CN110377353B - 计算任务卸载系统与方法 - Google Patents

Abstract

本发明提供一种计算任务卸载系统包括移动边缘计算服务器、用户终端及通信网络，所述移动边缘计算服务器承接所述用户终端卸载的计算任务，所述用户终端通过计算任务卸载方法实现把所述计算任务经通信网络卸载至所述边缘计算服务器上运行。所述计算任务卸载方法提供计算任务卸载模型，基于所述计算任务卸载模型制定计算任务卸载决策非合作博弈模型，通过所述非合作博弈模型制定基于博弈论原理的计算任务卸载博弈方法进而得到所述计算任务卸载方法。所述系统和方法联合优化每个用户终端计算任务卸载的能量消耗和时间延迟，找到实现每个用户终端计算任务卸载的能量消耗和时间延迟最小化的纳什均衡解。

Description

计算任务卸载系统与方法

【技术领域】

本发明涉及信息技术领域的移动边缘计算技术，涉及博弈论、5G网络技术和移动边缘计算应用，尤其涉及到一种面向移动边缘计算的计算任务卸载方法。

【背景技术】

移动互联网和物联网技术的快速发展促进了5G网络技术的诞生，5G网络面临着各种新颖和复杂业务场景中数据通信爆炸性增长和大规模设备连接的挑战，例如智能手机、自动驾驶汽车、智能电网和工业通信等，然而，由于移动用户终端/设备(UE)的种种限制，包括电池功率、计算能力和存储容量，上述低延迟和高复杂度的应用程序往往无法在用户终端上高效执行，反而影响用户的使用体验，为了解决上述挑战，移动边缘计算技术被提出了，该技术允许用户终端将部分或全部本地计算任务卸载到移动边缘计算服务器，从而增强用户终端的处理能力并降低其能量消耗，在异构5G网络中，由于用户终端计算任务的动态变化、时变无线信道状态和不可预测的信道冲突，迫切需要一种有效的任务卸载策略以对移动边缘计算系统做出相应的改进，同时，任务卸载方法的有效性和性能直接影响用户终端的计算成本和服务质量。

近年来，人们对移动边缘计算系统的计算任务卸载进行了大量研究，包括博弈论模型、优化模型和机器学习方法。研究学者为任务卸载构建了各种优化模型，如整数规划、非线性0-1编程问题、连续凸近似技术、Lyapunov优化技术和多目标动态规划方法等，同时，也有学者专注于博弈论模型，提出联合博弈和解耦理论，也有研究人员引入了模型预测和控制理论以及大数据预测方法来计算移动边缘计算的任务卸载决策。然而，目前的方法主要集中在3G/4G网络中的移动边缘计算，并没有解决5G网络中快速和时变通信环境的复杂场景。此外，大多数现有工作仅从用户终端或者移动边缘计算服务器的角度单方面考虑上述问题，并没有兼顾两者的收益和成本。

本发明专利将移动边缘计算的任务卸载问题与博弈论方法结合，通过充分考虑5G网络下宏基站和小型基站两种基站共存情况、用户终端对能量消耗和时间延迟等服务质量存在不同偏好情况，采用博弈论，通过博弈迭代，找到使各个用户达到收益均衡的任务卸载方案，所发明的计算任务卸载方法能够在不同用户终端规模的移动边缘计算场景中有效地找到纳什均衡的计算任务卸载解决方法。

【发明内容】

针对现有技术中的用户终端在5G网络中移动用户终端的种种限制，包括电池功率、计算能力和存储容量，低延迟和高复杂度的应用程序无法在所述移动用户终端上高效执行的问题，本发明提供一种基于博弈论原理面向移动边缘计算的计算任务卸载系统和方法。

一种计算任务卸载系统，包括移动边缘计算服务器、用户终端及通信网络，所述移动边缘计算服务器承接所述用户终端卸载的计算任务，所述用户终端与所述移动边缘计算服务器通过所述通信网络连接，其特征在于，所述用户终端通过所述计算任务卸载系统提供的计算任务卸载方法实现把所述计算任务经通信网络卸载至所述边缘计算服务器上运行。

进一步的，所述移动边缘计算服务器利用所述通信网络就近向所述用户终端提供计算服务功能，所述用户终端通过所述通信网络向所述移动边缘计算服务器进行计算任务卸载实现所述计算任务在所述移动边缘计算服务器上运行。

进一步的，所述通信网络包括共享通信通道的多个基站组成的移动通信网络，所述基站包括宏基站或小型基站，位于不同物理网络小区中的大量所述用户终端通过所述通信网络与一个或多个移动边缘计算服务器连接。

进一步的，所述移动边缘计算服务器部署在一个或多个所述基站上，所述用户终端的全部或部分计算任务请求通过所述基站直接提交给所述移动边缘计算服务器，所述全部或部分计算任务卸载到移动边缘计算服务器上以节省能量消耗及减少时间延迟。

