CN112822702B - 一种主从mec网络中联合任务卸载与资源分配方法 - Google Patents

Abstract

本发明涉及一种主从MEC网络中联合任务卸载和资源分配方法，属于无线通信和移动边缘计算领域。该方法包括：主小区内移动用户产生新的计算任务，向部署在小区内的MEC服务器发送卸载请求；MEC服务器收集本时隙内所有移动用户的计算卸载请求信息，并交付给上层SDN控制器；SDN随机对任务构建初始卸载集，对卸载集内的任务进行多MEC选择，分配计算资源，更新卸载集，求得最小的目标函数值；若此时目标函数值不小于上一次迭代的目标函数值或所有任务都卸载，则输出卸载集、多MEC选择矩阵和计算资源分配集。本发明降低了主小区内移动用户执行任务的总代价，提高了移动用户卸载的数量，缓解了单MEC计算资源不足带来的问题。

Description

一种主从MEC网络中联合任务卸载与资源分配方法

技术领域

本发明属于无线通信和移动边缘计算领域，涉及一种主从MEC网络中联合任务卸载和资源分配方法。

背景技术

随着无线通信技术与云计算的快速发展，访问无线网络的移动设备数量呈爆炸式增长，越来越多的移动设备通过网络进行交互。伴随着移动设备变得越来越智能，设备将产生大量类似于人脸识别，图像处理，视频解码等实时任务，移动设备受限于小巧的体积，在计算能力与能耗方面有较大的局限。移动边缘计算(Mobile Edge Computing，MEC)通过将云计算能力下沉至移动终端侧，可高效为移动用户执行任务，并减少用户能耗，是提高用户处理能力的有效方案。MEC服务器将部署于小型小区基站侧，服务范围覆盖整个小区用户。这样，一组MEC服务器分布在覆盖广泛的城市环境中，为移动用户提供服务。

尽管MEC具有许多优势，但其自身有限的计算能力仍会带来许多挑战。主要体现在计算资源供需不平衡，特别是对于部署在热点小区(如商圈，密集住宅区)中的MEC服务器，将面临大量的任务请求，若无法及时处理众多请求，会导致用户体验降低。针对此类问题，部分文献通过拒绝或推迟排队任务请求来缓解过多的工作量，文献“M.Liu andY.Liu.Price- Based Distributed Offloading for Mobile-Edge Computing WithComputation Capacity Constraints[J].IEEE Wireless Communications Letters,2018:420-423.”通过引入价格因素制约部分用户的卸载，并针对有限的资源提出了使MEC总收益最大化的定价策略。文献“Wei F, Chen S,Zou W.A Greedy Algorithm for TaskOffloading in Mobile Edge Computing System[J]. 中国通信,2018,015(011):149-157.”将干预可拆分任务的卸载，通过推迟卸载的方法保证多个任务经过卸载后在MEC上不占用重叠时间执行。这些方案虽然缓解了资源有限的问题，但可利用的资源没有得到扩展。因此，越来越多的学者将目光投向宏观场景下的多MEC协作卸载。

多MEC协作执行热点小区内的任务是可行的，文献“D.Wang et al.Stop-and-Wait:Discover Aggregation Effect Based on Private Car Trajectory Data[J].IEEETransactions on Intelligent Transportation Systems,2019(21):3623-3633.”分析了时空聚集效应，通过广泛调研，发现城市中一些热点小区总是被一些非热点小区包围，非热点小区内MEC(从MEC)的计算资源利用率往往不够高，从而为扩展热点小区内MEC(主MEC)的计算资源提供了现实的基础。此外，多MEC协作需要对MEC的实时信息进行控制，当前主流的方案主要是软件定义网络 (Software Defined Network,SDN)集中控制，现有的研究通常忽略了信息交互带来的能耗与时延，而专注于制定卸载策略。有关于MEC协作卸载的研究，文献“Z.Xiao et al.Vehicular Task Offloading via Heat-Aware MEC CooperationUsing Game-Theoretic Method[J].IEEE Internet of Things Journal,2020(7):2038-2052.”通过研究协作小区之间的组合问题，提出一种基于博弈论的任务分组方案，将多个热点小区与非热点小区生成多个协作集。文献“M.Chen and Y. Hao.Task Offloading forMobile Edge Computing in Software Defined Ultra-Dense Network[J].IEEE Journalon Selected Areas in Communications,2018(36):587-597.”在能耗约束下提出最小化时延的优化问题，并设计算法将多个任务协作至多个MEC组成的集群中。文献“W.Fan,Y.Liu,B.Tang,F.Wu and Z.Wang.Computation Offloading Based on Cooperations ofMobile Edge Computing-Enabled Base Stations[J].IEEE Access,2018(6):22622-22633.”通过一种迭代更新方法将主MEC过载的任务卸载至其他MEC，但未对计算资源进行分配。

