CN112416603A - 一种基于雾计算的联合优化系统和方法 - Google Patents

Abstract

本发明公开了一种基于雾计算的联合优化系统和方法，包括：一个多层的架构，包括本地计算层、雾计算层和云计算层。本地计算层包括移动设备，雾服务器层包含多个雾服务器和一个FSM。联合优化计算卸载、数据压缩、能量回收和应用场景，并形成JCDEA算法。通过变换不同参数值，观察计算卸载策略的分布情况。最后，比较不同的卸载数据量、用户数量、应用场景和数据压缩率下的成本变化。本发明的优点是：得到了雾计算、本地计算和云计算之间的优劣，为之后雾服务器和云服务器的部署提供了参考。

Description

一种基于雾计算的联合优化系统和方法

技术领域

本发明涉及雾计算联合优化技术领域，特别涉及一种雾计算中计算卸载、能量回收、数据压缩和应用场景的联合优化系统和方法。

背景技术

如今，物联网在我们的生活中发挥着重要的作用。大量的物联网设备产生了大量的数据，这使得对于云服务提供商的需求呈指数级的上升。但是，云服务器很难在及时地处理大量的数据，由此增加了时延。所以我们有必要找到一种方法来有效的处理物联网设备产生的数据。思科在2012年提出了雾计算的概念，并将其视为云计算的一种延伸，以此来满足严格的时延要求和密集型计算的需要。本技术应用在雾计算分布式无线网络中，为用户合适的计算卸载策略。

在雾计算中，用户设备可以卸载部分或全部的计算敏感应用的数据到雾服务器上。但由于单个雾服务器经常没有足够的计算资源来处理卸载的任务。因此，就需要多个邻近的雾服务器一起来处理卸载的任务，或者将卸载的任务上传至云服务器，但这样就增加了时延和能耗。因此，关键问题是如何有效地选择计算卸载的策略。

同时，用户设备的能耗也是我们在意的一个关键的因素。在很多场景中，移动设备不能及时充电，并且频繁的连接、切换和数据传输导致急剧地瞬时放电，造成了用户设备电池寿命的明显下降。因此，能量回收技术诞生了，通过能量回收技术，包括太阳能、风能和动能等清洁能源得以回收。此外，先进的数据压缩技术快速发展，这项技术可以减少链路上传输的数据数量。然而，数据压缩和解压会产生额外的计算资源。另外，不同的场景有不同的要求，对应着不同的计算卸载策略。如果同等对待这些场景，那么就会产生更高的成本。综上，联合优化一直是一个研究的热点领域。在移动边缘计算(MEC)和移动云计算(MCC)中，计算卸载策略已经被广泛的研究。多数研究几种在能耗和时延的一个或两个方面。

现有技术一

在[M.Adhikari,M.Mukherjee,and S.N.J.I.I.o.T.J.Srirama,"DPTO:ADeadline and Priority-Aware Task Offloading in Fog Computing FrameworkLeveraging Multilevel Feedback Queueing,"vol.7,no.7,pp.5773-5782,2020]中，作者设计了一种最终期限和优先级感知的任务卸载策略(D PTO)来调度和处理卸载的任务到合适的计算设备。

现有技术一的缺点

1、用反推法，根据本发明的优点来找对应的缺点；

2、本发明不能解决的缺点，不需要提供；

3、缺点可以是成本高、误码率高、反应速度慢等类似的问题。

作者只考虑了时延对于计算卸载决策的影响，没有考虑能耗对于计算卸载成本的影响。

现有技术二

在[Q.Li,J.Zhao,Y.Gong,and Q.Zhang,"Energy-efficient computationoffloading and resource allocation in fog computing for Internet ofEverything,"China Communications,vol.16,no.3,pp.32-41,2019]中，作者研究了雾云系统中的计算卸载策略并提出了一种有效的能耗和资源分配的调度策略(ECORA)来联合优化了卸载策略、计算资源分配和传输功率，以此来最小化了系统成本。

