专利，基于边缘云定价机制的任务卸载决策，通过将本地计算资源映射为虚 拟边缘云资源，并结合边缘云价格来综合计算最佳的任务卸载比例，使系统的 负载达到均衡，虽然充分利用系统各部分计算资源，提高了资源利用率，但该 方案考虑的价格因素较为模糊，在实际应用中难以具体界定，实现起来较为复 杂，且实际应用中移动终端的续航问题不容忽视，也并未考虑移动终端的功耗 限制。又如，专利号为公布号为CN107708135A，名称为一种适用于移动边缘计 算场景的资源分配方法的发明专利，通过任务缓存和传输优化机制，实现最优 任务缓存和上传下载时间的资源分配；或低复杂度次优任务缓存和上传下载时 间的资源分配，并对多个移动节点提出相同的计算任务，采用多播的办法减少 传输的时间开销与能量开销，但该方案并没有考虑移动终端本身的计算能力， 没有计算任务的卸载规划，实际应用场景中并不能完全利用整个系统的资源， 且在无线传输条件恶劣时，可能导致更大的能量开销。

因此，亟需一种分布式多用户间计算任务卸载方法，不仅考虑移动终端本 身的计算能力和功耗限制，还能考虑边缘节点的计算能力和功耗限制等性能瓶 颈问题，实现最优的计算任务卸载决策。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于边缘计算和云计算 协同进行计算任务卸载的方法，综合考虑移动终端、边缘节点及远端云的计算 能力和功耗限制，实现最优的计算任务卸载决策。

为了解决上述技术问题，本发明实施例提供了一种基于边缘计算和云计算 协同进行计算任务卸载的方法，其在依序分层建立一对多映射连接结构关系的 远端云、边缘节点和移动终端上实现，所述方法包括以下步骤：

步骤S1、设定变量参数及其对应的初始化值；其中，所述变量参数包括移 动终端总数n，每一移动终端的本机计算能力C_i及其对应的本机执行浮点计算 的能耗功率P_i ^c、通过无线网络传输数据到无线接入点的信号传输功率P_i ^up、通过 无线网络分配的上行无线带宽及下行无线带宽边缘节点分配的计算资 源以及边缘节点的计算能力C_edge和远端云的计算能力C_cloud；i,n均为正 整数，且i＝{1,2,...,n}；

步骤S2、依据移动终端i的当前任务量λ_i对应分配给终端本机、边缘节点 及远端云的任务执行量的迁移分配原则，并根据所述变量参数及其初始化值， 构建出移动终端i、边缘节点和远端云各自与对应分配的任务执行量分别关联的 时延模型和能耗模型，且进一步根据所构建的移动终端i、边缘节点和远端云各 自对应的时延模型和能耗模型，得到移动终端i当前任务量λ_i的全部任务卸载执 行时的时延期望值模型和总能耗模型；

步骤S3、根据所得到的移动终端i当前任务量λ_i的全部任务卸载执行时的 时延期望值模型和总能耗模型，得到总移动终端n中所有任务卸载执行时的时 延期望值模型和总能耗模型；

步骤S4、定义出与移动终端任务量及边缘节点计算能力相关联的最优分配 问题，并以最小总能耗为基础目标及最小时延为关键指标，根据所得到的n个 总移动终端的所有任务卸载执行时的时延期望值模型和总能耗模型，将所述最 优分配问题转换为目标函数及对应约束条件，且进一步将所述目标函数及约束 条件转化为凸优化问题；

步骤S5、引入拉格朗日函数将所述凸优化问题转化为应用拉格朗日乘子法 求满足KKT约束条件下三个参数的最优解，并以总移动终端n中每一个移动 终端的当前任务量为输入，求满足KKT约束条件下三个参数对应为终端本机 的任务执行量、边缘节点的任务执行量及远端云的任务执行量的最优解，分别 得到每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任务 执行量，使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根 据各自对应求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调 整及执行。

其中，所述方法进一步以下步骤：

对每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任 务执行量均进行向下取整后，进一步进行三次赋值运算；其中，第一次赋值运 算为将每一个移动终端对应向下取整后的终端本机的任务执行量加一，向下取 整后的边缘节点及远端云的任务执行量保持不变；第二次赋值运算为将每一个 移动终端对应向下取整后的边缘节点的任务执行量加一，向下取整后的终端本 机及远端云的任务执行量保持不变；第三次赋值运算为将每一个移动终端对应 向下取整后的远端云的任务执行量加一，向下取整后的终端本机及边缘节点的 任务执行量保持不变；

