CN115865930A - 一种基于5g电力物联网的mec动态调整方法 - Google Patents

Abstract

本发明公开一种基于5G电力物联网的MEC动态调整方法，涉及物联网领域。该基于5G电力物联网的MEC动态调整方法，当预留的MEC处理能力不足时，本方案通过5G网络，在邻近的具有富足计算能力的MEC计算节点间进行处理能力调配，同时，结合历史大数据，分析节点电力业务规模变化随时间的周期性变化趋势，主动进行动态调整，使得节点的mec计算资源分配更加合理。

Description

一种基于5G电力物联网的MEC动态调整方法

技术领域

本发明涉及物联网技术领域，具体为一种基于5G电力物联网的MEC动态调整方法。

背景技术

集中式云计算存在不足，所以促进了边缘计算进一步补充集中式云计算的实时性不足，带宽不足的问题，MEC(Mobile Edge Computing，全称为边缘计算技术)是ICT(Information Communications Technology，信息与通信技术)融合的产物，同时成为支撑运营商进行5G网络转型的关键技术，以满足高清视频、VR/AR、工业互联网、车联网等业务发展需求。

MEC随着十年来的发展，跨越了5个3GPP的版本，伴随着5G核心网SBA构架的形成和云计算的快速发展，形成了现在的边缘计算的技术形态，通过MEC在全国重点城市的全面部署，以实现5G能够崭露锋芒，在大量结合现有电信网络运营商的基础设施以后，MEC移动边缘计算概念变成MEC多接入边缘计算(Multi access Edge Computing)的新网络架构(MEC＝多接入+近地分流+资源开放)，随着5G架构演进，MEC演化成5G MEC：结合SDN软件定义网络、NFV网络功能虚拟化、UPF用户端口功能下沉到边缘；涵盖的技术面也更广泛，包括点对点、网格计算、雾计算、区块链和CDN内容分发网络等，5G MEC的概念在移动领域已经深入人心，几乎遍及各行各业，而处在不同的业务场景下和不同的用户需求下，对边缘计算处理能力的需求是不一样的，使得边缘计算处理能力存在不足的情况。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明公开了一种基于5G电力物联网的MEC动态调整方法，以解决上述背景技术中提出的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于5G电力物联网的MEC动态调整方法，当承载电力业务的MEC算力不足时，本方案通过5G网络，在邻近的具有富余算力的MEC计算节点间进行处理能力调配，同时，结合历史大数据，分析节点电力业务规模变化随时间的周期性变化趋势，主动进行动态调整，使得节点的mec计算资源分配更加合理，其具体实现描述如下：

将mec部署在移动通信系统主业务边缘计算需求最密集的地方，承担大量计算任务，利用移动通信系统的RAN无线接入网络(Radio A access Network)，为电力业务就近提供IT服务和云端计算功能，最终形成一个高带宽、低延时、高性能的电信级服务网络，以用于就近处理基站内需要处理的紧急且大量的处理任务。

优选的，所述边缘节点与云管理中心服务器之间数据的收发通过不同的回程链路进行。各类统计信息，如服务器的计算能力、用户任务的计算量等，则由SDN(SoftwareDefined Network，软件定义网络)管理系统通过OpenFlow消息定期收集，以便监视链路和服务器负载。

优选的，所述边缘节点在接收到物联网终端设备的任务之后，通知SDN管理器，针对电力业务中的视频监控、图形图像处理等多业务场景，自动识别不同场景及网络，具体步骤包括：

S1、SDN管理器获取业务数据包；

通过预设的识别函数解析业务数据包，识别函数根据当前时间、随机数、配电物联网终端MAC地址和业务报文数据等，生成唯一识别码，使每个业务数据包具有唯一的辨识信息，以得到识别码；识别码的格式可以为：

xxxxxxxx-xxxx-xxxx-xxxxxxxxxxxxxxxx(8-4-4-16)

其中x为十六进制的数字，第一部分为当前时间，第二部分为基于密码学上的强伪随机数产生器生成的生成值，第三部分为根据配电物联网终端MAC地址生成的唯一机器识别号，第四部分为业务数据包的特征字符串；

将识别码与预设的缓存队列中的其它识别码进行对比，如果该识别码已经在缓存队列中，则映射该业务数据包的业务场景和所需网络条件；如果该识别码不在缓存队列中，则将该识别码添加到缓存队列中，待人工确定得到该业务数据包的业务场景和所需网络条件；

