CN112996056A - 一种云边协同下时延最优化的计算任务卸载方法及装置 - Google Patents

Abstract

本发明公开了一种云边协同下时延最优化的计算任务卸载方法及装置，该方法包括：建立以最小化任务总时延为目标的云边协同计算卸载模型，其中，任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；通过求解以上两个子问题，得到卸载决策方案。本发明通过云和边缘物理代理并行执行目标任务，达到云边协同的目的，同时最小化用户感知时延，优化了带宽和计算资源的分配。

Description

一种云边协同下时延最优化的计算任务卸载方法及装置

技术领域

本发明设计边缘计算技术领域，具体涉及一种云边协同下时延最优化的计算任务卸载方法及装置。

背景技术

随着物联网的应用和快速发展，越来越多的终端设备接入网络，急剧增加的数据流加大了网络压力；同时，随着计算任务复杂度的提高，资源受限的终端设备无法独立处理。传统处理方式是将海量数据和任务卸载至云端统一处理，这确实能解决终端存储和计算资源不足的问题，但这也带来了不可忽视的挑战，表现为：1)边缘终端设备产生的海量数据传输到云计算中心将使得网络传输带宽负载量急剧增加，造成网络拥挤，产生网络延迟。2)云计算中心资源的线性增加无法满足爆炸式增长的网络边缘数据。3)边缘设备传输数据到计算中心以及计算中心处理将产生巨大的能量耗损。为解决这些问题，产生了边缘计算模型，边缘计算将存储和计算下沉，这样边缘设备能够直接将计算任务卸载至边缘节点处理，极大的降低了网络时延。但很多情况下，仅仅依靠边缘计算仍然难以满足任务的时延要求。边缘节点大多数部署在基站上，也有着存储和计算资源的限制性，当计算密集型任务(如多人AR，视频分析)在同一时刻到来的时候，边缘节点无法独立处理以达到满意的时延。

因此，云计算和边缘计算的协同工作成为了大多数计算密集型任务卸载的基础。以视频分析(如统计车辆数量)任务来说，边缘节点主要负责帧过滤，初步筛选，在特定场景下，也可以运行一些规模较小的CNN来比较视频之间的相似度；而云端则是负责高计算量的特征检测。又如在AR游戏中，需要将AR视频上传至云端进行特征检测，从而标识感兴趣区域，随后在边缘节点或者终端设备上进行渲染操作。边缘协同系统需要综合考虑边缘计算节点和云端的计算能力，得到一个高效的计算任务卸载决策。

发明内容

本发明的目的在于提供一种云边协同下时延最优化的计算任务卸载方法及装置，实现云计算和边缘计算协同环境下的计算任务卸载的任务时延优化，满足用户的实时性需求，提供更好的用户体验。

为了实现上述发明目的，本发明采用的技术方案如下：

本发明提供一种云边协同下时延最优化的计算任务卸载方法，包括：

建立以最小化任务总时延为目标的云边协同计算卸载模型；所述任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；所述云边协同是指移动终端任务将一定任务分配比例计算量卸载至边缘节点处理，并将剩余计算量卸载至云端处理；

将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；

分别求解两个子模型，得到云边协同下时延最优化的任务分配比例、链路时隙分配以及边缘节点和云端的计算资源分配方案。

进一步的，所述建立以最小化任务总时延为目标的云边协同计算卸载模型，包括：

其中，

为任务在边缘节点的处理时延，

为任务在云端的处理时延，

为i移动终端向j边缘节点传输任务的传输时延，

为j边缘节点向云端传输任务的传输时延，L_j,i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小，C_j,i代表处理一比特需要的CPU cycle数，λ_j,i为i移动终端卸载至j边缘节点的任务分配比例，τ_j,i为i移动终端至j边缘节点的分配时隙，

为j边缘节点分配给i移动终端的计算资源，

为云端分配给i移动终端的计算资源，W_j为j边缘节点给所有移动终端的回程网络带宽，R_j,i＝Ε_h{r_j,i}是期望信道能力，r_j,i为i移动终端向第j个基站传输任务的最大数据传输速率，T表示TDMA帧的长，I_j表示第j个基站连接的用户数，J表示基站个数，每个基站部署一个边缘节点，β_j,i表示任务的紧急程度和重要程度的影响因子，满足，