但是，通过多MEC协作解决MEC计算资源有限的方案中，还存在以下问题：协作的MEC 数量不够多，MEC数量较少对计算资源有限的提升并不明显；主从协作MEC系统中并不是将主MEC无法执行的任务分配出去，而是随机分配任务，这有悖于主从MEC的协作方式；多MEC 协作卸载方案中没有涉及到计算资源分配，导致资源利用率不够高。针对以上存在的问题，本发明提出了一种联合计算资源分配的主从MEC卸载方案。

发明内容

有鉴于此，本发明的目的在于提供一种主从MEC网络中联合任务卸载与资源分配的方法，解决主小区内MEC计算资源不足的问题。通过迭代求优的方法，能够有效降低主小区用户总的任务执行成本，同时提高任务卸载量以及系统的资源利用率。

为达到上述目的，本发明提供如下技术方案：

一种主从MEC网络中联合任务卸载与资源分配方法，该方法具体包括以下步骤：

S1：主小区内移动用户产生新的计算任务，向当前小区内主MEC发送任务卸载请求；

S2：MEC服务器收集本时隙内本小区移动用户发送的计算卸载请求信息，并上传给上层 SDN控制器；

S3：SDN统计MEC信息以及任务请求信息，建立通信模型、任务计算模型，构建出最小化任务代价问题模型；

S4：SDN对主小区内任务随机生成卸载集；

S5：根据步骤S4卸载集中卸载执行的任务进行多MEC选择与计算资源分配；

S6：根据步骤S5中的选择结果，更新卸载集，计算目标函数值；

S7：判断是否满足结束条件，满足执行步骤S8，不满足将本地执行且执行代价最大的任务加入到卸载集中，返回步骤S5；

S8：输出卸载集，多MEC选择矩阵和最优计算资源分配。

进一步，所述步骤S3具体包括以下步骤：

S31：建立通信模型：

定义集合

表示请求用户集，其中任务

通过二元组

表示，b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数。集合

表示 M个MEC服务器集合，其中j＝1,

代表主MEC，其余为从MEC服务器，用户i通过空中接口上传任务速率为：

r_i＝B_i log₂(1+P_tra,ig_i/B_iN_o) (1)

其中多个请求任务占用相等的频谱资源B_i，P_tra,i表示用户i的发送功率，g_i表示用户i与 MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度。

用户通过无线信道上传任务时延与能耗分别为：

t_tra,i＝b_i/r_i (2)

e_tra,i＝P_tra,i·t_tra,i＝P_trab_i/r_i (3)

MEC服务器之间任务传输时延为：

t_M＝b_i/r_M (4)

S32:任务计算模型：

任务在终端本地执行的时延、能耗和总代价分别为：

T_i,0＝b_id_i/f_loc,i (5)

E_i,0＝k_ib_id_i(f_loc,i)² (6)

U_i,0＝α_iT_i,0+β_iE_i,0 (7)

其中用户终端的计算能力为f_loc,i，k_i是与硬件架构相关的常数。记α_i和β_i为用户对于时延与能耗的权重系数。

任务在主MEC服务器执行的时延、能耗和总代价分别为：

T_i,1＝t_tra,i+t_i,1＝b_i/r_i+b_id_i/F_i,1 (8)

E_i,1＝e_tra,i＝P_trab_i/r_i (9)

U_i,1＝α_iT_i,1+β_iE_i,1 (10)

任务在从MEC执行的时延、能耗与总代价分别为：

T_i,k＝t_tra,i+t_i,k+t_M＝b_i/r_i+b_id_i/F_i,k+b_i/r_M (11)

E_i,k＝e_tra,i＝P_trab_i/r_i (12)

U_i,k＝α_iT_i,k+β_iE_i,k (13)