现有技术二的缺点

使用ECORA算法的结果中，系统的能耗较高。

现有技术三

在[Y.Wei,F.R.Yu,M.Song,and Z.Han,"Joint Optimization of Caching,Computing,and Radio Resources for Fog-Enabled IoT Using Natural Actor–CriticDeep Reinforcement Learning,"IEEE Internet of Things Journal,vol.6,no.2,pp.2061-2073,2019]中，作者通过深度强化学习同时解决了内容缓存策略、计算卸载策略和无线资源分配策略，并提出了一种应用于雾计算网络中联合优化调度策略。

现有技术三的缺点

仿真场景简单，没有考虑用户的移动性。

现有技术四

在[T.T.Nguyen,V.N.Ha,L.B.Le,and R.Schober,"Joint Data Compression andComputation Offloading in Hierarchical Fog-Cloud Systems,"IEEE Transactionson Wireless Communications,vol.19,no.1,pp.293-309,2020]中，作者证明了数据压缩在分层雾云系统中的提升计算卸载性能的潜力，并讨论了计算卸载策略和资源分配来决定最佳的压缩率，作者提出了一种非线性模型，这种模型描述了数据压缩和解压造成的额外的计算负载。

现有技术四的缺点

数据压缩应用在10个用户连接同一个雾服务器的场景中。

现有技术五

在[H.Zhao,S.Deng,C.Zhang,W.Du,Q.He,and J.Yin,"A Mobility-Aware Cross-Edge Computation Offloading Framework for Partitionable Applications,"in2019IEEE International Conference on Web Services(ICWS),2019,pp.193-200]中，作者使用了一种名为RACOS数学算法来联合优化了MEC系统中边缘服务器选择和能量回收。

现有技术五的缺点

没有考虑云计算对于某些复杂场景的补充，且没有考虑不同的卸载应用场景。

缩略语和关键术语定义

MEC：移动边缘计算；

MCC：移动云计算；

DPTO：最终期限和优先级感知的任务卸载策略；

ECORA：有效的能耗和资源分配的调度策略；

RACOS：随机坐标收缩分类算法；

FSM：雾服务器管理器；

gNB：5G基站。

发明内容

本发明针对现有技术的缺陷，提供了一种基于雾计算的联合优化系统和方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于雾计算的联合优化系统，包括：本地计算层、雾计算层和云计算层；

本地计算层包括用户设备，用户设备具体为移动设备和静止设备，移动设备包括：手机和穿戴设备，静止设备包括PC、监控设备和智能机械设备；通过用户设备来执行本地计算。

雾服务器层包括：多个雾服务器和一个FSM；雾计算层用于为用户设备提供雾计算服务，以降低用户设备本身计算的时延和能耗。

云计算层包括云计算服务器；云计算层是目前存在的一种计算设备，该层为用户设备提供集中式的计算服务。

本地计算层位于系统的最底层，由用户设备自身构成。雾计算层位于本地计算层和云计算层中间，为用户设备提供一种低时延、低能耗的计算服务，由雾服务器构成。云计算层为于系统的最高层，为用户提供高性能、集中式的计算服务，一般位于区域云计算中心，是离用户最远的一种计算方式。三层都可以为用户设备提供计算服务，但三层中各有利弊，所以要选择最佳的一层为用户设备提供计算，这也是本发明的出发点。

本发明还公开了一种基于雾计算的联合优化方法，包括以下步骤：

步骤1，将时间T分成多个长度为t的时隙，设备发送卸载的信息至FSM，这些信息包括卸载数据量、应用场景、本地CPU频率、信道状态、压缩率和其他的卸载参数。

步骤2，FSM计算本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)，这里的k代表用户设备，t代表时隙，u代表用户设备计算(本地计算)，f代表雾计算，c代表云计算。

计算本地成本Ψ_k,u(t)

当

时，Ψ_k,u(t)达到最小值，即

上式中，E_k,h(t)代表用户设备k在时隙t内回收的能量，

代表E_k,h(t)的最大值，

代表Ψ_k,u(t)的最小值，α代表时延系数，

代表本地设备CPU周期频率，C_k,u代表本地执行的CPU周期，C_k,o代表卸载的任务在本地设备执行所需的CPU周期，β代表能耗系数，κ代表有效能耗效率。

计算雾成本Ψ_k,f(t)