将总移动终端n中每一个移动终端第一次赋值运算后的终端本机、边缘节 点及远端云的任务执行量进行汇总后导入所述目标函数进行计算，将总移动终 端n中每一个移动终端第二次赋值运算后的终端本机、边缘节点及远端云的任 务执行量进行汇总后导入所述目标函数进行计算，以及将总移动终端n中每一 个移动终端第三次赋值运算后的终端本机、边缘节点及远端云的任务执行量进 行汇总后导入所述目标函数进行计算；

筛选出所述目标函数经过上面三次计算所得的三个值中最小所对应的某次 赋值运算，并将所筛选的某次赋值运算后所对应每一个移动终端的终端本机、 边缘节点及远端云的任务执行量作为最终求最优解所得的终端本机、边缘节点 及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任务卸 载时，可分别根据各自对应最终求最优解所得的终端本机、边缘节点及远端云 的任务执行量进行调整及执行。

其中，所述方法还进一步包括以下步骤：

将所述目标函数变形为无约束问题的乘子罚函数，并将每一个移动终端中 满足KKT约束条件下求得的终端本机、边缘节点及远端云的任务执行量的最 优解均导入所述乘子罚函数中利用拟牛顿法进行迭代运算求最优解，分别得到 每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云的任务执 行量，以及得到每一个移动终端迭代求最优解后的边缘节点的计算能力；

将每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云的 任务执行量均进行取整运算，作为每一个移动终端最终所得的终端本机、边缘 节点及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任 务卸载时，可分别根据各自对应最终所得的终端本机、边缘节点及远端云的任 务执行量进行调整及执行，且每一边缘节点能同时依据每一个移动终端迭代求 最优解后所得到的对应边缘节点的计算能力进行计算资源再分配。

其中，所述步骤S2具体包括：

设置移动终端i的当前任务量λ_i对应分配给终端本机、边缘节点及远端云的 任务执行量的迁移分配原则为其中，x_i为移动终端i终端本 机的任务执行量；为边缘节点的任务执行量；为远端云的任务执行量；

构建移动终端i的时延模型为以及能耗模型为其中，为移动终端i执行任务卸载的时延；v_i为移动终端i单任务执行所需 CPU周期数；为移动终端i的任务计算能耗；

构建边缘节点的时延模型为以及能耗模型为其中，且r_i为移动终 端i的上传传输速率；为任务数据从移动终端i传输到对应边缘节点的传 输时延；为边缘节点执行当前任务执行量的任务卸载的时间；为 边缘节点执行任务卸载的时延；为边缘节点执行任务卸载的能耗；k_i为边 缘节点单任务执行所需CPU周期数；

构建远端云的时延模型为以及能耗模型为其中，且 为远端云的任务数据传播时延；为移动终端i传输数据至无线接入点时间；为无线接入点至远端云 传输时间；R_i为边缘节点至远端云的互联网传输速率；l_i为远端云单任务执行所 需CPU周期数；Δt为边缘节点到远端云的传播时延；

根据移动终端i、边缘节点和远端云各自对应的时延模型和能耗模型，得到 移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值模型为以及总能耗模型为其中， T_i为移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值；E_i为移动终 端i当前任务量λ_i的全部任务卸载执行时的总能耗。

其中，所述步骤S3具体包括：

得到总移动终端n中所有任务卸载执行时的时延期望值模型为其中，

得到总移动终端n中所有任务卸载执行时的总能耗模型为

其中，所述步骤S4具体包括：

需要一个高效计算卸载机制用于实现系统能耗和时延最小化的目标，故针 对卸载决策和资源分配，将最优分配问题的解定义为S＝＜X,C＞；

其中，

将所述最优分配问题转换为目标函数及其以下约束条件：其中，V是一个权重常量，具体取值与时延和能耗相关联，依据设备的当前状态 确定；

根据凸函数判别的二阶条件进行证明，所述目标函数的海赛矩阵在取值空 间上处处半正定，且所述目标函数的所有约束均为线性函数，故将所述目标函 数转换为凸优化问题。

其中，所述步骤S5具体包括：

引入拉格朗日函数为其中，不等式 约束为g₁(X)＝-x₁，等式约束为

通过拉格朗日函数将所述凸优化问题转化为应用拉格朗日乘子法求满足 KKT约束条件下＜X,μ,η＞的最优解，得出满足KKT约束条件下每一个移动终 端对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行量及远端云的任务执行量的最优解，即最优解

使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各 自对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行量及远端云的任务执行量进行调整及执行。

