一种基于边缘计算系统的智能动态任务计算卸载方法与流程

1.本发明属于移动边缘计算中的计算卸载领域，是一种基于边缘计算系统的智能动态任务 计算卸载方法。


背景技术：

2.近年来，各种网络技术飞速发展，越来越多物联网设备接入无线网络，这给当前的通信 网络带来了巨大的压力。复杂分布式应用程序的涌现以及新兴5g网络的普及也对物联网设 备提出了更多新要求。为了缓解无线网络和物联网设备的压力，许多新型网络架构被提出， 而移动边缘计算(mobile edge computing,mec)作为一种很有前途的物联网范例是其中最值 得研究的网络架构之一。
3.mec的最初构架是把雾计算与物联网相集成，这便可以将一些网络设备(如服务器等) 部署在网络边缘。这种物联网的核心是如何构建mec网络，以支持大量用户能将数据或计 算任务卸载到边缘网络中储存和执行。考虑到具有快速数据传输能力的5g网络以及具有更 多计算资源的新型mec服务器，支持mec的物联网可以很好地满足新兴应用的计算需求， 并能同时降低骨干网络和中央云的基础设施压力。
4.mec网络的关键技术之一是计算卸载，即如何决策哪些用户将任务卸载到mec服务 器上执行。但是，这种任务处理方式会产生与时延和能耗相关的额外开销。因此，在满足任 务的服务质量前提下，最小化系统计算开销是一个值得研究的问题。
5.在现有的mec计算卸载相关模型和算法中，大部分的研究都是考虑静态的网络场景， 即用户卸载任务，mec系统的资源都是固定不变的。而实际生活中，网络场景都是动态形 式的，即用户设备的卸载任务是在不断产生的，mec服务器也是在不间断地处理卸载任务 的。
6.在静态网络中，部分研究考虑到当卸载任务量过大、过多时，mec资源也会变得紧缺， 因此他们结合移动云计算(mobile cloud computing，mcc)和mec来让扩展边缘计算资源， 即根据不同场景设置多层云卸载模式。虽然这种做法的确可以缓解卸载任务过多时，mec 系统的压力，但是多层云的缺陷是用户设备与高层云之间的高额时延，这种时延代价将会使 模型的效益大打折扣，并且传输数据所需要的能耗也会给用户设备的电池带来巨大的压力。
7.在动态网络中，mec系统必须考虑连续时隙下的计算卸载问题。由于卸载任务大小的 不确定性，其处理时间和传输时间都很难确定，这便导致系统的卸载决策，资源分配决策变 得更难求解。在很多研究中，为了简化问题，都只是设置相应的权重参数，但是这种求解方 案明显既不贴合实际，也不能达到最优化系统资源分配。并且在动态任务计算卸载方法中， 不仅要考虑到系统效用最大化问题，还要考虑系统的稳定性问题。
8.针对以上问题，本发明提出了一种智能超频mec系统模型，有效解决了卸载任务过多、 过大时，mec计算资源不足的情况。并在这个模型基础上，提出了一种先进的计算卸载方 法，以解决动态网络场景中，mec系统的效益与稳定性的权衡问题。


技术实现要素：

9.本发明从移动边缘计算服务器层面考虑优化移动边缘计算系统的性能，具体搭建了一种 智能超频移动边缘计算系统模型，并在该系统的基础上，解决了动态任务计算卸载中系统效 用和系统稳定的权衡问题。
10.为了解决上述问题，本发明首先提供了一个智能超频移动边缘计算系统模型。本发明还 提供了上述模型的子模型设置，包括服务器超频模型，动态任务模型，计算卸载模型和资源 分配模型。
11.基于以上模型，提出了联合考虑系统效用和稳定性的权衡问题，共同优化系统的卸载决 策，超频决策，资源分配以及任务卸载速率。资源分配与任务卸载速率问题具有很强的耦合 关系，共同优化它们能取得更优的解决方案。
12.步骤1：针对具有智能超频能力移动边缘计算系统下的多用户场景，构建智能超频移动 边缘计算服务器的损耗模型l(t)和用户的动态任务队列集合{i
n
}，其中t表示服务器运行 的时间，下标n表示第n个用户，
13.步骤2：步骤1中的智能超频服务器需要进行超频决策，设置超频决策变量π，并且步 骤1中的用户需要进行卸载决策，设置卸载决策变量x；
14.步骤3：步骤2中的卸载决策为本地执行时，考虑用户任务在本地计算时，卸载速率满 足限制，提出任务执行时卸载速率变量满足
[0015][0016]
对于卸载速率变量其下标n表示第n个用户，上标l表示任务本地执行 标号。表示第n个用户的在时隙s下的最大队列积压，下标n表示第n个用户， 标号s表示第s个时隙，以及任务处理时间满足服务质量要求
[0017][0018]
