CN109947545B - 一种基于用户移动性的任务卸载及迁移的决策方法 - Google Patents

Abstract

本发明属于移动通信技术领域，具体涉及一种基于用户移动性的任务卸载及迁移的决策方法；所述方法包括移动用户针对随机的连接时间与任务处理时间关系，确定移动边缘云系统的成本与收益；以最大化移动边缘云系统的收益为目标，建立收益系统模型；对所述收益模型采用多阶段随机规划方法；从而获得每个移动边缘云计算MEC的收益以及其对应的卸载任务量；采用上置信界算法使得学习时间T内最大化系统平均收益，从而获得系统收益最大的MEC。本发明能够解决移动用户与MEC连接时间的随机性问题以及具体如何选择MEC问题，从而能够广泛应用于移动边缘云系统中。

Description

一种基于用户移动性的任务卸载及迁移的决策方法

技术领域

本发明属于移动通信技术领域，涉及一种移动边缘云计算(Mobile EdgeComputing,MEC)中基于用户移动性的任务卸载及迁移的决策方法。

背景技术

MEC是未来移动通信系统提升服务应用能力的重要技术手段之一。通过在无线接入网络的边缘节点处部署具备计算、存储和通信能力的服务应用平台，MEC能够有效处理终端用户的高时效性业务需求，大幅度缩短端到端时延，并解决核心网络的大量数据流量计算等相关问题。相比于移动云计算(Mobile Cloud Computing,MCC)，MEC有以下几个优点：

(1)超低延迟。例如，在密集型小区网络中，MEC的信息传播距离通常为几十米，一般不超过1千米，然而MCC中，从用户到核心网络的传输距离从数十公里到跨国甚至跨洲。这导致MEC的传播延迟比MCC的传播延迟短得多。

(2)安全性。在MCC中，云计算平台是远程公共大型数据中心，由于其高度集中的用户信息而容易收到攻击。与MCC相比，MEC由于是分布式部署，数据规模较小且有价值信息较低的集中度，从而使得MEC不易成为安全攻击的目标。

(3)节能。由于移动设备的能量存储有限，若需要执行复杂的任务，频繁的充电或者更换电池是不切实际的。因此可以将计算密集型任务从移动设备卸载到MEC上以减少设备的能量消耗。因此，如何联合用户设备与MEC对任务在卸载和本地间进行合理分配成为关键问题。

现有关于MEC的卸载研究工作。主要集中在以下两点：

(1)单用户或多用户对单MEC服务器：一方面，在研究单用户与单服务器方面，主要考虑了一个用户与MEC服务器间的资源分配问题，即将计算任务均衡地分配到本地以及MEC服务器上分别处理，达到最小化能耗或者时延的目的。另一方面，在考虑多用户与单服务器方面，主要考虑了多用户在卸载到同一MEC服务器过程的信道选择。但这在实际网络中，尤其是5G及物联网环境中只考虑单服务器场景是不切实际的。这是因为在实际网络中，MEC服务器可以部署在基站、无线接入点、交换机、路由器、网关等设备上给用户提供计算存储的功能，因此同一个用户附近将会有越来越多可以为其服务的MEC，同一个MEC也将会同时为多个移动设备服务。如果移动设备随机接入的一个MEC正在为其他设备服务或者其计算能力不足，将使MEC得资源分配不合理而最终导致用户的体验下降。

(2)用户的实际移动性：虽然目前研究主要集中于通过建立用户的随机游走模型来预测用户的移动轨迹，但是并未考虑移动用户在MEC网络中与MEC的随机连接时间。另外，随机的连接时间导致的动态的计算任务卸载及迁移的资源分配也是亟需解决的问题。