所述云边协同计算卸载模型需满足约束条件：

其中，Fc和

分别代表云端和j边缘节点的最大可用计算资源。

进一步的，移动终端向基站传输任务的最大数据传输速率根据香农定理计算：

其中，

表示i移动终端使用第n个时隙向第j个基站传输任务的最大数据传输速率，B表示移动终端到边缘节点的带宽，p_j，i表示i移动终端到第j个基站的传输能力，

表示i移动终端到第j个基站信道容量，σ_j表示第j个基站的噪声。

进一步的，将所述云边协同计算卸载模型分解成两个独立的子模型，包括：

子模型P₂最小化所有的移动终端传输任务数据至连接基站的时延：

子模型P₃最小化所有任务在边缘节点和云端的计算时延：

进一步的，还包括：

根据Cauchy-Buniakowsky-Schwarz不等式求解子模型P₂，得到移动终端上传给边缘节点计算任务的链路时隙：

其中，

为i移动终端上传给j边缘节点计算任务的最优链路时隙。

进一步的，还包括，

基于标准化的回程通信能力和标准化的云端计算能力计算最优任务分配比例：

其中，

为i移动终端卸载至j边缘节点的最优任务分配比例，η_j，i为标准化的回程通信能力，γ_j，i为标准化的云端计算能力，

进一步的，还包括，

将子模型P₃转换为子模型P₄：

采用KKT优化条件求解子模型P₄，得到最优资源分配：

其中，

为j边缘节点给i移动终端的最优资源分配，

为云端分配给i移动终端的最优资源分配，(x)⁺＝max(x，0)，θ^*和

部是同时满足

的最优拉格朗日乘子。

本发明实施例还提供一种云边协同下时延最优化的计算任务卸载装置，包括：

构建模块，用于建立以最小化任务总时延为目标的云边协同计算卸载模型；所述任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；所述云边协同是指移动终端任务将一定任务分配比例计算量卸载至边缘节点处理，并将剩余计算量卸载至云端处理；

分解模块，用于将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；

以及，

计算模块，用于分别求解两个子模型，得到云边协同下时延最优化的任务分配比例、链路时隙分配以及边缘节点和云端的计算资源分配方案。

进一步的，所述构建模块建立云边协同计算卸载模型为：

其中，

为任务在边缘节点的处理时延，

为任务在云端的处理时延，

为i移动终端向j边缘节点传输任务的传输时延，

为j边缘节点向云端传输任务的传输时延，L_j，i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小，C_j，i代表处理一比特需要的CPU cycle数，λ_j，i为i移动终端卸载至j边缘节点的任务分配比例，τ_j，i为i移动终端至j边缘节点的分配时隙，

为j边缘节点分配给i移动终端的计算资源，

为云端分配给i移动终端的计算资源，W_j为j边缘节点给所有移动终端的回程网络带宽，R_j，i＝E_h{r_j，i}是期望信道能力，r_j，i为i移动终端向第j个基站传输任务的最大数据传输速率，T表示TDMA帧的长，I_j表示第j个基站连接的用户数，J表示基站个数，每个基站部署一个边缘节点，β_j，i表示任务的紧急程度和重要程度的影响因子，满足，

所述云边协同计算卸载模型需满足约束条件：

其中，Fc和

分别代表云端和j边缘节点的最大可用计算资源。

进一步的，所述分解模块将所述云边协同计算卸载模型分解成两个独立的子模型为：

子模型P₂为最小化所有的移动终端传输任务数据至连接基站的时延：

子模型P₃为最小化所有任务在边缘节点和云端的计算时延：

进一步的，所述计算模块具体用于，

根据Cauchy-Buniakowsky-Schwarz不等式求解子模型P₂，得到移动终端上传给边缘节点计算任务的链路时隙：

其中，

为i移动终端上传给j边缘节点计算任务的最优链路时隙。

进一步的，所述计算模块具体用于，

基于标准化的回程通信能力和标准化的云端计算能力计算最优任务分配比例：

其中，

为i移动终端卸载至j边缘节点的最优任务分配比例，η_j，i为标准化的回程通信能力，γ_j，i为标准化的云端计算能力，

将子模型P₃转换为子模型P₄：

采用KKT优化条件求解子模型P₄，得到最优资源分配：

其中，

为j边缘节点给i移动终端的最优资源分配，

为云端分配给i移动终端的最优资源分配，(x)⁺＝max(x，0)，θ^*和

都是同时满足

和

的最优拉格朗日乘子。

本发明通过建立以最小化任务总时延为目标的云边协同计算卸载模型，并将该云边协同计算卸载模型分解成对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；通过求解以上两个子问题，得到卸载决策方案。该方法通过云和边缘物理代理并行执行目标任务，达到云边协同的目的，同时最小化用户感知时延，优化了带宽和计算资源的分配。