其中是卸载任务的本地处理时延，其下标n表示第n个用户，上标l表示任 务本地执行标号。表示卸载任务允许的最大时延，其下标n表示第n个用户，
[0019]
步骤4：步骤2中的卸载决策为边缘执行时，考虑用户的卸载任务上传到边缘服务器执 行的服务质量限制和边缘服务器的计算资源限制，提出卸载任务的执行时间t
r
满足
[0020][0021]
其中t
r
是卸载任务决策到边缘执行所需要的总时延，下标r表示任务边缘执行标号。 是卸载任务的服务质量要求。以及边缘服务器分配给用户的计算资源满足
[0022][0023][0024]
其中表示第n个用户的卸载任务所被分配的计算资源，其下标n表示第n个用户， 上标r表示任务边缘执行标号。表示卸载任务到移动边缘计算服务器上执行 的用户集合，f
r
是服务器所能分配的最大计算资源，下标r表示任务边缘执行标号。还有 用
户任务卸载速率变量满足
[0025][0026]
对于卸载速率变量其下标n表示第n个用户，上标r表示任务边缘执行 标号。表示第n个用户的在时隙s下的最大队列积压。
[0027]
步骤5：步骤4中移动边缘计算服务器处理卸载任务时，考虑移动边缘计算服务器的超 频时长限制，提出移动边缘计算服务器超频工作时长t满足
[0028]
t≤t0[0029]
其中t0是服务器允许的最大工作时长；
[0030]
步骤6：步骤3和步骤4中系统处理用户的卸载任务时，考虑系统的稳定性限制，提出 系统的平均队列积压应该满足
[0031][0032]
步骤7：基于以上步骤，考虑系统完成所有卸载任务带来的收益以及总时间成本和能量 成本为所构建系统的主要评价指标，构建用户卸载收益模型x
n
，下标n表示第n个用户， 卸载任务在本地执行的计算开销模型其下标n表示第n个用户，上 标l表示任务本地执行标号。卸载任务在边缘执行的计算开销模型其下标n表示第n个 用户，上标r表示任务边缘执行标号。以及系统的平均卸载效用模型
[0033]
步骤8：基于步骤6和步骤7中提出的成本模型，提出权衡系统效用和稳定性问题，主 要是解决联合优化卸载决策、计算资源分配和卸载速率决策以及超频决策问题，并提出相应 的计算卸载方法解决该问题。
[0034]
进一步地，步骤1中的智能超频移动边缘计算系统场景是由拥有智能超频功能的移动边 缘计算服务器和个用户设备组成的，特别地，卸载系统是在离散时隙中运行的，每个时隙s持续的时间为t
cyc
(t
cyc
是一个标量，代表一个固 定的时长)。超频状态下产生的损失函数l(t)由下式给出：
[0035][0036]
其中α＞0是一个固定值，表示损失函数l(t)随时间t的增长率，t
cyc
为损失函数的周 期。
[0037]
在时隙s中，动态任务队列模型i
n
(下标n表示第n个用户，)表示为：
[0038][0039]
其中q
n
(s)(下标n表示第n个用户，标号s表示第s个时隙，)是队列 积压的长度；d
n
(s)(下标n表示第n个用户，标号s表示第s个时隙，)是 当前时隙下将要被处理的任务数据大小；c
n
(s)(下标n表示第n个用户，标号s表 示第s个时隙，)是处理任务数据d
n
(s)所需要的cpu圈数，其具体的表达为 c
n
(s)＝μ
n
(s)d
n
(s)，其中μ
n
(s)(下表n表示第n个用户，标号s表示第s个时隙， )是当前时隙下卸载
移动边缘计算服务器的最大计算资源为f。当移动边缘计算服务器启动超频状态时，移动 边缘计算服务器的最大计算资源为
[0051]
进一步地，在时隙s下，步骤5中移动边缘计算服务器超频工作时长t满足：
[0052][0053]
其中下标n表示第n个用户，上标r表示任务边缘执行标号，标号s表示第s 个时隙，t0表示移动边缘计算服务器允许的最大超频时长。
[0054]
进一步地，在时隙s下，步骤6中任务队列的稳定性约束满足：
[0055][0056]
其中表示系统的平均队列积压，s
→
∞表示让时隙数s趋近于正无穷，n表示第n 个用户，表示对第n个用户的队列积压求平均值。
[0057]
进一步地，在时隙s下，步骤7中考虑的用户卸载收益模型x
n
可表示为：
[0058]
x
n
(s)＝ρ
n
(s)log2[1 d
n
(s)]
[0059]
其中ρ
n
(s)表示第个n用户的卸载收益权重，下标n表示第n个用户，标号s 表示第s个时隙，卸载任务在本地执行的计算开销模型可表示为：
[0060][0061]
其中和是任务数据d
n