发明内容

本发明的技术方案是：首先，为了解决用户与MEC随机的连接时间所产生的移动设备的移动性问题，采用多阶段随机规划(Stochastic Programming,简称SP)方法，将不确定性问题转化为确定性问题。然后，考虑移动设备和MEC的计算能力以及移动设备的能耗阈值，分析任务传输、移动设备及MEC任务计算以及任务迁移产生的时延，建立本地与MEC间的任务资源分配机制，得到最大化系统收益的资源分配策略。最后，为了选择合适的MEC进行任务卸载，利用多臂赌博机策略(Multi-armed bandit,简称MAB)来做出卸载决策。通过MAB策略中的上置信界算法(Upper Confidence Bound,简称UCB)算法学习不同MEC的计算能力和传输带宽，并在学习过程中平衡探索与利用之间的权衡，快速收敛到最优的MEC。本发明基于所提出的SPUCB卸载及迁移策略不仅可以有效地协调任务卸载与随机的连接时间之间的关系，提高任务卸载效率以及系统收益，还可以充分提高MEC的资源利用率以及用户的QoS体验。

本发明提供一种基于用户移动性的任务卸载及迁移的决策方法，具体包含以下步骤：

步骤1、移动用户针对随机的连接时间与任务处理时间关系，确定移动边缘云系统的成本与收益；以最大化移动边缘云系统的收益为目标，建立收益系统模型；

步骤2、对所述收益模型采用多阶段随机规划方法(Stochastic Programming,简称SP)；从而获得每个移动边缘云计算MEC的收益以及其对应的卸载任务量；

步骤3、采用上置信界算法使得学习时间T内最大化系统平均收益，从而获得系统收益最大的MEC。

进一步的，所述移动边缘云系统的成本包括通信成本、迁移成本、计算成本逗留成本；具体包括以下计算公式：

其中，

表示移动用户与第j个MEC的通信成本；

表示移动用户与第j个MEC的计算成本；

表示移动用户与第j个MEC的迁移成本；

表示移动用户与第j个MEC的逗留成本；

是移动用户与第i个MEC的连接时间，x_i为移动用户计划卸载到第i个MEC的任务量；γ_i为移动用户传输到第i个MEC每单位时间传输数据成本，κ_j为第j个MEC与移动用户之间的每单位时间传输数据成本；

