CN111796880B - 一种边缘云计算任务的卸载调度方法 - Google Patents

Abstract

本发明公开了一种边缘云计算任务的卸载调度方法，利用对偶原理将卸载调度方案转化为多个并行计算的子方案，步进更新对偶因子，不断进行迭代更新计算，找到最优解，在不确定的MEC任务的计算量的前提下，完成对边缘云计算任务的卸载调度。同时，设置一个终止条件，在保持较好求解结果的前提下，大大提高MEC任务卸载调度的求解速度。

Description

一种边缘云计算任务的卸载调度方法

技术领域

本发明属于边缘云计算技术领域，更为具体地讲，涉及一种边缘云计算任务的卸载调度方法。

背景技术

在5G概念白皮书中定义了5G的4个主要应用场景：大连接低功耗、高可靠低时延、连续广域覆盖、热点高容量。同时，联合国国际电信联盟(InternationalTelecommunication Union，ITU)定义了以下关键指标：峰值吞吐率10Gbps、时延1ms、连接数100万、高速移动性500km/h。

在5G技术中，移动边缘计算(Mobile EdgeComputing,MEC)是5G的关键技术，拥有低时延、高可靠、高容量的特点，恰好弥补了移动云计算(Mobile Cloud Computing,MCC)在时延方面的不足。与MCC相比较，MEC具体来说有以下四点优势：

(1)、低时延：由于将计算资源和存储资源部署到移动网络的边缘，MEC服务器离用户的物理距离更近，能够快速地与移动用户进行交互，并响应移动用户的请求，所以MEC能够降低服务器和移动用户之间的交互时延。因此在视频传输、虚拟现实技术、物联网等时延敏感的相关移动计算任务中，更能显示MEC低时延的优越性。

(2)、降低传输网和核心网的数据流量：移动用户的流量数据能够在移动网络边缘的MEC服务器上进行卸载，从而不需要再通过传输网和核心网向数据中心传输流量数据；同时，随着缓存技术的发展，存储资源成本逐渐降低，可以在MEC服务器上缓存各种资源，移动设备可以直接从MEC服务器上获取资源，而不需要从远端的数据库中获取相应的资源。因此MEC极大地降低了传输网和核心网的数据流量，变相地减轻了传输网和核心网中的链路负载。

(3)、提高能量效率，节省能量：由于边缘服务器拥有一定的计算和存储资源，能够对一部分的业务需求直接进行处理，而不需要通过核心网将移动计算任务传输到数据中心，因此可以降低核心网的传输能耗和移动设备的能量消耗。

(4)、感知用户位置信息，改善用户服务质量：MEC还可以收集用户的位置信息，并提供相关服务，进一步提升用户的服务体验。

结合以上阐述的MEC特点，利用MEC来弥补MCC的不足，以满足移动计算任务对时延日益递增的需求已刻不容缓。

MEC能够解决移动计算任务对计算力和时延的需求问题，减少移动设备的能量消耗。但是在MEC的实现中，由于MEC服务器的硬件资源有限，需要MEC对移动计算任务进行卸载和调度，其重要意义在于以下两点：

(1)、移动边缘计算服务器的硬件资源很少，特别是CPU的计算资源和硬盘中的存储资源，因此不可能将所有的移动计算任务都卸载到服务器上进行计算，需要合理地选择一部分移动计算任务卸载到服务器上。而对于卸载到服务器上的移动计算任务，需要服务器根据每个任务对计算力和时延的需求，利用虚拟化技术合理地将硬件资源划分给相应的移动计算任务，以保证服务器的计算和存储资源得到高效利用。

(2)、移动计算任务在卸载到MEC服务器的过程中，会占用移动网络一部分的带宽；同时其它移动设备在进行活动(比如上网、打电话、发短信)时，也会占用移动网络一部分的带宽。到2020年全球每月的移动数据流量将达到30.6兆字节，因此移动网络的带宽压力越来越大，需要服务器根据每个移动计算任务的需求，合理划分带宽资源，既要保证移动计算任务及时卸载到服务器，又要保证其它移动设备会话的正常进行。

所以说边缘云计算(MEC)任务的卸载调度是一种保证MEC服务器合理调度资源的技术，也是提高MEC服务器资源利用效率的手段。因此MEC任务的卸载调度优化对提高MEC服务器资源的利用效率有着重要意义。

MEC不仅能够解决移动计算任务对计算力和时延的需求问题，而且还可以减少移动设备的能量消耗，但是由于MEC服务器的计算存储资源和移动网络的带宽资源有限，需要MEC对移动计算任务进行卸载和调度，以保证服务器资源的高效利用。因此MEC任务的卸载调度优化对提高服务器资源的利用效率有着重要意义，许多的研究者都对这个问题进行了深入的研究。绝大多数的研究者假设一个移动计算任务需要的计算量(CPU执行周期的数量)是确定的，但是在实际应用场景下，一个移动计算任务需要的计算量是不确定的，因此这种假设过于理想化，从而造成设计的优化算法的实用性大打折扣。