一种计算任务卸载方法，面向所述移动边缘计算服务器及所述用户终端提供计算任务卸载模型，基于所述计算任务卸载模型制定计算任务卸载决策非合作博弈模型，通过所述计算任务卸载决策非合作博弈模型制定基于博弈论原理的计算任务卸载博弈方法，进一步通过所述计算任务卸载博弈方法得到所述计算任务卸载方法。

进一步地，所述计算任务卸载模型包括通信模型、计算模型及能耗模型；所述计算任务卸载模型计算方法包含以下3个步骤：

步骤1，所述通信模型的计算方法：所述通信模型用于所述用户终端根据当前位置确定其所属的所述基站，通过所述宏基站直接访问或通过所述小型基站、所述宏基站顺序访问所述移动边缘计算服务器，当所述用户终端将所述计算任务卸载到移动边缘计算服务器时，使用通信信道与所述移动边缘计算服务器连接，设定的所述小型基站与所述宏基站间的回程链路传输速率为r^bh，设定所述计算任务为ut_i,j，设定所述用户终端为UE_i，所述宏基站为MBS，所述小型基站为SBS，所述计算任务为ut_i,j上行链路和所述回程链路中的时间消耗为总通信延迟

定义计算公式为：

步骤2，所述计算模型的计算方法：每个在所述用户终端执行的所述计算任务同时能够卸载到所述移动边缘计算服务器上执行，所述计算模型通过比较所述用户终端本地执行及卸载到所述移动边缘计算服务器上执行的时间消耗，做出卸载决策，所述用户终端本地执行计算的时间消耗是基于异构的具有不同硬件及计算能力的所述用户终端决定的，设定f_i为所述用户终端的计算能力，即所述用户终端每单位时间执行f_i条指令，对于所述用户终端的一个本地计算任务ut_i,j，其时间消耗的计算方法为：

所述卸载到所述移动边缘计算服务器上执行的时间消耗，对于所述用户终端中需要被卸载的某个计算任务ut_i，j，其卸载过程中的消耗

包含两个部分：所述用户终端和所述移动边缘计算服务器之间的传输延迟

所述移动边缘计算服务器执行延迟

步骤3，所述能耗模型的计算方法：基于所述通信模型及所述计算模型，进一步地，计算每个用户终端的能量消耗，所述能耗模型的计算包括所述用户终端的本地能耗计算及卸载能耗计算，所述本地能耗计算，对于所述用户终端本地执行的计算任务ut_i,j，ut_i,j的能耗定义为：

其中，

是完成所述ut_i,j所需的CPU周期数，w_i是所述用户终端的单位能源成本；所述用户终端的本地能耗

是所述用户终端的所有本地执行任务的总能耗为

所述卸载能耗的计算，对于所述用户终端计算任务ut_i,j卸载到所述移动边缘计算服务器，那么ut_i，j的卸载能耗

由三部分组成：

其中

表示指的是所述终端在等待所述ut_i,j卸载过程中的空闲能耗，

是指从所述终端到所述移动边缘计算服务器的传输过程中所述ut_i,j的能耗，

是指移动边缘计算服务器计算所述ut_i,j所需的能耗。

进一步地，所述非合作博弈模型定义所述用户终端计算任务卸载决策，所有所述计算任务的卸载决策定义为计算任务卸载决策组合，所述卸载决策最小化所述能量消耗及时间延迟，将a_i,j∈{0，1}表示为所述计算任务ut_i，j的卸载决策，其中a_i，j＝0表示ut_i,j将在所述用户终端本地执行，a_i，j＝1表示ut_i，j将被卸载到所述移动边缘计算服务器中执行；设

是所述用户终端上所有计算任务的卸载策略集；设所有的N个所述用户终端上有M个计算任务，A＝{a_i，…，a_M}表示所述计算任务卸载决策组合。

进一步地，所述计算任务卸载策略定义为多玩家非合作博弈模型G＝{UE,A,Z}，其中UE是所述用户终端，A是所述计算任务卸载策略，Z是成本，设定所述用户终端UE＝{UE₁,…,UE_N}为所述非合作博弈模型中的N个玩家，每个的玩家选择所述计算任务卸载决策组合，定义A＝{A₁，…,A_i,…,A_N}是所有所述玩家的全局计算任务卸载决策组合，定义

是所述UE_i的局部所述计算任务卸载决策组合，在每个博弈决策过程中，当前所述玩家选择所述Ai作为其博弈策略，并根据Ai计算玩家的所述成本Z；

设A_-1＝(A-A_i){A₁,…,A_i-1,A_i+1,…,A_N}是除玩家UE_i之外的所有其他玩家的一组计算任务卸载策略集合，给定一个策略集合A_-1，所述UE_i可以选择一个所述局部计算任务卸载策略集合