实施本发明实施例，具有如下有益效果：

本发明基于三层边缘云计算架构，以最小化移动终端能耗为基础目标，最 小化任务执行时延为关键指标，采取集中式卸载决策方式，综合考虑计算卸载 与资源分配构建凸优化问题模型，并基于拉格朗日乘子法求解凸优化问题在满 足karush-kuhn-tucker(KKT)条件下的终端本机、边缘节点及远端云的任务执 行量，从而不仅综合考虑移动终端、边缘节点及远端云的计算能力和功耗限制， 还在保证系统低时延，移动终端达到实时性要求前提下，有效的降低了移动终 端的能耗，实现最优的计算任务卸载决策。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的基于边缘计算和云计算协同进行计算任务卸载 的网络拓扑结构图

图2为本发明实施例提供的基于边缘计算和云计算协同进行计算任务卸载 的方法的流程图；

图3为本发明实施例提供的基于边缘计算和云计算协同进行计算任务卸载 的方法中四种实验场景下边缘节点资源分配情况对比图；

图4为本发明实施例提供的基于边缘计算和云计算协同进行计算任务卸载 的方法中计算需求与通信需求间的比例z的变化对任务卸载决策的曲线图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 作进一步地详细描述。

在由依序分层建立一对多映射连接结构关系的远端云、边缘节点和移动终 端形成的三层边缘云计算架构(如图1所示)上，远端云与边缘节点、边缘节 点与移动终端分别存在一对多的映射关系，移动终端通过无线网络接入到无线 接入点，无线接入点可以通过互联网将任务卸载至远端云并接收远端云响应的 计算结果，返回给移动终端。一般在来说，边缘节点与无线接入节点部署于同 一位置，其间传输距离可忽略不计，即无线接入节点为边缘节点。

此时，发明人发现，在上述三层边缘云计算架构上，计算任务卸载可以分 为四个主要阶段：请求，决策，计算，响应。(1)请求阶段：移动终端在接收 到计算请求后，将任务量，任务类别信息等小量数据发送到无线接入点，无线 接入点收到信息根据算法制定任务卸载决策。卸载请求的数据量一般来说非常 的小，假设计算请求队列无需缓存，请求到达后不存在排队等待的时间，并忽 略了卸载请求和决策制定的时延；(2)决策阶段：综合考虑四个阶段的时延与 移动终端能耗。其中考虑任务卸载时延由两部分组成：传输时延和计算时延。 传输时延包括移动终端通过无线网络与无线边缘节点进行数据传输的时延与无 线接入节点同远端云进行数据交互的时延(因为边缘计算节点通常部署于无线 接入节点处，故不对两者之间数据传输时间进行考虑)。无线接入点通过有限的 无线资源进行通信，考虑为有卸载任务的移动终端平均分配无线带宽资源，采 用OFDM方式避免信道之间的相互影响。任务卸载计算时延考虑边缘节点与远 端云对任务的执行时延。移动终端在能耗方面，主要包括计算能耗和无线数据 传输能耗两部分，无线数据传输能耗的主要因素包括信号强度、数据传输速率 等网络特性。考虑响应阶段数据为小量数据，数据回传部分对整体时延影响较 小，故为简化计算，可忽略该部分时延；(3)计算阶段：移动终端接收来自无 线接入点的决策信息后，将对应任务数据及相关输入参数发送到对应卸载目的 地(边缘节点和远端云)，卸载目的地接收到指令信息及计算参数，完成计算。 其中，在边缘节点进行计算时，因为边缘节点有限的计算能力，将针对来自不 同移动终端的不同任务分配不同的计算资源，资源分配在进行卸载决策时同步 考虑，并在决策信息回传时完成分配，等待任务执行；对于云计算，由于远端 云存在大量的计算资源，并且边缘节点与远端云间有线网络有充足带宽，故此 类资源的分配不进行考虑；(4)响应阶段整合计算结果，完成任务执行，进行 下一轮任务计算。

基于上述内容考虑，确定出三层边缘云计算架构的任务卸载的最终优化目 标主要包括两部分：系统时延与移动终端能耗。其中，系统时延由计算时延与 通信时延两部分组成；移动终端能耗主要考虑计算能耗和传输能耗，计算能耗 主要指在终端本机执行任务所需考虑的计算能耗，传输能耗则为卸载任务时传 输数据所产生的通信方面的能耗。

因此，如图2所示，为本发明实施例中，发明人提出了一种基于边缘计算 和云计算协同进行计算任务卸载的方法，该方法示出了对系统时延与移动终端 能耗优化的流程，具体包括以下步骤：

步骤S1、设定变量参数及其对应的初始化值；其中，所述变量参数包括移 动终端总数n，每一移动终端的本机计算能力C_i及其对应的本机执行浮点计算 的能耗功率P_i ^c、通过无线网络传输数据到无线接入点的信号传输功率P_i ^up、通过 无线网络分配的上行无线带宽及下行无线带宽边缘节点分配的计算资 源以及边缘节点的计算能力C_edge和远端云的计算能力C_cloud；i,n均为正 整数，且i＝{1,2,...,n}；