在文献E.Nima,L.Ben.Joint offloading decision and resource allocationwith uncertain taskcomputing requirement[C].IEEE INFOCOM 2019-IEEE Conferenceon ComputerCommunications,Paris,France,2019,1414-1422.中，提出了基于需求不确定的MEC任务卸载调度优化问题。但是该文献没有考虑移动计算任务的时延约束问题，并将问题建模为一个几何规划模型，该模型求解难度很大，效率低，不能满足实际应用场景下移动计算任务对时延的需求。

发明内容

本发明的目的在于克服现有技术的不足，针对需求不确定的MEC任务卸载调度优化问题，提供一种边缘云计算任务的卸载调度方法，在保持良好求解结果的前提下，大大提高MEC任务卸载调度的求解速度。

为实现上述发明目的，本发明边缘云计算任务的卸载调度方法，其特征在于，包括以下步骤：

(1)、移动边缘计算硬件配置，

在MEC的应用场景中，有N个移动终端，每个移动终端都有一个不可分割的移动计算任务需要计算，移动计算任务集合B＝{B₁,B₂,…,B_N}，其中，B_i代表属于第i个移动终端的任务，可以写成B_i＝(d_i,c_i)的形式，d_i表示移动计算任务B_i的数据量大小(bit)，c_i表示移动计算任务B_i的单位比特在单位计算力(即1cycles/s)下的计算时间，其服从一个正态分布：

其中，u_i为正态分布的均值，

为正态分布的方差；

在整个应用场景中部署了M个微基站(Small Base Station，简称SBS)，微基站集合S＝{S₁,S₂,…,S_M}，其中，S_j代表第j个微基站，并且在基站本地部署有MEC服务器，每个微基站的服务信号范围覆盖了整个场景中的一部分，并为在这一部分场景中的移动终端提供服务，每个微基站信号的范围互不相交(即同一个移动终端只能与一个微基站进行通信；

另外应用场景中部署有一个宏基站(Macro Base Station，简称MBS)，用S₀表示，并在基站本地部署有一个MEC服务器，这个唯一的宏基站覆盖应用场景的所有区域，并为所有的移动终端提供服务，其硬件资源相比于微基站更为丰富；应用场景中的移动终端可以选择在本地处理移动计算任务，也可以将移动计算任务卸载到对应的微基站或宏基站来进行处理；

(2)、求解移动计算任务的卸载调度方案

2.1)、将乘法(对偶)因子

用多元变量V表示，其中，α_j为微基站S_j的MEC服务器计算力约束的乘法因子，β_j为微基站S_j的MEC服务器带宽约束的乘法因子，γ为宏基站的MEC服务器带宽约束的乘法因子，δ为宏基站的MEC服务器计算力约束的乘法因子；

初始化多元变量V中变量的值为0，初始化集合set为空集，初始化迭代次数k＝0，设置迭代次数上限为k_max；

2.2)、对于每一个移动终端，根据以下求解模型，得到决策变量

s.t.

x_il+x_is+x_im＝1；x_il,x_is,x_im∈{0,1}

其中，变量x_il为二元变量，表示移动终端i是否在本地计算移动计算任务B_i，值为1表示在本地计算，值为0表示不在本地计算，变量x_is为二元变量，表示移动终端i是否把移动计算任务B_i卸载到微基站MEC服务器进行计算，值为1表示卸载到微基站MEC服务器，值为0表示不卸载到微基站MEC服务器，变量x_im为二元变量，表示移动终端i是否把移动计算任务B_i卸载到宏基站MEC服务器进行计算，值为1表示卸载到宏基站MEC服务器，值为0表示不卸载到宏基站MEC服务器，f_ij表示微基站MEC服务器j在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_ij表示移动终端i将移动计算任务B_i卸载到微基站MEC服务器j时，获得的带宽资源大小，f_i0表示宏基站MEC服务器在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_i0表示移动终端i将移动计算任务B_i卸载到宏基站MEC服务器时，获得的带宽资源大小；

