一種基於MEC和MCC的雙向選擇計算卸載方法與流程

2023-05-29 00:54:36 3

本發明涉及移動計算技術領域，特別是指一種基於MEC和MCC的雙向選擇計算卸載方法。

背景技術：

近年來，隨著用戶數據的日益增長、物聯網設備的大規模接入以及業務的多樣化導致當前無線網絡中數據流量的飛速增長、數據規模的急劇擴大。同時，移動終端的功能逐步加強，其功能也已經不僅僅局限於通信領域，而是成為人們移動娛樂、辦公、閱讀、計算的強大載體。因此，第三方提供的各種依賴於終端的高複雜程序，開始大量運用於移動計算中。但是，終端的計算能力受到體積的限制，當前的電池技術也還沒有突破性的進展，這給移動計算領域帶來了巨大的壓力。

在傳統網絡中，為了解決移動計算中的大計算量問題，服務商使用雲計算來輔助處理大數據量、終端無法處理或無法存儲的數據，即移動雲計算服務(MCC,Mobile Cloud Computing)。服務提供商把特定服務部署在雲中，終端設備發送信息給服務，服務完成運算後將結果發回給終端，並將必要數據在雲端存儲。為了服務不同地理位置的用戶，在網際網路的多層次結構中，雲數據中心位於核心網。而核心網距離終端用戶較遠，用戶消息需要經過若干跳才能夠到達，這就不可避免地造成了較大的延時，而較大的延時可能會影響用戶的體驗。同時，傳統的雲計算卸載思路無法解決延時和抖動問題，雲伺服器的物理距離往往很遠，網絡流量普遍存在分布不均衡導致的抖動也無法避免。

針對雲計算遇到的問題，學術界提出了一種新的技術——移動邊緣計算(MEC,Mobile Edge Computing)，即利用無線接入網絡RAN(Radio Access Network)就近提供電信用戶所需服務和雲端計算功能，創造出一個具備高性能、低延遲與高帶寬的電信級服務環境，加速網絡中各項內容、服務及應用的快速下載，讓消費者享有不間斷的高質量網絡體驗。移動邊緣計算在2014年被ETSI(European Telecommunications Standards Institute)立為通向5G的關鍵技術之一，在滿足5G網絡低延時、高帶寬的業務、高處理能力要求中扮演著越來越重要的角色。它得到了包括諾基亞、英特爾、華為、中興等多個通信廠家的關注。移動邊緣計算主要包括移動邊緣計算伺服器和移動霧終端兩個部分，它具有本地化、近距離、低延時、位置感知、能夠獲取網絡上下文信息的特點，它將遠端的雲計算能力拉到用戶側，提供更加泛在的處理能力。從網絡側來看，移動霧計算可以通過內容與位置分離的方式將數據處理和分發均衡到網絡邊緣，降低核心網與雲數據中心負荷；邊緣計算節點可以對上傳的數據實現預處理、智能分流以及直接處理，降低了網絡的傳輸負擔，並提升業務的響應速度。從用戶側來看，基於網絡功能虛擬化的靈活資源配置提供了額外的處理能力，同時能夠提供更加節能的方案。

目前，基於MEC的計算卸載主要是從兩個方面著手。第一個方面主要在IoT(Internet of Things)領域，將計算能力較為強大的設備作為IoT設備的網關，為傳感器節點提供數據的處理和上傳功能，然而這種邊緣計算節點能力有限，而且可靠性沒有保障，波動性大，還面臨著安全性和私密性問題，因此只能作為小範圍、低計算量的物聯網解決方案。第二個方面通過移動邊緣計算伺服器，提供類似于于雲計算的伺服器，但是部署在接入網中，以實現低延時、高可靠的通信方案。目前研究MEC卸載的方法都是從延時和能耗兩個方面入手，通過最大化終端的延時-能耗評價函數來作為卸載的判決方法。這些實現方案往往從網絡側入手，對於用戶而言，他們提供的延時、能耗信息是被線性處理的，沒有考慮到用戶的喜好。此外，現有的研究方案只是考慮服務端資源受限的情況，沒有對服務端的負載和用戶公平性做出考慮，這造成目前的卸載方案的收益有限，同時用戶的服務體驗並沒有提高。