具体过程为，设置模型变量参数，并对所设置的变量参数进行初始化。

步骤S2、依据移动终端i的当前任务量λ_i对应分配给终端本机、边缘节点 及远端云的任务执行量的迁移分配原则，并根据所述变量参数及其初始化值， 构建出移动终端i、边缘节点和远端云各自与对应分配的任务执行量分别关联的 时延模型和能耗模型，且进一步根据所构建的移动终端i、边缘节点和远端云各 自对应的时延模型和能耗模型，得到移动终端i当前任务量λ_i的全部任务卸载执 行时的时延期望值模型和总能耗模型；

具体过程为，考虑到每个无线接入点(边缘节点)管理多个移动终端，且 每一个移动终端均拥有计算密集、时延要求严格的任务需要执行。此时，将移 动终端的计算任务定义为元组并假设单移动 终端一次请求仅有一种类型任务，表示任务输入数据大小，v_i表示单任务执行 所需CPU周期数，表示相应数据大小。

将假设移动终端i当前有一批任务量为λ_i的任务需要被执行，则设置移动终 端i的当前任务量λ_i对应分配给终端本机、边缘节点及远端云的任务执行量的迁 移分配原则为其中，x_i为移动终端i终端本机的任务执行量； 为边缘节点的任务执行量；为远端云的任务执行量；

移动终端i若能够实现任务卸载功能，则在能耗方面，包括两个部分：计算 能耗与传输能耗。其中，计算能耗主要用于执行浮点计算，传输能耗主要用于 通过无线网络发送和接收数据。

第一步、基于用户模型定义，构建移动终端i的时延模型为以 及能耗模型为其中，为移动终端i执行任务卸载的时延；v_i为移动终端i单任务执行所需CPU周期数；为移动终端i的任务计算能耗；

第二步、移动终端i通过无线传输实现与边缘节点的信息交互，边缘节点通 过互联网实现与远端云的信息交互。边缘节点在接收到输入数据后开始任务执 行。假设为用户分配的信道带宽为B，为移动终端i与边缘节点间的信道增益， 则假设终端i上传传输速率为r_i，则可达到的传输速率为：则 构建出边缘节点的时延模型为以及能耗模型为 其中，且r_i为移动终 端i的上传传输速率；为任务数据从移动终端i传输到对应边缘节点的传 输时延；为边缘节点执行当前任务执行量的任务卸载的时间；为 边缘节点执行任务卸载的时延；为边缘节点执行任务卸载的能耗；k_i为边 缘节点单任务执行所需CPU周期数；

第三步、构建远端云的时延模型为以及能耗模型为其中，且 为远端云的任务数据传播时延；为移动终端i传输数据至无线接入点时间；为无线接入点至远端云 传输时间；R_i为边缘节点至远端云的互联网传输速率；l_i为远端云单任务执行所 需CPU周期数；Δt为边缘节点到远端云的传播时延；

根据第一步至第三步中，构建的移动终端i、边缘节点和远端云各自对应的 时延模型和能耗模型，得到移动终端i当前任务量λ_i的全部任务卸载执行时的时 延期望值模型为以及总能耗模型为 其中，T_i为移动终端i当前任务量λ_i的全部任务卸载执 行时的时延期望值；E_i为移动终端i当前任务量λ_i的全部任务卸载执行时的总能 耗。

步骤S3、根据所得到的移动终端i当前任务量λ_i的全部任务卸载执行时的 时延期望值模型和总能耗模型，得到总移动终端n中所有任务卸载执行时的时 延期望值模型和总能耗模型；

具体过程为，针对边缘节点管理范围内的移动终端，得到总移动终端n中 所有任务卸载执行时的时延期望值模型为其中，以及得 到总移动终端n中所有任务卸载执行时的总能耗模型为

步骤S4、定义出与移动终端任务量及边缘节点计算能力相关联的最优分配 问题，并以最小总能耗为基础目标及最小时延为关键指标，根据所得到的n个 总移动终端的所有任务卸载执行时的时延期望值模型和总能耗模型，将所述最 优分配问题转换为目标函数及对应约束条件，且进一步将所述目标函数及约束 条件转化为凸优化问题；

互通过程为，需要一个高效计算卸载机制用于实现系统能耗和时延最小化 的目标，故针对卸载决策和资源分配，将最优分配问题的解定义为S＝＜X,C＞； 其中，

将最优分配问题转换为目标函数及其以下约束 条件：其中，V是一个权重常量，具体 取值与时延和能耗相关联，依据设备的当前状态确定；例如，当主要关注于设 备的能耗时，V可以取值为较小值，此时着重考虑能耗的最小化问题；当任务 的时延敏感度非常高时，可将V的值设定为较大值以降低时延；