使得到的业务数据包所需网络条件与当前通信网络节点的MEC处理能力进行比较，当预留的MEC处理能力不足时，基于5G网络，计算出系统的全部时延，并为所有移动设备总时延最小化的问题建立数学优化模型，以求解出系统中计算资源的最优分配值，在邻近的具有富足计算能力的MEC计算节点间进行处理能力调配；

S2、通过设置资源池，对边缘节点的MEC执行算力资源进行管理，由资源池以面向系统延时最小为目标调度MEC，分配邻近的具有富足计算能力的MEC，以实现执行算力资源富余容量的共享，具体步骤如下：

假设j个边缘节点分别同时收到I个任务，根据任务分割策略，其中(n–1)个任务{T1，Tn–1}留在边缘节点完成，其余任务{Tn，TI}将加载至云管理中心处理，其他边缘节点也做类似处理，将每个边缘节点到云管理中心的带宽固定为B，需要注意的是，该模型假设任务计算结果的大小足够小，或不需要反馈给物联网终端设备，因此与相应的计算和通信延迟相比，其下载延迟可以忽略，故本方案的时延类型设定有3种：边缘节点j的第i个任务的计算时延，其大小与计算量和边缘服务器计算能力有关；云计算时延，其值与计算量及云管理中心服务器计算能力有关，定义为计算量与分配的计算能力的比值；边缘至云管理中心的传输时延，其与传输字节数及信道带宽有关；

S3、根据协同策略，任意终端任务只能由边缘或云管理中心其中一方进行计算，故采用分割系数K区分2种情况：K为1时，表示留在边缘；K为0时，表示加载至云管理中心；

再定义以下参数：

即边缘节点j的第i个任务C_j,iL_j,i若留在边缘节点完成，其计算量为K_j,iC_j,iL_j,i；若该任务被分配到云管理中心，则其计算量为(1-K_j,i)C_j,iL_j,i，从而保证了任务的边缘计算量和云计算量中一项为零时另一项不为零；

若数据不经边缘计算处理直接加载至云管理中心，对应的传输时延为(1-K_j,i)C_{j, i}L_j,iB_j；若边缘计算处理后再将结果传输至云管理中心，则传输时延为K_j,iS_j,iL_j,i/B_j。

由此可得以上3种时延的表示为：

边缘节点j的第i个任务的计算时延：

t^e _j,i＝K_j,iC_j,iL_j,i/f^e _j,i

云计算时延：

t^C _j,i＝(1-K_j,i)C_j,iL_j,i/f^e _j,i

边缘至云管理中心的传输时延：

t^P _j,i＝[(1-K_j,i)L_j,i+K_j,iS_j,iL_j,i]/B_j＝(1-R_j,iK_j,i)L_j,i/B_j

故完成单个任务的时延为3种时延之和：

t_j,i＝t^e _j,i+t^C _j,i+t^P _j,i

进而根据整个系统总时延最小化的问题建立的数学优化模型可描述为优化问题P1：

其中，目标函数中的β_j,i为权重，约束函数自上而下分别是对云中心计算资源f^c _j,i、边缘节点计算资源f^e _j,i、权重因子β_j,i以及分割系数K_j,i的约束，为了简化，以下分析中假设所有任务具有相同的权重因子；

求解优化问题P1时，结合历史大数据，获取分析节点电力业务规模变化随时间的周期性变化趋势，并先固定参数K_j,i，求得边缘节点和云中心的最优资源配置，然后通过一个新定义的参数任务分割比ω_j，来求解最优任务分割系数K_j ^*，从而得到优化的任务分割策略，在参数K_j,i固定后，问题P1的目标函数是关于边缘和云的计算能力f^c _j,i和f^e _j,i的凸函数，根据现有的Karush-Kuhn-Tucker条件可得：

其中，f^c* _j,i和f^e* _j,i分别表示为使系统时延最小而分配的边缘节点和云管理中心服务器的计算资源，若某边缘节点将任务全部加载至云管理中心，则f^e* _j,i＝0；而当整个系统的全部任务均留在相应的边缘节点处理时，f^c* _j,i＝0；

