CN111262944A

CN111262944A - 异构移动边缘计算网络中分层任务卸载的方法与系统

Info

Publication number: CN111262944A
Application number: CN202010066572.5A
Authority: CN
Inventors: 宋令阳; 王鹏飞; 邸博雅
Original assignee: Peking University
Current assignee: Peking University
Priority date: 2020-01-20
Filing date: 2020-01-20
Publication date: 2020-06-09
Anticipated expiration: 2040-01-20
Also published as: CN111262944B

Abstract

本申请实施例涉及异构边缘计算网络技术领域，具体涉及一种异构移动边缘计算网络中分层任务卸载的设计方法、系统、存储介质及设备。所述方法包括：边缘设备、边缘服务器和云计算中心，所述边缘设备根据边缘服务器反馈的价格和本地计算的能耗判断是否卸载任务，所述边缘服务器根据云计算中心反馈的价格和本地计算的能耗判断是否卸载任务，所述云计算中心根据最小化整个计算网络的能耗调整价格，循环上述步骤，直至边缘设备的卸载策略、边缘服务器的决策策略以及云计算中心发布的计算资源的价格和罚金均稳定。本方法通过价格和罚金的机制实现了分布式系统中整个计算网络中能耗最小化，有效减少了整体能耗；罚金的设置降低了系统阻塞发生的概率。

Description

异构移动边缘计算网络中分层任务卸载的方法与系统

技术领域

本申请实施例涉及异构边缘计算网络技术领域，具体而言，涉及一种异构移动边缘计算网络中分层任务卸载的方法、系统、存储介质及设备。

背景技术

物联网的快速发展让我们进入了后云时代，在我们的日常生活中会产生大量的数据。物联网应用可能会要求极快的响应时间，数据的私密性等等。如果把物联网产生的数据传输给云计算中心，将会加大网络负载，网路可能造成拥堵，并且会有一定的数据处理延时。

随着物联网和云服务的推动，一种新的处理问题的模型，边缘计算应运而生，即在网络的边缘产生、处理、分析数据；异构边缘计算(HetMEC)网络是将云和多层边缘计算相结合，使得边缘设备处产生的计算任务可以卸载到不同层的服务器上进行运算。

目前已有的方案大多只考虑了两层的传统边缘计算网络，即只有单层的边缘服务器和底层的边缘设备，针对单个服务器、多个服务器两类情况，来减小系统用于任务执行和计算卸载的能耗。

当前的方案没有充分考虑多层计算设备之间的相互作用和联系，而且大多没有考虑系统阻塞情况。目前方案针对分布式网络，通常使用博弈来协调各个利益独立个体的决策行为，利用纳什均衡解来得到稳定解，例如利用阻塞博弈(congestiongame)来建模自私用户对共有资源的竞争。但是阻塞博弈的前提是竞争者是同质的，但如果网络中的云计算中心、边缘服务器和边缘设备有着不同的能耗模型，则无法采用阻塞博弈来实现多层的边缘计算网络中的能耗优化。

发明内容

为解决上述技术问题，本申请实施例提供一种异构移动边缘计算网络中分层任务卸载的方法、系统、存储介质及设备。

本申请实施例第一方面提供一种异构移动边缘计算网络中分层任务卸载的方法，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接所述方法包括：

S1边缘设备，生成计算任务和处理时限，接收边缘服务器反馈的价格，根据价格和本地计算的能耗判断是否卸载任务，若是，则将任务卸载给边缘服务器，若不是，则在本地进行所述任务计算；

S2边缘服务器，接收云计算中心的计算资源价格并反馈给边缘设备；

接收边缘设备支付的费用和卸载的任务以及剩余处理时限，并根据自身的决策策略算出计算所述边缘设备卸载的任务和/或将所述边缘设备卸载的任务卸载给所述云计算中心任务的收益；