根据凸函数判别的二阶条件进行证明，目标函数的海赛矩阵在取值空间上 处处半正定，且目标函数的所有约束均为线性函数，故将目标函数转换为凸优 化问题。

步骤S5、引入拉格朗日函数将所述凸优化问题转化为应用拉格朗日乘子法 求满足KKT约束条件下三个参数的最优解，并以总移动终端n中每一个移动 终端的当前任务量为输入，求满足KKT约束条件下三个参数对应为终端本机 的任务执行量、边缘节点的任务执行量及远端云的任务执行量的最优解，分别 得到每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任务 执行量，使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根 据各自对应求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调 整及执行。

具体过程为，此时，上述凸优化问题存在x₁，三个变量，为求最 优解，引入拉格朗日函数为其中，不等 式约束为g₁(X)＝-x₁，等式约束为

通过上述拉格朗日函数将凸优化问题转化为应用拉格朗日乘子法求满足 KKT约束条件下＜X,μ,η＞的最优解，即

η_j·g_j(X)＝0

η_j≥0

h₁(X)＝0

由此可求得最优解从而得出满足KKT约束条件下每一个 移动终端对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行 量及远端云的任务执行量的最优解；

使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各 自对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行量及远端云的任务执行量进行调整及执行。在不考虑边缘节点资源分配的情 况下，提出请求的移动终端平均分配边缘节点的计算资源为

在本发明实施例中，上述引入拉格朗日函数求得的最优解不一定为整数解， 而任务卸载时终端本机、边缘节点及远端云的任务执行量要求为整数，在求解 后，对求得的最优解向下取整，再将 三组可行解带入目标函数，比较目标值大小，获得目标最优解。

因此，所述方法进一步以下步骤：

对每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任 务执行量均进行向下取整后，进一步进行三次赋值运算；其中，第一次赋值运 算为将每一个移动终端对应向下取整后的终端本机的任务执行量加一，向下取 整后的边缘节点及远端云的任务执行量保持不变；第二次赋值运算为将每一个 移动终端对应向下取整后的边缘节点的任务执行量加一，向下取整后的终端本 机及远端云的任务执行量保持不变；第三次赋值运算为将每一个移动终端对应 向下取整后的远端云的任务执行量加一，向下取整后的终端本机及边缘节点的 任务执行量保持不变；

将总移动终端n中每一个移动终端第一次赋值运算后的终端本机、边缘节 点及远端云的任务执行量进行汇总后导入所述目标函数进行计算，将总移动终 端n中每一个移动终端第二次赋值运算后的终端本机、边缘节点及远端云的任 务执行量进行汇总后导入所述目标函数进行计算，以及将总移动终端n中每一 个移动终端第三次赋值运算后的终端本机、边缘节点及远端云的任务执行量进 行汇总后导入所述目标函数进行计算；

筛选出所述目标函数经过上面三次计算所得的三个值中最小所对应的某次 赋值运算，并将所筛选的某次赋值运算后所对应每一个移动终端的终端本机、 边缘节点及远端云的任务执行量作为最终求最优解所得的终端本机、边缘节点 及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任务卸 载时，可分别根据各自对应最终求最优解所得的终端本机、边缘节点及远端云 的任务执行量进行调整及执行。

在一个实施例中，只实现多用户任务卸载，具体如下：

在本发明实施例中，联合考虑终端计算卸载及边缘节点资源分配，其约束 条件为

因此，所述方法还进一步包括以下步骤：

设定初始解为平均资源分配时可行解S₀＝＜X₀,C₀＞，即

由每一个移动终端中满足 KKT约束条件下求得的终端本机、边缘节点及远端云的任务执行量的最优解汇 总形成的集合，

定义乘子罚函数为：

使得目标函数变形为无约束问题的乘子罚函数；

将每一个移动终端中满足KKT约束条件下求得的终端本机、边缘节点及 远端云的任务执行量的最优解均导入所述乘子罚函数中利用拟牛顿法进行迭代 运算求最优解，即定义为拟牛顿法求得的最优解通过迭代计算， 分别得到每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云 的任务执行量，以及得到每一个移动终端迭代求最优解后的边缘节点的计算能 力；

将每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云的 任务执行量均进行取整运算，作为每一个移动终端最终所得的终端本机、边缘 节点及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任 务卸载时，可分别根据各自对应最终所得的终端本机、边缘节点及远端云的任 务执行量进行调整及执行，且每一边缘节点能同时依据每一个移动终端迭代求 最优解后所得到的对应边缘节点的计算能力进行计算资源再分配。