在求得最优资源配置后，由于分割系数k_j,i是离散的，只能取“0”或“1”，因而仍然难以从问题P1直接求得其最优值。为此，定义一个非离散的任务分割比ω_j：

即任意边缘节点j的ω_j与分配到边缘的任务量占总任务量的比值成比例。由此可得问题P1中目标函数关于任务分割比ω_j的最优解为：

上式中的R_j、L_j和C_j分别是边缘节点j的参数R_j,i、L_j,i和C_j,i的均值；

由于ω_j的最优解是基于ω_j的连续性得到的，而分割系数K_j,i是离散的，因此选择最接近ω_j最优解的最优分割系数K_j ^*作为最优任务分割策略；

最后，边缘节点按照求得的最优分割系数K_j ^*对任务进行处理，即可得到优化的系统时延；

基于优化的系统时延下的关联边缘节点，为当前业务数据包对应的处理能力不足的MEC分配邻近的具有富足计算能力的MEC；

进一步地，在同一场景下面存在不同业务时候还会面临不同的权重，比如权衡不同的用户身份、不同的业务性质、不同硬件性能服务器的算力资源调度侧重等等，可通过设置权重值设定优先级，且权重值越大优先级别越高；

特别地，通过监控每个业务的进程树，当发现业务的进程树的总物理内存或虚拟内存量超过了预设阈值时，主动结束整个进程树，以避免系统崩溃。

本发明公开了一种基于5G电力物联网的MEC动态调整方法，其具备的有益效果如下：

1、该基于5G电力物联网的MEC动态调整方法，当预留的MEC处理能力不足时，本方案通过5G网络，在邻近的具有富足计算能力的MEC计算节点间进行处理能力调配，同时，结合历史大数据，分析节点电力业务规模变化随时间的周期性变化趋势，主动进行动态调整，使得节点的mec计算资源分配更加合理。

附图说明

图1为本发明边缘节点与云管理中心服务器之间数据的收发示意图；

图2为本发明各个参数释义对照图表。

具体实施方式

本发明实施例公开一种基于5G电力物联网的MEC动态调整方法，如图1-2所示，当承载电力业务的MEC算力不足时，本方案通过5G网络，在邻近的具有富余算力的MEC计算节点间进行处理能力调配，同时，结合历史大数据，分析节点电力业务规模变化随时间的周期性变化趋势，主动进行动态调整，使得节点的mec计算资源分配更加合理，其具体实现描述如下：

将mec部署在移动通信系统主业务边缘计算需求最密集的地方，承担大量计算任务，利用移动通信系统的RAN无线接入网络(Radio A access Network)，为电力业务就近提供IT服务和云端计算功能，最终形成一个高带宽、低延时、高性能的电信级服务网络，以用于就近处理基站内需要处理的紧急且大量的处理任务。

优选的，所述边缘节点与云管理中心服务器之间数据的收发通过不同的回程链路进行。各类统计信息，如服务器的计算能力、用户任务的计算量等，则由SDN(SoftwareDefined Network，软件定义网络)管理系统通过OpenFlow消息定期收集，以便监视链路和服务器负载。

优选的，所述边缘节点在接收到物联网终端设备的任务之后，通知SDN管理器，针对电力业务中的视频监控、图形图像处理等多业务场景，自动识别不同场景及网络，具体步骤包括：

S1、SDN管理器获取业务数据包；

通过预设的识别函数解析业务数据包，识别函数根据当前时间、随机数、配电物联网终端MAC地址和业务报文数据等，生成唯一识别码，使每个业务数据包具有唯一的辨识信息，以得到识别码；识别码的格式可以为：

xxxxxxxx-xxxx-xxxx-xxxxxxxxxxxxxxxx(8-4-4-16)

其中x为十六进制的数字，第一部分为当前时间，第二部分为基于密码学上的强伪随机数产生器生成的生成值，第三部分为根据配电物联网终端MAC地址生成的唯一机器识别号，第四部分为业务数据包的特征字符串；

将识别码与预设的缓存队列中的其它识别码进行对比，如果该识别码已经在缓存队列中，则映射该业务数据包的业务场景和所需网络条件；如果该识别码不在缓存队列中，则将该识别码添加到缓存队列中，待人工确定得到该业务数据包的业务场景和所需网络条件；

使得到的业务数据包所需网络条件与当前通信网络节点的MEC处理能力进行比较，当预留的MEC处理能力不足时，基于5G网络，计算出系统的全部时延，并为所有移动设备总时延最小化的问题建立数学优化模型，以求解出系统中计算资源的最优分配值，在邻近的具有富足计算能力的MEC计算节点间进行处理能力调配；