若收益为负，则将所述边缘设备卸载的任务卸载到云计算中心，若收益为0或者正，则在本地计算所述边缘设备卸载的任务；

S3云计算中心，接收边缘服务器支付的费用、卸载的任务和剩余处理时限，优化计算和传输资源分配，计算出计算所述边缘服务器卸载的任务所需要的能耗；将最小化整个计算网络的能耗作为目标函数，将任务的处理量和传输量作为约束条件，根据拉格朗日乘子法计算出计算资源的价格和发生系统阻塞后的罚金，并将所述计算资源的价格和罚金的信息反馈给边缘服务器；

当边缘设备和/或边缘服务器卸载的任务造成计算网络堵塞，每个边缘设备和每个边缘服务器向云计算中心缴纳罚金；

循环步骤S1、S2和S3，直至边缘设备的卸载策略、边缘服务器的决策策略以及云计算中心发布的计算资源的价格和罚金均稳定时，整个计算网络中的计算卸载设计完成。

可选的，所述边缘设备根据价格和本地计算的能耗判断是否卸载任务，包括：

根据任务的数据产生速率和处理时限，计算出在本地计算所述任务所需要的能耗E1；

根据边缘服务器反馈的计算资源价格和任务的数据量，计算出自身卸载任务所需要支付的成本E2；

比较E1和E2，若E1>E2，则将任务卸载到边缘服务器；若E1≤E2，则在本地进行所述任务的计算。

可选的，在将任务卸载到边缘服务器之前，所述方法还包括：边缘设备根据自身的优化策略优化无线传输的传输功率。

可选的，在本地进行所述任务的计算之前，所述方法还包括：所述边缘设备自身的优化策略根据任务的数据产生率和处理时限优化计算资源配比。

可选的，当所述边缘服务器接收多个边缘设备卸载的任务时，根据自身的决策策略和自身的总计算能力决定是否卸载，卸载时以每个边缘设备卸载的任务为单位

若收益为负，则将任务卸载到云计算中心；若接收的任务的总数据量大于自身的总计算能力，将任务卸载到云计算中心；卸载时以每个边缘设备卸载的任务为单位。

可选的，有多个边缘服务器时，为所有边缘服务器的决策策略建立学习模型，包括所述边缘服务器的状态、行为和收益，

所述边缘服务器的状态包括云计算中心反馈的价格、边缘设备的数据产生速率、剩余处理时限和其他边缘服务器的卸载策略；

所述边缘服务器的行为包括自身的计算资源分配策略和卸载策略；

将其他服务器的历史行为作为学习策略，将边缘服务器的收益作为目标函数。

本申请实施例第二方面提供一种异构移动边缘计算网络中分层任务卸载的系统，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接，所述边缘设备包括：生成模块、第一接收模块和第一判断模块；

生成模块，被配置为边缘设备生成计算任务和处理时限；

接收模块，被配置为接收边缘服务器反馈的价格；

判断模块，被配置为根据价格和本地计算的能耗判断是否卸载任务，若是，则将任务卸载给边缘服务器，若不是，则在本地进行所述任务计算。

所述边缘服务器包括：接收和反馈模块、第二接收模块和第二判断模块；

接收和反馈模块，被配置为接收云计算中心的计算资源价格并反馈给边缘设备；

第二接收模块，被配置为接收边缘设备支付的费用和卸载的任务以及剩余处理时限；

第二判断模块，被配置为根据自身的决策策略算出计算所述边缘设备卸载的任务和/或将所述边缘设备卸载的任务卸载给所述云计算中心任务的收益；

所述云计算中心包括：第三接收模块、计算处理模块和价格和罚金计算模块；

第三接收模块，被配置为云计算中心接收边缘服务器支付的费用、卸载的任务和剩余处理时限，

计算处理模块，被配置为优化计算和传输资源分配，计算出计算所述边缘服务器卸载的任务所需要的能耗；

价格和罚金计算模块，被配置为将最小化整个计算网络的能耗作为目标函数，将任务的处理量和传输量作为约束条件，根据拉格朗日乘子法计算出计算资源的价格和发生系统阻塞后的罚金，并将所述计算资源的价格和罚金的信息反馈给边缘服务器；