在一个实施例中，实现多用户任务卸载及资源再分配，具体如下：

如图3和图4所示，对本发明实施例中的基于边缘计算和云计算协同进行 计算任务卸载的方法的应用场景做进一步说明：

利用MATLAB进行实验仿真，模拟三层边缘云计算系统，该系统包含一个 云服务器，一个基于WiFi无线接入的边缘节点以及多个移动终端。设定的混合 云计算环境中有n＝10个移动终端，随机分布于50m*50m的范围内，边缘节点 位于区域中心,移动终端与边缘节点间信道增益部分参数设定如表1所 示。

表1：

(1)算法性能分析

本实验观察比较本发明提出算法的计算性能。考虑局部执行策略，平均卸 载策略，混合云卸载策略、混合云卸载及资源分配策略四种策略。局部执行策 略考虑任务全部在终端执行，不进行任务卸载；平均卸载策略对单用户考虑， 将任务按任务量平均分配为三份，分别调度至移动终端、边缘节点及远端云节 点执行；混合云卸载策略为只实现多用户任务卸载中提出的对应策略；混合云 及资源分配策略为实现多用户任务卸载及资源再分配提出的最优化策略，综合 考虑卸载决策和边缘节点资源分配。对比以上四种策略，可以观察计算卸载及 边缘节点计算资源分配对系统性能的影响。实验中，设定用户任务量及任务复 杂度与用户量正相关，即增加的用户任务量及任务复杂度均高于原系统用户。

为观察算法在终端能耗方面的性能，设定目标函数权值V＝0.05。随着系统 中移动终端数量增加，终端总能耗呈增加趋势。

为观察算法在系统时延方面的性能，考虑设定权值V＝5。随着移动终端数 量的不断增加，任务量的不断增多，任务计算难度的不断提高，平均卸载策略 在系统时延上呈现快速增长的趋势，混合云卸载策略与混合云卸载及资源分配 策略则增长较为缓慢。随着任务量的增加，边缘节点的任务执行时间与任务传 输时间超过局部执行时间时，平均卸载策略性能远低于局部执行。在实现计算 卸载的情况下，对边缘节点的资源进行合理的分配能够有效的减少系统的任务 执行时间。是因为在资源平均分配的情况下，用户任务量及任务复杂度的不 同，会导致部分任务量大，任务复杂度高的用户任务执行时间长，而另一部任务量小，任务复杂度低的用户任务执行时间短，资源空闲，造成资源浪费，所 以合理的资源分配，能够充分利用边缘节点计算资源，提高系统性能。

(2)资源分配影响因素研究

为研究混合云卸载及资源分配策略在资源分配上的相关影响因素，本实验 考虑5个移动终端的实验环境，包括4种实验场景。场景一用户任务复杂随用 户编号度线性增长，任务量线性增长；场景二任务复杂度随用户编号线性增 长，任务量相同；场景三任务复杂度相同，任务量随用户编号线性增长；场景 四任务复杂度、任务量均相同。

在其他参数相同的情况下，用户边缘节点资源分配受用户任务量及任务复 杂程度影响，即任务当前所需要的计算负载决定用户在边缘节点分配到的资 源。这是因为本发明中边缘节点的资源分配主要影响系统时延，用户任务计算 负载越大，要使系统总时延期望小，则分配的计算资源就应该越大，才能使各 用户的时延分布较为平均，从而达到系统时延的最优化。

(3)系统时延和能耗均衡

对于边缘节点的决策管理器来说，通过改变权值V的大小，评估系统时延 和能耗对系统性能的影响。

不同权值V下的系统终端总能耗变化情况。在混合云卸载及资源分配策略 中，系统终端总能耗随权值增长。当V增加时，减少系统时延成为优化的主要 目标。随着用户数量及任务量的增加，边缘节点及云节点计算任务加重，计算 时间增加，终端的执行时间相对变短，故终端在任务分配上的比例会对应的有 部分增长，因为终端的计算能耗大于传输能耗，故当终端本地计算任务量相对 增加时，其能耗增加。通过比较V＝0.05时系统性能，可以得出，在减少终端能 耗方面，混合云卸载及资源分配策略优于局部执行、平均卸载策略，与混合云 卸载策略相同。

随着权值V的增加，在系统用户量相同的情况下，系统时延期望减小。当 权值V增加时，减少系统时延成为主要的优化目标，混合云卸载及资源分配策 略适应于减小时延的目标更优化地选择人物在局部设备进行计算或者卸载至边 缘及云端。当V＝5时，混合云卸载及资源分配策略在减小系统时延方面优于其 他三种策略。