S2、通过设置资源池，对边缘节点的MEC执行算力资源进行管理，由资源池以面向系统延时最小为目标调度MEC，分配邻近的具有富足计算能力的MEC，以实现执行算力资源富余容量的共享，具体步骤如下：

假设j个边缘节点分别同时收到I个任务，根据任务分割策略，其中(n–1)个任务{T1，Tn–1}留在边缘节点完成，其余任务{Tn，TI}将加载至云管理中心处理，其他边缘节点也做类似处理，将每个边缘节点到云管理中心的带宽固定为B，需要注意的是，该模型假设任务计算结果的大小足够小，或不需要反馈给物联网终端设备，因此与相应的计算和通信延迟相比，其下载延迟可以忽略，故本方案的时延类型设定有3种：边缘节点j的第i个任务的计算时延，其大小与计算量和边缘服务器计算能力有关；云计算时延，其值与计算量及云管理中心服务器计算能力有关，定义为计算量与分配的计算能力的比值；边缘至云管理中心的传输时延，其与传输字节数及信道带宽有关；

S3、根据协同策略，任意终端任务只能由边缘或云管理中心其中一方进行计算，故采用分割系数K区分2种情况：K为1时，表示留在边缘；K为0时，表示加载至云管理中心；

再定义以下参数：

即边缘节点j的第i个任务C_j,iL_j,i若留在边缘节点完成，其计算量为K_j,iC_j,iL_j,i；若该任务被分配到云管理中心，则其计算量为(1-K_j,i)C_j,iL_j,i，从而保证了任务的边缘计算量和云计算量中一项为零时另一项不为零；

若数据不经边缘计算处理直接加载至云管理中心，对应的传输时延为(1-K_j,i)C_{j, i}L_j,iB_j；若边缘计算处理后再将结果传输至云管理中心，则传输时延为K_j,iS_j,iL_j,i/B_j。

由此可得以上3种时延的表示为：

边缘节点j的第i个任务的计算时延：

t^e _j,i＝K_j,iC_j,iL_j,i/f^e _j,i

云计算时延：

t^C _j,i＝(1-K_j,i)C_j,iL_j,i/f^e _j,i

边缘至云管理中心的传输时延：

t^P _j,i＝[(1-K_j,i)L_j,i+K_j,iS_j,iL_j,i]/B_j＝(1-R_j,iK_j,i)L_j,i/B_j

故完成单个任务的时延为3种时延之和：

t_j,i＝t^e _j,i+t^C _j,i+t^P _j,i

进而根据整个系统总时延最小化的问题建立的数学优化模型可描述为优化问题P1：

其中，目标函数中的β_j,i为权重，约束函数自上而下分别是对云中心计算资源f^c _j,i、边缘节点计算资源f^e _j,i、权重因子β_j,i以及分割系数K_j,i的约束，为了简化，以下分析中假设所有任务具有相同的权重因子；

求解优化问题P1时，结合历史大数据，获取分析节点电力业务规模变化随时间的周期性变化趋势，并先固定参数K_j,i，求得边缘节点和云中心的最优资源配置，然后通过一个新定义的参数任务分割比ω_j，来求解最优任务分割系数K_j ^*，从而得到优化的任务分割策略，在参数K_j,i固定后，问题P1的目标函数是关于边缘和云的计算能力f^c _j,i和f^e _j,i的凸函数，根据现有的Karush-Kuhn-Tucker条件可得：

其中，f^c* _j,i和f^e* _j,i分别表示为使系统时延最小而分配的边缘节点和云管理中心服务器的计算资源，若某边缘节点将任务全部加载至云管理中心，则f^e* _j,i＝0；而当整个系统的全部任务均留在相应的边缘节点处理时，f^c* _j,i＝0；