由於MEC技術提出時間不長，MEC相關的基礎設施還沒有完全部署完成，因此MCC和MEC卸載方案通常是孤立的，這造成了資源的極大浪費，計算量卸載的優勢也沒有完全體現出來。

技術實現要素：

有鑑於此，本發明的目的在於提出一種基於MEC和MCC的雙向選擇計算卸載方法，能夠實現終端線性加權和網絡側層次分析的多準則、多目標、雙向選擇的計算量卸載。

基於上述目的本發明提供基於MEC和MCC的雙向選擇計算卸載方法，包括步驟：

當檢測到運算程序的計算量超過門限，向網絡側發送卸載所述運算程序的請求；

接收到網絡側根據該請求分配的可供卸載的序列；

根據接收到的可供卸載的序列，計算本地能耗和卸載能耗，進而計算每種可供卸載能耗收益並發送給網絡側；同時，計算本地運算延時，進而計算每種可供卸載的延時與本地計算延時差並發送給網絡側；

接收到網絡側根據所述能耗收益和延時收益獲得的卸載決定矩陣，回送的卸載判決消息；

根據卸載判決消息進行卸載。

在本發明的一些實施例中，可供卸載序列包括雲計算、移動邊緣計算伺服器、空閒移動智能終端，表示為：dp＝(dcc,dec,dfc)dcc,dec,dfc∈{0,1}；

其中，dp為可供卸載集向量，dcc表示雲伺服器集合是否能提供卸載，dec表示移動邊緣計算伺服器能否提供卸載服務，dfc表示是否有智能終端集合分載計算量；這三個量都是二元量，用0,1表示，0表示不能卸載，1表示卸載。

在本發明的一些實施例中，所述的本地能耗是CPU進程運行所產生的，用如下公式確定：

其中，Eloc表示本地計算所需的能耗，cprog表示計算某個業務需要的CPU周期數，floc表示本地CPU的速率，單位是周期/s，Ploc表示單位時間內CPU的功耗；

然後，根據可供卸載的序列，分別計算序列中不同卸載目標的能耗函數，即卸載能耗，表示：

其中，Q表示發送符號的協方差矩陣；DTk是用戶業務類型k所需要發送的比特數；ηT表示編碼係數，H表示信道矩陣，是幹擾加噪聲的協方差矩陣；

計算卸載與本地計算的能耗差別，三種卸載目標的能耗是一樣的，表示為：

在本發明的一些實施例中，計算本地計算程序所需的時間：

其中，tloc表示本地計算的延時；

計算三種目標卸載所需要的時間：

雲計算場景下，卸載的總時間表示：

tcc_off＝tT+tR+tw+tprocess

tcc_off表示雲計算卸載所需要的總延時，它由四個部分組成，前兩個部分(tT,tR)分別是無線發送和無線接受的傳輸延時；tw是有線部分的傳輸延時，Bbottle為瓶頸帶寬；tque是排隊延時，和網絡的狀態相關；tprop是傳播延時，與物理距離相關；hop表示到達雲伺服器所需要的跳數；tprocess為處理用戶程序所需要的時間，fcc是雲計算伺服器所能提供的CPU周期數；

接入移動邊緣計算伺服器計算場景下，卸載的總時間表示：

tmc_off＝tT+tR+tprocess

其中，fmc是MEC伺服器所能提供的CPU周期數；

空閒移動智能終端作為計算卸載目標場景下，卸載的總時間表示：

tfc_off＝2(tT+tR)+tprocess

其中，ffc是其他職能終端所能提供的CPU周期數；

最後，計算卸載延時與本地計算延時差別，由於三種卸載目標的延時各不相同，延時差需要分別計算，即：

其中，Δti表示終端用戶i的延時差。

在本發明的一些實施例中，還包括：

增加自身對兩個收益函數的主客觀偏好，對計算得到的能耗收益、延時收益進行預判決，並然後發送給網絡側。

在本發明的一些實施例中，用戶終端在能耗方面，為了增加用戶終端的生存時間，一般認為在用戶終端本身電池剩餘量較低時，更傾向於將高能耗進程卸載出去，其數學公式描述如下：

