CN113315818A - 一种基于边缘计算的数据采集终端资源适配方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的数据采集终端资源适配方法，包括以下步骤：S1、建立云边协作的任务模型；S2、分析任务模型中各节点的任务执行延迟和各节点之间的数据传输延迟；S3、根据终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略。本发明通过云计算中心和边缘节点协同处理的方式，在边缘服务器端部署任务调度算法，针对终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略，以获得更短的计算和传输延迟，从而提高抽水蓄能电站中辅助决策任务的及时性。

Description

一种基于边缘计算的数据采集终端资源适配方法

技术领域

本发明涉及通信技术领域，尤其涉及一种基于边缘计算的数据采集终端资源适配方法。

背景技术

截至2018年底，国内抽水蓄能电站的装机规模已达2999万kW，并且在建规模也达到4400万kW。随着抽水蓄能电站的建设规模逐步扩大，为了便于管理和监测，各电站陆续建成数据采集、调度控制、生产管理等较为完整的自动化体系，然而由于数据采集终端的处理能力有限，限制了抽水蓄能电站自动化系统的智能化程度。

云计算由于其强大的计算能力，在一定程度解决了一些终端设备的计算能力不足的问题，但是云计算需要克服远距离物理的传输路线限制，因此云计算可能会引入比较高的传输延迟。

例如，中国专利文献CN106412075A公开了“一种基于云计算的资源配置方法及装置无”，利用虚拟化技术将计算机资源转化为虚拟机，运行在网络化的物理服务器上；获取云计算当前运行过程中的各项性能指标数据；根据性能指标数据，利用动态拓展算法确定所需的虚拟服务器的数量以及所需的WEB应用组件的数量；根据所需的虚拟服务器的数量以及所需的WEB应用组件的数量，对虚拟服务器以及WEB应用组件进行扩展或缩减；将接收到的用户访问请求路由到不同的所述虚拟服务器上。上述专利的不足之处在于资源配置的过程中具有较高的传输延迟。

发明内容

本发明主要解决原有的资源配置方法具有较高的传输延迟的技术问题；提供一种基于边缘计算的数据采集终端资源适配方法，通过云计算中心和边缘节点协同处理的方式，在边缘服务器端部署任务调度算法，针对终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略，以获得更短的计算和传输延迟，从而提高抽水蓄能电站中辅助决策任务的及时性。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1、建立云边协作的任务模型；

S2、分析任务模型中各节点的任务执行延迟和各节点之间的数据传输延迟；

S3、根据终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略。

本发明通过云计算中心和边缘节点协同处理的方式，在边缘服务器端部署任务调度算法，针对终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略，以获得更短的计算和传输延迟，从而提高抽水蓄能电站中辅助决策任务的及时性。

作为优选，所述的任务模型包括终端层、边缘层和云层，其中：

所述终端层包括若干传感器和若干终端，所述传感器用于数据采集，所述终端用于收集传感器数据、生成计算任务并判断终端是否能在最大延迟限度内完成计算任务，若能完成则终端对计算任务进行本地任务数据处理，若不能完成则确定卸载的任务数据、本地计算的任务数据以及卸载的主边缘节点；

所述边缘层包括内干边缘节点，所述边缘节点作为主边缘节点时判断是否能在计算任务所对应的最大延迟限度能完成终端所卸载的任务数据，若能则主边缘节点对任务数据进行处理，若不能，则确定卸载的任务数据以及卸载的辅助边缘节点和/或云端；所述边缘节点作为辅助边缘节点时，接收主边缘节点卸载的任务数据并进行处理；