是移动用户与第i个MEC的通信时间，

是移动用户与第j个MEC的通信时间；

和

分别为第i个MEC和第j个MEC的计算时间；α_i和β_j分别为第i个和第j个MEC每单位时间计算成本；

为用户本地计算时间，θ为移动用户设备每单位时间计算成本；δ_i为第i个MEC每单位时间数据迁移成本，

为迁移时间；

为单位逗留时间成本，

为产生逗留成本的时间。

进一步的，所述收益系统模型包括：

0≤x_i≤W；

其中，

表示在

内，第i个MEC中x_i对应的收益函数值；i＝1,...,N；N表示MEC总数量；当在连接时间

内，第i个MEC未处理完所有任务，则将剩余未处理的任务迁移到第j个MEC中继续处理；

表示通过将任务量x_i卸载到第i个MEC上获得的效益函数；

表示在连接时间

内，移动用户将任务量x_i卸载到第i个MEC上的能耗；E^th表示移动用户的能耗阈值；W为总任务量。

上述约束条件中约束条件1确保了移动用户的能耗

等于或小于允许的阈值E^th；约束条件2确保了卸载到MECi任务量x_i小于等于总任务量W。

进一步的，所述效益函数

的计算公式包括：

其中，ω_i,ε_j分别是第i个MEC和第j个MEC的权重因子，P_i是第i个MEC的计算能力，P_j是第j个MEC的计算能力；

是第i个MEC计算的任务量，

是第j个MEC计算的任务量。

进一步的，在连接时间

内，移动用户将任务量x_i卸载到第i个MEC上的能耗

的计算公式包括：

为卸载任务x_i本地计算产生的能耗，

为移动用户将卸载任务x_i上传至MEC所产生的能耗；

其中，ν表示有效开关电容；λ表示为任务周期因子，λ(λ＞0)与任务量(单位比特)相乘为计算任务量所需的周期数。p为用户传输功率；

为第i个MEC的上行链路传输速率；

为MEC_j的上行链路传输速率；

是任务量x_i卸载到MEC i的传输时间。

进一步的，所述步骤2包括将步骤1中的收益系统模型采用多阶段随机规划方式表示为：

其中，

表示在

内，第i个MEC中x_i对应的收益函数值；x_i为移动用户计划卸载到第i个MEC的任务量；

是移动用户与第i个MEC的连接时间；

表示在阶段s时对部分收益系统

求数学期望；Ω_i,s表示在阶段s时第i个MEC与移动用户连接时间的场景集合；

M为移动用户与第i个MEC的可能连接时间的数量；i＝1,...,N；N表示MEC总数量；s＝1,...,S；S表示W所划分的阶段数；x_i,s表示在第s阶段时卸载到第i个MEC上的任务大小；

是在阶段s移动用户与第i个MEC的连接时间；

表示在阶段s的卸载任务x_i,s的本地计算成本；E^th表示移动用户的能耗阈值；W为总任务量。

可以理解的是，本发明将任务量W分成S个部分，并分配到本地和MEC上在S个阶段内进行处理，并且，将用i,s代替i作为变量索引值。

步骤2中通过随机规划方法解决了用户与MEC连接时间的随机性问题。但是，在实际的环境下，即使知道连接时间，仍然不知道哪个MEC可以使系统产生更高的收益。因此，采用MAB中的UCB算法选择最优的MEC并在一定的学习时间T内最大化系统平均收益。UCB算法是解决多臂赌博机策略的一种，UCB根据目前获得的信息，试图在探索和利用之间达成平衡问题。则步骤2中的目标函数可以转化为：

进一步的，所述步骤3包括将MEC总数量作为上置信界算法的臂，在每次学习中，从多个MEC中选择一个进行卸载并获得收益，从而计算出系统平均收益。

其中，t＝1,2,...,T；T表示学习周期；a_t表示第t次学习时移动用户选择的卸载的MEC；Z(t,a_t)表示当在第t次学习时，移动用户选择第a_t个MEC时获得的收益值。当T足够大时，UCB算法会逐渐选择最佳的臂，使系统平均收益最大。

本发明的有益效果：

1、本发明基于随机的连接时间与任务处理时间关系，确定移动边缘云系统的成本与收益；建立出收益系统模型；

2、本发明通过采用多阶段随机规划方法，将不确定性问题转化为确定性问题，从而解决了用户与MEC随机的连接时间所产生的移动设备的移动性问题；

3、本发明通过采用MAB策略中的UCB算法学习不同MEC的计算能力和传输带宽，并在学习过程中平衡探索与利用之间的权衡，从而能够快速收敛到最优的MEC。

4、本发明能够的运算复杂度较小，准确率高。

5、本发明相对于其他卸载策略，能得到更低的任务处理时延，成本，能耗，以及得到更高的收益。

附图说明

图1是本发明中移动边缘云计算中任务卸载及迁移场景图；

图2为本发明与现有技术的时延性能仿真结果对比图；

图3为本发明与现有技术的能耗性能仿真结果对比图；

图4为本发明与现有技术的成本性能仿真结果对比图；

图5为本发明与现有技术的系统性能仿真结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

以下结合具体实例和附图对本发明实施方式作具体描述。

如图1所示，本发明采用包含一个随时移动用户和多个MEC的网络。当移动用户在移动之前，此时移动用户的设备有计算密集型任务W需要处理，由于自身计算能力有限，需处理的任务W可以部分拆分，并同时在本地设备上处理以及卸载到MEC上处理。另外，此时移动用户附近有i个互不干扰，相互独立的MEC可以为其服务。假设此时有N个可用的MEC，为了提高MEC利用率，移动用户可选择第i个MEC进行任务卸载。