T_il为移动计算任务B_i在本地的计算时间，T_ij为移动计算任务B_i在微基站MEC服务器j完成的总时间，y_ij为移动终端i与微基站MEC服务器j连接情况，y_ij＝1表示连接，y_ij＝0表示未连接，移动终端i只能与一个微基站MEC服务器连接，T_i0为移动计算任务B_i在宏基站MEC服务器完成的总时间，θ为一个常数，代表时间代价和能量代价之间比例的因子，可控制θ值来达到控制时间代价和能量代价对总代价影响的百分比，E_il为移动计算任务B_i在本地的计算能量消耗，E_ij为移动计算任务B_i在微基站MEC服务器j完成的总能量消耗，E_i0为移动计算任务B_i在宏基站MEC服务器完成的总能量消耗，

为移动计算任务B_i的最大容忍完成的时间，T_ij为移动计算任务B_i上传微基站MEC服务器j的时间，T_ti0为移动计算任务B_i上传宏基站MEC服务器的时间；

符号E表示“取均值”，符号

表示“对于任意”，符号s.t.(subject to)表示约束条件即“满足”；

N个移动终端下得到决策变量

合并为一个多元变量

并用多元变量U表示，表示卸载情况的多元变量

用多元变量X表示；

2.3)、判断多元变量X是否在集合set中，如果在，则进行步骤2.4)，如果不在，则将多元变量X加入到集合set中，然后根据以下求解模型求解多元变量X条件下的多元变量U以及目标函数值R：

s.t.

判断是否记录有最优解，如果没有，将多元变量U以及目标函数值R作为最优解，分别记为

和

并将迭代次数k赋值为0(k＝0)；如果有，则进一步判断目标函数值R是否小于记录最优解中的

如果小于，则将多元变量U以及目标函数值R分别作为

和

进行记录，并将迭代次数k赋值为0(k＝0)如果不小于，则将迭代次数k赋值为0(k＝0)；

2.4)、更新多元变量V：

其中，h₁、h₂、h₃、h₄为更新步长，F_j为微基站MEC服务器j可分配的计算力资源的大小，W_j为微基站MEC服务器j可分配的带宽资源的大小，F₀为宏基站MEC服务器可分配的计算力资源的大小，W₀为宏基站MEC服务器可分配的带宽资源的大小；

2.5)、迭代次数k加1(k＝k+1)，如果多元变量U满足终止条件或k大于迭代次数上限为k_max，则迭代结束，返回最优解中的多元变量

并作为移动计算任务的卸载调度方案，否则，返回步骤2.2)；

其中，所述的终止条件为：

以及多元变量U中每个变量值与上一次迭代多元变量U中对应的每个变量值求差值并取绝对值，然后将所有得到的绝对值求和，如果求和得到的值小于ε，其中，ε为阈值，根据具体实施情况确定。

本发明的发明目的是这样实现的：

本发明边缘云计算任务的卸载调度方法，利用对偶原理将卸载调度方案转化为多个并行计算的子方案，步进更新对偶因子，不断进行迭代更新计算，找到最优解，在不确定的MEC任务的计算量的前提下，完成对边缘云计算任务的卸载调度。同时，设置一个终止条件，在保持较好求解结果的前提下，大大提高MEC任务卸载调度的求解速度。

附图说明

图1是本发明边缘云计算任务的卸载调度方法一种具体实施方式的流程图；

图2是本发明边缘云计算任务卸载调度场景示意图；

图3是本发明一具体实例的求解结果与最优解的对比图，其中(a)任务数量为5，(b)任务数量为6，(c)任务数量为7。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明网络流量的网络级测量方法一种具体实施方式的流程图。

在本实施例中，如图1所示，本发明边缘云计算任务的卸载调度方法包括以下步骤：

步骤S1：移动边缘计算硬件配置

在MEC的应用场景中，有N个移动终端，每个移动终端都有一个不可分割的移动计算任务需要计算，移动计算任务集合B＝{B₁,B₂,…,B_N}，其中，B_i代表属于第i个移动终端的任务，可以写成B_i＝(d_i,c_i)的形式，d_i表示移动计算任务B_i的数据量大小(bit)，c_i表示移动计算任务B_i的单位比特在单位计算力(即1cycles/s)下的计算时间，其服从一个正态分布：

其中，u_i为正态分布的均值，

为正态分布的方差；

在整个应用场景中部署了M个微基站(Small Base Station，简称SBS)，微基站集合S＝{S₁,S₂,…,S_M}，其中，S_j代表第j个微基站，并且在基站本地部署有MEC服务器，每个微基站的服务信号范围覆盖了整个场景中的一部分，并为在这一部分场景中的移动终端提供服务，每个微基站信号的范围互不相交(即同一个移动终端只能与一个微基站进行通信；

另外应用场景中部署有一个宏基站(Macro Base Station，简称MBS)，用S₀表示，并在基站本地部署有一个服务器，这个唯一的宏基站覆盖应用场景的所有区域，并为所有的移动终端提供服务，其硬件资源相比于微基站更为丰富。应用场景中的移动终端可以选择在本地处理移动计算任务，也可以将移动计算任务卸载到对应的微基站或宏基站来进行处理。边缘云计算任务卸载调度场景的部署方案如图2所示。