所述云层包括云端，云端接收主边缘节点卸载的任务数据并进行处理。

作为优选，所述的终端设有终端任务模型：

其中，D_i(t)表示在时隙t，第i个终端生成的计算任务的任务数据，

表示第i个终端本地计算的任务数据，当终端能在最大延迟限度内完成计算任务，则

μ_i,j表示第i个终端卸载决策变量，若第i个终端选择第j个边缘节点作为主边缘节点，则μ_i,j＝1，反之则μ_i,j＝0，

表示第i个终端卸载到第j个主边缘节点的任务数据。

如果终端估计任务无法在本地任务执行最大延迟限度

内完成处理，则终端的任务调度程序将把任务数据卸载到主边缘节点与本地任务并行处理。

作为优选，所述的边缘层设有边缘节点任务模型：

其中，

表示第i个终端卸载到第j个主边缘节点的任务数据，

表示第i个终端卸载到第j个主边缘节点的任务数据中能自身处理的任务数据，β_i,j,p表示辅助决策变量，若第j个主边缘节点将第i个终端卸载的任务数据分流到第p个辅助边缘节点，则β_i,j,p＝1，反之则β_i,j,p＝0，

表示第j个主边缘节点分流到第p个辅助边缘节点的任务数据，λ_i,j表示云卸载变量，若第j个主边缘节点将第i个终端卸载的任务数据卸载到云端，则λ_i,j＝1，反之则λ_i,j＝0，

表示第j个主边缘节点卸载到云端的任务数据。

主边缘节点在其覆盖范围内从终端接收任务数据。但是，由于资源的限制，主边缘节点无法处理终端在不同任务的延迟限度内所完成的所有任务数据。因此，主边缘节点必须将部分任务分配给具有足够资源量的辅助边缘节点和/或云端。

作为优选，所述的任务执行延迟包括：

i)第i个终端的本地任务执行延迟为：

其中，L_a表示任务的处理密度，f_i表示第i个终端的CPU时钟速度，

表示第i个终端本地计算的任务数据；

ii)第j个主边缘节点处第i个终端的任务执行延迟为：

其中，f_i,j表示第j个主边缘节点分配给第i个终端的CPU时钟速度，

表示第i个终端卸载到第j个主边缘节点的任务数据中能自身处理的任务数据；

iii)分流到第p个辅助边缘节点的任务执行延迟为：

其中，f_i,p表示第p个辅助边缘节点分配给第i个终端的CPU时钟速度，

表示第j个主边缘节点分流到第p个辅助边缘节点的任务数据。

本发明认定云端配备了足够数量的计算和存储资源，因此本发明无需考虑云端的任务执行时间，故可以忽略云端的任务执行延迟。

作为优选，所述的数据传输延迟包括：

i)第i个终端与第j个主边缘节点之间的数据传输延迟为：

其中，r_i,j表示第i个终端与第j个主边缘节点之间的数据传输速率，μ_i,j表示第i个终端卸载决策变量，若第i个终端选择第j个边缘节点作为主边缘节点，则μ_i,j＝1，反之则μ_i,j＝0，

表示第i个终端卸载到第j个主边缘节点的任务数据；

ii)第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟为：

其中，r_i,j,c表示第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输速率，λ_i,j表示云卸载变量，若第j个主边缘节点将第i个终端卸载的任务数据卸载到云端，则λ_i,j＝1，反之则λ_i,j＝0，

表示第j个主边缘节点卸载到云端的任务数据；

iii)总数据传输延迟为本地任务执行延迟的最大值以及需要卸载的任务数据的传输延迟和任务执行延迟的总和：

其中，

表示第i个终端的本地任务执行延迟，

表示第i个终端与第j个主边缘节点之间的数据传输延迟，

表示第j个主边缘节点处第i个终端的任务执行延迟，

表示分流到第p个辅助边缘节点的任务执行延迟，

表示第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟。

数据传输延迟主要取决于传输速率。通常，数据总传输延迟包括任务卸载和返回的时间。在本发明的任务模型中，由于结果数据的大小较小，与从终端到主边缘节点，从主边缘节点到云端以及从主边缘节点到辅助边缘节点的任务数据大小相比，任务返回的时间可以被忽略，同时，本发明认定边缘节点之间通过有限光缆连接，因此，边缘节点之间的数据传输延迟也可以被忽略。