所述边缘设备、边缘服务器和云计算中心循环工作并交互，直至边缘设备的卸载策略、边缘服务器的决策策略以及云计算中心发布的计算资源的价格和罚金均稳定时，整个计算网络中的计算卸载设计完成。

本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法中的步骤。

本申请实施例第四方面提供一种电子设备，包括存储器、处理器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，实现本申请第一方面所述的方法的步骤。

采用本申请提供的异构移动边缘计算网络中分层任务卸载的方法，对比传统分布式算法(即没有考虑价格机制的算法)，本发明中基于价格机制的多层计算卸载算法在相同的数据产生速率情况下，通过价格和罚金的机制实现了整个计算网络中能耗最小化，有效减少了分布式系统中异构边缘计算网络的整体能耗；

而且罚金的设置大大降低了系统阻塞发生的概率，在存在可行解的情况下保证了结果的可行性，有效降低了任务超时概率，即通过合理的计算卸载，将计算压力分散，通过与资源分配和功率控制的联合优化，有效将更多的任务执行时间控制在要求之内。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的方法的场景示意图；

图2是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的方法的流程框图；

图3是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的方法的流程图；

图4是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的系统的示意图；

图5是本申请另一实施例提出的异构移动边缘计算网络中分层任务卸载的系统的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考图1，图1是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的方法的场景示意图。如图1所示，所述场景为：应用于分布式系统，分布式的异构边缘计算网络包括三层，自下而上分别是边缘设备(ED)、无线接入点/边缘服务器(AP/MEC)和云计算中心(CC)，所有的计算任务从底层地边缘设备节点处产生，每一个边缘设备只连接一个边缘服务器，每个边缘服务器可以连接多个边缘设备，每个边缘服务器与云计算中心相连接，每个边缘设备与其所连接的边缘服务器以及云计算中心形成一条链路，每个边缘设备生成的任务可以在该边缘设备所在的链路上的任意一层进行计算，即该任务可以在边缘设备上进行计算，也可以卸载到该边缘设备连接的边缘服务器上进行计算，也可以通过上述边缘服务器卸载到云计算中心进行计算，每个任务为一个整体，不可分割，即以每个边缘设备卸载的任务为单位。由于计算结果的数据量通常远小于任务中原始数据的数据量，因此将计算结果在上传中的能耗部分忽略。

参考图2和图3，图2是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的方法的流程框图，图3是本申请一实施例提出异构移动边缘计算网络中分层任务卸载的方法的流程图。如图2、3所示，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接所述方法包括：

所有的计算任务都是在边缘设备处生成的，每个计算任务包含对应的数据量和数据产生速率，数据产生速率包括单位时间内产生的数据量λ和计算所需的CPUcycle数量b；处理时限是指每个计算任务都需要在相应的时间内处理完。边缘设备与边缘服务器通过无线网络通信，以便于将计算任务卸载到边缘服务器，同时接收边缘服务器反馈的信息，如接收边缘服务器反馈的价格和罚金信息。计算资源的价格主要用于帮助边缘设备判断是否卸载所述任务，即价格过高，导致卸载任务所产生的花费高于本地计算的能耗，则选择在本地进行所述任务的计算，若价格较低，卸载任务所产生的花费低于在本地计算的能耗，则将任务卸载到边缘服务器，在卸载任务时，还要考虑将任务传输到边缘服务器所产生的能耗。

若收益为负，则将所述边缘设备卸载的任务卸载到云计算中心，若收益为0或者正，则在本地计算所述边缘设备卸载的任务。

边缘服务器是连接边缘设备和云计算中心的中间设备，边缘服务器相比于边缘设备具有更强的计算能力，但计算能力弱于云计算中心，边缘服务器接收到云计算中心反馈的计算资源价格后记录于自身的决策策略中用于下一轮的决策优化，并反馈给边缘设备，使边缘设备及时更新最新的计算资源价格，以便边缘设备进行后续的卸载判断。