来决定其所述用户终端上的所有任务的卸载情况；对于每个所述卸载任务ut_i,j，设置a_i,j＝1，ut_i,j在卸载过程中的成本函数为：

反之，所述UE_i决定在本地执行所述ut_i,j，则设置a_i,j＝0，其成本函数为：

对于所述非合作博弈模型中的每个所述玩家选择适当的所述卸载决策集A_i以在竞争环境中最小化其自身的所述成本函数，则所述UE_i的整体成本函数

如果在所述全局计算任务卸载决策集

中，没有所述玩家可以通过单方面改变它的所述局部卸载决策集来进一步降低成本，则所述A^*是所述非合作博弈模型的纳什均衡解决方法，其成本函数计算为：

进一步地，所述基于博弈论原理的计算任务卸载博弈方法计算每个所述用户终端的最佳卸载策略，以有效地找到所述非合作博弈模型的纳什均衡解决方法，在所述计算任务卸载方法中使用动态博弈策略，即每个玩家在制定策略时都存在顺序约束，后一个玩家可以观察到先前玩家的决策信息，所述动态博弈策略根据时间先后顺序执行，在博弈迭代之前，通过随机选择每个玩家的局部计算任务卸载策略值来生成一组初始全局计算任务卸载策略组合

为每个玩家的任务进一步随机选择卸载策略，并根据所述整体成本函数

计算得到所述初始决策集合A⁰所对应的总成本Z⁰；

为了确保每个全局计算任务卸载策略只计算一次并且不会重复，设定一个Q表来存储访问的策略和相应的成本值，表示为Q＝{(A⁰，Z⁰)，…}，所述计算任务卸载博弈方法中的博弈迭代步骤为：

步骤S1，基于初始全局决策集合Z⁰，开始第一轮博弈迭代，首先随机选择一个玩家UE_i，根据

来更改其局部卸载决策A′_i，并获得最佳决策集

以及使相应的成本Z′_i；

步骤S2：通过比较Z′_i和Z⁰之间的成本值，并选择成本值较小的所述计算任务卸载策略集作为玩家UE_i当前博弈操作的全局计算任务卸载决策，设置为

步骤S3：将

的值存储到Q表中，继续从其余玩家中随机选择另一个玩家UE_j，并根据前一玩家UE_i所选择的全局决策集

来更改其局部卸载决策A′_j，并获得最佳决策集

以及使相应的成本Z′_j，继续比较Z′_j和

之间的成本值，并为UE_j选择成本值较小的计算任务卸载策略，并设置为

将更新的策略

和相应的成本

存储到所述Q表中；

步骤S4：随机选择所有玩家并且基于先前玩家的计算任务卸载策略，调整他们的卸载策略，选择最后一个玩家的卸载策略作为该轮博弈迭代的最终全局卸载决策集A¹；

在每一轮博弈迭代之后，检查全局卸载决策集A¹是否是该博弈模型的纳什均衡解决方法，如果A¹满足

则说明所述A¹是计算卸载博弈选择的纳什均衡解决方法，否则，所有玩家开始新的一轮博弈迭代并且将A¹作为新一轮迭代的初始全局任务卸载策略，重复上述博弈迭代步骤S1-S4，直到找到纳什均衡解决方法。

与现有技术相比，本发明提供的计算任务卸载系统和方法，基于用户服务质量感知的计算任务卸载模型设计，利用博弈论原理定义非合作博弈模型，结合动态博弈迭代策略，找到纳什的均衡解决方法，解决在5G网络中快速和时变通信环境的复杂场景中用户终端与移动边缘计算服务器计算任务卸载的问题，提升了时间延迟及能量消耗。

【附图说明】

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图，其中：

图1为本发明提供的计算任务卸载流程图；

图2为本发明提供的计算任务卸载系统结构图；

图3为图1所示基于博弈论原理的计算任务卸载博弈案例图。

【具体实施方式】

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请结合参阅图1和图2，图1为本发明所提供的计算任务卸载流程图，本发明提供的面向5G移动边缘计算的服务质量感知的计算任务卸载方法100，通过提供一种用户服务质量感知的计算任务卸载模型11制定计算任务卸载决策问题的非合作博弈模型13，基于所述非合作博弈模型13得到基于博弈论原理的计算任务卸载博弈方法15，进一步通过所述计算任务卸载博弈方法15得到所述计算任务卸载方法100。

所述计算任务卸载模型11面向5G移动边缘计算网络定义部署计算任务卸载系统17，所述计算任务卸载系统17由一组移动边缘计算服务器171、共享通信通道的多个宏基站173和小型基站175、以及位于不同物理网络小区中的大量用户终端177组成，所述移动边缘计算服务器171部署在一个或多个所述基站上，所述用户终端177的全部或部分计算任务请求通过所述基站直接提交给所述移动边缘计算服务器171，所述全部或部分计算任务卸载到移动边缘计算服务器171上以节省能量消耗及减少时间延迟。