附图说明

图1是本发明提供的云边协同模型的示意图；

图2是本发明提供的云边协同下时延最优化的计算任务卸载方法流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细说明，但应当理解，以下具体实施例的描述仅是为了使本领域技术人员更清楚地理解技术方案，而不是对本发明的限定。

本发明实施例提供一种云边协同下时延最优化的计算任务卸载方法，参见图1，云边包括云中心服务器，移动终端，基站以及与基站相连的移动边缘计算MEC服务器。移动终端通过无线网络接入基站，基站和云中心服务器通过回程网络进行通信。移动终端可以是智能手机、智能摄像头等。

计算任务一般为计算密集型任务，如视频分析任务。

计算任务卸载的总体过程是：移动终端将产生的任务发送到附近的基站中，基站对资源进行调度分配，并根据分配方案将任务分别发送到MEC服务器上和云服务器进行计算。

具体而言，云边协作系统中包括一个中心化的云服务器和J个基站，每个基站中都部署了一个资源受限的边缘服务器，基站j的覆盖范围内，有I_j个用户可直接连接，每个用户都可能产生计算密集型任务，并通过无线网络连接到基站，将任务上传至边缘服务器，边缘节点和云服务器通过高速回程网络连接。在云边协作系统中，每个任务都可以在边缘服务器或者云服务器执行。

每个移动终端产生的任务会首先长传至附近的边缘节点，由边缘节点决定是否在本地处理，还是云边协同处理，如果是云边协同，那么该边缘节点需要决定上传至云服务器的计算任务比例。因此，一个计算任务从产生到执行结束，主要经历了四个时延，分别为终端至边缘节点的传输时延，边缘节点上的计算时延，边缘节点至云服务器的数据传输时延，以及任务在云服务器上的计算时延。

参照图2，本发明的云边协同下时延最优化的计算任务卸载方法，包括：

采用时分多址技术(TDMA)对无线信道进行建模，i移动终端至j边缘节点(边缘服务器)的分配的时隙为τ_j，i，j边缘节点给所有终端的回程网络带宽均为W_j，同时j边缘节点分配给i终端的计算资源为

云服务器分配给i移动终端的计算资源为

i移动终端任务将λ_j，i计算量卸载至j边缘节点，并将(1-λ_j，i)计算量卸载至云端处理。

基于所述τ_j，i计算移动终端向基站传输任务的最大数据传输速率

基于所述

和λ_j，i计算任务在边缘节点的处理时延

基于

和(1-λ_j，i)计算任务在云端的处理时延

基于

汁算i移动终端向j边缘节点传输任务的传输时延

以及，基于W_j计算任务从边缘节点至云端的传输时延

针对所述传输时延和处理时延建立以最小化任务总时延为目标的云边协同计算卸载模型；

对所述云边协同计算卸载模型进行求解，得到卸载方案。

具体的，移动终端向基站传输任务的最大数据传输速率

根据香农定理计算：

其中，B，p_j，i，

σ_j分别表示移动终端到边缘节点的带宽，i移动终端到j移动基站的传输能力，i移动终端到j移动基站信道容量，j移动基站的噪声，上标n表示对应的时隙。

具体的，任务在边缘节点的处理时延

计算为：

其中，L_j，i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小(bits)，C_j，i代表处理一比特需要的CPU cycle数，λ_j，i为任务分配比例。

本发明实施例中，用A_j，i＝{L_j，i，C_j，i}标识一个由i移动终端产生的被j服务器处理的计算任务，其中L_j，i表示输入数据大小(bits)，C_j，i表示处理一比特所需要的CPU cycle数。

