CN114374694B - 一种基于优先级的任务卸载方法及系统 - Google Patents

Abstract

本发明涉及一种基于优先级的两阶段任务卸载方法及系统，其方法包括：S1、建模边缘用户设备及任务变量；S2、建模边缘服务器变量；S3、建模基站变量；S4、建模任务卸载变量；S5、建模任务平均完成时间；S6、建模服务器负载均衡；S7、建模服务器收益；S8、建模任务卸载的约束条件；S9、基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。本发明将边缘场景下的任务卸载问题归结为一个多目标优化问题，定义了任务优先级，同时考虑了用户和服务器两端，优化了任务完成时间、服务器负载均衡和服务器收益，得到较优的任务卸载策略。

Description

一种基于优先级的任务卸载方法及系统

技术领域

本发明属于边缘计算技术领域，具体涉及一种基于优先级的任务卸载方法及系统。

背景技术

在过去几十年，将数据发送到云进行分析是一个突出的趋势，云计算一直是主要的计算范式。然而随着无线设备数量的爆炸式增长和扩展，产生了大量的应用数据，设备和相关数据流的激增给边缘基础设施带来了巨大负担。由于数据传输带来的带宽压力不断增加，云计算无法有效的处理计算任务。另一方面，云始终位于网络中心，远离边缘设备，导致了更高的处理延迟和传输能耗。计算范式正从集中式云计算转向边缘计算。

5G的出现给解决了大规模多输入输出和高频通信的带来了希望。与4G相比，5G的容量预计增加1000倍，并且在数据传输速率、网络可靠性、频谱和能源效率等方面有显著提高。这意味着在无线通信种使用5G系统将带来强大的传输能力。大量边缘设备的计算任务可以通过基站卸载到边缘服务器执行，有效降低了任务的处理延迟。

边缘计算作为一种流行的分布式计算范式，在边缘端具有高效的存储资源，计算能力和网络连通性，这无疑提高了边缘任务的响应时间。然而，随着计算任务的增加和边缘用户设备数量的不确定性，部分边缘服务器有限的资源无法处理过量的计算任务，这导致这些任务在节点上排队等待，甚至可能超时。因此，需要将任务卸载到其他边缘服务器进行计算，来保证任务完成时间、边缘服务器的负载均衡。同时为了提高运营商积极性，应该保证运营商执行用户任务获取更高的收益。

为了更好地解决上述的问题，将该问题归结为一个任务平均完成时间、服务器负载均衡和服务器收益的多目标优化问题。为了更好的求解出边缘设备任务的卸载策略，提出了一种基于优先级的两阶段任务卸载方案，通过KNN算法设置任务优先级，使用基于分解的多目标优化算法求解帕累托前沿解，最后通过评估解的效用值选取最优的卸载决策。

发明内容

针对引入移边缘计算场景下任务卸载的问题，本发明的目的是提供基于优先级的任务卸载方法及系统，建模平均任务完成时间、边缘服务器负载均衡、边缘服务器服务收益为优化目标，确定较优的计算任务卸载策略。

为了达到上述目的，本发明提供如下技术方案：

一种基于优先级的任务卸载方法，包括以下步骤：

S1、建模边缘用户设备及任务变量；

S2、建模边缘服务器变量；

S3、建模基站变量；

S4、建模任务卸载变量；

S5、建模任务平均完成时间；

S6、建模服务器负载均衡；

S7、建模服务器收益；

S8、建模任务卸载的约束条件；

S9、基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。

作为优选方案，所述步骤S1包括：

整个边缘网络中有I个用户设备UE＝{ue₁,ue₂,…,ue_I}，i＝{1,2,…,I}；

每个用户设备会产生一个计算任务τ_i，定义是任务τ_i的数据量大小，/>是任务τ_i的CPU周期，/>是任务τ_i的计算价值，/>是任务τ_i的截止时间，/>是任务τ_i的优先级。