作为优选，所述的步骤S3具体包括：

第i个终端从有限的任务集中初始化一个计算任务，获取该计算任务的处理密度、本地任务执行最大延迟限度和任务数据；

设定该计算任务的全部任务数据均由第i个终端进行处理，计算此时第i个终端的本地任务执行延迟，并与该计算任务的本地任务执行最大延迟限度进行比对，若本地任务执行延迟小于本地任务执行最大延迟限度，则第i个终端无需卸载任务数据，反之，则第i个终端选择第j个边缘节点作为主边缘节点；

终端在进行本地任务执行时，同时向第j个主边缘节点卸载任务数据，向主边缘节点卸载任务数据等于计算任务的任务数据与第i个终端在本地任务执行最大延迟限度内能够处理的任务数据之差；

设定第j个主边缘节点从第i个终端接收到的任务数据均由定第j个主边缘节点进行处理，计算此时第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟，若第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟之和小于等于本地任务执行最大延迟限度，则第j个主边缘节点无需卸载任务数据，反之，则第j个边缘节点选择云端和/或第p个辅助边缘节点进行任务数据卸载；

当第j个边缘节点选择云端或辅助边缘节点进行任务数据卸载时，计算第i个终端与第j个主边缘节点之间的数据传输延迟、第j个主边缘节点处第i个终端的任务执行延迟、分流到第p个辅助边缘节点的任务执行延迟与第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟之和在满足小于等于本地任务执行最大延迟限度的条件下的最小值，得到第p个辅助边缘节点的卸载任务数据和/或云端的卸载任务数据。

针对终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略，以获得更短的计算延迟，从而提高抽水蓄能电站中辅助决策任务的及时性。

本发明的有益效果是：本发明通过云计算中心和边缘节点协同处理的方式，在边缘服务器端部署任务调度算法，针对终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略，以获得更短的计算和传输延迟，从而提高抽水蓄能电站中辅助决策任务的及时性。

附图说明

图1是本发明任务模型的一种结构原理示意图。

图2是本发明步骤S3中所用算法的一种流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种基于边缘计算的数据采集终端资源适配方法，包括以下步骤：

S1、建立云边协作的任务模型，如图1所示：

任务模型包括终端层、边缘层和云层三个层面。其中终端层包括用于数据采集的若干传感器和用于收集传感器数据的若干终端，同时终端还用于计算任务的生成，终端的序号集合为E＝{1,2,…e}；边缘层由若干边缘服务器组成，边缘服务器的序号集合为S＝{1,2,…s}，边缘服务器即为边缘节点；云层包括云服务器。云服务器与边缘服务器无线连接，边缘服务器与终端设备无线连接，终端设备与传感器短距离无线通信连接。整个任务模型的时隙用t＝{0,1,…t}表示，其中每个时隙的长度为△t。

终端层设有终端任务模型

其中，D_i(t)表示在时隙t，第i个终端生成的计算任务的任务数据，

表示第i个终端本地计算的任务数据，μ_i,j表示第i个终端卸载决策变量，若第i个终端选择第j个边缘节点作为主边缘节点，则μ_i,j＝1，反之则μ_i,j＝0，

表示第i个终端卸载到第j个主边缘节点的任务数据。

终端若能在最大延迟限度内完成计算任务，则终端对计算任务进行本地任务数据处理，无需进行计算任务的任务数据卸载，若不能完成则确定卸载的任务数据、本地计算的任务数据以及卸载的主边缘节点。

边缘层设有边缘节点任务模型

其中，

表示第i个终端卸载的任务数据位于第j个主边缘节点中的部分，第i个终端卸载的任务数据，β_i,j,p表示辅助决策变量，若第j个主边缘节点将第i个终端卸载的任务数据分流到第p个辅助边缘节点，则β_i,j,p＝1，反之则β_i,j,p＝0，

表示第j个主边缘节点分流到第p个辅助边缘节点的任务数据，λ_i,j表示云卸载变量，若第j个主边缘节点将第i个终端卸载的任务数据卸载到云端，则λ_i,j＝1，反之则λ_i,j＝0，