当边缘设备进行计算卸载时，边缘服务器接收边缘设备支付的费用和卸载的任务以及剩余处理时限，由于边缘设备将任务的原始数据传给边缘服务器需要花费一定的时间，花费的时间与边缘设备的传输功率和网络带宽有关，本处的剩余处理时限是所述任务原本的处理时限减去传输时间后剩余的时间。

由于一个边缘服务器上连接有多个边缘设备，因此同一个边缘服务器可能收到多个边缘设备卸载的任务，因此边缘服务器可能向云计算中心卸载一个或多个任务，或者将接收到的所有任务在边缘服务器本地进行计算，在上述各种情况下，边缘服务器根据自身的决策策略计算出每种情况下的收益，所述的收益是指卸载任务到云计算中心所所产生的花费与边缘服务器在本地计算任务的能耗之间的差值，若收益为负，则将所述边缘设备卸载的任务卸载到云计算中心，若收益为0或者正，则在本地计算所述边缘设备卸载的任务。

S3云计算中心，接收边缘服务器支付的费用、卸载的任务和剩余处理时限，优化计算和传输资源分配，计算出计算所述边缘服务器卸载的任务所需要的能耗；将最小化整个计算网络的能耗作为目标函数，将任务的处理量和传输量作为约束条件，根据拉格朗日乘子法计算出计算资源的价格和发生系统阻塞后的罚金，并将所述计算资源的价格和罚金的信息反馈给边缘服务器；当边缘设备和/或边缘服务器卸载的任务造成计算网络堵塞，每个边缘设备和每个边缘服务器向云计算中心缴纳罚金。

云计算中心拥有较强的处理能力，可快速处理各个任务，同时负责优化整个计算网络的计算卸载，通过发布计算资源价格和罚金使各个边缘设备和各个边缘服务器合理的进行计算卸载，使得边缘设备处产生的计算任务可以卸载到不同层的服务器上进行运算，合理疏散计算压力、提高运算效率，减少整个计算网络中所产生的能耗。

当边缘服务器将计算任务卸载到云计算中心时，云计算中心接收边缘服务器支付的费用、卸载的任务和剩余处理时限，该处的剩余处理时限是指边缘服务器接收边缘设备卸载的计算任务时所收到的剩余处理时限再减去边缘服务器将任务传输给云计算中心所花费的传输时间，即云计算中心接收到的剩余处理时限为：边缘设备处生成的处理时限减去边缘设备将计算任务传输给边缘服务器的传输时间后，再减去边缘服务器将任务传输给云计算中心所花费的传输时间。

将最小化整个计算网络的能耗作为目标函数，云计算中心计算所述边缘服务器卸载的任务所需要的能耗为目标函数的一部分，目标函数中还包括边缘设备计算任务所产生的能耗、传输计算任务所产生的能耗、计算中心的冷却能耗等，其中边缘服务器是通过有限网络将计算任务传输给云计算中心，有线传输产生的能耗很小，此处可以忽略。将任务的处理量和传输量作为约束条件，即边缘设备、边缘服务器和云计算中心所处理的数据量均不能超过自身的最大处理能力，传输的任务数据量不能超过最大的传输能力，处理时限也是约束条件之一，在此为了方便计算，将处理时限相关的限制条件利用拉格朗日乘子作为价格惩罚项加入了目标函数中。

根据拉格朗日乘子法计算出计算资源的价格和发生系统阻塞后的罚金，并将所述计算资源的价格和罚金的信息反馈给边缘服务器，边缘服务器将云计算中心反馈的计算资源的价格和罚金的信息反馈给边缘设备。

循环步骤S1、S2和S3，云计算中心根据最小化整个计算网络的能耗不断调整计算资源的价格和罚金的信息并将最新的计算资源的价格和罚金反馈给边缘设备和边缘服务器，边缘设备和边缘服务器根据收到的最新的计算资源的价格和罚金的信息不断地调整自身的卸载策略，直至边缘设备的卸载策略、边缘服务器的决策策略和云计算中心发布的计算资源的价格和罚金均稳定时，整个计算网络中的计算卸载设计完成，判断计算资源的价格和罚金是否稳定，可以通过最新两次的价格之差和罚金之差均小于对应的某一门限值进行判断。