其中，作为一种可选方式卸载程序可分为三个步骤：

1)、移动用户向第i个MEC服务器发送工作负载。

2)、在第i个MEC服务器上处理。

3)、第i个MEC服务器向移动用户转发处理结果。

另外，本发明研究移动用户与MEC的连接时间的长短对卸载的影响，即如果移动用户与MEC的连接时间过短，移动用户移出了该MEC的通信范围，则进行任务的迁移，即将为完成的任务从当前第i个MEC服务器传输到下一个可服务的第j个MEC服务器。如果移动用户与MEC的连接时间过长，由于连接时间的过长导致的剩余，即MEC服务器将任务结果转发给用户后，移动用户仍与第i个MEC相连。为了方便描述，以下将第i个MEC简称为MECi；第j个MEC简称为MEC j。

在这个过程，移动用户会根据不同MEC的相应属性以及通信环境权衡任务分配后的效益与成本，并由此决策出移动用户的任务卸载量，以达到优化系统收益，降低成本的目的。

针对随机的连接时间与任务处理时间关系建立系统成本与收益模型。系统成本包括移动设备在本地处理部分任务以及传输任务对应的通信成本、迁移成本、计算成本和用户占用MEC资源而产生的逗留成本。

(1)通信成本：

其中

是x_i和

的函数，表示移动用户与第j个MEC的通信成本；

是移动用户与MECi的连接时间，x_i为用户计划卸载到MECi的任务量。γ_i为用户传输到MEC i每单位时间传输数据成本，κ_j为MEC j与用户之间的每单位时间传输数据成本。

是用户与MECi的通信时间，

是用户与MECj的通信时间。

则移动用户与MEC i之间任务传输所需时间为：

其中，

是移动用户与第i个MEC的连接时间，设定

是任务量x_i卸载到MEC i的传输时间。

为上行链路传输速率。

是任务量x_i在MECi的计算时间，P_i为MECi的计算能力，λ表示为任务周期因子；λ(λ＞0)与任务量(单位比特)相乘为计算任务量所需的周期数。另外，假设需要由MEC返回给用户的计算结果为输入任务量的一部分ρ，则设定

