CN109922152B - 一种移动边缘计算中的计算卸载方法及系统 - Google Patents

Abstract

本发明涉及大数据计算技术领域，公开了一种移动边缘计算中的计算卸载方法及系统，以实现移动设备与提供计算服务的云服务器在物理意义上的真正接近，降低应用的访问延迟；本发明的方法包括：计算任务在本地运行时的第一所需时间和第一所需能量，计算任务进行卸载运行的第二所需时间和第二所需能量，根据第一所需时间、第一所需能量、第二所需时间、以及第二所需能量设定卸载条件，并根据卸载条件确定是否需要进行卸载计算，若需要，则设定服务器评价指标，根据服务器评价指标构建计算模型，根据计算模型确定卸载目标服务器。

Description

一种移动边缘计算中的计算卸载方法及系统

技术领域

本发明涉及大数据计算技术领域，尤其涉及一种移动边缘计算中的计算卸载方法及系统。

背景技术

随着增强现实和虚拟现实在超清视频等移动互联网业务领域的飞速发展，群智感知、智能监控等IoT应用不断涌现，对于移动设备的服务水平的要求越来越高，这些应用需要丰富的计算资源，同时伴随着高额的能耗。而移动智能设备由于体积限制导致计算能力和电池续航能力有限，承担这些应用已经无法达到用户的满意水平。解决这个问题的一个主要途径是将计算密集的任务卸载到附近资源更加丰富的服务器上，这种方法称为计算卸载。

计算卸载最早应用于移动云计算，将移动终端的计算任务卸载到传统的云数据中心上执行，以集中式计算和存储为主要特征的传统云计算模式进行计算卸载的主要障碍是：通过广域网到达(远程)云服务器所经历的延迟可能已经抵消了计算卸载所节省的时间。在许多实时移动应用，例如，在线游戏、语音识别、以及Facetime中，用户体验质量会受到严重影响。针对这一缺陷，学者提出了让云服务器离用户更近一些的思想，于是引入了cloudlet(微云计算)的概念，通过WiFi接入固定服务器，进行计算卸载。但是，cloudlet服务器的位置固定且数量有限，缺乏可用的固定服务器限制cloudlet的适用性。

因此，如何实现移动设备与提供计算服务的云服务器在物理意义上的真正接近，降低应用的访问延迟成为一个急需解决的问题。

发明内容

本发明目的在于提供一种移动边缘计算中的计算卸载方法及系统，以基于移动边缘计算Mobile Edge Computing，MEC)进行卸载，将服务器与小型小区基站的部署相结合，实现移动设备与提供计算服务的云服务器在物理意义上的真正接近，降低应用的访问延迟。

为实现上述目的，本发明提供了一种移动边缘计算中的计算卸载方法，包括以下步骤：

S1：计算任务在本地运行时的第一所需时间和第一所需能量，计算任务进行卸载运行的第二所需时间和第二所需能量，根据所述第一所需时间、所述第一所需能量、所述第二所需时间、以及所述第二所需能量设定卸载条件，并根据所述卸载条件确定是否需要进行卸载计算，若需要，则进入S2；

S2：设定服务器评价指标，根据所述服务器评价指标构建计算模型，根据所述计算模型确定卸载目标服务器。

优选地，确定卸载目标服务器之后还包括步骤：

S3：将目标服务器视为买卖双方中的卖家，并用于拍卖该目标服务器中的所有虚拟机的计算资源，将需要卸载执行的任务视为买家，并用于计算任务所需的计算时间，还用于计算与认为对应的出价；

S4：采集所有需要卸载执行的任务构建买家集合，根据目标服务器中的所有虚拟机构建卖家集合，并定义用于存储符合买卖条件的买家信息对应的任务的存储集合；

S5：根据所述买家集合、所述卖家集合、以及所述存储集合构建买卖模型，根据所述买卖模型确定目标服务器中用于执行任务的目标虚拟机。

优选地，所述S5具体包括以下步骤：

S51：将所述买家集合中的元素按照所需的计算时间进行升序排列，将所述卖家集合中的元素按照计算资源进行升序排列；其中，所述买家集合中的每个元素包括两个属性，分别为计算时间和出价，所述卖家集合中的元素与虚拟机一一对应；