步骤S2：求解移动计算任务的卸载调度方案

步骤S2.1：初始化多元变量V、初始化集合set为空集以及初始化迭代次数k为0

将乘法(对偶)因子

用多元变量V表示，其中，α_j为微基站S_j的MEC服务器计算力约束的乘法因子，β_j为微基站S_j的MEC服务器带宽约束的乘法因子，γ为宏基站的MEC服务器带宽约束的乘法因子，δ为宏基站的MEC服务器计算力约束的乘法因子；

初始化多元变量V，初始化集合set为空集，初始化迭代次数k＝0，设置迭代次数上限为k_max；

步骤S2.2：在多元变量V的值确定的情况下，并行获取N个子问题的结果

卸载调度求解模型共有计算和带宽两种可分配的资源，其中计算资源为设备每秒运行机器周期的个数(cycles/s)，带宽资源是MEC服务器和移动终端无线通信的带宽(Hz)。

每个移动终端i(1≤i≤N)，在本地都有一个计算力，即每秒能够运算的机器周期的大小为f_il。每个SBS的MEC服务器j(1≤j≤M)，都部署有大小为F_j的计算力资源，拥有大小为W_j的带宽资源，其为每个移动终端i的移动计算任务B_i分配的计算力资源的大小为f_ij，分配的带宽资源的大小为w_ij。MBS的MEC服务器的计算力资源远远大于SBS的MEC服务器的计算力资源，其大小为F₀，其为每个移动终端的移动计算任务B_i分配的计算力资源的大小为f_i0，分配的带宽资源的大小为w_i0。

每个移动终端都有一个不可分割的移动计算任务需要计算，移动计算任务集合B＝{B₁,B₂,…,B_N}，其中，B_i代表属于第i个移动终端的任务，可以写成B_i＝(d_i,c_i)的形式，d_i表示移动计算任务B_i的数据量大小(bit)，c_i表示移动计算任务B_i的单位比特在单位计算力(即1cycles/s)下的计算时间，其服从一个正态分布：

其中，u_i为正态分布的均值，

为正态分布的方差；

由于移动计算任务B_i的数据量大小为

(其中b代表单位比特)，所以由正态分布累加的性质可知，移动计算任务B_i在单位计算力下的计算时间分布是一个正态分布：

现引入N组二元变量，用X＝{X₁,…,X_N}表示，每组有3个二元变量，即X_i＝{x_il,x_is,x_im}，i≤N。其中，表示移动终端i是否在本地计算移动计算任务B_i，值为1表示在本地计算，值为0表示不在本地计算，变量x_is为二元变量，表示移动终端i是否把移动计算任务B_i卸载到微基站MEC服务器进行计算，值为1表示卸载到微基站的MEC服务器，值为0表示不卸载到微基站MEC服务器，变量x_im为二元变量，表示移动终端i是否把移动计算任务B_i卸载到宏基站MEC服务器进行计算，值为1表示卸载到宏基站MEC服务器，值为0表示不卸载到宏基站MEC服务器。那么实际上每组X_i中只有1个二元变量能够为1，其它的变量必须为0，所以有约束如下，见公式(2-1)。

下面将依次介绍移动计算任务在移动终端本地、SBS和MBS上计算的目标函数和约束，为整个模型的建立作铺垫。

1、移动终端在本地计算

考虑移动计算任务B_i∈B(其中i≤N)在本地由移动终端计算，由于每个移动终端i都有大小为f_il的计算力，那么由正态分布的性质可知，移动计算任务B_i在本地的计算时间服从正态分布：

那么移动计算任务B_i在本地的计算时间是T_il，其均值

见公式(2-2)。

根据能量计算公式，能够得到移动终端i在本地计算移动计算任务B_i的能量消耗E_il。因此可以求出其均值

见公式(2-3)。其中

e_i表示移动终端i每运行单位机器周期所消耗能量的均值，

是一个常数。

在移动计算任务B_i完成后，其完成用时在最大容忍时间内的概率应大于等于95％，即

其中

是移动计算任务B_i的最大容忍完成时间。

那么由正态分布的面积积分图可知时延约束公式(2-4)。

2、移动终端卸载到SBS进行计算

考虑移动计算任务B_i∈B(其中i≤N)在SBS上计算。由于每个SBS的MEC服务器j(j≤M)都有大小为f_ij的计算力，那么由正态分布的性质可知，移动计算任务B_i在SBS的MEC服务器上的计算时间是一个随机变量，服从一个正态分布：