是输出任务结果ρx_i从MECi传输到移动用户的时间。其中

为下行链路传输速率。则MECi处理任务量x_i所需时间为：

则用户与MECj之间任务传输所需时间为：

其中，

为用户与MECj的上行链路传输速率。

为下行链路传输速率。

当

时，此时用户与MECi的连接时间

内只能卸载部分任务

则剩余未上传的任务量

在MEC j中继续卸载。当

时，用户将任务x_i上传后，没有时间返回计算结果，因此计算结果ρx_i由MEC j传输。当

时，MECi只能返回部分任务结果，则MEC j需要将剩余的任务结果

返回用户。当

时，MECi可以将全部计算结果返回给用户。

(2)计算成本：

其中α_i和β_j分别为MEC i和MECj每单位时间计算成本，θ为移动用户设备每单位时间计算成本。

由于将要处理的任务的一部分卸载到MEC上，而另一部分任务在本地设备上处理，所以计算成本包括在MECi，MECj和本地计算成本三部分。

MECi计算任务的时间

表示为：

则MECj计算时间

表示为：

其中P_j为MECj的计算能力。当

时，MECi没有时间计算任务，因此任务量x_i需要被迁移到MEC j中计算。当

此)时在连接时间

内，MEC i只能计算部分任务

未计算的任务

将由MECj计算。

除此之外，本地分配的任务量(W-x_i)在本地计算的时间可以表示为：

其中，P_l为移动用户的计算能力。

(3)迁移成本：

其中，δ_i为MECi每单位时间数据迁移成本，

为迁移时间。由于用户与MECi的连接时间

是随机的，当MECi不能在连接时间不足时，即在连接时间内不能完成任务传输或者任务计算时都会发生任务迁移。则迁移时间

可以表示如下：

f_i,j为MEC i与MEC j之间的回程链路速率。当

时，MEC i没有时间计算，所以需要将上传到MECi的任务

迁移到MECj中计算。当

MEC i只能计算部分任务，则需要将已经计算的任务结果

和未计算任务

迁移到MECj中。当需要将未返

时，MECi只能讲部分计算结果返回给用户，所以回的结果

迁移至MECj中。当

时，MECi可以处理完任务x_i，此时无需迁移。

(4)逗留成本：

其中

为单位逗留时间成本，

为产生逗留成本的时间：

当MECi已经将计算结果全部传输给移动用户但仍与用户连接时，将会影响其他用户的接入，此时会产生一个逗留成本。综上所述，系统的总成本

可以表示为：

(5)效益函数：

其中，ω_i,ε_j是MECi和MECj的权重因子，P_i是MEC i的计算能力。

和

是MECi与MECj计算时间。

是MECi计算的任务量，

是MECj计算的任务量。

另外，定义一个额外的函数表示与卸载的任务量和连接时间

相关的部分系统收益：

其中

表示本地计算成本。

(6)能耗函数：

其中

为卸载任务在本地计算时产生的能耗，表示为：

其中ν是有效开关电容。

为用户将卸载任务上传所产生的能耗，表示为：

其中p为用户传输功率。让E^th代表用户的能耗阈值，则用户的能耗必须满足：

则当MECi卸载任务时，系统收益

表示为：

0≤x_i≤W,i＝1,...,N

为了处理连接时间的不确定性，利用多阶段随机规划方法解决。首先，假设移动用户与每个MEC i的连接时间遵循概率分布。让Ω_i表示MECi的可能连接时间值的集合:

其中M为移动用户与MECi可能的连接时间数量。另外，由于任务量较大，分别在本地和MEC上一次性处理任务得到的收益可能并不理想，所以移动用户可以将任务量W分成S个部分，并分配到本地和MEC上以在S个阶段段内处理。可以理解的是，本发明将用i,s代替i作为变量索引值来表示在阶段s时的MEC i。其中，x_i,s表示在阶段s时卸载到MECi上的任务大小。则多阶段下的可表示如下：

通过上式能得到每个MECi对应的系统的效益函数值

以及对应的x_i。但是，在实际的环境下，即使知道连接时间，但由于不知道每个MEC的收益分布，仍然不知道哪个MEC可以使系统产生更高的收益。因此，用户如何选择MEC进行服务，最大化系统收益这个问题被建模成MAB模型。这里把MEC作为MAB中的N个臂。首先，假设在每次学习次数t＝1,2,...,T，本发明中T＝100～1000；移动用户从N个MEC中选择一个MECi进行任务卸载并获得收益奖励

这个过程一直持续到T完成。从而可以计算系统平均收益为：

其中a_t∈N(t)是第t次学习时移动用户选择的卸载的MECa_t。Z(t,a_t)表示当在第t次学习时，移动用户选择臂a_t时获得的收益值。因此将采用MAB策略使上式最大化。本发明采用MAB策略中的UCB算法解决问题。则在时间段t时MECi的索引值表达式为：

其中，T_i(t-1)表示移动用户在经过t-1个时间段时选择MEC i的次数，

为MEC i在经过t-1个时间段获得的平均收益值。由上述表达式可知，信道索引值大小主要由两部分共同决定，其中第一部分的平均收益对应着利用过程，第二部分的置信因子为

对应着探索过程。由于本发明的立即收益值不在[0,1]之间，为了使充分平衡UCB的探索利用，所以会根据得到的收益值动态的调整f值。因此，在时间段t时，用户选择的臂为：