求解下式，得到最佳能量回收和最佳雾服务器选择。

最佳能量回收：

则，最佳能量回收为

最佳雾服务器选择：

上式中，ψ_k(t)为用户设备k的能量，ε_k,1为本地计算能耗，ε_k,2为无线传输能耗，Ξ(I_k(t))为雾计算中的时延成本函数，b_k,i为卸载的数据量，ω_k,u为用户设备压缩率，R_k,j(t)为无线传输信道容量，

为用户设备k连接的雾服务器的个数，

为解压所需的CPU周期，

为雾服务器CPU周期频率，

为协调一个雾服务器所需要的时间，τ_d为卸载任务的最终期限，其余参数同上。

求解最佳雾服务器选择时，将上式用RACOS算法求得。然后，将上式中求得的最佳能量回收和最佳雾服务器选择的结果带入到下式中，即

上式中，p_k为用户设备发射功率，其余参数同上。

计算云成本Ψ_k,c(t)

当

时，Ψ_k,c(t)达到最大值，即

上式中，ω_k,f为雾服务器压缩率，d_k为雾服务器和云服务器的通信速率，T_C为云计算的时间，其余参数同上。

步骤3，FSM选择本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)中最小的成本作为卸载的决策，并发送给用户设备。

与现有技术相比，本发明的优点在于：

将提出的计算卸载、数据压缩、能量回收和应用场景联合优化的算法应用到雾计算分布式无线网络中，选取合适的试验参数。实验结果表明当每个时隙中卸载数据量超过12000bits且用户数量超过200台时，云计算的比例高于雾计算的比例。在卸载数据量较小且用户数量较少时，雾计算较云计算和本地计算更有优势；而当卸载数据量较大且用户较多时，由于计算复杂度大幅度增加，云计算以其强大的计算能力而领先于云计算和本地计算。由于本地计算会消耗大量的能量，且计算能力有限，所以本地计算的比例很小。此外，能耗敏感的场景中雾计算的比例是最高的。由于雾计算可以为用户设备提供低时延、低能耗的计算服务，所以对于能耗敏感场景和时延敏感场景，选择雾计算的比例均是最高的，云计算次之。当压缩率增加时，平均成本与系统中雾云计算比是负相关的关系，当压缩率为2.7时，成本达到最小值。这些结果为之后雾服务器和云服务器的部署提供了参考。

附图说明

图1是本发明实施例基于雾计算的联合优化系统架构图。

图2是本发明实施例用户设备的本地计算、雾计算和云计算成本曲线图。

图3是本发明实施例卸载数据量增加的成本曲线图及本地计算、雾计算和云计算分布的柱状图。

图4是本发明实施例用户设备增加的成本曲线图及本地计算、雾计算和云计算分布的柱状柱状图。

图5是本发明实施例时延系数增加的成本曲线图及本地计算、雾计算和云计算分布的柱状图。

图6是本发明实施例压缩率增加的成本曲线图及本地计算、雾计算和云计算分布的柱状柱形图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

如图1所示，架构中包含了N台用户设备、M台雾服务器、一台雾服务器管理器(FSM)和一台云服务器。在雾计算层，雾服务器分布在gNB上。FSM为用户提供计算卸载策略。若雾服务器由于工作繁忙不能及时地处理卸载的任务，则gNB会将任务上传至云服务器做进一步的处理。

将时间T分成多个长度为t的时隙，设备发送卸载的信息至FSM，这些信息包括卸载数据量、应用场景、本地CPU频率、信道状态、压缩率和其他的卸载参数。FSM计算本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)，这里的k代表用户设备，t代表时隙，u代表用户设备计算(本地计算)，f代表雾计算，c代表云计算。FSM选择本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)中最小的成本作为卸载的决策，并发送给用户设备。

在雾计算中，用户设备压缩卸载任务，并上传至雾服务器。在云计算中，用户设备压缩卸载的任务并上传至雾服务器，雾服务器进一步压缩卸载的任务并上传至云服务器。由于计算的结果远小于卸载的数据量，所以结果的传输时间可以忽略。