关于拉格朗日乘子法更新价格的机制，可采取如下方式：

首先，定义第k轮中价格和罚金的更新步长为l[k]，云计算中心目的是在保证处理时限限制的前提下优化整个计算网络的能耗，其中将处理时限相关的限制条件利用拉格朗日乘子作为价格惩罚项加入目标函数中，得到一个只与拉格朗日乘子即价格因子ω，以及计算资源θ、传输资源φ分配有关的优化目标L^t(θ,φ,ω)，限制条件只与ω有关。

利用拉格朗日乘子法中的对偶函数方法得到的只与价格有关的对偶函数H(ω)：

定义价格和罚金在第k轮迭代过程中的更新步长为l[k]，其中步长的更新策略为：

因此在拉格朗日乘子法下，价格的更新策略为：

其中[…]⁺＝max{…,0}为取其与0之间的最大值，当满足迭代终止条件：

时，可以得到最终的价格策略，即得到价格和罚金。

在上述实施例的基础上，在另一实施例中，所述边缘设备根据价格和本

max(|ω(k+1)-ω(k)|)＜ξ地计算的能耗判断是否卸载任务，包括：

边缘设备根据价格和本地计算的能耗判断是否卸载任务实际上是比较卸载的花费和在本地计算所产生的能耗谁更小，计算在本地计算任务所需要消耗的能耗主要是根据数据产生速率和处理时限，数据产生速率包括单位时间内产生的数据量λ和计算所需要的CPU cycle数量b(CPU cycle是指处理完这些数据量λ所需要运行的CPU周期数)，根据单位时间内产生的数据量λ和产生的时间可以计算出任务的数据量，根据数据量、处理时限和边缘设备的计算能力可以计算出计算该任务所需要的能量E1；然后根据价格和数据量可以计算出卸载所述任务所需要的成本E2，比较E1和E2，若E1>E2，代表将任务卸载给边缘服务器的花费更小，则将任务卸载到边缘服务器；若E1≤E2，代表在本地计算所述任务的能耗相等或者更小，则在本地进行所述任务的计算，边缘设备在将任务卸载给边缘服务器时，传输所消耗的能量也是卸载所需要的成本的一部分。

在上述实施例的基础上，在另一实施例中，在将任务卸载到边缘服务器之前，所述方法还包括：边缘设备根据自身的优化策略优化无线传输的传输功率。边缘设备决定将任务卸载到边缘服务器时，需要将任务内的原始数据传输给边缘服务器，边缘设备在传输原始数据时，可以结合处理时限、网络带宽和传输功率，根据自身的优化策略得到一个最佳的传输功率，以减少传输耗能，其自身的优化策略可以采用凸优化，由于凸优化是十分经典的算法，在此不作赘述。

在上述实施例的基础上，在另一实施例中，在本地进行所述任务的计算之前，所述方法还包括：所述边缘设备自身的优化策略根据任务的数据产生率和处理时限优化计算资源配比。

在本地进行任务计算时，由于数据产生速率包括单位时间内产生的数据量λ和计算所需要的CPUcycle数量b，根据单位时间内产生的数据量λ和产生的时间可以计算出任务的数据量，根据对应的数据量、计算所需要的CPUcycle数量b和处理时限，通过自身的优化策略优化计算资源配比,即分配多少的计算力处理所述任务，并确保不会超出所述任务的处理时限,以最小化本地计算的能耗。其自身的优化策略可以采用凸优化，由于凸优化是十分经典的算法，在此不作赘述。

在上述实施例的基础上，在另一实施例中，当所述边缘服务器接收多个边缘设备卸载的任务时，根据自身的决策策略和自身的总计算能力决定是否卸载，卸载时以每个边缘设备卸载的任务为单位；