其中，gei為修訂之後的能耗收益參數；βe為用戶的主觀偏好程度係數，其值由用戶終端自己設定，優選值為βe∈(0,2)。為客觀偏好係數，由剩餘電量和總電量的比值αTe決定。

根據將韋伯菲齊納公式引入用戶終端對延遲的偏好影響。同時根據不同的業務設置不同的業務係數，其具體公式描述如下：

其中，gti為修訂之後的延時收益參數；βtk為業務的偏好程度係數，k表示不同的業務種類，流媒體等實時業務對該係數要求較高，科學計算類業務對此要求較低，優選值為βtk∈(0,2)；sgn(Δti)為符號函數。三個卸載目標要分別計算延時收益gti＝(gt_cci，gt_mci，gt_fci)。

還有，用戶終端得到的這兩個參數，可正可負，對用戶而言只有最終的收益為正，才有價值。因此，決定卸載目標可以用如下表達式說明：

di＝dpi∩ui(git+gie)，d∈(0,1) (12)

其中，di表示用戶i對三個卸載目標的可用性判決，0表示負收益或沒有權限卸載到此目標，1表示收益為正且有權限卸載。ui(x)為階躍函數。

在本發明的一些實施例中，所述接收到網絡側根據所述能耗收益和延時收益獲得的卸載決定矩陣包括：

根據各個用戶終端發送的能耗收益和延時收益，指定可行域S；

根據當前網絡的負載信息獲得標準差負載參數，同時根據所述用戶側過去卸載的信息獲得公平參數；

根據能耗收益、延時收益和可行域，以及標準差負載參數和公平參數，建立多目標、多準則優化模型；

根據標準AHP算法，對優化模型進行求解得到卸載決定矩陣。

在本發明的一些實施例中，當前負載信息計算為：

其中，Lcc,Lmc,Lfc分別是雲計算伺服器群，移動邊緣計算伺服器群和空閒移動智能終端群的負載情況，用表示，W表示實際的工作量，Cap表示最大計算能力；

另外，根據用戶過去卸載的目標信息，使用Jain公平指數來計算整個計算卸載過程中公平性，用QT-1∈(0,1]表示；其中，將歸一化公平變量設為：其中0表示該周期內沒有對該用戶終端進行卸載；對於用戶終端i，他的公平性取值因此根據Jain公平性公式為：

其中，QT為在本次卸載周期內的公平指數；通過指數平滑方法，得到綜合公平指數：

Q＝αqQT-1+(1-αq)QT

其中，αq為平滑係數。

在本發明的一些實施例中，所述建立如下多目標、多準則優化模型：

s.t.

在本發明的一些實施例中，根據卸載判決消息，用戶實行代碼拆分，然後根據拆分後的代碼進行卸載操作。

從上面所述可以看出，本發明提供的基於MEC和MCC的雙向選擇計算卸載方法，能夠綜合利用MCC和MEC的設備與計算、傳輸能力，並且為移動終端提供多目標的卸載選擇方案，不僅可以大大縮減任務的處理時間而且還可以最大限度的降低行動裝置的能耗。

附圖說明

圖1為實施例中基於MEC和MCC的雙向選擇計算卸載方法用戶側的流程示意圖；

圖2為實施例中基於MEC和MCC的雙向選擇計算卸載方法的框架圖；

圖3為實施例中基於MEC和MCC的雙向選擇計算卸載方法網絡側的流程示意圖；

圖4為一個可參考實施例中基於MEC和MCC的雙向選擇計算卸載方法用戶側的流程示意圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。

需要說明的是，本發明實施例中所有使用「第一」和「第二」的表述均是為了區分兩個相同名稱非相同的實體或者非相同的參量，可見「第一」「第二」僅為了表述的方便，不應理解為對本發明實施例的限定，後續實施例對此不再一一說明。

作為本發明的實施例，參閱圖1所示，為本發明實施例中基於MEC和MCC的雙向選擇計算卸載方法用戶側的流程示意圖。針對於用戶側，所述基於MEC和MCC的雙向選擇計算卸載方法包括：