表示第j个主边缘节点卸载到云端的任务数据。

边缘节点作为主边缘节点时判断是否能在计算任务所对应的最大延迟限度能完成终端所卸载的任务数据，若能则主边缘节点对任务数据进行处理，若不能，则确定卸载的任务数据以及卸载的辅助边缘节点和/或云端；边缘节点作为辅助边缘节点时，只需接收主边缘节点卸载的任务数据并进行处理。

S2、分析任务模型中各节点的任务执行延迟和各节点之间的数据传输延迟：

任务执行延迟包括：

i)第i个终端的本地任务执行延迟为：

其中，L_a表示任务的处理密度，f_i表示第i个终端的CPU时钟速度；

ii)第j个主边缘节点处第i个终端的任务执行延迟为：

其中，f_i,j表示第j个主边缘节点分配给第i个终端的CPU时钟速度；

iii)分流到第p个辅助边缘节点的任务执行延迟为：

其中，f_i,p表示第p个辅助边缘节点分配给第i个终端的CPU时钟速度。

本实施例认定云端配备了足够数量的计算和存储资源，因此本发明无需考虑云端的任务执行时间，故可以忽略云端的任务执行延迟。

数据传输延迟主要取决于传输速率。通常，数据总传输延迟包括任务卸载和返回的时间。在本实施例的任务模型中，由于结果数据的大小较小，与从终端到主边缘节点，从主边缘节点到云端以及从主边缘节点到辅助边缘节点的任务数据大小相比，任务返回的时间可以被忽略，同时，本实施例认定边缘节点之间通过有限光缆连接，因此，边缘节点之间的数据传输延迟也可以被忽略。

数据传输延迟包括：

i)第i个终端与第j个主边缘节点之间的数据传输延迟为：

其中，r_i,j表示第i个终端与第j个主边缘节点之间的数据传输速率；

ii)第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟为：

其中，r_i,j,c表示第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输速率；

iii)总数据传输延迟为本地任务执行延迟的最大值以及需要卸载的任务数据的传输延迟和任务执行延迟的总和：

S3、根据终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略：

在本实施例中一个边缘节点可以用作多个终端的主边缘节点，

是将第j个边缘节点作为主边缘节点的终端集合。由于一个终端只能选择一个主边缘节点，因此集合A_j是不相交的，即当m≠n时，

边缘节点接收到终端计算任务后选择将计算任务分发给附近的辅助边缘节点或者进一步卸载至云端。本发明进一步假设第j个主边缘节点将仅i∈A_j终端的任务数据卸载到云端，因此第j个主边缘节点不能卸载其作为辅助节点处理的任务，B_j＝{1,2,...b_j}为将第j个边缘节点视为辅助节点的主节点的集合，i'∈E-A_j为在第j个边缘节上通过主节点b_j获得服务的终端。

具体的，任务调度的目标是在终端发起的特定任务请求所要求的本地任务执行最大延迟限度(即

)内完成任务执行。本实施例让终端在本地进行的计算任务，一直到本地任务执行最大延迟限度

为止。因此，

那么

就可以转化为求

的最小值，如果执行任务调度程序使得τ'_i的最小值能够小于

则总延迟就总能满足延迟限度的要求。

当终端一次执行一个任务时，本实施例将最大CPU时钟速度f_i ^max分配给任务数据处理，即f_i＝f_i ^max。本实施例假设边缘节点调整其CPU速率以满足不同任务需求。令

为第j个边缘节点的最大CPU速率，则有：

本实施例的主要目标是找到无法在终端处理的任务数据的最佳卸载方案，即是否进行卸载，何时卸载，以及卸载到边缘节点或远程云服务器的任务数据量。

本实施例旨在共同优化边缘节点(主边缘节点和辅助辅助节点)中的计算和传输资源分配，以确保来自多个终端的每个任务处理达到最小延迟。上述优化问题表述为：

s.t.c1:μ_i,j,β_i,j,p,λ_i,j∈{0,1}

c2:

c3:

c4:

c5:

其中约束条件c1表示第i个终端决策变量；约束条件c2表示第i个终端卸载到边缘节点和云端的总数据量；约束条件c3表示第j个边缘节点与所有终端之间的总传输速率在最大值