S52：选取卖家集合中的某个元素vm，将该元素vm依次与买家集合中的元素按照买卖条件进行比对，将满足买卖条件的买家信息对应的任务按照设定的存储方式存储至所述存储集合中，直至遍历至不符合买卖条件的买家信息；

S53：将存储集合中首个任务分配给卖家集合中元素vm对应的虚拟机，并视为买卖成功一次；

S54：重复上述S52-S53，直至遍历完卖家集合中的所有元素。

优选地，所述S52中，所述设定的存储方式为：

采用折半插入法，按照出价进行降序排列。

优选地，所述S2具体包括以下步骤：

S21：将目标服务器作为目标层，将服务器评价指标作为准则层，将服务器作为方案层，根据所述目标层、所述准则层、以及所述方案层构建层次结构模型；

S22：根据所述层次结构模型按照设定的矩阵建立规则建立成对矩阵，根据所述成对矩阵计算服务器评价指标的计算公式；

S23：整合服务器评价指标的计算公式构建用于确定卸载目标服务器的计算模型。

优选地，所述服务器评价指标的因素包括：服务器进行任务卸载执行节省的时间、服务器进行任务卸载执行节省的能耗、以及服务器剩余可用的CPU资源。

优选地，所述S22具体包括以下步骤：

S221：设定矩阵建立规则为：根据层次结构模型的实际数值确定矩阵第一行，矩阵中的其他数据由公式计算补全，计算公式为：

a_ij＝a_ik/a_jk；

式中，a_ij表示第i行第j列的元素，a_ik表示第i行第k列的元素，a_jk表示第j行第k列的元素；

S222：建立目标层与准则层之间的第一成对矩阵A为：

计算准则层对目标层的相对重要程度w_a，计算公式为：

式中，n为准则层中元素个数；

建立准则层与方案层之间的第二成对矩阵B₁为：

S223：根据所述第一成对矩阵与所述第二成对矩阵计算在服务器进行任务卸载执行节省的时间的因素下的矩阵的特征向量

为：

式中，b_1n为第一行第n列的元素；

在服务器进行任务卸载执行节省的能耗的因素下的矩阵的特征向量

为：

式中，b_2n表示第二行第n列的元素；

在服务器剩余可用的CPU资源的因素下的特征向量

为：

式中，b_3n表示第三行第n列的元素；

组成特征矩阵w_b为：

S224：构建所述计算模型的计算公式为：

W＝w_a*w_b。

优选地，当某个任务买卖失败后，设定时间片，根据时间片对该任务进行重新定价，并重新进行买卖。

作为一个总的技术构思，本发明还提供一种移动边缘计算中的计算卸载系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明具有以下有益效果：

1、本发明提供的一种移动边缘计算中的计算卸载方法与系统，结合计算任务在本地运行时和卸载运行时的时间消耗和能量消耗共同决定是否进行卸载执行，可以使任务更好地被执行。

2、本发明提供的一种移动边缘计算中的计算卸载方法与系统，充分考虑服务器的评价指标以选择最合适的服务器执行任务卸载，能够减少任务的响应时间，减少移动设备的能耗。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的移动边缘计算中的计算卸载方法流程图；

图2是本发明优选实施例的构建层次结构模型示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而仅仅是为了便于对相应零部件进行区别。同样，“一个”或者“一”等类似词语不表示数量限制，而是表示存在至少一个。