(4)计算需求与通信需求间比例对卸载决策的影响

计算需求同本实验通过改变计算需求与通信需求间的比例z，观察其对卸载 决策的影响。计算时延和通信时延是组成系统时延的两大主要在组成部分，而 影响这两部分的主要因素是用户在任务计算上的需求和数据无线传输上的需 求，对应于所拥有的计算资源和无线传输资源，为是卸载决策的重要影响因素。 本节将根据计算需求同通信需求比例研究其对本发明提出的混合云卸载及资源 分配策略的卸载决策的影响。

实验仿真中，设定通信需求保持不变，计算需求随比例发生改变，选择系 统总体卸载任务量为评估指标，结果如图4所示。计算需求同通信需求比小于4 时，终端选择不对任务进行迁移，随着比例的逐渐增大，迁移量逐渐增多，当 到达比例到达14时，任务基本全部卸载至边缘端和云端。这是因为当比值小于 4时，计算需求较小，终端可高效完成任务的执行，若发生计算卸载，通信时延 大于终端自身执行该计算任务的时延，故选择在本地执行。当比值逐渐增大， 计算需求增大，终端自身执行任务的时间超过任务传输至边缘端或云端执行的 时间，故选择将任务卸载至远端执行。卸载至云端的任务量随计算需求与通信需求间比例的增大而增大。

实施本发明实施例，具有如下有益效果：

本发明基于三层边缘云计算架构，以最小化移动终端能耗为基础目标，最 小化任务执行时延为关键指标，采取集中式卸载决策方式，综合考虑计算卸载 与资源分配构建凸优化问题模型，并基于拉格朗日乘子法求解凸优化问题在满 足karush-kuhn-tucker(KKT)条件下的终端本机、边缘节点及远端云的任务执 行量，从而不仅综合考虑移动终端、边缘节点及远端云的计算能力和功耗限制， 还在保证系统低时延，移动终端达到实时性要求前提下，有效的降低了移动终 端的能耗，实现最优的计算任务卸载决策。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之 权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，其在依序分层建立一对多映射连接结构关系的远端云、边缘节点和移动终端上实现，所述方法包括以下步骤：

步骤S1、设定变量参数及其对应的初始化值；其中，所述变量参数包括移动终端总数n，每一移动终端的本机计算能力C_i及其对应的本机执行浮点计算的能耗功率P_i ^c、通过无线网络传输数据到无线接入点的信号传输功率P_i ^up、通过无线网络分配的上行无线带宽及下行无线带宽边缘节点分配的计算资源以及边缘节点的计算能力C_edge和远端云的计算能力C_cloud；i,n均为正整数，且i＝{1,2,...,n}；

步骤S2、依据移动终端i的当前任务量λ_i对应分配给终端本机、边缘节点及远端云的任务执行量的迁移分配原则，并根据所述变量参数及其初始化值，构建出移动终端i、边缘节点和远端云各自与对应分配的任务执行量分别关联的时延模型和能耗模型，且进一步根据所构建的移动终端i、边缘节点和远端云各自对应的时延模型和能耗模型，得到移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值模型和总能耗模型；

步骤S3、根据所得到的移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值模型和总能耗模型，得到总移动终端n中所有任务卸载执行时的时延期望值模型和总能耗模型；

步骤S4、定义出与移动终端任务量及边缘节点计算能力相关联的最优分配问题，并以最小总能耗为基础目标及最小时延为关键指标，根据所得到的n个总移动终端的所有任务卸载执行时的时延期望值模型和总能耗模型，将所述最优分配问题转换为目标函数及对应约束条件，且进一步将所述目标函数及约束条件转化为凸优化问题；

步骤S5、引入拉格朗日函数将所述凸优化问题转化为应用拉格朗日乘子法求满足KKT约束条件下三个参数的最优解，并以总移动终端n中每一个移动终端的当前任务量为输入，求满足KKT约束条件下三个参数对应为终端本机的任务执行量、边缘节点的任务执行量及远端云的任务执行量的最优解，分别得到每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各自对应求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调整及执行。

2.如权利要求1所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述方法进一步以下步骤：

对每一个移动终端对应求最优解所得的终端本机、边缘节点及远端云的任务执行量均进行向下取整后，进一步进行三次赋值运算；其中，第一次赋值运算为将每一个移动终端对应向下取整后的终端本机的任务执行量加一，向下取整后的边缘节点及远端云的任务执行量保持不变；第二次赋值运算为将每一个移动终端对应向下取整后的边缘节点的任务执行量加一，向下取整后的终端本机及远端云的任务执行量保持不变；第三次赋值运算为将每一个移动终端对应向下取整后的远端云的任务执行量加一，向下取整后的终端本机及边缘节点的任务执行量保持不变；