每个边缘设备所产生的每个任务为一个整体，不可分割，因此边缘服务器在卸载或者计算任务时，都必须以每个边缘设备卸载的任务为单位，当边缘服务器接收多个边缘设备卸载的任务时，由于每个边缘服务器的总计算能力存在上限，因此其接收的任务的总数据量不能超过其总计算能力，因此边缘服务器主要根据以下两点进行任务卸载的决策：若收益为负，则将任务卸载到云计算中心；若接收的任务的总数据量大于自身的总计算能力，将任务卸载到云计算中心。在进行是否进行卸载判断时，首先判断接收的任务的总数据量是否大于自身的总计算能力，若不大于，则再进行收益的判断；若大于，则需要判断具体卸载多少个任务，而判断卸载多少个任务是根据收益进行判断的，即只有计算的任务的总数据量小于自身的总计算能力且计算的任务收益为正时，才会在边缘服务器本地进行计算。

在上述实施例的基础上，在另一实施例中，在有多个边缘服务器时，为所有边缘服务器的决策策略建立学习模型，包括所述边缘服务器的状态、行为和收益，所述边缘服务器的状态包括云计算中心反馈的价格、边缘设备的数据产生速率、剩余处理时限和其他边缘服务器的卸载策略；

强化学习中有三个重要因素，分别为状态、行为和收益，决策策略的目标就在于找到每种状态下，收益最大的行为。

边缘服务器的状态由云计算中心反馈的价格，以及边缘设备的数据产生速率、剩余处理时限和其他边缘服务器的卸载策略共同决定。

行为包括两部分，分别是计算资源分配和边缘服务器的卸载决策。

收益是与目标函数相关的一项，由于整个方法的目标在于最小化能耗，因此收益可以定义为负能耗或者能耗的倒数，这样最大化收益便与目标保持一致。

在强化学习中，所有边缘服务器将联合进行行为决策，即联合行为由所有边缘服务器的计算资源分配和卸载决策共同决定，表示为a＝(a_j,a_-j)，其中a_j为服务器j的行为，a_-j为除了服务器j之外的所有用户的行为。

用Q(s,a)值表示某种状态s下采取行为a所得到的长期收益；

那么依据当前的Q值得到的最优的联合策略可以表示为：

其中Φ(s,a_-j)表示在之前的决策中，状态s下除了边缘服务器j之外的服务器选择行为a_-j的次数，n(s)表示一共进入状态s的次数，通过这个比例将之前的行为选择作为参考进行新的行为决策。

Q值会在每次服务器进行行为选择后进行更新，更新参照公式：

Ω_j(s，(a_j，a_-j))＝(1-η)Q_j(s，(a_j，a_-j))+η[R_j(s，(a_j，a_-j))+μV_j(s)]

其中η为学习率，即以1-η的概率选择最优行为，以η的概率随机选择行为，学习率会随着强化学习中迭代的进行逐渐减小，在第v轮中，

μ表示未来预期收益的占比，是0到1之间的定值。R_j为边缘服务器j的收益函数，可以是目标函数的负数或倒数。

表示服务器j根据其他边缘服务器的历史行为选择行为a_j′来最大化状态s

下的预期收益。具体的学习过程可以通过人为设定最大的迭代次数，在到达最大迭代次数后停止学习。

基于同一发明构思，本申请一实施例提供一种异构移动边缘计算网络中分层任务卸载的系统。参考图4，图4是本申请一实施例提出的异构移动边缘计算网络中分层任务卸载的系统的示意图。

如图4所示，一种异构移动边缘计算网络中分层任务卸载的系统，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接；