所述移动边缘计算服务器171具有多任务处理功能，可以有效地处理从所述用户终端177卸载的计算任务。为了最好地满足具有不同服务质量偏好的用户终端的任务卸载请求，所述移动边缘计算服务器171提供q个服务级别，包括计算能力f_s＝{f_s,1,…,f_s,q}和相应的单位能耗w_s＝{w_s,1,…,w_s,q}。所述移动边缘计算服务器171向所有所述用户终端177提供计算服务，并且这些所述用户终端相互竞争所述移动边缘计算服务器171的计算资源。

所述移动边缘计算服务器171和所述用户终端177之间有J＝J¹+J²个通信基站，其中包括J¹个宏基站和J²个小型基站。所述宏基站的集合为

所述小型基站的集合为

每个小型基站被部署在一个物理网络小区中，每个小区包含多个用户终端。在不区分MBS和SBS的情况下，我们使用BS_m(m∈[1,J])来表示一个基站，该基站可以是MBS或SBS。

假设有K个可用的正交通信通道

可以指定为所述用户终端UE与所述基站BS之间的上行链路通信，在5G网络中，所述MBS和所述SBS可以在

中共享每个通信信道，当多个所述用户终端UE使用相同的信道以接入不同的所述基站BS时，它将导致这些所述用户终端UE之间的信道干扰。此外，类似于所述移动边缘计算服务器171，为了向不同所述QoE偏好的所述用户终端177提供个性化通信服务，每个通信信道

提供q个级别的传输功率r_k＝{r_k，1，…，r_k，q}和相应的单位能耗w_k＝{w_k，1,…,w_k,q}。

在所有的物理网络小区中共有N个用户终端，设集合为UE＝{UE₁,…,UE_N}。每个UE由一个六元组表示

其中(x_i,yi)是UE_i所在地理位置的经纬度值，f_i是本地计算能力，w_i是每个CPU周期的能耗，

是空闲状态下UE_i的能耗，ut_i是当前时间段内UE_i的计算任务集，QoE_i是UE_i的QoE值。根据位置(x_i，y_i)，找到所述用户终端UE在当前时间段内所在的小区以及覆盖该小区的BS，即每个所述用户终端UE不能在计算卸载过程中选择用于通信的所述基站BS，而是基于其位置确定其所属的所述基站BS。

对于每个所述用户终端177，假设当前时间段内有一个或多个计算任务，表示为ut_i＝{ut_i,1,…,ut_i,N}，这些任务之间没有逻辑或数据依赖关系，计算任务是计算卸载决策的最小单位，假设每个任务都是可卸载的，即每个任务可以在本地执行或卸载到所述移动边缘计算服务器171，ut_i中的每个任务ut_i,j又可以由一个4元组表示

其中

表示执行ut_i，j任务所需的CPU周期数，

表示ut_i，j所需的输入数据集的大小，

表示是ut_i，j任务的截止时间，γ_i,j是ut_i,j在时间延迟和能耗之间的偏好权重。令M为所有UE的计算任务总数，即

所述计算任务卸载模型11包括通信模型111、计算模型113及能耗模型115；所述计算任务卸载模型11计算方法包含以下3个步骤：

步骤1，所述通信模型111的计算方法：所述通信模型111用于所述用户终端根据当前位置确定其所属的所述基站，通过所述宏基站直接访问或通过所述小型基站、所述宏基站顺序访问所述移动边缘计算服务器，当所述用户终端将所述计算任务卸载到移动边缘计算服务器时，使用通信信道与所述移动边缘计算服务器连接；

假设第m个基站BS_m将通信信道

分配给UE_i，则

对UE_i的信号干扰噪声比(SINR)可以定义为：

其中，σ表示5G无线接入网络中加性高斯白噪声的功率，p_k,q表示

使用第q个QoE服务级别时的传输功率，q＝QoE_i是UE_i的QoE偏好值。h_i,m表示

在UE_i和BS_m之间的通道收益，通过UE_i和BS_m之间的距离计算得到：

其中，1≤d_i,m≤D_m，D_m是BS_m的最大覆盖半径，而∈是路径损耗因子。因此，很容易证明h_i，m∈(0，1]和

其他BS中的UE与BS_m中的UE_i之间在通信信道

的信道干扰表示为

为了简便表示，在下文中当表示UE_i属于BS_m时，h_i，m、

和

的上标/下标m将被省略。

由于每个信道可以由多个UE共享，因此我们引入信道关联矩阵

来存储UE和BS之间的传输分配。

其中二进制变量c_i，k＝{0，1}表示通道

是否分配给UE_i。为了降低计算复杂度，我们假设每个UE只能订阅一个随机分配的信道，并且每个UE在卸载过程期间在同一信道上发送其计算任务。因此，我们可以得到

和

上行链路通信信道分配的一个示例如图2所示。在上行链路通信过程中，

分配给UE_i的传输速率定义为：

由于SINR_i,k∈(0，1]，可以证明

当SINR_i，k增加时，

会相应增加。

设定的所述小型基站与所述宏基站间的回程链路传输速率为r^bh，设定所述计算任务为ut_i，j，设定所述用户终端为UE_i，所述宏基站为MBS，所述小型基站为SBS，所述计算任务为ut_i，j上行链路和所述回程链路中的时间消耗为总通信延迟