同样，移动计算任务B_i在SBS的MEC服务器j上的计算时间是T_cij，其均值为

见公式(2-5)。

移动计算任务B_i在SBS的MEC服务器上计算的能量消耗E_cij的均值

见公式(2-6)，其中e_j是一个常数，e_j表示SBS的MEC服务器在单位时间内、单位计算力条件下，计算任务时的计算能量消耗。

由于无线传输中每个信道是正交的，每个移动终端在无线传输中互不干扰。则通过香农定理可知，移动计算任务B_i上传SBS的MEC服务器j的速率r_ij如下，见公式(2-7)。

其中w_ij是SBS的MEC服务器j向移动终端i提供的信道带宽，H_ij是移动终端i与SBS的MEC服务器j进行无线通信的信道增益，P_i是移动终端i的发射功率，σ²是高斯白噪声的功率。

则移动计算任务B_i上传SBS的MEC服务器j的时间T_tij如下，见公式(2-8)。

则由公式(2-5)和公式(2-8)得，移动计算任务B_i完成的总时间T_ij的均值

如下，见公式(2-9)。

由公式(2-8)得，移动计算任务B_i上传SBS的MEC服务器j的能量消耗E_tij如下，见公式(2-10)。

由公式(2-6)和公式(2-10)得，移动计算任务Bi完成的总能量E_ij消耗的均值

如下，见公式(2-11)。

在移动计算任务B_i完成后，其完成用时在最大容忍时间内的概率应大于等于95％，即

其中

是移动计算任务B_i的最大容忍完成时间。

那么由正态分布的面积积分图可知时延约束公式(2-12)。

由于SBS的MEC服务器的计算和带宽资源有限，则移动计算任务分配的带宽和计算资源的约束如下，见公式(2-13)和(2-14)。

在公式(2-13)和(2-14)中，f_ij是SBS的MEC服务器j分配给移动计算任务B_i的计算资源，F_j代表SBS的MEC服务器j计算资源的总大小；w_ij是SBS的MEC服务器j分配给移动计算任务B_i的带宽资源，W_j代表SBS的MEC服务器j带宽资源的总大小。

3、移动终端卸载到MBS进行计算

移动终端卸载到MBS的情况和卸载到SBS上的情况类似。

考虑移动计算任务B_i∈B(其中i≤N)在MBS上计算。MBS的MEC服务器部署有大小为f_i0的计算力，由正态分布的性质可知，移动计算任务B_i在MBS的MEC服务器上的计算时间是一个随机变量，服从一个正态分布：

移动计算任务B_i在MBS的MEC服务器上的计算时间是T_ci0，其均值为

如下，见公式(2-15)。

移动计算任务B_i在MBS的MEC服务器上计算的能量消耗E_ci0的均值

见公式(2-16)，其中e₀是一个常数，e₀表示MBS的MEC服务器在单位时间内、单位计算力条件下，计算任务时的计算能量消耗。

由于无线传输中每个信道是正交的，每个移动终端在无线传输中互不干扰。则通过香农定理可知，移动计算任务B_i上传MBS的MEC服务器的速率r_i0如下，见公式(2-17)。

其中w_i0是MBS的MEC服务器向移动终端i提供的信道带宽，H_i0是移动终端i与MBS的MEC服务器进行无线通信的信道增益，P_i是移动终端i的发射功率，σ²是高斯白噪声的功率。

则移动计算任务B_i上传MBS的MEC服务器的时间T_ti0如下，见公式(2-18)。

则由公式(2-15)和公式(2-18)得，移动计算任务B_i完成的总时间T_i0的均值

如下，见公式(2-19)。

由公式(2-8)得，移动计算任务B_i上传MBS的MEC服务器的能量消耗E_ti0如下，见公式(2-20)。

由公式(2-16)和公式(2-20)得，移动计算任务Bi完成的总能量E_i0消耗的均值

如下，见公式(2-21)。

在移动计算任务B_i完成后，其完成用时在最大容忍时间内的概率应大于等于95％，即

其中

是移动计算任务B_i的最大容忍完成时间。

那么由正态分布的面积积分图可知时延约束公式(2-22)。

由于MBS的MEC服务器的计算和带宽资源有限，则移动计算任务分配的带宽和计算资源的约束如下，见公式(2-23)和(2-24)。

在公式(2-23)和(2-24)中，f_i0是MBS的MEC服务器分配给移动计算任务B_i的计算资源，F₀代表MBS的MEC服务器计算资源的总大小；w_i0是MBS的MEC服务器分配给移动计算任务B_i的带宽资源，W₀代表MBS的MEC服务器带宽资源的总大小。