这里，数据压缩和解压模型与现有技术四的相同。

假设原始数据为b_i，压缩后的数据为b_o，则数据压缩率为

根据现有技术四，用于压缩和解压的CPU周期为

这里的x代表‘co’或者‘de’，分别对应压缩或解压。γ_k,0代表最大CPU周期。

和

分别代表GZIP、BZ2和JPEG算法对应的非负限制参数。ω_k代表压缩率，由于CPU频率有限，所以ω_k在最小值

和最大值

之间。假设

分别是本地计算、雾计算和云计算的决策因子。

分别代表卸载任务在本地执行、雾服务器执行和云服务器执行。否则，其对应的因子为0。由于卸载任务在同一时间只能在一个计算设备上执行，所以

假设必须在本地执行的数据量为b_k,u，卸载执行的数据量为b_k,o，处理1bit数据所需的CPU周期为η。则本地执行的CPU周期为C_k,u＝ηb_k,u。假设压缩的CPU周期为C_kco，则本地CPU周期数为

这里，C_k,o代表本地执行卸载任务的CPU周期数。若本地计算

本地CPU周期包含必须在本地执行的数据和卸载数据的CPU周期。若不在本地计算

本地CPU周期包含必须在本地执行的数据和压缩的CPU周期数。本地CPU频率为

且本地计算时延为

若CPU的有效能耗效率为κ，则本地计算能耗为,

设I_k,j(t)为连接指示器，I_k,j(t)＝1代表用户设备k连接到了雾服务器j。否则，I_k,j(t)＝0。信道功率增益为h_k,j(t)。数据传输率为

这里B代表传输带宽，p_k代表传输功率，N代表噪声。当压缩率为ω_k,u且压缩数据量为b_k,i，则传输时间为

传输能耗为ε_k,2＝p_kt_k,2。雾服务器解压和计算的时间为

这里，

代表雾服务器的CPU频率，

解压的CPU周期数。若协调一台雾服务器的时间是

雾服务器的协调时间为

雾压缩率为ω_k,f，且雾云的传输速率为d_k。雾云传输时间为

云服务器的计算时间为固定的T_C。最佳能量回收为E_k,h(t)。时延因子为α。能耗因子为β。且α+β＝1。α＜β代表能耗的要求高于时延的要求，则该场景为能耗敏感场景。α＞β表示该场景为时延敏感场景。α＝β表示该场景是普通的场景。综合上述公式，系统的总成本为

因此，求解计算卸载策略转化为求解总成本的最小值，即

P₁(Problem 1):minimize Ψ_k(t) (12)

I_k,j(t)∈{0,1} (20)

α+β＝1 (21)

这里，τ_d代表卸载最终期限，其值等于一个时隙的长度。ψ_safe是最大的瞬时放电阈值。

是最大的回收能量值。(17)表示计算时延和能耗时延不能超过一个时隙。(18)表示卸载的能耗不能超过最大的瞬时放电阈值。

很明显可以看出系统的下一个状态至于现在的状态有关，而与历史状态无关。因此，联合优化问题P₁是一个马尔科夫过程。若使用传统的方法求解此问题，我们首先需要对其进行离散化。然而，离散化之后又太多的可行解。我们不能将所有状态进行遍历。所以，我们通过控制策略因子来简化P₁。

在本地计算中，决策因子为

且P₁可以简化为

α+β＝1 (26)

当其他参数

确定后，唯一的自变量为E_k,h(t)。当

时，Ψ_k,u(t)达到最小值，即

在雾计算中，决策因子为

且P₁可以简化为

I_k,j(t)∈{0,1} (33)

α+β＝1 (34)

P₃包含了两个子问题，即求解雾服务器选择

和最佳能量回收E_k,h(t)。我们将利用CCO算法来求解这两个问题。详解如下。

首先我们定义雾计算中的时延成本函数：

Ξ(I_k(t))＝max{t_k,2+t_k,3}+t_k,1+t_k,4+Q_kD_k(t) (35)

在上式中，当卸载任务丢失时，会产生一个惩罚Q_k。D_k(t)为惩罚指示器。若惩罚Q_k产生，D_k(t)＝1，即延迟一个时隙后继续卸载此任务。否则，D_k(t)＝0。