定义计算公式为：

步骤2，所述计算模型113的计算方法：每个在所述用户终端执行的所述计算任务同时能够卸载到所述移动边缘计算服务器上执行，所述计算模型通过比较所述用户终端本地执行及卸载到所述移动边缘计算服务器上执行的时间消耗，做出卸载决策，所述用户终端本地执行计算的时间消耗是基于异构的具有不同硬件及计算能力的所述用户终端决定的，设定f_i为所述用户终端的计算能力，即所述用户终端每单位时间执行f_i条指令，对于所述用户终端的一个本地计算任务ut_i，j，其时间消耗的计算方法为：

所述卸载到所述移动边缘计算服务器上执行的时间消耗，对于所述用户终端中需要被卸载的某个计算任务ut_i,j，其卸载过程中的消耗

包含两个部分：所述用户终端和所述移动边缘计算服务器之间的传输延迟

所述移动边缘计算服务器执行延迟

由于所有UE都是自私的且相互竞争，他们竞争MEC服务器的计算资源。ut_ij的MEC执行过程的时间消耗定义为：

其中f_s，q表示MEC服务器提供第q级QoE服务时的计算能力，w_s是MEC服务器的当前工作负载，由所有卸载任务的计算总量计算得出。w_max是MEC服务器可接受的最大工作负载，这是一个固定值。θ_w是工作负载的阈值。因此，卸载过程中ut_i，j的总时间消耗

的计算方式如下：

步骤3，所述能耗模型115的计算方法：基于所述通信模型111及所述计算模型113，进一步地，计算每个用户终端的能量消耗，所述能耗模型115的计算包括所述用户终端的本地能耗计算及卸载能耗计算，所述本地能耗计算，对于所述用户终端本地执行的计算任务ut_i，j，ut_i，j的能耗定义为：

其中，

是完成所述ut_i，j所需的CPU周期数，w_i是所述用户终端的单位能源成本；所述用户终端的本地能耗

是所述用户终端的所有本地执行任务的总能耗为

所述卸载能耗的计算，对于所述用户终端计算任务ut_i,j卸载到所述移动边缘计算服务器，那么ut_i,j的卸载能耗

由三部分组成：

其中

表示指的是所述终端在等待所述ut_i,j卸载过程中的空闲能耗，

是指从所述终端到所述移动边缘计算服务器的传输过程中所述ut_i,j的能耗，

是指移动边缘计算服务器计算所述ut_i,j所需的能耗。

空闲能耗

计算方法如下：

其中

是UE_i空闲状态下的单位能耗。根据通信模型，ut_i,j在通信过程中的能耗

可以计算如下：

其中，

是ut_i,j所需的输入数据集的大小，

是第k个上行链路信道

的单位传输成本，w^bh是SBS和MBS之间的回程链路的单位传输成本。ut_i,j的卸载执行过程的MEC服务器的能耗

计算如下：

其中w_s,q是MEC服务器提供第q级QoE服务睦的单位能耗。

所述非合作博弈模型13定义所述用户终端计算任务卸载决策，所有所述计算任务的卸载决策定义为计算任务卸载决策组合，所述卸载决策最小化所述能量消耗及时间延迟，将a_i，j∈{0，1}表示为所述计算任务ut_i，j的卸载决策，其中a_i,j＝0表示ut_i,j将在所述用户终端本地执行，a_i,j＝1表示ut_i,j将被卸载到所述移动边缘计算服务器中执行；设

是所述用户终端上所有计算任务的卸载策略集；设所有的N个所述用户终端上有M个计算任务，A＝{a_i，…,a_M}表示所述计算任务卸载决策组合。

进一步地，所述计算任务卸载策略定义为多玩家非合作博弈模型G＝{UE，A，Z}，其中UE是所述用户终端，A是所述计算任务卸载策略，Z是成本，设定所述用户终端UE＝{UE₁,…,UE_N}为所述非合作博弈模型中的N个玩家，每个的玩家选择所述计算任务卸载决策组合，定义A＝{A₁，…,A_i,…，A_N}是所有所述玩家的全局计算任务卸载决策组合，定义

是所述UE_i的局部所述计算任务卸载决策组合，在每个博弈决策过程中，当前所述玩家选择所述Ai作为其博弈策略，并根据Ai计算玩家的所述成本Z；

设A_-1＝(A-A_i){A₁，…，A_i-1,A_i+1，…，A_N}是除玩家UE_i之外的所有其他玩家的一组计算任务卸载策略集合，给定一个策略集合A_-1，所述UE_i可以选择一个所述局部计算任务卸载策略集合