将总移动终端n中每一个移动终端第一次赋值运算后的终端本机、边缘节点及远端云的任务执行量进行汇总后导入所述目标函数进行计算，将总移动终端n中每一个移动终端第二次赋值运算后的终端本机、边缘节点及远端云的任务执行量进行汇总后导入所述目标函数进行计算，以及将总移动终端n中每一个移动终端第三次赋值运算后的终端本机、边缘节点及远端云的任务执行量进行汇总后导入所述目标函数进行计算；

筛选出所述目标函数经过上面三次计算所得的三个值中最小所对应的某次赋值运算，并将所筛选的某次赋值运算后所对应每一个移动终端的终端本机、边缘节点及远端云的任务执行量作为最终求最优解所得的终端本机、边缘节点及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各自对应最终求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调整及执行。

3.如权利要求1所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述方法还进一步包括以下步骤：

将所述目标函数变形为无约束问题的乘子罚函数，并将每一个移动终端中满足KKT约束条件下求得的终端本机、边缘节点及远端云的任务执行量的最优解均导入所述乘子罚函数中利用拟牛顿法进行迭代运算求最优解，分别得到每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云的任务执行量，以及得到每一个移动终端迭代求最优解后的边缘节点的计算能力；

将每一个移动终端迭代求最优解后所得的终端本机、边缘节点及远端云的任务执行量均进行取整运算，作为每一个移动终端最终所得的终端本机、边缘节点及远端云的任务执行量，使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各自对应最终所得的终端本机、边缘节点及远端云的任务执行量进行调整及执行，且每一边缘节点能同时依据每一个移动终端迭代求最优解后所得到的对应边缘节点的计算能力进行计算资源再分配。

4.如权利要求1所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述步骤S2具体包括：

设置移动终端i的当前任务量λ_i对应分配给终端本机、边缘节点及远端云的任务执行量的迁移分配原则为其中，x_i为移动终端i终端本机的任务执行量；为边缘节点的任务执行量；为远端云的任务执行量；

构建移动终端i的时延模型为以及能耗模型为其中，为移动终端i执行任务卸载的时延；v_i为移动终端i单任务执行所需CPU周期数；为移动终端i的任务计算能耗；

构建边缘节点的时延模型为以及能耗模型为其中，且ri为移动终端i的上传传输速率；为任务数据从移动终端i传输到对应边缘节点的传输时延；为边缘节点执行当前任务执行量的任务卸载的时间；为边缘节点执行任务卸载的时延；为边缘节点执行任务卸载的能耗；k_i为边缘节点单任务执行所需CPU周期数；

构建远端云的时延模型为以及能耗模型为其中，且 为远端云的任务数据传播时延；为移动终端i传输数据至无线接入点时间；为无线接入点至远端云传输时间；R_i为边缘节点至远端云的互联网传输速率；l_i为远端云单任务执行所需CPU周期数；Δt为边缘节点到远端云的传播时延；

根据移动终端i、边缘节点和远端云各自对应的时延模型和能耗模型，得到移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值模型为以及总能耗模型为其中，T_i为移动终端i当前任务量λ_i的全部任务卸载执行时的时延期望值；E_i为移动终端i当前任务量λ_i的全部任务卸载执行时的总能耗。

5.如权利要求4所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述步骤S3具体包括：

得到总移动终端n中所有任务卸载执行时的时延期望值模型为其中，

得到总移动终端n中所有任务卸载执行时的总能耗模型为

6.如权利要求5所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述步骤S4具体包括：

需要一个高效计算卸载机制用于实现系统能耗和时延最小化的目标，故针对卸载决策和资源分配，将最优分配问题的解定义为S＝＜X,C＞；其中，

将所述最优分配问题转换为目标函数及其以下约束条件：其中，V是一个权重常量，具体取值与时延和能耗相关联，依据设备的当前状态确定；

根据凸函数判别的二阶条件进行证明，所述目标函数的海赛矩阵在取值空间上处处半正定，且所述目标函数的所有约束均为线性函数，故将所述目标函数转换为凸优化问题。

7.如权利要求6所述的基于边缘计算和云计算协同进行计算任务卸载的方法，其特征在于，所述步骤S5具体包括：

引入拉格朗日函数为其中，不等式约束为g₁(X)＝-x₁，等式约束为

通过拉格朗日函数将所述凸优化问题转化为应用拉格朗日乘子法求满足KKT约束条件下＜X,μ,η＞的最优解，得出满足KKT约束条件下每一个移动终端对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行量及远端云的任务执行量的最优解，即最优解

使得每一个移动终端依据各自当前任务量执行任务卸载时，可分别根据各自对应求最优解所得的终端本机的任务执行量x_i、边缘节点的任务执行量及远端云的任务执行量进行调整及执行。