在求得最优资源配置后，由于分割系数k_j,i是离散的，只能取“0”或“1”，因而仍然难以从问题P1直接求得其最优值。为此，定义一个非离散的任务分割比ω_j：

即任意边缘节点j的ω_j与分配到边缘的任务量占总任务量的比值成比例。由此可得问题P1中目标函数关于任务分割比ω_j的最优解为：

上式中的R_j、L_j和C_j分别是边缘节点j的参数R_j,i、L_j,i和C_j,i的均值；

由于ω_j的最优解是基于ω_j的连续性得到的，而分割系数K_j,i是离散的，因此选择最接近ω_j最优解的最优分割系数K_j ^*作为最优任务分割策略；

最后，边缘节点按照求得的最优分割系数K_j ^*对任务进行处理，即可得到优化的系统时延；

基于优化的系统时延下的关联边缘节点，为当前业务数据包对应的处理能力不足的MEC分配邻近的具有富足计算能力的MEC；

进一步地，在同一场景下面存在不同业务时候还会面临不同的权重，比如权衡不同的用户身份、不同的业务性质、不同硬件性能服务器的算力资源调度侧重等等，可通过设置权重值设定优先级，且权重值越大优先级别越高；

特别地，通过监控每个业务的进程树，当发现业务的进程树的总物理内存或虚拟内存量超过了预设阈值时，主动结束整个进程树，以避免系统崩溃。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于5G电力物联网的MEC动态调整方法，其特征在于，当承载电力业务的MEC算力不足时，本方案通过5G网络，在邻近的具有富余算力的MEC计算节点间进行处理能力调配，同时，结合历史大数据，分析节点电力业务规模变化随时间的周期性变化趋势，主动进行动态调整，使得节点的mec计算资源分配更加合理，其具体实现描述如下：

将mec部署在移动通信系统主业务边缘计算需求最密集的地方，承担大量计算任务，利用移动通信系统的RAN无线接入网络(Radio A access Network)，为电力业务就近提供IT服务和云端计算功能，最终形成一个高带宽、低延时、高性能的电信级服务网络，以用于就近处理基站内需要处理的紧急且大量的处理任务。

2.根据权利要求1所述的一种基于5G电力物联网的MEC动态调整方法，其特征在于：所述边缘节点与云管理中心服务器之间数据的收发通过不同的回程链路进行。各类统计信息，如服务器的计算能力、用户任务的计算量等，则由SDN(Software Defined Network，软件定义网络)管理系统通过OpenFlow消息定期收集，以便监视链路和服务器负载。

3.根据权利要求2所述的一种基于5G电力物联网的MEC动态调整方法，其特征在于：所述边缘节点在接收到物联网终端设备的任务之后，通知SDN管理器，针对电力业务中的视频监控、图形图像处理等多业务场景，自动识别不同场景及网络，具体步骤包括：

S1、SDN管理器获取业务数据包；

通过预设的识别函数解析业务数据包，识别函数根据当前时间、随机数、配电物联网终端MAC地址和业务报文数据等，生成唯一识别码，使每个业务数据包具有唯一的辨识信息，以得到识别码；识别码的格式可以为：

xxxxxxxx-xxxx-xxxx-xxxxxxxxxxxxxxxx(8-4-4-16)

其中x为十六进制的数字，第一部分为当前时间，第二部分为基于密码学上的强伪随机数产生器生成的生成值，第三部分为根据配电物联网终端MAC地址生成的唯一机器识别号，第四部分为业务数据包的特征字符串；

将识别码与预设的缓存队列中的其它识别码进行对比，如果该识别码已经在缓存队列中，则映射该业务数据包的业务场景和所需网络条件；如果该识别码不在缓存队列中，则将该识别码添加到缓存队列中，待人工确定得到该业务数据包的业务场景和所需网络条件；

使得到的业务数据包所需网络条件与当前通信网络节点的MEC处理能力进行比较，当预留的MEC处理能力不足时，基于5G网络，计算出系统的全部时延，并为所有移动设备总时延最小化的问题建立数学优化模型，以求解出系统中计算资源的最优分配值，在邻近的具有富足计算能力的MEC计算节点间进行处理能力调配；

S2、通过设置资源池，对边缘节点的MEC执行算力资源进行管理，由资源池以面向系统延时最小为目标调度MEC，分配邻近的具有富足计算能力的MEC，以实现执行算力资源富余容量的共享，具体步骤如下：

假设j个边缘节点分别同时收到I个任务，根据任务分割策略，其中(n–1)个任务{T1，Tn–1}留在边缘节点完成，其余任务{Tn，TI}将加载至云管理中心处理；其他边缘节点也做类似处理；将每个边缘节点到云管理中心的带宽固定为B；需要注意的是，该模型假设任务计算结果的大小足够小，或不需要反馈给物联网终端设备，因此与相应的计算和通信延迟相比，其下载延迟可以忽略；故本方案的时延类型设定有3种：边缘节点j的第i个任务的计算时延，其大小与计算量和边缘服务器计算能力有关；云计算时延，其值与计算量及云管理中心服务器计算能力有关，定义为计算量与分配的计算能力的比值；边缘至云管理中心的传输时延，其与传输字节数及信道带宽有关；