来决定其所述用户终端上的所有任务的卸载情况；对于每个所述卸载任务ut_i，j，设置a_i,j＝1，ut_i,j在卸载过程中的成本函数为：

反之，所述UE_i决定在本地执行所述ut_i,j，则设置a_i,j＝0，其成本函数为：

对于所述非合作博弈模型中的每个所述玩家选择适当的所述卸载决策集A_i以在竞争环境中最小化其自身的所述成本函数，则所述UE_i的整体成本函数

定理1：如果在全局计算任务卸载决策集

中，没有玩家可以通过单方面改变它的局部卸载决策集(COPC)来进一步降低其成本，则A^*}是所提出的博弈模型的纳什均衡(NE)解决方案即：

NE具有显着的自我稳定性，因此处于均衡状态的玩家可以获得双方满意的解决方案，并且没有人有偏离的动机。这个属性对于非合作计算卸载决策博弈非常重要，因为每个玩家对自己的收益都是自私的。

如果在所述全局计算任务卸载决策集

中，没有所述玩家可以通过单方面改变它的所述局部卸载决策集来进一步降低成本，则所述A^*是所述非合作博弈模型的纳什均衡解决方法，其成本函数计算为：

所述基于博弈论原理的计算任务卸载博弈方法15计算每个所述用户终端的最佳卸载策略，以有效地找到所述非合作博弈模型的纳什均衡解决方法，在所述计算任务卸载方法中使用动态博弈策略，即每个玩家在制定策略时都存在顺序约束，后一个玩家可以观察到先前玩家的决策信息，所述动态博弈策略根据时间先后顺序执行，在博弈迭代之前，通过随机选择每个玩家的局部计算任务卸载策略值来生成一组初始全局计算任务卸载策略组合

为每个玩家的任务进一步随机选择卸载策略，并根据所述整体成本函数

计算得到所述初始决策集合A⁰所对应的总成本Z⁰；

为了确保每个全局计算任务卸载策略只计算一次并且不会重复，设定一个Q表来存储访问的策略和相应的成本值，表示为Q＝{(A⁰,Z⁰)，…}，所述计算任务卸载博弈方法中的博弈迭代步骤为：

步骤S1，基于初始全局决策集合Z⁰，开始第一轮博弈迭代，首先随机选择一个玩家UE_i，根据

来更改其局部卸载决策A′_i，并获得最佳决策集

以及使相应的成本Z′_i；

步骤S2：通过比较Z′_i和Z⁰之间的成本值，并选择成本值较小的所述计算任务卸载策略集作为玩家UE_i当前博弈操作的全局计算任务卸载决策，设置为

步骤S3：将

的值存储到Q表中，继续从其余玩家中随机选择另一个玩家UE_j，并根据前一玩家UE_i所选择的全局决策集

来更改其局部卸载决策A′_j，并获得最佳决策集

以及使相应的成本Z′_j，继续比较Z′_j和

之间的成本值，并为UE_j选择成本值较小的计算任务卸载策略，并设置为

将更新的策略

和相应的成本

存储到所述Q表中；

步骤S4：随机选择所有玩家并且基于先前玩家的计算任务卸载策略，调整他们的卸载策略，选择最后一个玩家的卸载策略作为该轮博弈迭代的最终全局卸载决策集A¹；

在每一轮博弈迭代之后，检查全局卸载决策集A¹是否是该博弈模型的纳什均衡解决方法，如果A¹满足

则说明所述A¹是计算卸载博弈选择的纳什均衡解决方法，否则，所有玩家开始新的一轮博弈迭代并且将A¹作为新一轮迭代的初始全局任务卸载策略，重复上述博弈迭代步骤S1-S4，直到找到纳什均衡解决方法。

请参阅图3，为图1所示基于博弈论原理的计算任务卸载博弈案例中实际计算的结果。

与现有技术相比，本发明提供的计算任务卸载方法，基于用户服务质量的计算任务卸载模型设计，利用博弈论原理定义非合作博弈模型，结合动态博弈迭代策略，找到纳什的均衡解决方法，解决在5G网络中快速和时变通信环境的复杂场景中用户终端与移动边缘计算服务器计算任务卸载的问题，提升了时间延迟及能量消耗。

以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

Claims (1)

1.一种计算任务卸载方法，面向移动边缘计算服务器及用户终端提供计算任务卸载模型，基于所述计算任务卸载模型制定计算任务卸载决策非合作博弈模型，通过所述计算任务卸载决策非合作博弈模型制定基于博弈论原理的计算任务卸载博弈方法，进一步通过所述计算任务卸载博弈方法得到所述计算任务卸载方法，所述计算任务卸载模型包括通信模型、计算模型及能耗模型；所述计算任务卸载模型计算方法包含以下步骤：