实施例1

参见图1，本实施例提供一种移动边缘计算中的计算卸载方法，包括以下步骤：

S1：计算任务在本地运行时的第一所需时间和第一所需能量，计算任务进行卸载运行的第二所需时间和第二所需能量，根据第一所需时间、第一所需能量、第二所需时间、以及第二所需能量设定卸载条件，并根据卸载条件确定是否需要进行卸载计算，若需要，则进入S2；

S2：设定服务器评价指标，根据服务器评价指标构建计算模型，根据计算模型确定卸载目标服务器。

上述的一种移动边缘计算中的计算卸载方法与系统，结合计算任务在本地运行时和卸载运行时的时间消耗和能量消耗共同决定是否进行卸载执行，基于移动边缘计算Mobile EdgeComputing，MEC)进行卸载，将服务器与小型小区基站的部署相结合，实现移动设备与提供计算服务的云服务器在物理意义上的真正接近，降低应用的访问延迟。使任务更好地被执行。且充分考虑了服务器的评价指标，能快速地选择最合适的服务器执行任务卸载，能够减少任务的响应时间，减少移动设备的能耗。

具体地，对于是否进行计算卸载，主要的判断依据有两个，即是否能够减少任务运行时间和是否能够节省手机能耗。因此，综合考虑任务本地运行和进行卸载运行的时间消耗及能源消耗，可以更优的做出是否进行卸载运行的决策。

首先，建立任务本地运行耗时及能耗模型。

当任务在本地运行时，处理该任务所需要的时间T_L为：

式中，C_n为计算任务n所需计算资源，该计算资源用执行该任务需要的cpu周期数来表示，具体的获取方式可以通过软件程序代码实现，需要说明的是，该获取方式不是本发明所做创新之处，在此，不多做赘述，V_L为本地CPU的执行速率。

任务在本地运行时，处理该任务所消耗的能量E_L为：

E_L＝T_L·P_L

式中，P_L为手机运算功率。

进一步地，计算卸载运行耗时及能耗模型。

当任务在MEC服务器上运行时，处理该任务所消耗的时间T_unload一共由三部分组成，即任务上传到服务器上的传输时间T_up，任务在服务器上运行的时间T_exe，任务结果下传到手机的时间T_down，因此计算卸载耗时T_unload表示为：

T_unload＝T_up+T_exe+T_down

需要说明的是，大多数应用的输出比输入小得多，所以回传时间对总耗时影响不大，可忽略结果回传时间T_down对卸载时间的影响。因此，本实施例中，卸载时间定义为：

T_unload＝T_up+T_exe

任务上传需要的传输时间T_up表示为：

式中，D_n为计算任务需要上传的数据量，N为信道内部的高斯噪声功率，W为信道带宽，P_up为手机上传功率，Los为信道增益，基于蜂窝无线环境的无线干扰模型将Los定义为基于距离的函数Los＝d^-α,α取值为4。

任务在MEC服务器上的运行时间T_exe表示为：

式中，V_cloud为服务器CPU的执行速率。

则可得任务卸载时间为：

任务在MEC服务器上运行时，手机所消耗的能量仅仅是任务上传时的消耗，所以进行计算卸载时，能耗E_up表示为：

当采用计算卸载的任务运行时间低于本地运行时间，能量消耗低于本地能耗时，采用计算卸载更能提高用户体验质量。即满足以下计算公式时可以进行计算卸载，计算公式为：

T_unload<T_L

E_up<E_L

根据以上公式可以计算得到：

当服务器提供的计算能力V_cloud能够大于不等式右边的计算数值，用户所处的网络环境带宽能够满足以上公式，就可以进行计算卸载。

以任务n为例，它基于的手机计算速率V_L，任务需要的计算资源C_n，任务的数据量大小D_n，手机的上传功率P_up都是可以获得的。Los是基于距离的函数，只要获知手机与基站的距离就能计算得到。本实施例中，将N定义为-100dBm。