步驟101，當檢測到運算程序的計算量超過門限，向網絡側發送卸載所述運算程序的請求。

作為實施例，檢測需要運算的程序計算量fproc，如果超過預先設置的門限fthre，則向網絡側發送卸載所述運算程序的請求。進一步地，當超過預先設置的門限fthre時，可以判斷CSI(Channel Side Information，信道側信息)信道信息情況，若信道狀況允許用戶以大於中斷容量的速率傳輸則向網絡側發送卸載所述運算程序的請求。更進一步地，向網絡側發送卸載所述運算程序的請求時，可以開啟周期性T匯報自身信息，準備卸載計算程序。

作為一個優選地實施例，用戶終端需要根據剩餘電量相對於總電量的比例來判斷是否開啟檢測運算程序的計算量的進程。具體來說，用戶終端統計剩餘的電量ETre，並計算相對於總電量(ETall)的比例,當所述比例大於預設的比例閾值時，則可以開啟檢測運算程序的計算量的進程。

步驟102，接收到網絡側根據該請求分配的可供卸載的序列。

在實施例中，用戶終端根據自身開通的業務信息，發送給網絡側請求信息。也就是說，網絡側可以根據該用戶終端的身份驗證協議，驗證該用戶終端有向哪些目標卸載的權限。進一步地，網絡側根據該用戶終端開通的服務和自身網絡能力，響應該用戶終端的周期性匯報的信息，並且返回給所述用戶終端一個可供卸載序列。

優選地，可供卸載序列可以包括(如圖2所示)雲計算、移動邊緣計算伺服器、空閒移動智能終端的可供卸載情況。本發明區別於現有技術中的獨立的雲計算和移動邊緣卸載方案，提出了卸載方案包括由雲計算企業和運營商提供的雲計算伺服器(CC)、有運營商在接入網中部署的移動邊緣計算伺服器(EC)以及經過安全認證、授權的空閒移動智能終端(FC)。網絡側根據終端開通的服務和自身網絡能力，響應用戶的周期性匯報消息，返回給用戶一個粗粒度可供卸載序列，即表示為：dp＝(dcc,dec,dfc)dcc,dec,dfc∈{0,1}。

其中，dp為可供卸載集向量，表示終端可供卸載的服務單元種類集合。dcc表示雲伺服器集合是否能提供卸載，dec表示移動邊緣計算伺服器能否提供卸載服務，dfc表示是否有智能終端集合可以分載計算量。這三個量都是二元量，用0,1表示，0表示不能卸載，1表示可以卸載。進行此步篩選，可以踢除不具備資格的集合，降低下面流程的計算量。

步驟103，根據接收到的可供卸載的序列，計算本地能耗和卸載能耗，進而計算每種可供卸載能耗收益並發送給網絡側；同時，計算本地運算延時，進而計算每種可供卸載的延時與本地計算延時差並發送給網絡側。

在一個實施例中，對本地計算的程序而言，能耗是由CPU進程運行所產生的，可用如下公式確定：

其中，Eloc表示本地計算所需的能耗，cprog表示計算某個業務需要的CPU周期數，floc表示本地CPU的速率，單位是周期/s，Ploc表示單位時間內CPU的功耗。

然後，根據可供卸載的序列，分別計算序列中不同卸載目標的能耗函數，即卸載能耗。其功耗主要由發送到基站的發射功率決定，接受功率相比發送功率可以忽略不計。其他能耗不發生在終端上，也不需要從終端側考慮。因此，卸載時的用戶能耗可以如下表示：

其中，Q表示發送符號的協方差矩陣，在多發多收(Multiple-Input Multiple-Output，MIMO)中用來根據信道情況優化發送矩陣，使得在好信道得到更高的發送功率，從而提升整體速率，Q的跡則表明終端的發射功率。DTk是用戶業務類型k所需要發送的比特數，在計算卸載過程中，不同卸載原理的DTk表示的內容不同，有的可能是虛擬機配置和用戶輸入數據，有的可能需要傳送整個用戶程序。ηT表示編碼係數，因為本發明計算採用的是香濃容量計算公式，然而實際系統中由於信道編碼限制無法達到香濃容量的傳輸速率，因此使用η∈(0,1)表示實際編碼速率和理論速率的差距。H表示信道矩陣，是幹擾加噪聲的協方差矩陣，表示幹擾的功率。

另外，計算卸載與本地計算的能耗差別，由於三種卸載目標的能耗是一樣的，只需計算一次卸載能耗。其中i表示終端用戶i的能耗差。如果ΔEi為正，表明計算卸載會給終端帶來一定的能耗收益，即降低了終端的能耗。