步骤1，所述通信模型的计算方法：所述通信模型用于所述用户终端根据当前位置确定其所属的基站，通过宏基站直接访问或通过小型基站、所述宏基站顺序访问所述移动边缘计算服务器，当所述用户终端将所述计算任务卸载到移动边缘计算服务器时，使用通信信道与所述移动边缘计算服务器连接，设定的所述小型基站与所述宏基站间的回程链路传输速率为r^bh，设定所述计算任务为ut_i，j，设定所述用户终端为UE_i，所述宏基站为MBS，所述小型基站为SBS，所述计算任务为ut_i，j上行链路和所述回程链路中的时间消耗为总通信延迟

定义计算公式为：

其中，

为所述计算任务ut_i，j上行链路中的时间消耗，

为所述计算任务ut_i，j回程链路中的时间消耗，所述

表示所述计算任务ut_i，j所需的输入数据集的大小，正交通信通道分配给UE_i的传输速率

通过如下公式计算：

二进制变量c_i，k＝{0，1}表示所述正交通信通道

是否分配给UE_i，

对 UE_i的信号干扰噪声比(SINR)可以定义为：

其中，σ表示5G无线接入网络中加性高斯白噪声的功率，p_k，q表示所述

使用第q个QoE服务级别时的传输功率，q＝QoE_i是UE_i的QoE偏好值，h_i，m表示

在UE_i和BS_m之间的通道收益，通过UE_i和BS_m之间的距离计算得到：

其中，d_i，m为UE_i和BS_m之间的距离，1≤d_i，m≤D_m，D_m是BS_m的最大覆盖半径，而∈是路径损耗因子，其他基站中的UE与BS_m中的UE_i之间在所述

的信道干扰表示为

步骤2，所述计算模型的计算方法：每个在所述用户终端执行的所述计算任务同时能够卸载到所述移动边缘计算服务器上执行，所述计算模型通过比较所述用户终端本地执行及卸载到所述移动边缘计算服务器上执行的时间消耗，做出卸载决策，所述用户终端本地执行计算的时间消耗是基于异构的具有不同硬件及计算能力的所述用户终端决定的，设定f_i为所述用户终端的计算能力，即所述用户终端每单位时间执行f_i条指令，对于所述用户终端的一个本地计算任务ut_i，j，其时间消耗的计算方法为：

其中，

是完成所述ut_i，j所需的CPU周期数；

所述卸载到所述移动边缘计算服务器上执行的时间消耗，对于所述用户终端中需要被卸载的某个计算任务ut_i，j，其卸载过程中的消耗

包含两个部分：所述用户终端和所述移动边缘计算服务器之间的传输延迟

所述移动边缘计算服务器执行延迟

所述移动边缘计算服务器执行延迟

通过如下公式进行计算：

其中，f_s，q表示MEC服务器提供第q级QoE服务时的计算能力，w_s是MEC服务器的当前工作负载，由所有卸载任务的计算总量计算得出，w_max是MEC服务器可接受的最大工作负载，θ_w是工作负载的阈值；

所述卸载过程中ut_i，j的总时间消耗

的计算方式如下：

步骤3，所述能耗模型的计算方法：基于所述通信模型及所述计算模型，进一步地，计算每个用户终端的能量消耗，所述能耗模型的计算包括所述用户终端的本地能耗计算及卸载能耗计算，所述本地能耗计算，对于所述用户终端本地执行的计算任务ut_i，j，ut_i，j的能耗定义为：

其中，

是完成所述ut_i，j所需的CPU周期数，w_i是所述用户终端的单位能源成本；所述用户终端的本地能耗

是所述用户终端的所有本地执行任务的总能耗为

所述卸载能耗的计算，对于所述用户终端计算任务ut_i，j卸载到所述移动边缘计算服务器，那么ut_i，j的卸载能耗

由三部分组成：

其中

表示指的是所述终端在等待所述ut_i，j卸载过程中的空闲能耗，

是指从所述终端到所述移动边缘计算服务器的传输过程中所述ut_i，j的能耗，

是指移动边缘计算服务器计算所述ut_i，j所需的能耗；

其中，空闲能耗

计 算方法如下：

为所述终端在等待所述ut_i，j卸载过程中的等待时长，

是UE_i空闲状态下的单位能耗，通过如下公式计算所述

其中，

是ut_i，j所需的输入数据集的大小，

是第k个上行链路信道

的 单位传输成本，w^bh是SBS和MBS之间的回程链路的单位传输成本， ut_i，j的卸载执行过程的MEC服务器的能耗

计算如下：

其中，w_s，q是MEC服务器提供第q级QoE服务的单位能耗；

其中，i为所述用户终端的编号，j为所述用户终端上的任务编号，k为无线网络通信中的通道编号，m为基站的编号；

所述非合作博弈模型定义所述用户终端计算任务卸载决策，所有所述计算任务的卸载决策定义为计算任务卸载决策组合，所述卸载决策最小化所述能量消耗及时间延迟，将a_i，j∈{0，1}表示为所述计算任务ut_i，j的卸载决策，其中a_i，j＝0表示ut_i，j将在所述用户终端本地执行，a_i，j＝1表示ut_i，j将被卸载到所述移动边缘计算服务器中执行；设