4、整体的模型建立

由于SBS服务的区域有限制，一台移动终端只能够与它所在区域的那台SBS的MEC服务器建立连接。为了区分移动终端i能否连接到MEC服务器j，现引入一组N×M维的二元常量Y，其中

只有当一个移动终端i与能够接入的SBS的MEC服务器j成对出现时，即(i,j)，y_ij＝1；其余情况，即移动终端i与其它无法接入的SBS的MEC服务器z(z≤M,z≠j)成对出现时，y_iz＝0。

考虑移动终端i在本地计算移动计算任务B_i的情况，由公式(2-2)和(2-3)可知，本地计算移动计算任务B_i的优化目标函数如下，见公式(2-25)。

在公式(2-25)中θ为一个常数，代表时间代价和能量代价之间比例的因子，可控制θ值，来达到控制时间代价和能量代价对总代价影响的百分比。

考虑移动终端i将移动计算任务B_i卸载到SBS的MEC服务器进行计算，由公式(2-9)和(2-11)可知，SBS的MEC服务器计算移动计算任务B_i的优化目标函数如公式(2-26)所示。

同样，考虑移动终端将移动计算任务B_i卸载到MBS的MEC服务器进行计算，由公式(2-19)和(2-21)可知，MBS的MEC服务器计算移动计算任务B_i的优化目标函数如下，见公式(2-27)。

那么由公式(2-25)、(2-26)和(2-27)得到模型的优化目标函数如下，见公式(2-28)。

则通过以上公式(2-1)、(2-4)、(2-12)、(2-13)、(2-14)、(2-22)、(2-23)、(2-24)、(2-25)、(2-26)、(2-27)、(2-28)得到MEC任务卸载调度的总模型A如下所示：

整个模型可以分割为N个独立的子问题进行计算，对于每一个移动终端，根据以下求解模型，得到决策变量

s.t.

x_il+x_is+x_im＝1；x_il,x_is,x_im∈{0,1}

其中，变量x_il为二元变量，表示移动终端i是否在本地计算移动计算任务B_i，值为1表示在本地计算，值为0表示不在本地计算，变量x_is为二元变量，表示移动终端i是否把移动计算任务B_i卸载到微基站MEC服务器进行计算，值为1表示卸载到微基站MEC服务器，值为0表示不卸载到微基站MEC服务器，变量x_im为二元变量，表示移动终端i是否把移动计算任务B_i卸载到宏基站MEC服务器进行计算，值为1表示卸载到宏基站MEC服务器，值为0表示不卸载到宏基站MEC服务器，f_ij表示微基站MEC服务器j在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_ij表示移动终端i将移动计算任务B_i卸载到微基站MEC服务器j时，获得的带宽资源大小，f_i0表示宏基站MEC服务器在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_i0表示移动终端i将移动计算任务B_i卸载到宏基站MEC服务器时，获得的带宽资源大小；

T_il为移动计算任务B_i在本地的计算时间，T_ij为移动计算任务B_i在微基站MEC服务器j完成的总时间，y_ij为移动终端i与微基站MEC服务器j连接情况，y_ij＝1表示连接，y_ij＝0表示未连接，移动终端i只能与一个微基站MEC服务器连接，T_i0为移动计算任务B_i在宏基站MEC服务器完成的总时间，θ为一个常数，代表时间代价和能量代价之间比例的因子，可控制θ值来达到控制时间代价和能量代价对总代价影响的百分比，E_il为移动计算任务B_i在本地的计算能量消耗，E_ij为移动计算任务B_i在微基站MEC服务器j完成的总能量消耗，E_i0为移动计算任务B_i在宏基站MEC服务器完成的总能量消耗，

为移动计算任务B_i的最大容忍完成的时间，T_ij为移动计算任务B_i上传微基站MEC服务器j的时间，T_ti0为移动计算任务B_i上传宏基站MEC服务器的时间；

符号E表示“取均值”，符号

表示“对于任意”，符号s.t.(subject to)表示约束条件即“满足”；

N个移动终端下得到决策变量

合并为一个多元变量

并用多元变量U表示，表示卸载情况的多元变量

用多元变量X表示；

步骤S2.3：更新最优解

步骤S2.3.1：判断多元变量X是否在集合set中，如果在，则进行步骤S2.4，如果不在，则进行步骤S2.3.2；

步骤S2.3.2：求解多元变量U以及目标函数值R

将多元变量X加入到集合set中，然后根据以下求解模型求解多元变量X条件下的多元变量U以及目标函数值R：

s.t.