以下；约束条件c4对应于所有主边缘节点到云端的传输速率总和小于

解决上述问题的具体算法，如图2所示：

第i个终端从有限的任务集中初始化一个计算任务，获取该计算任务的处理密度L_a、本地任务执行最大延迟限度

和任务数据D_i(t)；

设定该计算任务的全部任务数据均由第i个终端进行处理，计算此时第i个终端的本地任务执行延迟，并与该计算任务的本地任务执行最大延迟限度进行比对，若本地任务执行延迟小于本地任务执行最大延迟限度，则第i个终端无需卸载任务数据，反之，则第i个终端选择第j个边缘节点作为主边缘节点；

终端在进行本地任务执行时，同时向第j个主边缘节点卸载任务数据，向主边缘节点卸载任务数据等于计算任务的任务数据与第i个终端在本地任务执行最大延迟限度内能够处理的任务数据之差

设定第j个主边缘节点从第i个终端接收到的任务数据均由定第j个主边缘节点进行处理，计算此时第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟，若第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟之和小于等于本地任务执行最大延迟限度，则第j个主边缘节点无需卸载任务数据，反之，则第j个边缘节点选择云端和/或第p个辅助边缘节点进行任务数据卸载；

当第j个边缘节点选择云端或辅助边缘节点进行任务数据卸载时，计算第i个终端与第j个主边缘节点之间的数据传输延迟、第j个主边缘节点处第i个终端的任务执行延迟、分流到第p个辅助边缘节点的任务执行延迟与第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟之和在满足小于等于本地任务执行最大延迟限度的条件下的最小值，得到第p个辅助边缘节点的卸载任务数据和/或云端的卸载任务数据。

Claims (7)

1.一种基于边缘计算的数据采集终端资源适配方法，其特征在于，包括以下步骤：

S1、建立云边协作的任务模型；

S2、分析任务模型中各节点的任务执行延迟和各节点之间的数据传输延迟；

S3、根据终端发起的具有不同延迟限度的计算任务采取不同计算任务卸载策略。

2.根据权利要求1所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，所述任务模型包括终端层、边缘层和云层，其中：

所述终端层包括若干传感器和若干终端，所述传感器用于数据采集，所述终端用于收集传感器数据、生成计算任务并判断终端是否能在最大延迟限度内完成计算任务，若能完成则终端对计算任务进行本地任务数据处理，若不能完成则确定卸载的任务数据、本地计算的任务数据以及卸载的主边缘节点；

所述边缘层包括内干边缘节点，所述边缘节点作为主边缘节点时判断是否能在计算任务所对应的最大延迟限度能完成终端所卸载的任务数据，若能则主边缘节点对任务数据进行处理，若不能，则确定卸载的任务数据以及卸载的辅助边缘节点和/或云端；所述边缘节点作为辅助边缘节点时，接收主边缘节点卸载的任务数据并进行处理；

所述云层包括云端，云端接收主边缘节点卸载的任务数据并进行处理。

3.根据权利要求2所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，所述终端设有终端任务模型：

其中，D_i(t)表示在时隙t，第i个终端生成的计算任务的任务数据，

表示第i个终端本地计算的任务数据，当终端能在最大延迟限度内完成计算任务，则

μ_i,j表示第i个终端卸载决策变量，若第i个终端选择第j个边缘节点作为主边缘节点，则μ_i,j＝1，反之则μ_i,j＝0，

表示第i个终端卸载到第j个主边缘节点的任务数据。

4.根据权利要求2或3所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，

所述边缘层设有边缘节点任务模型：

其中，

表示第i个终端卸载到第j个主边缘节点的任务数据，

表示第i个终端卸载到第j个主边缘节点的任务数据中能自身处理的任务数据，β_i,j,p表示辅助决策变量，若第j个主边缘节点将第i个终端卸载的任务数据分流到第p个辅助边缘节点，则β_i,j,p＝1，反之则

表示第j个主边缘节点分流到第p个辅助边缘节点的任务数据，λ_i,j表示云卸载变量，若第j个主边缘节点将第i个终端卸载的任务数据卸载到云端，则λ_i,j＝1，反之则λ_i,j＝0，