S3、根据协同策略，任意终端任务只能由边缘或云管理中心其中一方进行计算，故采用分割系数K区分2种情况：K为1时，表示留在边缘；K为0时，表示加载至云管理中心；

再定义以下参数：

即边缘节点j的第i个任务C_j,iL_j,i若留在边缘节点完成，其计算量为K_j,iC_j,iL_j,i；若该任务被分配到云管理中心，则其计算量为(1-K_j,i)C_j,iL_j,i，从而保证了任务的边缘计算量和云计算量中一项为零时另一项不为零；

若数据不经边缘计算处理直接加载至云管理中心，对应的传输时延为(1-K_j,i)C_j,iL_{j, i}B_j；若边缘计算处理后再将结果传输至云管理中心，则传输时延为K_j,iS_j,iL_j,i/B_j；

由此可得以上3种时延的表示为：

边缘节点j的第i个任务的计算时延：

t^e _j,i＝K_j,iC_j,iL_j,i/f^e _j,i

云计算时延：

t^C _j,i＝(1-K_j,i)C_j,iL_j,i/f^e _j,i

边缘至云管理中心的传输时延：

t^P _j,i＝[(1-K_j,i)L_j,i+K_j,iS_j,iL_j,i]/B_j＝(1-R_j,iK_j,i)L_j,i/B_j

故完成单个任务的时延为3种时延之和：

t_j,i＝t^e _j,i+t^C _j,i+t^P _j,i

进而根据整个系统总时延最小化的问题建立的数学优化模型可描述为优化问题P1：

其中，目标函数中的β_j,i为权重，约束函数自上而下分别是对云中心计算资源f^c _j,i、边缘节点计算资源f^e _j,i、权重因子β_j,i以及分割系数K_j,i的约束；为了简化，以下分析中假设所有任务具有相同的权重因子；

求解优化问题P1时，结合历史大数据，获取分析节点电力业务规模变化随时间的周期性变化趋势，并先固定参数K_j,i，求得边缘节点和云中心的最优资源配置，然后通过一个新定义的参数任务分割比ω_j，来求解最优任务分割系数K_j ^*，从而得到优化的任务分割策略；在参数K_j,i固定后，问题P1的目标函数是关于边缘和云的计算能力f^c _j,i和f^e _j,i的凸函数，根据现有的Karush-Kuhn-Tucker条件可得：

其中，f^c* _j,i和f^e* _j,i分别表示为使系统时延最小而分配的边缘节点和云管理中心服务器的计算资源；若某边缘节点将任务全部加载至云管理中心，则f^e* _j,i＝0；而当整个系统的全部任务均留在相应的边缘节点处理时，f^c* _j,i＝0；

在求得最优资源配置后，由于分割系数k_j,i是离散的，只能取“0”或“1”，因而仍然难以从问题P1直接求得其最优值；为此，定义一个非离散的任务分割比ω_j：

即任意边缘节点j的ω_j与分配到边缘的任务量占总任务量的比值成比例；由此可得问题P1中目标函数关于任务分割比ω_j的最优解为：

上式中的R_j、L_j和C_j分别是边缘节点j的参数R_j,i、L_j,i和C_j,i的均值；

由于ω_j的最优解是基于ω_j的连续性得到的，而分割系数K_j,i是离散的，因此选择最接近ω_j最优解的最优分割系数K_j ^*作为最优任务分割策略；

最后，边缘节点按照求得的最优分割系数K_j ^*对任务进行处理，即可得到优化的系统时延；

基于优化的系统时延下的关联边缘节点，为当前业务数据包对应的处理能力不足的MEC分配邻近的具有富足计算能力的MEC；

进一步地，在同一场景下面存在不同业务时候还会面临不同的权重，比如权衡不同的用户身份、不同的业务性质、不同硬件性能服务器的算力资源调度侧重等等，可通过设置权重值设定优先级，且权重值越大优先级别越高；

特别地，通过监控每个业务的进程树，当发现业务的进程树的总物理内存或虚拟内存量超过了预设阈值时，主动结束整个进程树，以避免系统崩溃。

Images