其中k∈κ＝{2,3,...,M}，用来标志M-1个从MEC服务器；若任务在MEC端执行，可以将任务执行代价函数写为：

S33：任务代价最小化问题模型：

联合计算资源分配与任务卸载的优化问题表述为：

其中A＝{a₁,a₂,...,a_n}为卸载集，其中a_i∈{0,1}，标志任务i本地执行或卸载执行；其中

为多MEC选择向量集，其中b_i,j∈{0,1}，标志任务i卸载到服务器j上；其中

为计算资源分配集，对任意的MEC服务器j，都有

F_j为服务器j可提供的最大计算能力。

进一步，所述步骤S5中，更新卸载集，计算目标函数值，具体包括以下步骤：

S51：MEC计算资源分配方法：

不同MEC的计算资源分配是相互独立的，因此不同MEC服务器的计算资源分配不相互干扰；当卸载集A与MEC选择向量集B确定之后，资源分配问题表示为：

其中

为选择本地执行的任务集合，

为选择卸载到主MEC服务器执行的任务集合，

为选择二次卸载到第k个从MEC服务器执行的任务集合；通过构造拉格朗日函数并结合KKT条件，资源分配问题的最优解为：

根据式(17)可以得到计算资源分配集F；

S52:定义集合D包含卸载集A中所有值为1的任务；定义集合D₁为主MEC执行任务集，集合为D₂非主MEC执行任务集D₂；定义主MEC执行任务准则为：

将集合D中第一个任务T_t放入集合D₁，根据式(17)对D₁中的任务分配计算资源，将D₁中不符合准则(18)的任务添加至淘汰集D'₂；

S53：设代价函数U(D₁)表示在主MEC执行代价，代价函数U(D₂)表示不在主MEC执行代价；代价函数U(D₁)通过结合式(17)求解目标函数(16)得到；代价函数U(D₂)的求解需要将D₂中任务分配后才可求解，最小化集合D₂中任务代价的问题为：

其中任务分配矩阵Z＝(z_i,j)_N'×M-1,z_i,j∈{0,1}，表示要求解的矩阵。当j＝1,2,3,...,M-1时，任务对映卸载到相应的从MEC服务器执行。使用连续变量v_i,j替换目标函数(19)约束条件中的 z_i,j，使用线性函数V(v_i,j)替换目标函数(19)表达式中的z_i,j，v_i,j与V(v_i,j)有以下性质：

其中ε是一个小值，t是迭代次数；结合公式(17)可求解凸优化问题：

给定

的初始值，以及另一个小数η，通过迭代不断求解(22)式，当

成立，便可通过

计算得到U(D_2,t)。

S54：根据S53中计算U(D_1,t)与U(D_2,t)的方法，需求解的判决表达式为：

U(D_2,t-1∩T_t)+U(D_1,t-1)≥＝U(D_2,t-1∩D'_2,t)+U(D_1,t) (23)

若式(23)成立，则将D'₂加入集合D₂，若式(23)不成立，则将T_t加入集合D₂；

S55：判断集合D是否为空，若非空，则返回步骤S52，若空，执行步骤S56；

S56：得到在主MEC执行任务集D₁、非主MEC执行任务集定义为D₂和多MEC选择向量集B。

进一步，所述步骤S6具体包括：制定卸载更新策略为：

根据卸载集更新策略对上一次卸载集A进行更新。

进一步，所述步骤S7中具体包括：若此时卸载集A中所有元素都为1或目标函数W的解没有更新，则执行步骤S8，否则返回步骤S5。

本发明的有益效果在于：本发明针对MEC计算资源有限小区的任务执行，通过主从MEC 协同的方式拓展小区内有限的计算资源，综合卸载决策、多MEC选择以及计算资源分配。降低主小区内任务的执行总代价，同时提高任务卸载量和系统的资源利用率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对上下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明述来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为主从MEC网络部署场景示意图；

图2为本发明所述的任务卸载，多MEC选择，和计算资源分配联合优化方法流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1-图2,如图1所示，在一个多小区协作计算卸载场景，每个小区内有一个MEC 服务器部署在基站侧，多小区之间通过SDN控制器集中控制。MEC服务器与用户均可通过基站与SDN控制器进行信令传递，SDN控制器通过收集各个服务器可提供的计算资源并对资源池进行更新，这样，SDN可以集中控制多个小区内的计算任务卸载以及资源分配。

本发明针对热点小区(主小区)内的高负载任务卸载优化，将热点小区中无法完成的计算任务二次卸载到周围尚有计算资源的小区(从小区)进行计算，这个过程中，暂不考虑从小区内的任务，只让从小区充当辅助计算节点，同时忽略集中控制信令传递所需的时延与能耗。主小区内任务采用二元卸载模式，即任务执行只有三个状态：本地执行、主MEC执行以及从MEC执行，同时每个用户携带一个计算任务。集合