作为优选方案，所述步骤S2包括：

整个边缘网络中有J个边缘服务器ES＝{es₁,es₂,…,es_J},j＝{1,2,…,J}；

定义是服务器es_j的容量，/>是服务器es_j的计算能力；

所述步骤S3包括：

整个边缘网络中有K个基站设备BS＝{bs₁,bs₂,…,bs_k},k＝{1,2,…,K}；

定义α_j,k＝1表示服务器es_j部署在基站bs_k；否则，表示服务器es_j不部署在基站bs_k；

定义β_i,k＝1表示用户设备ue_i属于基站bs_k，将通过bs_k卸载任务；否则，表示用户设备ue_i不属于基站bs_k。

作为优选方案，所述步骤S4包括：

定义边缘用户设备任务的卸载决策为X；

x_i,j＝1表示任务τ_i被卸载到边缘服务器es_j；否则，表示任务τ_i不被卸载到边缘服务器es_j。

作为优选方案，所述步骤S5包括以下步骤：

S51、使用香农公式计算边缘用户设备ue_i和基站bs_k的信道传输速率：其中，B是信道带宽，p_i是边缘用户设备ue_i的传输功率，h_i,k是信道增益，σ是噪声功率；

S52、任务τ_i从边缘用户设备迁移到基站bs_k的迁移时间表示为

S53、任务τ_i从基站bs_k传播到边缘服务器es_j的传播时间表示为 其中，/>是通过光纤传输的传输速率；α_j,k＝1时，边缘服务器es_j部署于基站bs_k，无需迁移；

S54、任务τ_i在边缘服务器es_j的计算时间表示为

S55、定义边缘服务器任务队列Q＝(q₁,q₂,…,q_j)，j＝{1,2,…,J}，q_j表示es_j的任务队列；其中，q_j(l)表示es_j任务队列的第l个任务，表示到达时间，开始时间，/>到达时间，/>表示q_j的任务数量；任务q_j(l)的到达时间定义为开始时间定义为

当/>的，任务立即执行；否则，等待q_j(l-1)执行完成后执行；任务q_j(l)完成时间定义为

S56、定义任务的卸载决策变量为X，任务的平均完成时间表示为

作为优选方案，所述步骤S6包括以下步骤：

S61、定义单个边缘服务器es_j的资源利用率为

S62、定义服务器的平均利用率为

S63、定义服务器的负载均衡为

作为优选方案，所述步骤S7包括：

假设q_j(l)对应任务为τ_i，则该任务的收益定义为

表示任务τ_i完成时间小于任务截止时间时可获取任务的服务收益；否则，τ_i执行任务收益为0；

服务器的总收益为

作为优选方案，所述步骤S8包括：

在任务卸载过程中应满足以下三个约束条件：一、卸载到边缘服务器的任务量不能超过边缘服务器的容量；二、每个任务只能卸载到一个边缘服务器执行；三、任务的开始时间必须大于队列中前一个任务的完成时间。

作为优选方案，所述步骤S9包括：

在满足三个约束条件的基础上，使用KNN算法和基于分解的多目标优化算法，得到任务平均完成时间最小、服务器负载均衡最小以及服务器收益最大化对应的任务卸载策略。

本发明还提供一种基于优先级的任务卸载系统，应用如上任一项方案所述的任务卸载方法，所述任务卸载系统包括：

建模模块，用于建模边缘用户设备及任务变量，还用于建模边缘服务器变量，还用于建模基站变量，还用于建模任务卸载变量，还用于建模任务平均完成时间，还用于建模服务器负载均衡，还用于建模服务器收益，还用于建模任务卸载的约束条件；

任务卸载策略确定模块，用于在满足约束条件的基础上，基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。即在所有卸载策略中找到一个卸载策略X实现min(T(X)),min(L(X)),max(B(X))，同时还满足下列条件：

与现有技术相比，本发明就有如下有益效果：

本发明将边缘场景下的任务卸载问题归结为一个多目标优化问题，定义了任务优先级，同时考虑了用户和服务器两端，优化了任务完成时间、服务器负载均衡和服务器收益；设计了一个KNN算法和基于分解的多目标优化算法相结合的两阶段算法，利用KNN算法对用户任务分类，区分任务优先级来保证高质量任务的优先执行。