(s)的时延权重和 能耗权重，下标n表示第n个用户，标号s表示第s个时隙，上标t表示 时延损耗标号，上标e表示能量损耗标号。是任务在本地执行的能耗，其中下标n表 示第n个用户，标号s表示第s个时隙，上标l表示任务本地执行标号。 卸载任务在边缘执行的计算开销模型可表示为：
[0062][0063]
对于其下标n表示第n个用户，上标r表示任务边缘执行标号，标号 s表示第s个时隙，表示第s个时隙，表示卸载任务的传输能耗，其下标n表示第n个用户， 上标p表示传输标号。系统的平均效用模型表示为：
[0064][0065]
其中。其中h
n
(s)是用户的卸载效益，其下标n表示第n个用户，标号s表示 第s个时隙。
[0066]
进一步地，在时隙s下，步骤8中提出的权衡系统效用和稳定性问题可表示为：
[0067][0068]
s.t.c1:x
n
(s)＝{0,1},
[0069]
c2:π(s)∈{0,1}
[0070]
c3:
[0071]
c4:
[0072]
c5:
[0073]
c6:
[0074]
c7:
[0075]
其中v是漂移
‑
惩罚系数。c1代表s时隙中的系统的卸载决策，c2代表s时隙中系统的 超频决策。条件c3保证在s时隙中，移动边缘计算服务器分配给每个卸载任务的计算资源 为正。c4表示在s时隙中，处理卸载任务所使用总的计算资源受到移动边缘计算服务器的 最大资源限制。c5表示在s时隙中，当移动边缘计算服务器启动超频状态，服务器的工作 时间不能超过t0。c6表示在s时隙中，任务数据d
n
(s)的执行时间应满足其服务质量。c7 保证了系统的稳定性。在c8中，表示用户最大队列积压，保证在时隙s中，用户 设备n每次卸载的任务数据量不会超过本地的队列积压。对于上述符号，其下标n表示第n 个用户，标号s表示第s个时隙，上标p表示传输标号；上标r表示任务 边缘执行标号；上标l表示任务本地执行标号；集合表示卸载任务到移动边缘计算上 执行的用户集合。
[0076]
进一步地，可以看到卸载决策x(s)和超频决策π(s)都是二进制整数，而移动边缘计算 服务器分配的资源f(s)和决策的用户设备的卸载数据d(s)是连续的，其中 d(s)＝{d1(s),d2(s),...,d
n
(s)}。因此问题所优化问题 是一个np难的非线性混合整数规划问题。
[0077]
进一步地，步骤8中提出的数学问题解决步骤为：
[0078]
初始化：用户任务集合设置区域内的所有用 户卸载其任务到移动边缘计算服务器，卸载速率为任务在本地执行时的最佳卸载速率。
[0079]
步骤8.1：分别在服务超频工作和不超频工作两种情况下，使用拉格朗日算法和以贪婪 算法为核心思想的迭代算法求出最佳卸载决策x(s)。
[0080]
步骤8.2：根据步骤8.1获得的卸载决策，使用拉格朗是算法和一种启发式算法以及对 比排序算法求出移动边缘计算服务器的资源分配决策f(s)和用户卸载任务的卸载速率决策 d(s)。
[0081]
步骤8.3：重复步骤8.1和步骤8.2直到两次目标函数的差值小于一个极小值(可设 )，可以得到最终卸载决策x(s)、资源分配决策f(s)和任务卸载速率决策d(s)。
[0082]
步骤8.4：根据步骤8.3获得计算卸载方法使用对比算法求解出智能超频移动边缘计算 系统的超频决策π(s)，即得到了原始问题的解{x(s),f(s),d(s),π(s)}。
[0083]
本发明具有以下技术效果：
[0084]
本发明提出了一种具有智能超频功能的新型移动边缘计算模型，并在这个模型下考虑了 优化系统效用的基本问题。对于复杂多变的应用场景，智能超频移动边缘计算服务器实现了 灵活地运用超频功能来最小化系统能耗。
[0085]
本发明把系统工作时间拓展到多时隙中，建立动态任务模型，并通过引入漂移
‑
惩
罚项 研究了动态网络中系统效用和稳定性的权衡问题。本发明提出了一种先进的计算卸载方法， 该方案联合考虑了系统的卸载策略，数据卸载策略，计算资源分配策略以及超频策略，且证 明了该新型模型以及计算卸载方法的优越性。
附图说明
[0086]
图1：智能超频移动边缘计算系统模型；
[0087]
图2：用户任务队列模型；
[0088]
图3：卸载决策子问题技术路线；
[0089]
图4：联合优化计算资源分配和卸载速率子问题技术路线图；
[0090]
图5：不同服务器下的计算开销对比图；
[0091]
图6：服务器处于超频与非超频两种状态下的计算收益图；
[0092]
图7：系统计算开销与用户数目关系图；
[0093]
图8：不同时间段中用户设备的数目；