表示请求用户集，其中任务

通过二元组

表示，b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数。集合

表示M个MEC服务器集合，其中j＝1,

代表主 MEC，其余为从MEC服务器。

如图2所示，本发明优选的一种主从MEC网络中任务卸载与资源分配联合优化方法，包括以下步骤：

步骤S1：当主小区内移动用户产生新的计算任务，可以通过空中接口向当前小区内主 MEC发送任务卸载请求，请求中需要包含与计算任务相关的所有信息，包括任务的总数据量 b_i，计算1bit该任务数据所需要的CPU周期数d_i，自身计算能力f_loc,i以及时延与能耗的偏好参数α_i与β_i；

步骤S2：MEC服务器收集本时隙内本小区移动用户发送的计算卸载请求信息，并上传给上层SDN控制器，由于MEC与SDN控制器通过回程链路相连，可忽略这部分信息传输时延；

步骤S3：SDN统计多个MEC信息以及主小区任务请求信息，为每个任务建立通信模型、任务计算模型，构建出最小化任务代价问题模型；

步骤S31：建立通信模型：

用户i通过空中接口上传任务速率为：

r_i＝B_ilog₂(1+P_tra,ig_i/B_iN_o) (1)

其中多个请求任务占用相等的频谱资源B_i，P_tra,i表示用户i的发送功率，g_i表示用户i与 MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度。

用户通过无线信道上传任务时延与能耗分别为：

t_tra,i＝b_i/r_i (2)

e_tra,i＝P_tra,i·t_tra,i＝P_trab_i/r_i (3)

MEC服务器之间传输任务时延为：

t_M＝b_i/r_M (4)

步骤S32：任务计算模型：

任务在终端本地执行的时延、能耗和总代价分别为：

T_i,0＝b_id_i/f_loc,i (5)

E_i,0＝k_ib_id_i(f_loc,i)² (6)

U_i,0＝α_iT_i,0+β_iE_i,0 (7)

其中用户终端的计算能力为f_loc,i，k_i是与硬件架构相关的常数。记α_i和β_i为用户对于时延与能耗的权重系数。

任务在主MEC服务器执行的时延、能耗和总代价分别为：

T_i,1＝t_tra,i+t_i,1＝b_i/r_i+b_id_i/F_i,1 (8)

E_i,1＝e_tra,i＝P_trab_i/r_i (9)

U_i,1＝α_iT_i,1+β_iE_i,1 (10)

任务在从MEC执行的时延、能耗与总代价分别为：

T_i,k＝t_tra,i+t_i,k+t_M＝b_i/r_i+b_id_i/F_i,k+b_i/r_M (11)

E_i,k＝e_tra,i＝P_trab_i/r_i (12)

U_i,k＝α_iT_i,k+β_iE_i,k (13)

其中k∈κ＝{2,3,...,M}，用来标志M-1个从MEC服务器；若任务在MEC端执行，可以将任务执行代价函数写为：

步骤S33：任务代价最小化问题模型：

联合计算资源分配与任务卸载的优化问题表述为：

其中A＝{a₁,a₂,...,a_n}为卸载集，其中a_i∈{0,1}，标志任务i本地执行或卸载执行；其中

为多MEC选择向量集，其中b_i,j∈{0,1}，标志任务i卸载到服务器j上；其中

为计算资源分配集，对任意的MEC服务器j，都有

F_j为服务器j可提供的最大计算能力。

步骤S4：SDN对主小区内任务随机生成卸载集A⁰；

步骤S5：根据步骤S4卸载集中卸载执行的任务进行多MEC选择与计算资源分配；

步骤S51：MEC计算资源分配方法：

不同MEC的计算资源分配是相互独立的，因此不同MEC服务器的计算资源分配不相互干扰；当卸载集A与MEC选择向量集B确定之后，资源分配问题表示为：

其中

为选择本地执行的任务集合，

为选择卸载到主MEC服务器执行的任务集合，

为选择二次卸载到第k个从MEC服务器执行的任务集合；通过构造拉格朗日函数并结合 KKT条件，资源分配问题的最优解为：

根据式(17)可以得到计算资源分配集F；

步骤S52:定义集合D包含卸载集A中所有值为1的任务；定义集合D₁为主MEC执行任务集，集合为D₂非主MEC执行任务集D₂；定义主MEC执行任务准则为：

将集合D中第一个任务T_t放入集合D₁，根据式(17)对D₁中的任务分配计算资源，将D₁中不符合准则(18)的任务添加至淘汰集D'₂；

步骤S53：设代价函数U(D₁)表示在主MEC执行代价，代价函数U(D₂)表示不在主MEC执行代价；代价函数U(D₁)通过结合式(17)求解目标函数(16)得到；代价函数U(D₂)的求解需要将D₂中任务分配后才可求解，最小化集合D₂中任务代价的问题为：