附图说明

图1是本发明实施例的基于SDN网络的边缘计算框架模型图；

图2是本发明实施例的基于优先级的任务卸载方法的流程图；

图3是本发明实施例的基于优先级的任务卸载方法的算法流程图。

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

本发明针对引入移边缘计算场景下任务卸载的问题，公开了基于优先级的任务卸载方法，建模平均任务完成时间、边缘服务器负载均衡、边缘服务器服务收益为优化目标，确定较优的计算任务卸载策略。更为具体地，本发明的任务卸载方法主要分为多目标优化和效用评价两个阶段；首先通过任务计算量、任务数据量和任务价值生成不同优先级类别的任务训练KNN，然后对生成的任务根据特征向量进行评估，给出任务优先级并将相同优先级队列的任务根据截止时间排序；在此基础上使用基于分解的多目标优化算法求解多个卸载问题的帕累托前沿解；第二阶段对多个帕累托前沿解进行了效用值评估，最终选取最优的作为最终的卸载决策。这种优先级分配方式考虑了任务的价值，可以在优化任务完成时间和服务器负载均衡的同时提高服务器收益。

如图1所示，在基于SDN的边缘模型下，每个基站附近有需要卸载任务的用户设备，通过较优的卸载策略将任务卸载到边缘服务器执行来优化任务完成时间、服务器负载均衡和服务器收益。

如图2所示，本发明实施例的基于优先级的任务卸载方法，包括下列步骤：

S1、建模边缘用户设备及任务变量；

S2、建模边缘服务器变量；

S3、建模基站变量；

S4、建模任务卸载变量；

S5、建模任务平均完成时间；

S6、建模服务器负载均衡；

S7、建模服务器收益；

S8、建模任务卸载的限制条件(即约束条件)；

S9、基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。

其中，上述步骤S1具体包括：

整个边缘网络中有I个用户设备UE＝{ue₁,ue₂,…,ue_I}，ue_i(i∈(1,2,…,I))；每个用户设备会产生一个计算任务τ_i，定义是任务τ_i的数据量大小，/>是任务τ_i的CPU周期，/>是任务τ_i的计算价值，/>是任务τ_i的截止时间，/>是任务τ_i的优先级。

上述步骤S2具体包括：

整个边缘网络中有J个边缘服务器ES＝{es₁,es₂,…,es_J},es_j(j＝{1,2,…,J})。定义是服务器es_j的容量，/>是服务器es_j的计算能力。

上述步骤S3具体包括：

整个边缘网络中有K个基站设备BS＝{bs₁,bs₂,…,bs_K},bs_k(k＝{1,2,…,K})。

定义

α_j,k＝1表示服务器es_j部署在基站bs_k，反之，则表示服务器es_j不部署在基站bs_k。定义β_i,k＝1表示用户设备ue_i属于基站bs_k，将通过bs_k卸载任务，反之，则表示用户设备ue_i不属于基站bs_k。

上述步骤S4具体包括：

定义边缘用户设备任务的卸载决策为X；x_i,j＝1表示任务τ_i被卸载到边缘服务器es_j，反之，任务τ_i不被卸载到边缘服务器es_j。

上述步骤S5具体包括以下步骤：

S51、使用香农公式计算边缘用户设备ue_i和基站bs_k的信道传输速率：

其中，p_i是边缘用户设备ue_i的传输功率，h_i,k是信道增益，σ是噪声功率；

S52、任务τ_i从边缘用户设备迁移到基站bs_k的迁移时间表示为

S53、任务τ_i从基站bs_k传播到边缘服务器es_j的传播时间表示为 其中，/>是通过光纤传输的传输速率，α_j,k＝1时，边缘服务器es_j部署于基站bs_k，无需迁移；

S54、任务τ_i在边缘服务器es_j的计算时间表示为

S55、定义边缘服务器任务队列Q＝(q₁,q₂,…,q_j)(j＝{1,2,…,J})，q_j表示es_j的任务队列；

其中，q_j(l)表示es_j任务队列的第l个任务，表示到达时间，/>开始时间，/>到达时间，/>表示q_j的任务数量。任务q_j(l)的到达时间定义为开始时间定义为