因此，P₃可以简化为

I_k,j(t)∈{0,1} (41)

假设

Θ(t)＝[ψ₁(t),...,ψ_N(t)]， (42)

为系统的能量。给定一系列参数

θ＝[θ₁,...,θ_N]。 (43)

且θ_k≥0，构造李雅普诺夫函数，如下

上式表明用户k的功率经常保持在一个非负的参数θ_k附近，则李雅普诺夫漂移函数为

Δ(Θ(t))＝E[L(Θ(t+1))-L(Θ(t))|Θ(t)]。 (47)

能量演化方程为

ψ_k(t+1)＝ψ_k(t)-ε_k,1-ε_k,2+E_k,h(t)。 (48)

根据上式，得

所以，

这里，

定义P₄的上限为

所以，

因此，我们的目标是找到P₅的渐进最优解。P₅可以分解为两个部分，即最佳能量回收和最佳雾服务器选择。

P₆(最佳能量回收):

则，最佳能量回收为

P₇(最佳雾服务器选择):

之后利用RACOS算法[Yu Y,Qian H,Hu Y Q.Derivative-Free Optimization viaClassification*[C]//Proceedings of the 30th AAAI Conference on ArtificialIntelligence(AAAI'16).2016.]来解P₇以得到最佳雾服务器选择。我们将得到的雾服务器选择结果和最佳能量回收结果带入P₃得到了最小的雾计算成本。

在云计算中，决策因子为

且P₁简化为

I_k,j(t)∈{0,1} (68)

α+β＝1 (69)

这里，我们选择最大信道功率增益的gNB。当

时，Ψ_k,c(t)达到最大值，即

最后，比较

和

FSM选择三者中最小的成本作为卸载策略。

我们对上述理论进行了仿真实验，参数设置如下。

时隙长度定为2ms，共50个时隙。gNB最远的传输距离为400m，最近的传输距离为150m。最大的信道功率增益为1.02×10^-13，最大的CPU周期为γ_k,0＝μb_k,i。我们应用墨尔本基站的分布模型来部署雾服务器。系统中共80个用户设备，并且他们的分布和移动均是随机的。其余参数如下表所示。

表1.系统参数

实验结果：

图2展示了第5个用户设备的本地计算、雾计算和云计算的成本。由于不受无线通信的影响，本地计算成本保持不变。在48个时隙中，雾计算的成本均低于本地计算和云计算的成本。仅在两个时隙中，雾计算的成本等于本地计算的成本但高于云计算的成本。这是由于在这两个时隙中，用户设备没有找到合适的雾服务器处理卸载的任务，所以将此任务上传至了云服务器。我们可以看出在复杂环境中，云计算可以弥补雾计算的不足。

如图3所示，随着卸载数据量的增加，成本线性增加。当卸载数据量低于9000bits时，雾计算的比例大约稳定在61.18％。当卸载多于12000bits时，雾计算的比例下降7.18％。当卸载数据量增加到15000bits时，雾计算的比例下降13.95％。同时云计算的比例增加了13.95％，并超过了雾计算的比例。这是由于卸载数据量增加，导致压缩和解压的CPU周期增加，从而导致成本和云计算的比例增加。

图4表明当用户数量从100增加到300的过程中，每增加50台设备，成本先增加得比较快，之后比较慢，分别增加了43.85％，1.29％，16.72％，和5.08％。当用户设备数量为250台时，云计算的比例首次超过了雾计算的比例。结合成本和雾计算和云计算的使用资源来看，雾云计算比和成本密切相关，雾云计算比越大，成本越小。

图5提供了不同应用场景下的成本和连接分布情况。时延因子α＝0.3，α＝0.5和α＝0.7分别代表时延敏感场景、普通场景和能耗敏感场景。在时延敏感场景和能耗敏感场景中的雾计算的比例均高于普通场景。这表明雾计算对于能耗敏感场景和时延敏感场景是有效的。然而，能耗敏感场景的成本是最低的，时延敏感的成本是最高的。这是由于在能耗敏感场景中，用户可以延迟一个或多个时隙来卸载任务，但在时延敏感场景中，用户设备尽量在很短的时间内完成卸载任务，这就要求多个雾服务器同时联合为用户设备提供计算卸载服务，用户设备也会花费更多的成本来选择雾服务器。