[0094]
图9：不同时间段中系统的计算开销；
[0095]
图10：系统效用与队列积压的权衡关系；
[0096]
图11：四种卸载算法下，平均队列积压与时隙的关系；
[0097]
图12：四种卸载算法下，系统平均卸载效用与时隙的关系；
[0098]
图13：迭代卸载算法，全部卸载算法，全不卸载算法下的系统平均卸载效用与时隙的 关系。
[0099]
图14：方法流程图
具体实施方式
[0100]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
[0101]
下面结合附图1
‑
14介绍本发明的具体实施方式，具体如下：
[0102]
步骤1：针对具有智能超频能力移动边缘计算系统下的多用户场景，构建智能超频移动 边缘计算服务器的损耗模型l(t)和用户的动态任务队列集合{i
n
}，其中t表示服务器运行 的时间，下标n表示第n个用户，n＝50；
[0103]
步骤1中的智能超频移动边缘计算系统场景是由拥有智能超频功能的移动边缘计算服 务器和个用户设备组成的，特别地，卸载系统是在离散时隙 s＝100，中运行的，每个时隙s持续的时间为t
cyc
(t
cyc
是一个标量， 代表一个固定的时长，t
cyc
＝2s)。超频状态下产生的损失函数l(t)由下式给出：
[0104][0105]
其中α＞0是一个固定值，设为α＝0.3，表示损失函数l(t)随时间t的增长率，t
cyc
为 损失函数的周期。
[0106]
在时隙s中，动态任务队列模型i
n
(下标n表示第n个用户，)表示为：
[0107][0108]
其中q
n
(s)(下标n表示第n个用户，标号s表示第s个时隙，)是队列 积压的长度；d
n
(s)(下标n表示第n个用户，标号s表示第s个时隙，)是 当前时隙下将要被处理的任务数据大小；c
n
(s)(下标n表示第n个用户，标号s表 示第s个时隙，)是处理任务数据d
n
(s)所需要的cpu圈数，其具体的表达为 c
n
(s)＝μ
n
(s)d
n
(s)，其中μ
n
(s)(下表n表示第n个用户，标号s表示第s个时隙， )是当前时隙下卸载任务的复杂度系数，μ
n
(s)＝1；(下标n表示第n个用户， 标号s表示第s个时隙，)表示当前卸载任务的最大执行时间，分别用集合a(s)＝{a1(s),a2(s),...,a
n
(s),...,a
n
(s)}(a
n
(s)表示第n个用户在时隙s下的 接收的新卸载任务大小，a
n
(s)＝5mbit/s，其下标n表示第n个用户，标号s表示 第s个时隙，)和q(s)＝{q1(s),q2(s),...,q
n
(s),...,q
n
(s)}(q
n
(s)表示第n个用户在 时隙s下的队列积压，其下标n表示第n个用户，标号s表示第s个时隙，) 代表当前时隙下用户接收新的卸载任务的集合和用户的队列积压集合。
[0109]
步骤2：步骤1中的智能超频服务器需要进行超频决策，设置超频决策变量π，并且步 骤1中的用户需要进行卸载决策，设置卸载决策变量x；
[0110]
在时隙s下，步骤2中描述的服务器的超频决策模型可以被定义为π(s)∈{0,1}，标号s 表示第s个时隙，其中π(s)＝0表示移动边缘计算服务器未启动超频状态，而 π(s)＝1表示移动边缘计算服务器启动了超频状态。步骤2中描述的卸载决策模型可以定义 为下标n表示第n个用户，标号s表示第s个时隙， 其中x
n
(s)∈{0,1}。当x
n
(s)＝0时，卸载任务将在本地处理。当x
n
(s)＝1时，卸 载任务将被卸载到移动边缘计算服务器上处理。
[0111]
步骤3：步骤2中的卸载决策为本地执行时，考虑用户任务在本地计算时，卸载速率满 足限制，提出任务执行时卸载速率变量满足
[0112][0113]
对于卸载速率变量其下标n表示第n个用户，上标l表示任务本地执行 标号。表示第n个用户的在时隙s下的最大队列积压，下标n表示第n个用户， 标号s表示第s个时隙，以及任务处理时间满足服务质量要求
[0114][0115]
其中是卸载任务的本地处理时延，其下标n表示第n个用户，上标l表示任 务本地执行标号。表示卸载任务允许的最大时延，其下标n表示第n个用户，
[0116]
在时隙s下，步骤3中所述用户任务的卸载决策为本地执行时，卸载变量x
n
(s)＝0，用 户的卸载速率最大限制可以具体描述为：
[0117]
[0118]