步骤S2.3.3：判断是否记录有最优解，如果没有，则进行步骤S2.3.4：如果有，则进行步骤S2.3.5；

步骤S2.3.4：将多元变量U以及目标函数值R作为最优解，分别记为

和

并将迭代次数k赋值为0(k＝0)，然后进入步骤S2.4；

步骤S2.3.5：判断目标函数值R是否小于记录最优解中的

如果小于，则进入步骤S2.3.6，否则，进入步骤S2.3.7；

步骤S2.3.6：将多元变量U以及目标函数值R分别作为

和

进行记录，并将迭代次数k赋值为0(k＝0)，进入步骤S2.4；

步骤S2.3.7：将迭代次数k赋值为0(k＝0)，进入步骤S2.4；

步骤S2.4：更新多元变量V：

其中，h₁、h₂、h₃、h₄为更新步长，F_j为微基站MEC服务器j可分配的计算力资源的大小，W_j为微基站MEC服务器j可分配的带宽资源的大小，F₀为宏基站MEC服务器可分配的计算力资源的大小，W₀为宏基站MEC服务器可分配的带宽资源的大小。需要说明的是，在初次迭代过程中：

然后，随着乘法(对偶)因子

的增大，微基站MEC服务器计算资源的累加值、带宽资源的累加值以及宏基站MEC服务器计算资源的累加值、带宽资源的累加值会逐步减小，直至微基站MEC服务器可分配的计算力资源F_j、可分配的带宽资源W_j以及宏基站MEC服务器可分配的计算力资源F₀、可分配的带宽资源W₀，从而达到收敛。

步骤S2.5：迭代次数k加1(k＝k+1)，如果多元变量U满足终止条件或k大于迭代次数上限为k_max，则迭代结束，返回最优解中的多元变量

并作为移动计算任务的卸载调度方案，否则，返回步骤S2.2；

其中，所述的终止条件为：

以及多元变量U中每个变量值与上一次迭代多元变量U中对应的每个变量值求差值并取绝对值，然后将所有得到的绝对值求和，如果求和得到的值小于ε；

其中，ε为阈值，根据具体实施情况确定。

实例

在本实例中，假设移动终端的本地计算力资源的大小相等，都为0.1G cycles/s，即该移动终端在本地计算任务时，每秒能够运行0.1G个周期。SBS服务器的计算资源大小为10G cycles/s，表明该服务器在计算任务时，每秒能够运行10G个周期；SBS服务器的带宽资源大小为20MHz。MBS服务器的计算资源大小为50G cycles/s；MBS服务器的带宽资源大小为40MHz。移动终端的发射功率大小为100mW。本文仿真的移动计算任务数据量大小服从U(200,500)Kb的均匀分布，同时移动计算任务每比特需要的机器周期服从N(60,10)的正态分布。

图3统计了任务数量不同情况下，本发明一种边缘云计算任务卸载调度方法的求解结果(UTM-BDU)与最优解(UTM-BDY)的对比情况，(a)表示任务数量为5的条件下，SBS服务器数量为1、2的情况下的结果，(b)表示任务数量为6的条件下，SBS服务器数量为1、2、3的情况下的结果，(c)表示任务数量为7的条件下，SBS服务器数量为1、2、3的情况下的结果。

从图3可以看出本发明边缘云计算任务卸载调度方法的结果与最优解的结果相差很小，本发明总成本(Total Cost)略微高一点。

表1统计了任务数量不同情况下，本发明一种边缘云计算任务卸载调度方法的运行时间。

表1

从表1可以看出本发明的运行时间很小。

因此，本发明在保持良好求解结果的前提下，大大提高MEC任务卸载调度的求解速度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种边缘云计算任务的卸载调度方法，其特征在于，包括以下步骤：

(1)、移动边缘计算硬件配置，

在MEC的应用场景中，有N个移动终端，每个移动终端都有一个不可分割的移动计算任务需要计算，移动计算任务集合B＝{B₁,B₂,…,B_N}，其中，B_i代表属于第i个移动终端的任务，可以写成B_i＝(d_i,c_i)的形式，d_i表示移动计算任务B_i的数据量大小，c_i表示移动计算任务B_i的单位比特在单位计算力下的计算时间，其服从一个正态分布：

其中，u_i为正态分布的均值，

为正态分布的方差；

在整个应用场景中部署了M个微基站，微基站集合S＝{S₁,S₂,…,S_M}，其中，S_j代表第j个微基站，并且在基站本地部署有MEC服务器，每个微基站的服务信号范围覆盖了整个场景中的一部分，并为在这一部分场景中的移动终端提供服务，每个微基站信号的范围互不相交即同一个移动终端只能与一个微基站进行通信；