是所述用户终端上所有计算任务的卸载策略集；设所有的N个所述用户终端上有M个计算任务，A＝{a_i，...，a_M}表示所述计算任务卸载决策组合；

所述计算任务卸载策略定义为多玩家非合作博弈模型G＝{UE，A，Z}，其中UE是所述用户终端，A是所述计算任务卸载策略，Z是成本，设定所述用户终端UE＝{UE₁，...，UE_N}为所述非合作博弈模型中的N个玩家，每个的玩家选择所述计算任务卸载决策组合，定义A＝{A₁，...，A_i，...，A_N}是所有所述玩家的全局计算任务卸载决策组合，定义

是所述UE_i的局部所述计算任务卸载决策组合，在每个博弈决策过程中，当前所述玩家选择所述Ai作为其博弈策略，并根据Ai计算玩家的所述成本Z；

设A_-1＝(A-A_i){A₁，...，A_i-1，A_i+1，...，A_N}是除玩家UE_i之外的所有其他玩家的一组计算任务卸载策略集合，给定一个策略集合A_-1，所述UE_i可以选择一个所述局部计算任务卸载策略集合

来决定其所述用户终端上的所有任务的卸载情况；对于每个所述卸载任务ut_i，j，设置a_i，j＝1，ut_i，j在卸载过程中的成本函数为：

反之，所述UE_i决定在本地执行所述ut_i，j，则设置a_i，j＝0，其成本函数为：

对于所述非合作博弈模型中的每个所述玩家选择适当的所述卸载决策集A_i以在竞争环境中最小化其自身的所述成本函数，则所述UE_i的整体成本函数

如果在所述全局计算任务卸载决策集

中，没有所述玩家可以通过单方面改变它的所述局部卸载决策集来进一步降低成本，则所述A^*是所述非合作博弈模型的纳什均衡解决方法，其成本函数计算为：

所述基于博弈论原理的计算任务卸载博弈方法计算每个所述用户终端的最佳卸载策略，以有效地找到所述非合作博弈模型的纳什均衡解决方法，在所述计算任务卸载方法中使用动态博弈策略，即每个玩家在制定策略时都存在顺序约束，后一个玩家可以观察到先前玩家的决策信息，所述动态博弈策略根据时间先后顺序执行，在博弈迭代之前，通过随机选择每个玩家的局部计算任务卸载策略值来生成一组初始全局计算任务卸载策略组合

为每个玩家的任务进一步随机选择卸载策略，并根据所述整体成本函数Z_i(A_i|A_-i)计算得到所述初始决策集合A⁰所对应的总成本Z⁰；

为了确保每个全局计算任务卸载策略只计算一次并且不会重复，设定一个Q表来存储访问的策略和相应的成本值，表示为Q＝{(A⁰，Z⁰)，...}，所述计算任务卸载博弈方法中的博弈迭代步骤为：

步骤S1，基于初始全局决策集合Z⁰，开始第一轮博弈迭代，首先随机选择一个玩家UE_i，根据

来更改其局部卸载决策A′_i，并获得最佳决策集

以及使相应的成本Z′_i；

步骤S2：通过比较Z′_i和Z⁰之间的成本值，并选择成本值较小的所述计算任务卸载策略集作为玩家UE_i当前博弈操作的全局计算任务卸载决策，设置为

步骤S3：将

的值存储到Q表中，继续从其余玩家中随机选择另一个玩家UE_j，并根据前一玩家UE_i所选择的全局决策集

来更改其局部卸载决策A′_j，并获得最佳决策集

以及使相应的成本Z′_j，继续比较Z′_j和

之间的成本值，并为UE_j选择成本值较小的计算任务卸载策略，并设置为

将更新的策略

和相应的成本

存储到所述Q表中；

步骤S4：随机选择所有玩家并且基于先前玩家的计算任务卸载策略，调整他们的卸载策略，选择最后一个玩家的卸载策略作为该轮博弈迭代的最终全局卸载决策集A¹；

在每一轮博弈迭代之后，检查全局卸载决策集A¹是否是该博弈模型的纳什均衡解决方法，如果A¹满足

则说明所述A¹是计算卸载博弈选择的纳什均衡解决方法，否则，所有玩家开始新的一轮博弈迭代并且将A¹作为新一轮迭代的初始全局任务卸载策略，重复上述博弈迭代步骤S1-S4，直到找到纳什均衡解决方法。

Images