表示第n个用户的在时隙s下的最大队列积压，下标n表示第n个用户，标号s表示第s个时隙，对卸载速率的限制主要是要求任务的执行时间满足服务质量：
[0119][0120]
其中表示任务在本地执行的时延，下标n表示第n个用户，上标l表示 任务本地执行标号，标号s表示第s个时隙，任务本地执行标号，标号s表示第s个时隙，表示第n个用户的本地计算资源大 小，为[0.5,0.7](gigacycle)中的一个随机值，上标l表示任务本地执行标号，下标n表示第n 个用户，
[0121]
步骤4：步骤2中的卸载决策为边缘执行时，考虑用户的卸载任务上传到边缘服务器执 行的服务质量限制和边缘服务器的计算资源限制，提出卸载任务的执行时间t
r
满足
[0122][0123]
其中t
r
是卸载任务决策到边缘执行所需要的总时延，下标r表示任务边缘执行标号。 是卸载任务的服务质量要求。以及边缘服务器分配给用户的计算资源满足
[0124][0125][0126]
其中表示第n个用户的卸载任务所被分配的计算资源，其下标n表示第n个用户， 上标r表示任务边缘执行标号。表示卸载任务到移动边缘计算服务器上执行 的用户集合，f
r
是服务器所能分配的最大计算资源，f
r
＝10(ghz)，下标r表示任务边缘 执行标号。还有用户任务卸载速率变量满足
[0127][0128]
对于卸载速率变量其下标n表示第n个用户，上标r表示任务边缘执行 标号。表示第n个用户的在时隙s下的最大队列积压。
[0129]
在时隙s下，步骤4中所述用户任务的卸载决策为边缘执行时，卸载变量x
n
(s)＝1，卸 载任务的执行时间满足
[0130][0131]
和分别表示卸载任务传输到移动边缘计算服务器上执行的传输时延和处理 时延，其中下标n表示第n个用户，上标p和r分别表示传输标号和任务边缘执 行标号，标号s表示第s个时隙，边缘服务器分配给用户的计算资源(下标n 表示第n个用户，上标r表示任务边缘执行标号，标号s表示第s个时隙，) 满足：
[0132]
[0133]
其中集合表示卸载任务到移动边缘计算上执行的用户集合，是常数，是常数，f是移动边缘计算服务器的最大计算资源。当该移动边缘计算服务器未启动超频 状态时，移动边缘计算服务器的最大计算资源为f。当移动边缘计算服务器启动超频状态 时，移动边缘计算服务器的最大计算资源为
[0134]
步骤5：步骤4中移动边缘计算服务器处理卸载任务时，考虑移动边缘计算服务器的超 频时长限制，提出移动边缘计算服务器超频工作时长t满足
[0135]
t≤t0[0136]
其中t0是服务器允许的最大工作时长，t0＝1s；
[0137]
在时隙s下，步骤5中移动边缘计算服务器超频工作时长t满足：
[0138][0139]
其中下标n表示第n个用户，上标r表示任务边缘执行标号，标号s表示第s 个时隙，t0表示移动边缘计算服务器允许的最大超频时长。
[0140]
步骤6：步骤3和步骤4中系统处理用户的卸载任务时，考虑系统的稳定性限制，提出 系统的平均队列积压应该满足
[0141][0142]
在时隙s下，步骤6中任务队列的稳定性约束满足：
[0143][0144]
其中表示系统的平均队列积压，s
→
∞表示让时隙数s趋近于正无穷，n表示第n 个用户，表示对第n个用户的队列积压求平均值。
[0145]
步骤7：基于以上步骤，考虑系统完成所有卸载任务带来的收益以及总时间成本和能量 成本为所构建系统的主要评价指标，构建用户卸载收益模型x
n
，下标n表示第n个用户， 卸载任务在本地执行的计算开销模型其下标n表示第n个用户，上 标l表示任务本地执行标号。卸载任务在边缘执行的计算开销模型其下标n表示第n个 用户，上标r表示任务边缘执行标号。以及系统的平均卸载效用模型
[0146]
在时隙s下，步骤7中考虑的用户卸载收益模型x
n
可表示为：
[0147]
x
n
(s)＝ρ
n
(s)log2[1 d
n
(s)]
[0148]
其中ρ
n
(s)表示第个n用户的卸载收益权重，ρ
n
(s)＝2.5，下标n表示第n个用户， 标号s表示第s个时隙，卸载任务在本地执行的计算开销模型可表示 为：
[0149][0150]
其中和是任务数据d
n
(s)的时延权重和 能耗权重，下标n表示第n个用户，标号s表示第s个时隙， 上标t表示时延损耗标号，上标e表示能量损耗标号。是任务在本地执行的 能耗，其中下标n表示第n个用户，标号s表示第s个时隙，上标l表示 任务本地执行标号。卸
因此问题所优化问题 是一个np难的非线性混合整数规划问题。
[0167]