在另一個實施例中，計算本地計算程序所需的時間：

其中，tloc表示本地計算的延時。

同時，計算卸載所需要的時間。由於本發明的卸載有三個卸載目標，而且三個卸載目標的物理距離，傳輸能力都有差別，因此每一種卸載的傳輸延時，不盡相同。下面將分三種情形介紹。

雲計算場景下，卸載的總時間可以用以下公式表示：

tcc_off＝tT+tR+tw+tprocess

tcc_off表示雲計算卸載所需要的總延時，它由四個部分組成，前兩個部分(tT,tR)分別是無線發送和無線接受的傳輸延時。在這裡，本發明假設在卸載時間段內，信道、幹擾並沒有明顯變化。由於收發採用的編碼方式有所區別，因此η值有所區別；此外，來回發送的數據是不一樣的，分別用DTk,DRk表示。tw是有線部分的傳輸延時，Bbottle為瓶頸帶寬，tque是排隊延時，和網絡的狀態相關；tprop是傳播延時，與物理距離相關；hop表示到達雲伺服器所需要的跳數，我們假設往返的路徑和網絡狀態在卸載過程中是不變的。tprocess為處理用戶程序所需要的時間，fcc是雲計算伺服器所能提供的CPU周期數，這個值一般遠大於終端自身的處理能力。

接入移動邊緣計算伺服器計算場景下，卸載的總時間可以用以下公式表示：

tmc_off＝tT+tR+tprocess

其中，tT,tR與雲計算中相似，由於MEC伺服器一般部署於RAN中，因此有線鏈路的傳輸延時非常短，可以忽略不計。fmc是MEC伺服器所能提供的CPU周期數，這個值小於雲計算伺服器，大於終端自身CPU能力。

空閒移動智能終端作為計算卸載目標場景下，卸載的總時間可以用以下公式表示：

tfc_off＝2(tT+tR)+tprocess

其中，tT,tR與雲計算中相似，由於終端作為卸載目標的傳輸是在同一個RAN內，所以還需要加上到卸載終端的傳輸延時，一般認為這個傳輸延時和終端本身是相近的。ffc是其他職能終端所能提供的CPU周期數，與用戶本身能力相近。因此，在終端之間的卸載不會有太多的時間收益，主要是能耗的收益和在重負載網絡下的卸載補充。

最後，計算卸載延時與本地計算延時差別，由於三種卸載目標的延時各不相同，延時差需要分別計算，即：

其中，Δti表示終端用戶i的延時差。如果Δti為正，表明計算卸載會給終端帶來一定的時間收益，即降低了終端的延時，最終的結果是個1*3向量。

在一個優選地實施例中，在用戶終端向網絡側發送能耗收益和延時差(延時收益)之前，可以進行預判決。也就是說，用戶終端對計算得到的能耗收益、延時收益進行預判決，並增加自身對兩個收益函數的主客觀偏好。能耗收益參數表現為剩餘的電量越低，越傾向於獲得能耗收益的卸載方案。而根據物理心理學方法和業務種類，對延時的收益函數進行修改，充分考慮了用戶對計算卸載的感受。本發明所述的能耗收益、延時收益兩個參數，這兩個參數可正可負，對用戶終端而言，只有兩個參數為正，才對用戶終端有價值，通過兩個參數的相加，進行預判決。

進一步地，用戶終端在能耗方面，為了增加用戶終端的生存時間，一般認為在用戶終端本身電池剩餘量較低時，更傾向於將高能耗進程卸載出去，其數學公式描述如下：

其中，gei為修訂之後的能耗收益參數；βe為用戶的主觀偏好程度係數，其值由用戶終端自己設定，優選值為βe∈(0,2)。為客觀偏好係數，由剩餘電量和總電量的比值αTe決定。

更進一步地，用戶終端會根據物理心理學方法和業務種類，對延時收益函數進行修改。心理物理學是研究心物關係並使之數量化的一個心理學分支，是對物理刺激和它引起的感覺進行數量化研究的心理學領域。本發明根據將韋伯菲齊納公式引入用戶終端對延遲的偏好影響。同時根據不同的業務設置不同的業務係數，其具體公式描述如下：