当/> 的，任务立即执行，否则等待q_j(l-1)执行完成后执行；任务q_j(l)完成时间定义为/>

S56、定义任务的卸载决策变量为X，任务的平均完成时间表示为

上述步骤S6具体包括以下步骤：

S61、定义单个边缘服务器es_j的资源利用率为

S62、定义服务器的平均利用率为

S63、定义服务器的负载均衡为

上述步骤S7具体包括：

假设q_j(l)对应任务为τ_i，则该任务的收益定义为

表示任务τ_i完成时间小于任务截止时间时可获取任务的服务收益，反之，τ_i执行任务收益为0。服务器的总收益为

上述步骤S8具体包括：

在任务卸载过程中应该满足以下约束条件：一、卸载到边缘服务器的任务量不能超过边缘服务器的容量；二、每个任务只能卸载到一个边缘服务器执行；三、任务的开始实现必须大于队列中前一个任务的完成时间。

上述步骤S9具体包括：在满足上述步骤S8的所有约束条件下，使用KNN算法和基于分解的多目标优化算法，实现任务平均完成时间最小、服务器负载均衡最小以及服务器收益最大化。即在所有卸载策略中找到一个卸载策略X实现min(T(X)),min(L(X)),max(B(X))，同时还满足下列条件：

s.t.C1：

C2：

C3：

如图3所示，上述步骤S9具体包括以下步骤：

S91、Step1上半部分是用户任务优先级分配。通过任务计算量、任务数据量和任务价值生成不同优先级类别的任务训练KNN，然后对生成的任务根据特征向量进行评估，给出任务优先级并将相同优先级队列的任务根据截止时间排序；

S92、Step1下半部分是通过基于分级的多目标优化算法求解。随机生成卸载决策作为初始种群，并生成目标函数的权重集；计算目标函数适应度然后更新邻域集，然后筛选较优的个体组成新的种群；未达到终止条件则继续循环，反之则停止并将获取的多个帕累托前沿解输入到Step2中；

S93、Step2的通过Electre方法进行多准则决策以选择最优帕累托解。将多个帕累托前沿解构建决策矩阵并进行归一化处理；构建每个解的正理想集和负理想集，通过加权和矩阵计算解的效用值，然后选择最优的效用值解作为最终的任务卸载策略输出。

另外，对应于上述基于优先级的任务卸载方法，本发明实施例还提供基于优先级的任务卸载系统，包括建模模块和任务卸载策略确定模块。

其中，建模模块用于建模边缘用户设备及任务变量，具体包括：

整个边缘网络中有I个用户设备UE＝{ue₁,ue₂,…,ue_i}，ue_i(i∈(1,2,…,I))；每个用户设备会产生一个计算任务τ_i，定义是任务τ_i的数据量大小，/>是任务τ_i的CPU周期，/>是任务τ_i的计算价值，/>是任务τ_i的截止时间，/>是任务τ_i的优先级。

建模模块还用于建模边缘服务器变量，具体包括：

整个边缘网络中有J个边缘服务器ES＝{es₁,es₂,…,es_J},es_j(j＝{1,2,…,J})。定义是服务器es_j的容量，/>是服务器es_j的计算能力。

建模模块还用于建模基站变量，具体包括：

整个边缘网络中有K个基站设备BS＝{bs₁,bs₂,…,bs_K},bs_k(k＝{1,2,…,K})。定义

α_j,k＝1表示服务器es_j部署在基站bs_k，反之，则表示服务器es_j不部署在基站bs_k。定义β_i,k＝1表示用户设备ue_i属于基站bs_k，将通过bs_k卸载任务，反之，则表示用户设备ue_i不属于基站bs_k。

建模模块还用于建模任务卸载变量，具体包括：

定义边缘用户设备任务的卸载决策为X；x_i,j＝1表示任务τ_i被卸载到边缘服务器es_j，反之，任务τ_i不被卸载到边缘服务器es_j。

建模模块用于建模任务平均完成时间，具体包括：

(1)使用香农公式计算边缘用户设备ue_i和基站bs_k的信道传输速率：其中，B是信道带宽，p_i是边缘用户设备ue_i的传输功率，h_i,k是信道增益，σ是噪声功率；

(2)任务τ_i从边缘用户设备迁移到基站bs_k的迁移时间表示为

(3)任务τ_i从基站bs_k传播到边缘服务器es_j的传播时间表示为 其中，/>是通过光纤传输的传输速率，α_j,k＝1时，边缘服务器es_j部署于基站bs_k，无需迁移；