具体的，任务在云端的处理时延

计算为：

具体的，计算i移动终端向j边缘节点传输任务的传输时延

为：

其中，R_j，i＝E_h{r_j，i}是期望信道能力，r_j，i指时隙的最大数据传输速率，T表示TDMA帧的长。

具体的，基于W_j计算任务从边缘节点至云端的传输时延

具体的，建立以最小化任务总时延为目标的云边协同计算卸载模型，为：

其中，β_j，i表示任务的紧急程度和重要程度的影响因子，满足，

约束条件包括：

其中，Fc和

分别代表云服务器和边缘节点的最大可用计算资源。第一个约束是保证每个mobile分配到的时隙之和不超过总时间，第二个第三个约束是保证云服务器和边缘节点为每个任务分配的计算资源不会超过其最大可用资源。

在云边协作系统中，i移动终端至j边缘节点的传输时延

仅仅取决于τ_j，i而独立于其他优化变量。同时任务从边缘节点至云端的传输时延

任务在边缘节点的计算时延

任务在云端的计算试验

均与τ_j，i无关。因此，可以将上述问题分解成两个独立的子问题，分别对应终端设备上传给边缘节点计算任务的TDMA时隙分配，以及边缘节点和云端的计算资源分配。原始优化问题P₁可以解耦为两个子问题_P2和P₃，分别对其进行求解。

子问题P₂最小化所有的移动终端传输任务数据至连接基站的时延：

子问题P₃最小化所有任务在边缘节点和云端的计算时延：

分别求解所提出的两个子问题。

针对子问题P₂，根据Cauchy-Buniakowsky-Schwarz不等式，有：

该不等式成立当且仅当对于任意的i∈I_j，j∈J，

都是相等的。

假定P₂最优解为

设

那么有

将其带入不等式，反推出：

因此最优解

为：

随着数据量增大或者链路状态下降，相对应的传输时延会增加，导致分配到的链路时隙也会更多。

针对子问题P₃，P₃具有分段属性，因此无法直接求解，首先给出两个标准化定义，标准化的回程通信能力为：

直观理解为回程网络通信能力和边缘节点计算能力之比；标准化云服务器计算能力为：

直观理解为云服务器计算能力和边缘计算能力之比。根据这两个标准化定义，得到最优的卸载方案：

计算过程为：分析计算时延

和任务分配比例λ_j，i的单调性，

随着λ_j，i增加而单调增加，λ_j，i∈[0，1]，

那么

同时

又最优卸载比例

立满足：

由此可得

其中

将

带入P₃，得到：

那么P₃就变成了以下问题：

由于

的Hessian矩阵是正定的，因而P₄是一个凸优化问题，使用KKT优化条件可直接求解P₄中的最优资源分配策略为：

其中(x)⁺＝max(x，0)，θ^*和

都是同时满足

和

的最优拉格朗日乘子。

至此，得到了卸载方案中所需的卸载至云服务器的任务比例、链路时隙分配以及边缘服务器和云服务器的计算资源分配方案。

本发明实施例还提供一种云边协同下时延最优化的计算任务卸载装置，包括：

构建模块，用于建立以最小化任务总时延为目标的云边协同计算卸载模型；所述任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；所述云边协同是指移动终端任务将一定任务分配比例计算量卸载至边缘节点处理，并将剩余计算量卸载至云端处理；

分解模块，用于将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；

以及，

计算模块，用于分别求解两个子模型，得到云边协同下时延最优化的任务分配比例、链路时隙分配以及边缘节点和云端的计算资源分配方案。

进一步的，所述构建模块建立云边协同计算卸载模型为：

其中，

为任务在边缘节点的处理时延，

为任务在云端的处理时延，

为i移动终端向j边缘节点传输任务的传输时延，

为j边缘节点向云端传输任务的传输时延，L_j，i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小，C_j，i代表处理一比特需要的CPU cycle数，λ_j，i为i移动终端卸载至j边缘节点的任务分配比例，τ_j，i为i移动终端至j边缘节点的分配时隙，

为j边缘节点分配给i移动终端的计算资源，

为云端分配给i移动终端的计算资源，W_j为j边缘节点给所有移动终端的回程网络带宽，R_j，i＝E_h{r_j，i}是期望信道能力，r_j，i为i移动终端向第j个基站传输任务的最大数据传输速率，T表示TDMA帧的长，I_j表示第j个基站连接的用户数，J表示基站个数，每个基站部署一个边缘节点，β_j，i表示任务的紧急程度和重要程度的影响因子，满足，