另外，通过递增方式计算当在时间段t时移动用户选择臂a_t时随时间变化的平均收益值：

其中

是在时间段(t-1)时臂a_t的平均收益，

是在0到(t-1)时间内，臂a_t一共被选择的次数；Z(t,a_t)为在时间段t时臂a_t的奖励值。

更新平均收益值的同时，更新臂a_t被选择的次数：

因此，当T足够大时，UCB算法会逐渐选择最佳的臂，使系统收益最大。

如图2～图5所示，分别为本发明采用的方法(图中为SMM)与传统SP算法、SDTO算法以及AVSMM算法下的系统收益、成本、能耗以及时延。从图2可看出基于SMM算法的任务卸载及迁移收益为最高，然后依次为SDTO算法，AVSMM算法，以及SP算法，这主要是由于SMM算法在制定卸载策略时就充分考虑了连接时间的随机性，并作出使系统收益最大化的资源分配策略。而SDTO算法虽然是以最小化时延为卸载目标，但并未考虑随机连接时间而导致的任务迁移。同样，对于AVSMM算法，虽然以UCB作为选择MEC的算法，但并未考虑连接时间的随机性，所以性能差于SMM算法。另外，SP算法虽然也以随机规划作为解决方法，但是在选择MEC上，采用的是最近原则，即选择离用户最近的MECi进行卸载，并未充分考虑每个MECi的计算能力，传输速率以及回程速率等因素。在图3中也观察到与图2同样的结果，这是因为能耗与通信时延相关，当总任务量逐渐增加时，卸载所需的通信时延增加，进而导致能耗增加。图4中比较四种卸载策略的成本性能，从图中可以看出，四种卸载策略都随着总任务量的增加，成本逐渐增加，这是因为当任务量增加时，卸载到MEC上的任务量以及在本地处理的任务量均增加，导致通信成本，计算成本以及迁移成本的提高。同时可以看出本发明得到的成本最低，这是由于本发明充分考虑了连接时间随机性引起的迁移成本，通过动态调整卸载的任务量来降低迁移成本。同样，在图5中可以看到本发明得到的收益最高，优于其他三种卸载策略。另外，可以看到随着总任务量的增加，收益先增加较快，后增加缓慢，这是因为随着总任务量的增加，效益

的增加速度低于成本

的增加速度。

其中，以上现有技术中，传统SP算法可如“T Truong-Huu,K C Tham,D Niyato.AStochastic Workload Distribution Approach for an Ad Hoc Mobile Cloud[J].IEEE2014 IEEE 6th International Conference on Cloud Computing Technology andScience(CloudCom),2014:174-181.”中提供的算法进行相关处理而得；AVSMM可参照如“KC Tham,B Cao.Stochastic Programming Methods for Workload Assignment in an AdHoc Mobile Cloud[J].2018.”中提供的算法进行相关处理而得；SDTO算法可如从“M.Chenand Y.Hao.Task Offloading for Mobile Edge Computing in Software DefinedUltra-Dense Network[J].IEEE Journal on Selected Areas in Communications,2018:587-597.”中提供的相关算法进行相关处理而得。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述方法包括以下步骤：

步骤1、移动用户针对随机的连接时间与任务处理时间关系，确定移动边缘云系统的成本与收益；以最大化移动边缘云系统的收益为目标，建立收益系统模型；

步骤2、对所述收益系统模型采用多阶段随机规划方法；假设移动用户与每个移动边缘计算MEC i的连接时间遵循概率分布；让Ω_i表示MECi的可能连接时间值的集合：

其中

是移动用户与第i个MEC的第m个可能连接时间；M为移动用户与MECi可能的连接时间数量；移动用户将任务量W分成S个部分，并分配到本地和MEC上以在S个阶段内处理；从而获得每个移动边缘云计算MEC的收益以及其对应的卸载任务量；

步骤3、采用上置信界算法使得学习时间T内最大化系统收益，从而获得系统收益最大的MEC。

2.根据权利要求1所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述移动边缘云系统的成本包括通信成本、迁移成本、计算成本以及逗留成本；具体包括以下计算公式：