从图6中，我们可以看出在卸载3000bits、80个用户设备、墨尔本基站分布和能耗敏感场景下，当压缩率增加时，总成本呈现增加的趋势，但并不单调。雾计算和云计算的使用比例呈现不规则的变化，并且本地计算的比例可以忽略。系统中平均成本和雾云计算比呈现负相关的变化。一个有趣的发现是当压缩率为2.7时，成本达到最小值，并且雾云计算比达到最大值。为雾计算提供了一个参考的应用场景。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种基于雾计算的联合优化系统，其特征在于，包括：本地计算层、雾计算层和云计算层；

本地计算层包括用户设备，用户设备具体为移动设备和静止设备，移动设备包括：手机和穿戴设备，静止设备包括PC、监控设备和智能机械设备；通过用户设备来执行本地计算；

雾服务器层包括：多个雾服务器和一个FSM；雾计算层用于为用户设备提供雾计算服务，以降低用户设备本身计算的时延和能耗；

云计算层包括云计算服务器；云计算层是目前存在的一种计算设备，该层为用户设备提供集中式的计算服务；

本地计算层位于系统的最底层，由用户设备自身构成；雾计算层位于本地计算层和云计算层中间，为用户设备提供一种低时延、低能耗的计算服务，由雾服务器构成；云计算层为于系统的最高层，为用户提供高性能、集中式的计算服务，一般位于区域云计算中心，是离用户最远的一种计算方式；三层都可以为用户设备提供计算服务，但三层中各有利弊，所以要选择最佳的一层为用户设备提供计算，这也是本发明的出发点。

2.根据权利要求1所述的一种基于雾计算的联合优化系统的联合优化方法，其特征在于，包括以下步骤：

步骤1，将时间T分成多个长度为t的时隙，设备发送卸载的信息至FSM，这些信息包括卸载数据量、应用场景、本地CPU频率、信道状态、压缩率和其他的卸载参数；

步骤2，FSM计算本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)，这里的k代表用户设备，t代表时隙，u代表用户设备计算(本地计算)，f代表雾计算，c代表云计算；

计算本地成本Ψ_k,u(t)

当

时，Ψ_k,u(t)达到最小值，即

上式中，E_k,h(t)代表用户设备k在时隙t内回收的能量，

代表E_k,h(t)的最大值，

代表Ψ_k,u(t)的最小值，α代表时延系数，

代表本地设备CPU周期频率，C_k,u代表本地执行的CPU周期，C_k,o代表卸载的任务在本地设备执行所需的CPU周期，β代表能耗系数，κ代表有效能耗效率；

计算雾成本Ψ_k,f(t)

求解下式，得到最佳能量回收和最佳雾服务器选择；

最佳能量回收：

minimize

subject to

则，最佳能量回收为

最佳雾服务器选择：

minimize

subject to

上式中，ψ_k(t)为用户设备k的能量，ε_k,1为本地计算能耗，ε_k,2为无线传输能耗，Ξ(I_k(t))为雾计算中的时延成本函数，b_k,i为卸载的数据量，ω_k,u为用户设备压缩率，R_k,j(t)为无线传输信道容量，

为用户设备k连接的雾服务器的个数，

为解压所需的CPU周期，

为雾服务器CPU周期频率，

为协调一个雾服务器所需要的时间，τ_d为卸载任务的最终期限，其余参数同上；

求解最佳雾服务器选择时，将上式用RACOS算法求得；然后，将上式中求得的最佳能量回收和最佳雾服务器选择的结果带入到下式中，即

上式中，p_k为用户设备发射功率，其余参数同上；

计算云成本Ψ_k,c(t)

当

时，Ψ_k,c(t)达到最大值，即

上式中，ω_k,f为雾服务器压缩率，d_k为雾服务器和云服务器的通信速率，T_C为云计算的时间，其余参数同上；

步骤3，FSM选择本地成本Ψ_k,u(t)、雾成本Ψ_k,f(t)和云成本Ψ_k,c(t)中最小的成本作为卸载的决策，并发送给用户设备。

Images