表示第j个主边缘节点卸载到云端的任务数据。

5.根据权利要求1所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，所述任务执行延迟包括：

i)第i个终端的本地任务执行延迟为：

其中，L_a表示任务的处理密度，f_i表示第i个终端的CPU时钟速度，

表示第i个终端本地计算的任务数据；

ii)第j个主边缘节点处第i个终端的任务执行延迟为：

其中，f_i,j表示第j个主边缘节点分配给第i个终端的CPU时钟速度，

表示第i个终端卸载到第j个主边缘节点的任务数据中能自身处理的任务数据；

iii)分流到第p个辅助边缘节点的任务执行延迟为：

其中，f_i,p表示第p个辅助边缘节点分配给第i个终端的CPU时钟速度，

表示第j个主边缘节点分流到第p个辅助边缘节点的任务数据。

6.根据权利要求1或5所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，所述数据传输延迟包括：

i)第i个终端与第j个主边缘节点之间的数据传输延迟为：

其中，r_i,j表示第i个终端与第j个主边缘节点之间的数据传输速率，μ_i,j表示第i个终端卸载决策变量，若第i个终端选择第j个边缘节点作为主边缘节点，则μ_i,j＝1，反之则μ_i,j＝0，

表示第i个终端卸载到第j个主边缘节点的任务数据；

ii)第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟为：

其中，r_i,j,c表示第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输速率，λ_i,j表示云卸载变量，若第j个主边缘节点将第i个终端卸载的任务数据卸载到云端，则λ_i,j＝1，反之则λ_i,j＝0，

表示第j个主边缘节点卸载到云端的任务数据；

iii)总数据传输延迟为本地任务执行延迟的最大值以及需要卸载的任务数据的传输延迟和任务执行延迟的总和：

其中，

表示第i个终端的本地任务执行延迟，

表示第i个终端与第j个主边缘节点之间的数据传输延迟，

表示第j个主边缘节点处第i个终端的任务执行延迟，

表示分流到第p个辅助边缘节点的任务执行延迟，

表示第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟。

7.根据权利要求1所述的一种基于边缘计算的数据采集终端资源适配方法，其特征在于，所述步骤S3具体包括：

第i个终端从有限的任务集中初始化一个计算任务，获取该计算任务的处理密度、本地任务执行最大延迟限度和任务数据；

设定该计算任务的全部任务数据均由第i个终端进行处理，计算此时第i个终端的本地任务执行延迟，并与该计算任务的本地任务执行最大延迟限度进行比对，若本地任务执行延迟小于本地任务执行最大延迟限度，则第i个终端无需卸载任务数据，反之，则第i个终端选择第j个边缘节点作为主边缘节点；

终端在进行本地任务执行时，同时向第j个主边缘节点卸载任务数据，向主边缘节点卸载任务数据等于计算任务的任务数据与第i个终端在本地任务执行最大延迟限度内能够处理的任务数据之差；

设定第j个主边缘节点从第i个终端接收到的任务数据均由定第j个主边缘节点进行处理，计算此时第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟，若第i个终端与第j个主边缘节点之间的数据传输延迟和第j个主边缘节点处第i个终端的任务执行延迟之和小于等于本地任务执行最大延迟限度，则第j个主边缘节点无需卸载任务数据，反之，则第j个边缘节点选择云端和/或第p个辅助边缘节点进行任务数据卸载；

当第j个边缘节点选择云端或辅助边缘节点进行任务数据卸载时，计算第i个终端与第j个主边缘节点之间的数据传输延迟、第j个主边缘节点处第i个终端的任务执行延迟、分流到第p个辅助边缘节点的任务执行延迟与第i个终端卸载在第j个主边缘节点的任务数据从第j个主边缘节点到云端之间的数据传输延迟之和在满足小于等于本地任务执行最大延迟限度的条件下的最小值，得到第p个辅助边缘节点的卸载任务数据和/或云端的卸载任务数据。

Images