即，获得MEC服务器提供的计算能力V_cloud和所处环境的网络带宽W，然后与不等式右边的计算结果比较。如果满足以上二者的计算公式就可以进行计算卸载。

需要说明的是，当任务满足计算卸载的条件时，需要考虑：当多个基站都满足计算卸载条件，那么该任务要卸载到哪一个基站的服务器上进行。对于手机端，需要考虑电量和服务时间两个因素；对于服务器端，需要考虑服务器计算能力和服务器剩余cpu资源两个因素。由于各个因素都会对服务器的选择产生影响，因而对服务器的评价要基于这些因素进行综合评价。优选地，本实施例基于改进的多个目标决策的经典模型是层次分析法(Analytic Hierarchy Process，AHP)选定最优的目标服务器。

具体地，将目标服务器作为目标层，将服务器评价指标作为准则层，将服务器作为方案层，根据所述目标层、所述准则层、以及所述方案层构建层次结构模型，如下图2所示。通过该层次结构模型可以将主观判定方式改为参数计算方式，减少主观参与，更加准确的对服务器进行衡量和判定，选择最为合适的服务器进行卸载计算。

进一步地，根据所述层次结构模型按照设定的矩阵建立规则建立成对矩阵，根据所述成对矩阵计算服务器评价指标的计算公式。并整合服务器评价指标的计算公式构建用于确定卸载目标服务器的计算模型。

具体地，首先，设定矩阵建立规则为：根据层次结构模型的实际数值确定矩阵第一行，矩阵中的其他数据由公式计算补全，计算公式为：

a_ij＝a_ik/a_jk；

其中，a_ij表示第i行第j列的元素，a_ik表示第i行第k列的元素，a_jk表示第j行第k列的元素,其中，a_jka_ij＝a_i/a_j是元素a_i和a_j重要度比较的结果。

本实施例中，目标层有n个元素，准则层有3个元素，基于两两成对比较的方式，需要建立n个3*3的矩阵。首先，建立目标层与准则层之间的第一成对矩阵为：

计算n个矩阵对应的最大特征根λ对应的特征向量为：

w_i＝{a_i1,a_i2,a_i3…a_in},i＝1,2..,n

将上述n个特征向量做平均处理，计算准则层对目标层的相对重要程度，计算公式为：

式中，n为准则层中元素个数,w_a表示为准则层中的各个因素相对于目标层的权重，例如选择一个服务器，更重视节省时间，其次是能耗，再然后才是服务器剩余资源，则其权重比例可能为{0.6,0.3,0.1}。

然后，考虑方案层对准则层的各个因素的重要程度，例如，如上所述，时间的权重为0.6，在考虑各个方案对时间的重要程度时，假设有三台服务器满足要求，服务器1最节省时间，服务器2次之，服务器3最不省时，那么将0.6按重要度分给三台服务器有可能为

{0.4,0.15,0.05}。本实施例中共三个因素，在三个因素下，不同服务器两两比较则需要3个n*n的矩阵。

则可建立准则层与方案层之间的第二成对矩阵为：

进一步地，根据第一成对矩阵与第二成对矩阵计算在服务器进行任务卸载执行节省的时间的因素下的矩阵的特征向量为：

式中，b₁₁表示第一行第一列的元素，b₁₂表示第一行第二列的元素，…b_1n表示第一行第n列的元素；

在服务器进行任务卸载执行节省的能耗的因素下的矩阵的特征向量为：

式中，b₂₁表示表示第二行第一列的元素，b₂₂表示表示第二行第二列的元素，b_2n表示第二行第n列的元素；

在服务器剩余可用的CPU资源的因素下的特征向量为：

式中，b₃₁表示第三行第一列的元素，b₃₂表示第三行第二列的元素，b_3n表示第三行第n列的元素；

组成特征矩阵为：

构建计算模型的计算公式为：

W＝w_a*w_b。

在上述过程中，求得了准则层各因素对目标层的权重w_a，方案层的各个方案对准则层的权重w_b，而对服务器的综合评价则是求不同方案相对于目标的权重，即方案层对目标层的权重的计算公式为：