另外应用场景中部署有一个宏基站，用S₀表示，并在基站本地部署有一个MEC服务器，这个唯一的宏基站覆盖应用场景的所有区域，并为所有的移动终端提供服务，其硬件资源相比于微基站更为丰富；应用场景中的移动终端可以选择在本地处理移动计算任务，也可以将移动计算任务卸载到对应的微基站或宏基站来进行处理；

(2)、求解移动计算任务的卸载调度方案

2.1)、将乘法因子

用多元变量V表示，其中，α_j为微基站S_j的MEC服务器计算力约束的乘法因子，β_j为微基站S_j的MEC服务器带宽约束的乘法因子，γ为宏基站的MEC服务器带宽约束的乘法因子，δ为宏基站的MEC服务器计算力约束的乘法因子；

初始化多元变量V中变量的值为0，初始化集合set为空集，初始化迭代次数k＝0，设置迭代次数上限为k_max；

2.2)、对于每一个移动终端，根据以下求解模型，得到决策变量

s.t.

x_il+x_is+x_im＝1；x_il,x_is,x_im∈{0,1}

其中，变量x_il为二元变量，表示移动终端i是否在本地计算移动计算任务B_i，值为1表示在本地计算，值为0表示不在本地计算，变量x_is为二元变量，表示移动终端i是否把移动计算任务B_i卸载到微基站MEC服务器进行计算，值为1表示卸载到微基站MEC服务器，值为0表示不卸载到微基站MEC服务器，变量x_im为二元变量，表示移动终端i是否把移动计算任务B_i卸载到宏基站MEC服务器进行计算，值为1表示卸载到宏基站MEC服务器，值为0表示不卸载到宏基站MEC服务器，f_ij表示微基站MEC服务器j在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_ij表示移动终端i将移动计算任务B_i卸载到微基站MEC服务器j时，获得的带宽资源大小，f_i0表示宏基站MEC服务器在计算移动计算任务B_i时，分配给移动计算任务B_i的计算资源大小，w_i0表示移动终端i将移动计算任务B_i卸载到宏基站MEC服务器时，获得的带宽资源大小；

T_il为移动计算任务B_i在本地的计算时间，T_ij为移动计算任务B_i在微基站MEC服务器j完成的总时间，y_ij为移动终端i与微基站MEC服务器j连接情况，y_ij＝1表示连接，y_ij＝0表示未连接，移动终端i只能与一个微基站MEC服务器连接，T_i0为移动计算任务B_i在宏基站MEC服务器完成的总时间，θ为一个常数，代表时间代价和能量代价之间比例的因子，可控制θ值来达到控制时间代价和能量代价对总代价影响的百分比，E_il为移动计算任务B_i在本地的计算能量消耗，E_ij为移动计算任务B_i在微基站MEC服务器j完成的总能量消耗，E_i0为移动计算任务B_i在宏基站MEC服务器完成的总能量消耗，T_i ^max为移动计算任务B_i的最大容忍完成的时间，T_tij为移动计算任务B_i上传微基站MEC服务器j的时间，T_ti0为移动计算任务B_i上传宏基站MEC服务器的时间；

符号E表示“取均值”，符号

表示“对于任意”，符号s.t.表示约束条件即“满足”；

N个移动终端下得到决策变量

合并为一个多元变量

并用多元变量U表示，表示卸载情况的多元变量

用多元变量X表示；

2.3)、判断多元变量X是否在集合set中，如果在，则进行步骤2.4)，如果不在，则将多元变量X加入到集合set中，然后根据以下求解模型求解多元变量X条件下的多元变量U以及目标函数值R：

s.t.

判断是否记录有最优解，如果没有，将多元变量U以及目标函数值R作为最优解，分别记为

和

并将迭代次数k赋值为0；如果有，则进一步判断目标函数值R是否小于记录最优解中的

如果小于，则将多元变量U以及目标函数值R分别作为

和

进行记录，并将迭代次数k赋值为0如果不小于，则将迭代次数k赋值为0；

2.4)、更新多元变量V：

其中，h₁、h₂、h₃、h₄为更新步长，F_j为微基站MEC服务器j可分配的计算力资源的大小，W_j为微基站MEC服务器j可分配的带宽资源的大小，F₀为宏基站MEC服务器可分配的计算力资源的大小，W₀为宏基站MEC服务器可分配的带宽资源的大小；

2.5)、迭代次数k加1，如果多元变量U满足终止条件或k大于迭代次数上限k_max，则迭代结束，返回最优解中的多元变量U％，并作为移动计算任务的卸载调度方案，否则，返回步骤2.2)；

其中，所述的终止条件为：

以及多元变量U中每个变量值与上一次迭代多元变量U中对应的每个变量值求差值并取绝对值，然后将所有得到的绝对值求和，如果求和得到的值小于ε，其中，ε为阈值，根据具体实施情况确定。

Images