步骤8中提出的数学问题解决步骤为：
[0168]
初始化：用户任务集合设置区域内的所有用 户卸载其任务到移动边缘计算服务器，卸载速率为任务在本地执行时的最佳卸载速率。
[0169]
步骤8.1：分别在服务超频工作和不超频工作两种情况下，使用拉格朗日算法和以贪婪 算法为核心思想的迭代算法求出最佳卸载决策x(s)。
[0170]
步骤8.2：根据步骤8.1获得的卸载决策，使用拉格朗是算法和一种启发式算法以及对 比排序算法求出移动边缘计算服务器的资源分配决策f(s)和用户卸载任务的卸载速率决策 d(s)。
[0171]
步骤8.3：重复步骤8.1和步骤8.2直到两次目标函数的差值小于一个极小值(可设 )，可以得到最终卸载决策x(s)、资源分配决策f(s)和任务卸载速率决策d(s)。
[0172]
步骤8.4：根据步骤8.3获得计算卸载方法使用对比算法求解出智能超频移动边缘计算 系统的超频决策π(s)，即得到了原始问题的解{x(s),f(s),d(s),π(s)}。
[0173]
图1展示了智能超频移动边缘计算系统中，动态任务卸载的服务模式。如图1所示，存 在一个拥有智能超频功能的移动边缘计算服务器，个用户。假设每个用 户都有一定数量的本地数据(例如，图像、视频等)要使用边缘智能服务(例如，图像识别程序、 大型交互游戏等)处理，且这个处理过程是在动态的多时隙场景下来完成的。图2表示了每 个用户的任务队列模型，在每个时隙中，用户在不断接收新的数据，同时向移动边缘计算系 统发送请求以处理队列中的部分数据。
[0174]
为了避免用户的任务队列积压过大而破坏整个移动边缘计算网络的稳定性，在考虑如何 决策用户任务的卸载以及各种计算资源的分配以达到该移动边缘计算网络的最大效用同时， 还需要保证用户的队列积压的稳定性。针对这个实施列，可以利用本发明内容提出提问题如下：
[0175][0176]
在考虑问题时，由于卸载决策的离散性，任务卸载速率和移动边缘计算服务器资源 的连续性，以及这两者之间的强耦合性，使得问题很难直接解决。为此，本发明利用把原始 问题分解成多个子问题的技术方案来解决实施例问题，具体方案如下。
[0177]
(1)卸载决策子问题：当计算资源向量f和超频决策a已经确定，那么卸载决策子问题 可以写成：
[0178][0179]
针对问题本发明基于贪婪算法思路提供了一个迭代求解方案来解决这个问题。技 术路线如图3。
[0180]
(2)联合优化资源分配和数据卸载速率子问题：假定已经知道卸载决策x(s)，和超
频决 策π(s)，则问题可以写为：
[0181][0182]
其中
[0183]
该子问题的求解技术路线如图4所示，其结果如下。
[0184]
1、数据卸载速率解决方案：
[0185][0186]
其中是用户设备n的卸载任务的执行时间，是在服务器超频处理任务 时，分配给用户设备n的资源，是服务器未超频时，分配给用户设备n的计算资源。 是把更新为后 的新时间权重序列，是对应情况下，用户设备n的卸载任务的执行时间。
[0187]
2、资源分配方案：
[0188][0189]
其中是把更新为后的新时间权重序列，t是移动边缘计算服务器 的工作时长。
[0190]
(3)超频决策子问题：在s时隙下，判断下列数学表达式是否成立：
[0191]
max
x,π(s)＝0,f,d
i(s)<max
x,π(s)＝1,f,d
i(s)
ꢀꢀ
(6)
[0192]
若式子(6)成立，则移动边缘计算服务器启动超频状态，反之不启动。
[0193]
进一步地，为了获得该实施例的最终计算卸载方法，需要用对上述三种子问题的结果进 行迭代处理，其具体步骤如下：
[0194]
1：把所有用户的的任务都决策卸载到移动边缘计算服务器上执行，并根据第二个子问 题的求解技术分配计算资源。
[0195]
2：计算出漂移
‑
惩罚项的值，记为i0(s)。
[0196]
3：根据第一个子问题的求解技术确定当前时隙下的卸载决策。
[0197]
4：根据新的卸载决策和式子(4)以及(5)更新计算资源分配策略和用户任务卸载速率。计 算出漂移
‑
惩罚项的值，记为i1(s)。
[0198]
5：如果i0(s)＜i1(s)，则让i0(s)＝i1(s)，并重复步骤3和步骤4，直到
[0199]
6：根据第三个子问的技术方案求得超频决策，并给出最终的计算卸载方法，即为该实 施例的计算卸载方法。
[0200]