W＝w_a*w_b

w中的值则为不同服务器的权重，优选地，权重最高表明通过综合考虑准则层的各个因素，选择该服务器最有益，因此，选择权重最高的最为目标服务器进行计算卸载。

在上述步骤中，综合考虑时间、能耗和服务器cpu资源等因素，通过改进多目标决策模型AHP综合评价各个服务器，选择最合适的服务器进行任务卸载。

作为本实施例优选的实施方式，确定卸载目标服务器之后还包括步骤：

S3：将目标服务器视为买卖双方中的卖家，并用于拍卖该目标服务器中的所有虚拟机的计算资源，将需要卸载执行的任务视为买家，并用于计算任务所需的计算时间，还用于计算与任务对应的出价；

S4：采集所有需要卸载执行的任务构建买家集合，根据目标服务器中的所有虚拟机构建卖家集合，并定义用于存储符合买卖条件的买家信息对应的任务的存储集合；

S5：根据买家集合、卖家集合、以及存储集合构建买卖模型，根据买卖模型确定目标服务器中用于执行任务的目标虚拟机。

优选地，将买家集合中的元素按照所需的计算时间进行升序排列，将卖家集合中的元素按照计算资源进行升序排列；其中，买家集合中的每个元素包括两个属性，分别为计算时间和出价；

选取卖家集合中的某个元素vm，将该元素vm依次与买家集合中的元素按照买卖条件进行比对，将满足买卖条件的买家信息对应的任务按照设定的存储方式存储至存储集合中，直至遍历至不符合买卖条件的买家信息；将存储集合中首个任务分配给卖家集合中元素vm对应的虚拟机，并视为买卖成功一次。重复上述买卖步骤，直至遍历完卖家集合中的所有元素。

即，本实施例中，卖方是指MEC服务器，销售的商品是计算资源的出租时间(拍卖该卖方中的所有虚拟机的计算资源)。本实施例中，计算资源细化为MEC服务器中的空闲VM，即卖方拍卖空闲VM的出租时间。买方指的是需要卸载运行的各个任务，买方的需求是在VM上运行该任务需要的时间即T_exe，买方出价标准法人计算公式为：

式中，T_unload为任务卸载耗时，T_L为手机端运行该任务的耗时，两者相减为卸载执行任务的节约时间。同时也可以将T_L看作是完成该任务的截止时间，这样差值也代表完成任务的紧急程度。既然选择任务卸载，那就要尽可能地使任务卸载的时间T_L-T_unload>0，即任务越接近截止时间，代表任务越紧急，所以取差值的倒数，剩余时间越少，它的倒数越大，意味该任务愿意出更高的价格。

本实施例中的拍卖模型中假定虚拟机的计算能力都是相同的，即用户租用虚拟机需要考虑的因素只有完成任务的时间。

定义一个时间片的时间为s,用户租用VM的时间和服务器出租VM的时间都是s的整数倍。每轮时间片s进行一次拍卖，每次参与拍卖的用户既有上一轮拍卖失败的用户也有这一轮新加入的用户。

设买家集合为TASK＝{task1,task2,…taskn},集合中的每一个task含有两个属性：taskn.t表示完成任务n所需要的时间，taskn.p表示任务n参与拍卖的出价。将集合中元素按照任务运行所需时间task.t升序排列。

设卖家的集合为VM＝{vm1,vm2,…,vmm},集合中的每一个vm含有一个属性vmn.t，表示虚拟机n的出租时间。将集合中元素按照出租时间vm.t升序排列，需要说明的是，卖家集合中的每一个元素对应一个虚拟机。