其中任务分配矩阵Z＝(z_i,j)_N'×M-1,z_i,j∈{0,1}，表示要求解的矩阵。当j＝1,2,3,...,M-1时，任务对映卸载到相应的从MEC服务器执行。使用连续变量v_i,j替换目标函数(19)约束条件中的 z_i,j，使用线性函数V(v_i,j)替换目标函数(19)表达式中的z_i,j，v_i,j与V(v_i,j)有以下性质：

其中ε是一个小值，t是迭代次数；结合公式(17)可求解凸优化问题：

给定

的初始值，以及另一个小数η，通过迭代不断求解(22)式，当

成立，便可通过

计算得到U(D_2,t)。

步骤S54：根据S53中计算U(D_1,t)与U(D_2,t)的方法，需求解的判决表达式为：

U(D_2,t-1∩T_t)+U(D_1,t-1)≥＝U(D_2,t-1∩D'_2,t)+U(D_1,t) (23)

若式(23)成立，则将D'₂加入集合D₂，若式(23)不成立，则将T_t加入集合D₂；

步骤S55：判断集合D是否为空，若非空，则返回步骤S52，若空，执行步骤S56；

步骤S56：得到在主MEC执行任务集D₁、非主MEC执行任务集定义为D₂和多MEC选择向量集B。

步骤S6：根据步骤S5中的多MEC选择结果，更新卸载集，制定卸载更新策略为：

卸载策略更新后，根据式(15)计算目标函数值；

步骤S7：判断此时卸载集A中所有元素是否都为1或目标函数W的解没有更新，满足执行步骤S8，不满足将本地执行且执行代价最大的任务加入到卸载集中，返回步骤S5；

步骤S8：输出卸载集A，多MEC选择矩阵B和最优计算资源分配F。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种主从MEC网络中联合任务卸载与资源分配方法，其特征在于，该方法具体包括以下步骤：

S1：主小区内移动用户产生新的计算任务，向当前小区内主MEC发送任务卸载请求；

S2：主MEC服务器收集当前时隙内本小区移动用户发送的计算卸载请求信息，并上传至上层SDN控制器；

S3：SDN统计MEC信息以及任务请求信息，建立通信模型、任务计算模型，构建出最小化任务代价问题模型；

S4：SDN对主小区内任务随机生成卸载集；

S5：根据步骤S4卸载集中卸载执行的任务进行多MEC选择与计算资源分配；

S6：根据步骤S5中的选择结果，更新卸载集，计算目标函数值；

S7：判断是否满足结束条件，满足执行步骤S8，不满足将本地执行且执行代价最大的任务加入卸载集中，返回步骤S5；

S8：输出卸载集，多MEC选择矩阵和最优计算资源分配；

所述步骤S3具体包括以下步骤：

S31：建立通信模型：

定义集合

表示请求用户集，其中任务

通过二元组

表示，b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数，集合

表示M个MEC服务器集合，其中

代表主MEC，其余为从MEC服务器，用户i通过空中接口上传任务速率为：

r_i＝B_ilog₂(1+P_tra,ig_i/B_iN_o) (1)

其中多个请求任务占用相等的频谱资源B_i，P_tra,i表示用户i的发送功率，g_i表示用户i与MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度；

用户通过无线信道上传任务的时延与能耗分别为：

t_tra,i＝b_i/r_i (2)

e_tra,i＝P_tra,i·t_tra,i＝P_trab_i/r_i (3)

MEC服务器之间任务传输的时延为：

t_M＝b_i/r_M (4)

S32:任务计算模型：

任务在终端本地执行的时延、能耗和总代价分别为：

T_i,0＝b_id_i/f_loc,i (5)

E_i,0＝k_ib_id_i(f_loc,i)² (6)

U_i,0＝α_iT_i,0+β_iE_i,0 (7)