本实施例中，所有数据处理和算法均使用matlab 2108b实现，实验环境是在具有64位 windows 10，3.00ghz intel core i5处理器和8gb 2400mhz ddr4内存主机上配置的。
[0201]
为了证明智能超频模型和该实施例中动态计算卸载方法的优越性，考虑与以下三种基准 算法对比
[0202]
(1)随机卸载决策：在按照步骤8.1得出的任务卸载速率后，每个用户的卸载决策x按照 {0,1}随机数生成给出。
[0203]
(2)全部卸载决策：在按照步骤8.1得出的任务卸载速率后，每个用户的任务均卸载到移 动边缘计算服务器上执行。
[0204]
(3)本地执行：在按照步骤8.1得出的任务卸载速率后，每个用户的任务均在本地执行。
[0205]
在本实施例中，用户与基站的距离相等，为150米，具体场景模拟在中心城区的公交车 站台处的用户数量在24小时中的变动情况，带宽采用平均分配方案，其余参数具体设
置如 表1。
[0206]
表1仿真参数设置
[0207][0208][0209]
1、智能超频系统计算开销性能结果分析
[0210]
本实验比较了移动边缘计算系统中普通服务器，智能超频服务器和无限制超频服务器的 计算卸载性能。当用户设备的数量相对较少时，结合图5和图6可以看出，移动边缘计算服 务器是不值得启动超频状态的。在此次实验中，用户设备数目在3到10之间，服务器都是 不值得超频的。具体来看，超频带来的负收益是先增多后减小的趋势，这是因为，用户数目 极少时，服务器运行的时间极短，而服务器的超频损失函数和超频收益函数分别是关于时间 t的线性函数和类高次凹函数，两者之间的差值必定是先增大后减小，最后被反超。
[0211]
随着用户设备数量的增加，超频带来的优势逐渐体现，且越来越大。但由于超频时间的 限制，超频带来的收益增加趋势会慢慢减缓。比较图5中的红色曲线和绿色曲线，可以看到 用户数目在10到27之间时，它们是重叠的。这是因为任务数量少时，移动边缘计算服务器 可以在超频时间限制内完成对所有任务的处理。当用户设备数量增加到27个之后，红色曲 线略高于绿色曲线。这是因为智能移动边缘计算系统的服务器超频工作时间达到t0后，移 动边缘计算服务器会脱离超频状态，因此，系统的计算开销将略有增加，但仍会一直小于普 通服务器的计算开销。图6中，当用户设备数量增加到30个以上时，超频带来的收益有时 不会增加，这是因为卸载任务是一组离散的数据，当新增加的卸载数据不符合卸载的条件时， 则其不会影响到超频收益。
[0212]
2、四种计算卸载方法性能比较结果分析
[0213]
在第二个实验中，将用户设备的数量设置由3个增加到50个，并比较了不同卸载决策 和不同移动边缘计算服务器下系统的计算开销。
[0214]
从图7中可以看出，当所有任务都在本地执行时，计算开销相对较大，且随着用户数目 的增长呈现一种线性增长的趋势。这是因为系统采用本地卸载决策时，计算资源分配决策， 系统超频决策将不被考虑，计算开销只与用户设备的计算能力和卸载任务的计算复杂度 c
n
有关。在此实验中，用户设备计算资源设为定值，卸载任务所需的cpu圈数是一个小范 围内的随机值，则系统开销必定会随着用户设备的数目增加，而呈现一种近似正比例趋势的 形式增长。
[0215]
如果所有任务都在移动边缘计算服务器上执行，其计算开销与用户设备数目的关系如图 7中黑线所示。在用户设备数量较少的情况下，由于移动边缘计算服务器资源和网络的带宽 资源都较为丰富，处理卸载任务的时延和能耗都比较小，因此系统的计算开销很小。然而， 当用户设备的数量增加时，系统分配给每个卸载任务的网络带宽资源与计算资源都将减小， 卸载任务的各项计算开销指标都将急剧增加，这便是系统的计算开销如黑线所示的指数形式 增加的原因。
[0216]
当采用随机卸载决策时，系统的计算开销是介于本地卸载开销与全部卸载开销之间的， 原因是显而易见的。
[0217]
对于jooc算法，很明显，即使用户设备的数量很大，系统的计算开销也是可以接受的。 当用户数量相对较少时，系统会决策将所有任务卸载到移动边缘计算服务器上执行。但是在 这种情况下，具有超频能力的移动边缘计算服务器不会选择启动超频状态，因为启动超频状 态带来的损耗要大于其带来的收益。当用户设备数量增加时，拥有超频能力的移动边缘计算 服务器优势逐渐体现出来，这本次实验中，用户数量增加到14个时，启动超频状态会带来 计算收益。
[0218]
智能超频系统现实场景性能结果分析
[0219]