定义集合CA＝{task1,task2,…,taskm}用于存储符合买卖条件的买家信息对应的任务，参与竞拍的任务。该集合的大小是有限的，最多存储m个(参与竞争的虚拟机数量)元素。优选地，该存储集合中的存储方式为：每插入一个元素，利用折半插入排序对集合中的元素按照任务出价降序排列。当参与竞争的任务数量大于m时，只取前m大的元素存入集合，剩余的任务意味着在竞争同一虚拟机时，它们的价格没有优势(只有m个虚拟机)，因而竞拍失败。需要说明的是，每次插入新的任务时，集合中的元素已经是有序的了，没必要意义比较，所以采用折半插入法会使整个复杂度降低。

遍历集合VM，依次拍卖虚拟机，本实施例中，买卖条件为taskn.t<vmn.t。例如拍卖vm1时，依次遍历集合TASK，将满足买卖条件taskn.t<vmn.t的元素依次存入集合CA中。直到遍历到不能满足taskn.t<vmn.t的任务停止，然后取出集合第一个任务，将该vm1的使用权赋予该任务。然后继续拍卖vm2，vm3,…,vmm最后m个虚拟机被m个用户竞拍到，其余竞拍失败用户等待下一轮竞拍。

在上述步骤中，通过改进拍卖算法对任务进行调度，在合适的VM上执行任务，以达到全局最优，即在一段时间内，MEC服务器可以执行更多的任务。

需要说明的是，本实施例中的竞拍价定义为

虽然考虑了任务完成的紧急程度，但这也存在着不公平性。采用计算卸载更节省时间的任务在竞价上却失去了价格优势，对于这种任务在拍卖中是不公平的。因此本实施例提供竞拍失败补偿策略。即，在任务竞价失败后，重新对该任务定价。

其中s是一个时间片的长度，X为该任务参与竞拍失败的次数。

即，当该任务每参与一轮竞拍且竞拍失败，意味着任务截止时间就要减去一个时间片的长度(拍卖频率为每个时间片拍卖一次)，另一方面，对价格关于失败次数求导可得

从导数公式中可以看出，随着X的增大，导数是递增的。导数越大，意味着价格增长速度越快。因此，随着竞拍失败次数的增加，对任务价格补偿就越多。

上述的竞拍失败补偿方法，通过考虑任务截止时间的影响，以对买方价格补偿的方式，保证任务调度的公平性。

本实施例提出的多任务多虚拟机竞拍情况中，最核心的方法是拍卖竞争的环节，其中每一个vm参与拍卖，就要对集合CA进行一次折半插入排序，

该折半插入排序算法的复杂度O(log m),一共进行m轮拍卖，这意味着该算法的时间复杂度为O(mlog m)，相比没有改进的拍卖方法(时间复杂度为O(nm))，时间复杂度会有明显改善。因为随着移动智能终端的爆炸式增长，在未来参与计算卸载的任务数n肯定会远远大于提供计算资源的VM的数量m。并且相对于无序的虚拟机参与拍卖，本实施例提出的将虚拟机集合和任务集合先升序排列再竞争的方式，会使得用户请求的时间和虚拟机出租的时间差别不大，即，虚拟机在完成计算任务后，能够很快被回收，参与下一轮竞争。对于服务器来说，同样时间内它会处理更多的任务。

实施例2

与上述方法实施例相对应地，本实施例提供一种移动边缘计算中的计算卸载系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种移动边缘计算中的计算卸载方法，其特征在于，包括以下步骤：

S1：计算任务在本地运行时的第一所需时间和第一所需能量，计算任务进行卸载运行的第二所需时间和第二所需能量，根据所述第一所需时间、所述第一所需能量、所述第二所需时间、以及所述第二所需能量设定卸载条件，并根据所述卸载条件确定是否需要进行卸载计算，若需要，则进入S2；

S2：设定服务器评价指标，根据所述服务器评价指标构建计算模型，根据所述计算模型确定卸载目标服务器；

确定卸载目标服务器之后,所述方法还包括步骤：

S3：将目标服务器视为买卖双方中的卖家，并用于拍卖该目标服务器中的所有虚拟机的计算资源，将需要卸载执行的任务视为买家，并用于计算任务所需的计算时间，还用于计算与任务对应的出价；