所述云边协同计算卸载模型需满足约束条件：

其中，Fc和

分别代表云端和j边缘节点的最大可用计算资源。

进一步的，所述分解模块将所述云边协同计算卸载模型分解成两个独立的子模型为：

子模型P₂为最小化所有的移动终端传输任务数据至连接基站的时延：

子模型P₃为最小化所有任务在边缘节点和云端的计算时延：

进一步的，所述计算模块具体用于，

根据Cauchy-Buniakowsky-Schwarz不等式求解子模型P₂，得到移动终端上传给边缘节点计算任务的链路时隙：

其中，

为i移动终端上传给j边缘节点计算任务的最优链路时隙。

进一步的，所述计算模块具体用于，

基于标准化的回程通信能力和标准化的云端计算能力计算最优任务分配比例：

其中，

为i移动终端卸载至j边缘节点的最优任务分配比例，η_j，i为标准化的回程通信能力，γ_j，i为标准化的云端计算能力，

将子模型P₃转换为子模型P₄：

采用KKT优化条件求解子模型P₄，得到最优资源分配：

其中，

为j边缘节点给i移动终端的最优资源分配，

为云端分配给i移动终端的最优资源分配，(x)⁺＝max(x，0)，θ^*和

都是同时满足

的最优拉格朗日乘子。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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装置。

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装置的制造品，该指令装置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设备上，使得在计算机或其他可编程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。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出以上实施列对本发明不构成限定，本领域相关技术人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均落在本发明的保护范围内。

Claims (12)

1.一种云边协同下时延最优化的计算任务卸载方法，其特征在于，包括：

建立以最小化任务总时延为目标的云边协同计算卸载模型；所述任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；所述云边协同是指移动终端任务将一定任务分配比例计算量卸载至边缘节点处理，并将剩余计算量卸载至云端处理；

将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；

分别求解两个子模型，得到云边协同下时延最优化的任务分配比例、链路时隙分配以及边缘节点和云端的计算资源分配方案。

2.根据权利要求1所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，所述建立以最小化任务总时延为目标的云边协同计算卸载模型，包括：

P₁:

其中，

为任务在边缘节点的处理时延，

为任务在云端的处理时延，

为i移动终端向j边缘节点传输任务的传输时延，

为j边缘节点向云端传输任务的传输时延，L_j,i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小，C_j,i代表处理一比特需要的CPU cycle数，λ_j,i为i移动终端卸载至j边缘节点的任务分配比例，τ_j,i为i移动终端至j边缘节点的分配时隙，

为j边缘节点分配给i移动终端的计算资源，

为云端分配给i移动终端的计算资源，W_j为j边缘节点给所有移动终端的回程网络带宽，R_j,i＝E_h{r_j,i}是期望信道能力，r_j,i为i移动终端向第j个基站传输任务的最大数据传输速率，T表示TDMA帧的长，I_j表示第j个基站连接的用户数，J表示基站个数，每个基站部署一个边缘节点，β_j,i表示任务的紧急程度和重要程度的影响因子，满足，

所述云边协同计算卸载模型需满足约束条件：

其中，F^c和

分别代表云端和j边缘节点的最大可用计算资源。

3.根据权利要求2所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，移动终端向基站传输任务的最大数据传输速率根据香农定理计算：

其中，

表示i移动终端使用第n个时隙向第j个基站传输任务的最大数据传输速率，B表示移动终端到边缘节点的带宽，p_j,i表示i移动终端到第j个基站的传输能力，

表示i移动终端到第j个基站信道容量，σ_j表示第j个基站的噪声。

4.根据权利要求2所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，将所述云边协同计算卸载模型分解成两个独立的子模型，包括：

子模型P₂最小化所有的移动终端传输任务数据至连接基站的时延：

P₂:

子模型P₃最小化所有任务在边缘节点和云端的计算时延：

P₃:

5.根据权利要求4所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，还包括：

根据Cauchy-Buniakowsky-Schwarz不等式求解子模型P₂，得到移动终端上传给边缘节点计算任务的链路时隙：

其中，

为i移动终端上传给j边缘节点计算任务的最优链路时隙。

6.根据权利要求4所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，还包括，

基于标准化的回程通信能力和标准化的云端计算能力计算最优任务分配比例：

其中，

为i移动终端卸载至j边缘节点的最优任务分配比例，η_j,i为标准化的回程通信能力，γ_j,i为标准化的云端计算能力，

7.根据权利要求6所述的一种云边协同下时延最优化的计算任务卸载方法，其特征在于，还包括，

将子模型P₃转换为子模型P₄：

P₄:

采用KKT优化条件求解子模型P₄，得到最优资源分配：

其中，

为j边缘节点给i移动终端的最优资源分配，

为云端分配给i移动终端的最优资源分配，(x)⁺＝max(x,0)，θ^*和

都是同时满足

和

的最优拉格朗日乘子。

8.一种云边协同下时延最优化的计算任务卸载装置，其特征在于，包括：

构建模块，用于建立以最小化任务总时延为目标的云边协同计算卸载模型；所述任务总时延由移动终端向边缘节点传输任务的传输时延，由边缘节点向云端传输任务的传输时延，任务在边缘节点的处理时延和任务在云端的处理时延构成；所述云边协同是指移动终端任务将一定任务分配比例计算量卸载至边缘节点处理，并将剩余计算量卸载至云端处理；

分解模块，用于将所述云边协同计算卸载模型分解成两个独立的子模型，分别对应移动终端上传给边缘节点计算任务的链路时隙分配，以及边缘节点和云端的计算资源分配；

以及，

计算模块，用于分别求解两个子模型，得到云边协同下时延最优化的任务分配比例、链路时隙分配以及边缘节点和云端的计算资源分配方案。

9.根据权利要求8所述的一种云边协同下时延最优化的计算任务卸载装置，其特征在于，所述构建模块建立云边协同计算卸载模型为：

P₁:

其中，

为任务在边缘节点的处理时延，

为任务在云端的处理时延，

为i移动终端向j边缘节点传输任务的传输时延，

为j边缘节点向云端传输任务的传输时延，L_j,i是由i移动终端产生的被j边缘节点处理的计算任务的数据大小，C_j,i代表处理一比特需要的CPU cycle数，λ_j,i为i移动终端卸载至j边缘节点的任务分配比例，τ_j,i为i移动终端至j边缘节点的分配时隙，

为j边缘节点分配给i移动终端的计算资源，

为云端分配给i移动终端的计算资源，W_j为j边缘节点给所有移动终端的回程网络带宽，R_j,i＝E_h{r_j,i}是期望信道能力，r_j,i为i移动终端向第j个基站传输任务的最大数据传输速率，T表示TDMA帧的长，I_j表示第j个基站连接的用户数，J表示基站个数，每个基站部署一个边缘节点，β_j,i表示任务的紧急程度和重要程度的影响因子，满足，

所述云边协同计算卸载模型需满足约束条件：

其中，F^c和

分别代表云端和j边缘节点的最大可用计算资源。

10.根据权利要求9所述的一种云边协同下时延最优化的计算任务卸载装置，其特征在于，所述分解模块将所述云边协同计算卸载模型分解成两个独立的子模型为：

子模型P₂为最小化所有的移动终端传输任务数据至连接基站的时延：

P₂:

子模型P₃为最小化所有任务在边缘节点和云端的计算时延：

P₃:

11.根据权利要求10所述的一种云边协同下时延最优化的计算任务卸载装置，其特征在于，所述计算模块具体用于，

根据Cauchy-Buniakowsky-Schwarz不等式求解子模型P₂，得到移动终端上传给边缘节点计算任务的链路时隙：

其中，

为i移动终端上传给j边缘节点计算任务的最优链路时隙。

12.根据权利要求10所述的一种云边协同下时延最优化的计算任务卸载装置，其特征在于，所述计算模块具体用于，

基于标准化的回程通信能力和标准化的云端计算能力计算最优任务分配比例：

其中，

为i移动终端卸载至j边缘节点的最优任务分配比例，η_j,i为标准化的回程通信能力，γ_j,i为标准化的云端计算能力，

将子模型P₃转换为子模型P₄：

P₄:

采用KKT优化条件求解子模型P₄，得到最优资源分配：

其中，

为j边缘节点给i移动终端的最优资源分配，

为云端分配给i移动终端的最优资源分配，(x)⁺＝max(x,0)，θ^*和

都是同时满足

和

的最优拉格朗日乘子。

Images