本实验模拟现实生活中，不同时间段下，某些场景(如食堂，车站等)的用户数量波动情 况，并比较了四种计算卸载算法的计算开销以及两种不同移动边缘计算系统的性能。
[0220]
如图8所示，在每天的8:00至9:00，12:00至13:00和18:00至19:00，都是上下班的高 峰期，这时用户的数目较多。而在深夜和清晨这些时间段，用户数目很少。从图9可以看出， 智能超频服务器不管在那个时间段，都具有最佳的性能。从深夜23点到凌晨5点，用户设 备的数量非常少，服务器选择不启动超频状态。而在白天，用户的数量逐渐增加，服务器开 始启动超频状态。并且可以很明显的看出，用户数量越多，智能超频移动边缘计算系统取得 的收益越大。
[0221]
系统效用和队列积压权衡结果分析
[0222]
本实验研究了基于李亚普洛夫优化框架的系统效用与队列积压之间的权衡关系，主要是 通过调节惩罚系数v(本实验从v＝100到v＝1500)的值，来分析惩罚系数分别对系统效 用和队列积压的影响。
[0223]
从图10可以看出，随着惩罚系数v的增加，负的系统效用呈现一种反比例函数下降趋 势。这表明，可以通过调控惩罚系数v的值，来达到想要的系统效用。通过图10还可以看 出，队列积压与惩罚系数v存在一种线性增长趋势，结合两者分析，可以看到在系统效用 与队列积压之间存在关于惩罚系数v的权衡。所以在利用惩罚系数v值 调控系统效用时，需要考虑当前惩罚系数v值，以免造成较高的队列积压而严重影响用户 的服务
质量。
[0224]
不同计算卸载方法对系统影响结果分析
[0225]
本实验比较了在智能超频移动边缘计算系统中，三种基准卸载方法与本文提出的卸载方 法对系统性能的影响。
[0226]
从图11中可以看出当采用全部卸载算法时，用户设备的平均队列积压一直为零。当采 用本地卸载算法时，由于受到用户设备的计算资源限制，在满足卸载任务的服务质量前提下， 每一次用户设备处理的任务数据量不可能太大，因此采用这种计算卸载方式，用户设备的队 列积压会一直增长，其趋势是呈现一种线性增长。采用随机卸载方法的，用户设备的队列积 压没有特定的规律，有时会非常大，有时会非常小，这种处理方法会严重影响用户的体验， 甚至可能导致任务执行失败。而采用迭代算法的计算卸载方式，用户设备的队列积压会呈现 一种对数形式的上升趋势，并最终趋于平稳，并且其最终的队列积压对于系统而言是可以接 受的。
[0227]
图12和图13表示了四种卸载算法产生的卸载效用与时隙的关系。当采用随机算法卸载 时，其卸载效用开始有一个很大的下降趋势，最终波动幅度减弱。这是因为系统消耗随任务 数据的增长是呈现一种指数形式的，当一个时隙中，卸载任务数据过大，则会导致系统的消 耗飞速增长，这也就是随机卸载方法中，系统的效用开始会抖动剧烈的原因。但即使是随机 卸载，其每次执行的任务数据也只会在一个范围内波动，所以，随着系统运行时间越来越长， 系统的平均卸载效用波动会逐渐变小，但不会稳定，且其平均卸载效用相较于其他三种情况 而言，是非常低的。
[0228]
图13可以看出，时隙开始的时候，迭代算法的收益是最高的。这是因为刚开始时，用 户设备的队列积压很小，迭代算法偏向于优化系统效用。而随着时隙的增长，其系统效用会 慢慢降低，甚至比本地执行算法的效用低得多，这是因为为了稳定系统队列积压，算法决策 会牺牲掉一部分卸载效用来达到系统稳定的目的。虽然本地执行的系统效用较高，但是从图9 中可以看出其用户设备的平均队列积压非常的大，这样的系统是不稳定的。虽然利用迭代算 法的系统平均效用会一直降低，但是不会低于全部卸载算法的系统平均效用。这是因为，在 该算法思路下，系统达到最终稳定时，每个时隙中卸载的任务数据大小是等于用户设备新增 的任务数据的，这也就是当前时隙下的“全部卸载”。所以其当前时隙下的卸载效用与全部卸 载的效用时相同。但因为在前面时隙中，迭代算法是取得了更多的效用的，所以迭代算法的 平均系统效用是永远大于全部卸载算法的平均系统效用的。
[0229]
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0230]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专 利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所 保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求 保护范围应以所附权利要求为准。