其中用户终端的计算能力为f_loc,i，k_i是与硬件架构相关的常数；记α_i和β_i为用户对于时延与能耗的权重系数；

任务在主MEC服务器执行的时延、能耗和总代价分别为：

T_i,1＝t_tra,i+t_i,1＝b_i/r_i+b_id_i/F_i,1 (8)

E_i,1＝e_tra,i＝P_trab_i/r_i (9)

U_i,1＝α_iT_i,1+β_iE_i,1 (10)

任务在从MEC执行的时延、能耗与总代价分别为：

T_i,k＝t_tra,i+t_i,k+t_M＝b_i/r_i+b_id_i/F_i,k+b_i/r_M (11)

E_i,k＝e_tra,i＝P_trab_i/r_i (12)

U_i,k＝α_iT_i,k+β_iE_i,k (13)

其中

用来标志M-1个从MEC服务器；若任务在MEC端执行，可以将任务执行代价函数写为：

S33：任务代价最小化问题模型：

联合计算资源分配与任务卸载的优化问题表述为：

其中A＝{a₁,a₂,...,a_n}为卸载集，其中a_i∈{0,1}，标志任务i本地执行或卸载执行；其中

为多MEC选择向量集，其中b_i,j∈{0,1}，标志任务i卸载到服务器j上；其中

为计算资源分配集，对任意的MEC服务器j，都有

F_j为服务器j可提供的最大计算能力；

所述步骤S5中，更新卸载集，计算目标函数值，具体包括以下步骤：

S51：MEC计算资源分配方法：

不同MEC的计算资源分配是相互独立的，因此不同MEC服务器的计算资源分配不相互干扰；当卸载集A与MEC选择向量集B确定之后，资源分配问题表示为：

其中

为选择本地执行的任务集合，

为选择卸载到主MEC服务器执行的任务集合，

为选择二次卸载到第k个从MEC服务器执行的任务集合；通过构造拉格朗日函数并结合KKT条件，资源分配问题的最优解为：

根据式(17)可以得到计算资源分配集F；

S52:定义集合D包含卸载集A中所有值为1的任务；定义集合D₁为主MEC执行任务集，集合为D₂非主MEC执行任务集D₂；定义主MEC执行任务准则为：

将集合D中第一个任务T_t放入集合D₁，根据式(17)对D₁中的任务分配计算资源，将D₁中不符合准则(18)的任务添加至淘汰集D'₂；

S53：设代价函数U(D₁)表示在主MEC执行代价，代价函数U(D₂)表示不在主MEC执行代价；代价函数U(D₁)通过结合式(17)求解目标函数(16)得到；代价函数U(D₂)的求解需要将D₂中任务分配后才可求解，最小化集合D₂中任务代价的问题为：

其中任务分配矩阵Z＝(z_i,j)_N'×M-1,z_i,j∈{0,1}，表示要求解的矩阵；当j＝1,2,3,...,M-1时，任务对应卸载到相应的从MEC服务器执行；使用连续变量v_i,j替换目标函数(19)约束条件中的z_i,j，使用线性函数V(v_i,j)替换目标函数(19)表达式中的z_i,j，v_i,j与V(v_i,j)有以下性质：

其中ε是一个小值，t是迭代次数；结合公式(17)可求解凸优化问题：

给定

的初始值，以及另一个小数η，通过迭代不断求解(22)式，当

成立，便可通过

计算得到U(D_2,t)；

S54：根据S53中计算U(D_1,t)与U(D_2,t)的方法，需求解的判决表达式为：

U(D_2,t-1∩T_t)+U(D_1,t-1)≥U(D_2,t-1∩D'_2,t)+U(D_1,t) (23)

若式(23)成立，则将D'₂加入集合D₂，若式(23)不成立，则将T_t加入集合D₂；

S55：判断集合D是否为空，若非空，则返回步骤S52，若空，执行步骤S56；

S56：得到在主MEC执行任务集D₁、非主MEC执行任务集定义为D₂和多MEC选择向量集B。

2.根据权利要求1所述的一种主从MEC网络中联合任务卸载与资源分配方法，其特征在于，所述步骤S6中，根据步骤S5中的选择结果，更新卸载集，具体包括以下步骤：

S61：制定卸载更新策略为：

根据卸载集更新策略对上一次卸载集A进行更新。

3.根据权利要求2所述的一种主从MEC网络中联合任务卸载与资源分配方法，其特征在于，所述步骤S7中，判断是否满足结束条件，具体包括：若此时卸载集A中所有元素都为1或目标函数W的解没有更新，则执行步骤S8，否则返回步骤S5。

Images