(4)任务τ_i在边缘服务器es_j的计算时间表示为

(5)定义边缘服务器任务队列Q＝(q₁,q₂,…,q_j)(j＝{1,2,…,J})，q_j表示es_j的任务队列；

其中，q_j(l)表示es_j任务队列的第l个任务，表示到达时间，/>开始时间，/>到达时间，/>表示q_j的任务数量。任务q_j(l)的到达时间定义为开始时间定义为

当/> 的，任务立即执行，否则等待q_j(l-1)执行完成后执行；任务q_j(l)完成时间定义为

(6)、定义任务的卸载决策变量为X，任务的平均完成时间表示为

建模模块还用于建模服务器负载均衡，具体包括：

(a)定义单个边缘服务器es_j的资源利用率为

(b)定义服务器的平均利用率为

(c)定义服务器的负载均衡为

建模模块还用于建模服务器收益，具体包括：

假设q_j(l)对应任务为τ_i，则该任务的收益定义为

表示任务τ_i完成时间小于任务截止时间时可以获取任务的服务收益，反之，τ_i执行任务收益为0；服务器的总收益为

建模模块还用于建模任务卸载的约束条件，具体包括：

在任务卸载过程中应该满足以下约束条件：一、卸载到边缘服务器的任务量不能超过边缘服务器的容量；二、每个任务只能卸载到一个边缘服务器执行；三、任务的开始实现必须大于队列中前一个任务的完成时间。

任务卸载策略确定模块，用于在满足约束条件的基础上，基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。具体地，在满足上述步骤S8的所有约束条件下，使用KNN算法和基于分解的多目标优化算法，实现任务平均完成时间最小、服务器负载均衡最小以及服务器收益最大化。即在所有卸载策略中找到一个卸载策略X实现min(T(X)),min(L(X)),max(B(X))，同时还满足下列条件：

s.t.C1：

C2：

C3：

如图3所示，任务卸载策略确定的具体过程包括：

(一)Step1上半部分是用户任务优先级分配。通过任务计算量、任务数据量和任务价值生成不同优先级类别的任务训练KNN，然后对生成的任务根据特征向量进行评估，给出任务优先级并将相同优先级队列的任务根据截止时间排序；

(二)Step1下半部分是通过基于分级的多目标优化算法求解。随机生成卸载决策作为初始种群，并生成目标函数的权重集；计算目标函数适应度然后更新邻域集，然后筛选较优的个体组成新的种群；未达到终止条件则继续循环，反之则停止并将获取的多个帕累托前沿解输入到Step2中；

(三)Step2的通过Electre方法进行多准则决策以选择最优帕累托解。将多个帕累托前沿解构建决策矩阵并进行归一化处理；构建每个解的正理想集和负理想集，通过加权和矩阵计算解的效用值，然后选择最优的效用值解作为最终的任务卸载策略输出。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (2)

1.一种基于优先级的任务卸载方法，其特征在于，包括以下步骤：

S1、建模边缘用户设备及任务变量；

S2、建模边缘服务器变量；

S3、建模基站变量；

S4、建模任务卸载变量；

S5、建模任务平均完成时间；

S6、建模服务器负载均衡；

S7、建模服务器收益；

S8、建模任务卸载的约束条件；

S9、基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略；

所述步骤S1包括：

整个边缘网络中有I个用户设备UE＝{ue₁，ue₂，...，ue_I}，i＝{1，2，...，I}；

每个用户设备会产生一个计算任务τ_i，定义是任务τ_i的数据量大小，/>是任务τ_i的CPU周期，/>是任务τ_i的计算价值，/>是任务τ_i的截止时间，/>是任务τ_i的优先级；