其中，

表示移动用户与第j个MEC的通信成本；

表示移动用户与第j个MEC的计算成本；

表示移动用户与第j个MEC的迁移成本；

表示移动用户与第j个MEC的逗留成本；T_i ^ct是移动用户与第i个MEC的连接时间，x_i为移动用户计划卸载到第i个MEC的任务量；γ_i为移动用户传输到第i个MEC每单位时间传输数据成本，κ_j为第j个MEC与移动用户之间的每单位时间传输数据成本；T_i ^com(x_i,T_i ^ct)是移动用户与第i个MEC的通信时间，

是移动用户与第j个MEC的通信时间；T_i ^comp(x_i,T_i ^ct)和

分别为第i个MEC和第j个MEC的计算时间；D_i和β_j分别为第i个和第j个MEC每单位时间计算成本；T_l ^comp(x_i)为用户本地计算时间，θ为移动用户设备每单位时间计算成本；G_i为第i个MEC每单位时间数据迁移成本，

为迁移时间；

为单位逗留时间成本，T_i ^idle(x_i,T_i ^ct)为产生逗留成本的时间。

3.根据权利要求2所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述收益系统模型包括：

0≤x_i≤W；

其中，Z_i(x_i,T_i ^ct)表示在T_i ^ct内，第i个MEC中x_i对应的收益函数值；i＝1,...,N；N表示MEC总数量；U_i,j(x_i,T_i ^ct)表示通过将任务量x_i卸载到第i个MEC上获得的效益函数；

表示在连接时间T_i ^ct内，移动用户将任务量x_i卸载到第i个MEC上的能耗；E^th表示移动用户的能耗阈值；W为总任务量。

4.根据权利要求3所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述效益函数U_i,j(x_i,T_i ^ct)的计算公式包括：

其中，ω_i和ε_j分别是第i个MEC和第j个MEC的权重因子，P_i是第i个MEC的计算能力；P_j是第j个MEC的计算能力。

5.根据权利要求3所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，在连接时间T_i ^ct内，移动用户将任务量x_i卸载到第i个MEC上的能耗

的计算公式包括：

为卸载任务x_i本地计算产生的能耗，

为移动用户将卸载任务x_i上传至MEC所产生的能耗；

其中，ν表示有效开关电容；λ表示为任务周期因子；p为用户传输功率；

为第i个MEC的上行链路传输速率；

为第j个MEC的上行链路传输速率；

表示为任务量x_i卸载到第i个MEC的传输时间；其中P_l为移动用户的计算能力。

6.根据权利要求1所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述步骤2包括将步骤1中的收益系统模型采用多阶段随机规划方式表示为：

其中，Z_i(x_i,T_i ^ct)表示在T_i ^ct内，第i个MEC中x_i对应的收益函数值；x_i为移动用户计划卸载到第i个MEC的任务量；T_i ^ct是移动用户与第i个MEC的连接时间；

表示在阶段s时对部分收益系统

求数学期望；Ω_i,s表示在阶段s时第i个MEC与移动用户连接时间的场景集合；

M为移动用户与第i个MEC的可能连接时间的数量；i＝1,...,N；N表示MEC总数量；s＝1,...,S；S表示W所划分的阶段数；x_i,s表示在第s阶段时卸载到第i个MEC上的任务大小；

是在阶段s移动用户与第i个MEC的连接时间；

表示在阶段s的卸载任务x_i,s的本地计算成本；E^th表示移动用户的能耗阈值；W为总任务量。

7.根据权利要求1所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述步骤3包括将MEC总数量作为上置信界算法的臂，在每次学习中，从多个MEC中选择一个进行卸载并获得收益，从而计算出系统平均收益。

8.根据权利要求7所述的一种基于用户移动性的任务卸载及迁移的决策方法，其特征在于，所述系统平均收益的计算公式包括：

其中，T表示学习周期；a_t表示第t次学习时移动用户选择卸载的MEC；Z(t,a_t)表示当在第t次学习时，移动用户选择第a_t个MEC时获得的收益值。

Images