S4：采集所有需要卸载执行的任务构建买家集合，根据目标服务器中的所有虚拟机构建卖家集合，并定义用于存储符合买卖条件的买家信息对应的任务的存储集合；

S5：根据所述买家集合、所述卖家集合、以及所述存储集合构建买卖模型，根据所述买卖模型确定目标服务器中用于执行任务的目标虚拟机；具体包括以下步骤：

S51：将所述买家集合中的元素按照所需的计算时间进行升序排列，将所述卖家集合中的元素按照计算资源进行升序排列；其中，所述买家集合中的每个元素包括两个属性，分别为计算时间和出价，所述卖家集合中的元素与虚拟机一一对应；

S52：选取卖家集合中的某个元素vm，将该元素vm依次与买家集合中的元素按照买卖条件进行比对，将满足买卖条件的买家信息对应的任务按照设定的存储方式存储至所述存储集合中，直至遍历至不符合买卖条件的买家信息；

S53：将存储集合中首个任务分配给卖家集合中元素vm对应的虚拟机，并视为买卖成功一次；

S54：重复上述S52-S53，直至遍历完卖家集合中的所有元素。

2.根据权利要求1所述的移动边缘计算中的计算卸载方法，其特征在于，所述S52中，所述设定的存储方式为：

采用折半插入法，按照出价进行降序排列。

3.根据权利要求1所述的移动边缘计算中的计算卸载方法，其特征在于，所述S2具体包括以下步骤：

S21：将目标服务器作为目标层，将服务器评价指标作为准则层，将服务器作为方案层，根据所述目标层、所述准则层、以及所述方案层构建层次结构模型；

S22：根据所述层次结构模型按照设定的矩阵建立规则建立成对矩阵，根据所述成对矩阵计算服务器评价指标的计算公式；

S23：整合服务器评价指标的计算公式构建用于确定卸载目标服务器的计算模型。

4.根据权利要求3所述的移动边缘计算中的计算卸载方法，其特征在于，所述服务器评价指标的因素包括：服务器进行任务卸载执行节省的时间、服务器进行任务卸载执行节省的能耗、以及服务器剩余可用的CPU资源。

5.根据权利要求4所述的移动边缘计算中的计算卸载方法，其特征在于，所述S22具体包括以下步骤：

S221：设定矩阵建立规则为：根据层次结构模型的实际数值确定矩阵第一行，矩阵中的其他数据由公式计算补全，计算公式为：

a_ij＝a_ik/a_jk；

式中，a_ij表示第i行第j列的元素，a_ik表示第i行第k列的元素，a_jk

表示第j行第k列的元素；

S222：建立目标层与准则层之间的第一成对矩阵A为：

计算准则层对目标层的相对重要程度w_a，计算公式为：

式中，n为准则层中元素个数；

建立准则层与方案层之间的第二成对矩阵B₁为：

S223：根据所述第一成对矩阵与所述第二成对矩阵计算在服务器进行任务卸载执行节省的时间的因素下的矩阵的特征向量

为：

式中，b_1n表示第一行第n列的元素；

在服务器进行任务卸载执行节省的能耗的因素下的矩阵的特征向量

为：

式中，b_2n表示第二行第n列的元素；

在服务器剩余可用的CPU资源的因素下的特征向量

为：

式中，b_3n表示第三行第n列的元素；

组成特征矩阵w_b为：

S224：构建所述计算模型的计算公式为：

W＝w_a*w_b。

6.根据权利要求1所述的移动边缘计算中的计算卸载方法，其特征在于，当某个任务买卖失败后，设定时间片，根据时间片对该任务进行重新定价，并重新进行买卖。

7.一种移动边缘计算中的计算卸载系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。

Images