所述边缘设备包括：生成模块1、第一接收模块2和第一判断模块3；

生成模块1，被配置为边缘设备生成计算任务和处理时限；

第一接收模块2，被配置为接收边缘服务器反馈的价格；

第一判断模块3，被配置为根据价格和本地计算的能耗判断是否卸载任务，若是，则将任务卸载给边缘服务器，若不是，则在本地进行所述任务计算。

所述边缘服务器包括：接收和反馈模块4、第二接收模块5和第二判断模块6；

接收和反馈模块4，被配置为接收云计算中心的计算资源价格并反馈给边缘设备；

第二接收模块5，被配置为接收边缘设备支付的费用和卸载的任务以及剩余处理时限；

第二判断模块6，被配置为根据自身的决策策略算出计算所述边缘设备卸载的任务和/或将所述边缘设备卸载的任务卸载给所述云计算中心任务的收益；

所述云计算中心包括：第三接收模块7、计算处理模块8和价格和罚金计算模块9；

第三接收模块7，被配置为云计算中心接收边缘服务器支付的费用、卸载的任务和剩余处理时限，

计算处理模块8，被配置为优化计算和传输资源分配，计算出计算所述边缘服务器卸载的任务所需要的能耗；

价格和罚金计算模块9，被配置为将最小化整个计算网络的能耗作为目标函数，将任务的处理量和传输量作为约束条件，根据拉格朗日乘子法计算出计算资源的价格和发生系统阻塞后的罚金，并将所述计算资源的价格和罚金的信息反馈给边缘服务器；

在上述系统实施例的基础上，在另一实施例中，所述第一判断模块3被配置为：根据任务的数据产生速率和处理时限，计算出在本地计算所述任务所需要的能耗E1；

参考图5，图5是本申请另一实施例提出的异构移动边缘计算网络中分层任务卸载的系统的示意图。如图5所示，

在上述系统实施例的基础上，在另一实施例中，所述系统还包括：

第一优化模块10，被配置为在将任务卸载到边缘服务器之前，边缘设备根据自身的优化策略优化无线传输的传输功率。

如图5所示，在上述系统实施例的基础上，在另一实施例中，所述系统还包括：

第二优化模块11，在本地进行所述任务的计算之前，所述边缘设备自身的优化策略根据任务的数据产生率和处理时限优化计算资源配比。

在上述系统实施例的基础上，在另一实施例中，所述第二判断模块6，被配置为当所述边缘服务器接收多个边缘设备卸载的任务时，根据自身的决策策略和自身的总计算能力决定是否卸载，卸载时以每个边缘设备卸载的任务为单位；

在上述系统实施例的基础上，在另一实施例中，所述第二判断模块6，被配置为有多个边缘服务器时，为所有边缘服务器的决策策略建立学习模型，包括所述边缘服务器的状态、行为和收益，

基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的异构移动边缘计算网络中分层任务卸载的方法中的步骤。

基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的异构移动边缘计算网络中分层任务卸载的方法中的步骤。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种异构移动边缘计算网络中分层任务卸载的方法、系统、设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种异构移动边缘计算网络中分层任务卸载的方法，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述边缘设备根据价格和本地计算的能耗判断是否卸载任务，包括：

3.根据权利要求1所述的方法，其特征在于，在将任务卸载到边缘服务器之前，所述方法还包括：边缘设备根据自身的优化策略优化无线传输的传输功率。

4.根据权利要求1所述的方法，其特征在于，在本地进行所述任务的计算之前，所述方法还包括：所述边缘设备自身的优化策略根据任务的数据产生率和处理时限优化计算资源配比。

5.根据权利要求1所述的方法，其特征在于，当所述边缘服务器接收多个边缘设备卸载的任务时，根据自身的决策策略和自身的总计算能力决定是否卸载，卸载时以每个边缘设备卸载的任务为单位；

6.根据权利要求1所述的方法，其特征在于，有多个边缘服务器时，为所有边缘服务器的决策策略建立学习模型，包括所述边缘服务器的状态、行为和收益，

7.一种异构移动边缘计算网络中分层任务卸载的系统，其特征在于，包括边缘设备、边缘服务器和云计算中心，所述边缘设备与边缘服务器通过无线网络连接，所述边缘服务器与云计算中心通过有线网络连接，

所述边缘设备包括：生成模块、第一接收模块和第一判断模块；

生成模块，被配置为边缘设备生成计算任务和处理时限；

接收模块，被配置为接收边缘服务器反馈的价格；

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至6任一所述的方法中的步骤。

9.一种电子设备，包括存储器、处理器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，实现如权利要求1至6任一所述的方法的步骤。