所述步骤S2包括：

整个边缘网络中有J个边缘服务器ES＝{es₁，es₂，...，es_J}，j＝{1，2，...，J}；

定义是服务器es_j的容量，/>是服务器es_j的计算能力；

所述步骤S3包括：

整个边缘网络中有K个基站设备BS＝{bs₁，bs₂，...，bs_K}，k＝{1，2，...，K}；

定义α_j，k＝1表示服务器es_j部署在基站bs_k；否则，表示服务器es_j不部署在基站bs_k；

定义β_i，k＝1表示用户设备ue_i属于基站bs_k，将通过bs_k卸载任务；否则，表示用户设备ue_i不属于基站bs_k；

所述步骤S4包括：

定义边缘用户设备任务的卸载决策为X；

x_i，j＝1表示任务τ_i被卸载到边缘服务器es_j；否则，表示任务τ_i不被卸载到边缘服务器es_j；

所述步骤S5包括以下步骤：

S51、使用香农公式计算边缘用户设备ue_i和基站bs_k的信道传输速率：其中，B是信道带宽，p_i是边缘用户设备ue_i的传输功率，h_i，k是信道增益，σ是噪声功率；

S52、任务τ_i从边缘用户设备迁移到基站bsk的迁移时间表示为

S53、任务τ_i从基站bs_k传播到边缘服务器es_j的传播时间表示为 其中，/>是通过光纤传输的传输速率；α_j，k＝1时，边缘服务器es_j部署于基站bs_k，无需迁移；

S54、任务τ_i在边缘服务器es_j的计算时间表示为

S55、定义边缘服务器任务队列Q＝(q₁，q₂，...，q_j)，j＝{1，2，...，J}，q_j表示es_j的任务队列；其中，q_j(l)表示es_j任务队列的第l个任务，表示到达时间，开始时间，/>到达时间，/>表示q_j的任务数量；任务q_j(l)的到达时间定义为/>开始时间定义为/> 当/>的，任务立即执行；否则，等待q_j(l-1)执行完成后执行；任务q_j(l)完成时间定义为/>

S56、定义任务的卸载决策变量为X，任务的平均完成时间表示为

所述步骤S6包括以下步骤：

S61、定义单个边缘服务器es_j的资源利用率为

S62、定义服务器的平均利用率为

S63、定义服务器的负载均衡为

所述步骤S7包括：

假设q_j(l)对应任务为τ_i，则该任务的收益定义为 表示任务τ_i完成时间小于任务截止时间时可获取任务的服务收益；否则，τ_i执行任务收益为0；

服务器的总收益为

所述步骤S8包括：

在任务卸载过程中应满足以下三个约束条件：一、卸载到边缘服务器的任务量不能超过边缘服务器的容量；二、每个任务只能卸载到一个边缘服务器执行；三、任务的开始时间必须大于队列中前一个任务的完成时间；

所述步骤S9包括：

在满足三个约束条件的基础上，使用KNN算法和基于分解的多目标优化算法，得到任务平均完成时间最小、服务器负载均衡最小以及服务器收益最大化对应的任务卸载策略；

所述步骤S9具体包括以下步骤：

S91、Step1上半部分是用户任务优先级分配：通过任务计算量、任务数据量和任务价值生成不同优先级类别的任务训练KNN，然后对生成的任务根据特征向量进行评估，给出任务优先级并将相同优先级队列的任务根据截止时间排序；

S92、Step1下半部分是通过基于分级的多目标优化算法求解：随机生成卸载决策作为初始种群，并生成目标函数的权重集；计算目标函数适应度然后更新邻域集，然后筛选较优的个体组成新的种群；未达到终止条件则继续循环，反之则停止并将获取的多个帕累托前沿解输入到Step2中；

S93、Step2通过Electre方法进行多准则决策以选择最优帕累托解：将多个帕累托前沿解构建决策矩阵并进行归一化处理；构建每个解的正理想集和负理想集，通过加权和矩阵计算解的效用值，然后选择最优的效用值解作为最终的任务卸载策略输出。

2.一种基于优先级的任务卸载系统，应用如权利要求1所述的任务卸载方法，其特征在于，所述任务卸载系统包括：

建模模块，用于建模边缘用户设备及任务变量，还用于建模边缘服务器变量，还用于建模基站变量，还用于建模任务卸载变量，还用于建模任务平均完成时间，还用于建模服务器负载均衡，还用于建模服务器收益，还用于建模任务卸载的约束条件；

任务卸载策略确定模块，用于在满足约束条件的基础上，基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。