其中，gti為修訂之後的延時收益參數；βtk為業務的偏好程度係數，k表示不同的業務種類，流媒體等實時業務對該係數要求較高，科學計算類業務對此要求較低，優選值為βtk∈(0,2)；sgn(Δti)為符號函數。三個卸載目標要分別計算延時收益gti＝(gt_cci，gt_mci，gt_fci)。這個公式表明，刺激量按幾何級數增加而感覺量則按算術級數增加，由於延時不僅僅是評價QoS的指標，更是用戶實際感受到的指標，因此這裡引入心理物理學的評價方法充分考慮了用戶對計算卸載的感受。從公式來看，當Δti的值達到一定程度的時候，對用戶的實際感受影響是越來越低的。因此，應用這個公式可以避免將大部分的計算任務都分配到MEC伺服器上，提升了網絡的整體效能。

還有，用戶終端得到的這兩個參數，可正可負，對用戶而言，只有最終的收益為正，才對用戶有價值，因此終端決定卸載目標可以用如下表達式說明：

di＝dpi∩ui(git+gie)，d∈(0,1) (12)

其中，di表示用戶i對目前三個卸載目標的可用性判決，0表示負收益或沒有權限卸載到此目標，1表示收益為正且有權限卸載。ui(x)為階躍函數。

計算完成後，用戶將di，git，gie發送給網絡側等待網絡側的下一步判決。

步驟104，接收到網絡側根據所述能耗收益和延時收益獲得的卸載決定矩陣，回送的卸載判決消息。

在實施例中，網絡側根據各個用戶終端發送的兩個參數，指定可行域。同時，網絡側通過核心網網元和移動邊緣計算伺服器(MEC)需要收集網絡側信息，主要包括當前網絡的負載信息和用戶終端過去卸載的目標信息，並使用Jain公平指數來計算整個計算卸載過程中公平性。然後，通過以上的數據對網絡側卸載問題進行優化建模，然後通過層次分析法，定性與定量相結合，能處理優化建模不能解決的NP-hard問題。依據得到卸載決定矩陣，分別回送判決消息給終端用戶。

在一個較佳地實施例中，網絡側根據各個用戶終端發送的參數，指定可行域S，該可行域S是一個3*s的0-1二元矩陣，s表示需要卸載的用戶數量。

網絡側通過核心網網元和MEC伺服器需要收集網絡側信息，主要包括當前網絡的負載信息Ls和用戶過去卸載的目標信息QT-1。其中，當前負載信息的計算如下所示：

其中，Lcc,Lmc,Lfc分別是雲計算伺服器群，移動邊緣計算伺服器群和空閒移動智能終端群的負載情況，用表示，W表示實際的工作量，Cap表示最大計算能力。由於空閒移動智能終端作為卸載目標時時一個個個體，因此為了簡化計算將整個空閒移動智能終端服務卸載群落當成一個正常看待。M，N,V分別表示雲計算伺服器、移動邊緣計算伺服器和空閒移動智能終端的數量。表示三種情況下負載的均值。當有新的卸載請求被接收後，將改變Lcc,Lmc,Lfc的值，從而改變Ls。負載均衡是提供了一種廉價有效透明的方法擴展網絡設備和伺服器的帶寬、增加吞吐量、加強網絡數據處理能力、提高網絡的靈活性和可用性，而Ls代表不均衡性，因此它的值應該越小越好。

根據用戶過去卸載的目標信息，可以使用Jain公平指數來計算整個計算卸載過程中公平性，用QT-1∈(0,1]表示。在默認情況下，可以認為MEC伺服器可以提供最好的資源服務，雲伺服器次之，最後是其他空閒移動智能終端。本發明將他們歸一化公平變量設為：其中0表示該周期內沒有對該用戶終端進行卸載。對於用戶終端i，他的公平性取值因此根據Jain公平性公式可得：

其中，QT為在本次卸載周期內的公平指數。通過指數平滑方法，可以得到綜合公平指數：

Q＝αqQT-1+(1-αq)QT (15)

其中，αq為平滑係數，優選值為0.5。

因此，根據以上步驟獲取的終端參數和網絡側參數，可以建立如下多目標、多準則優化模型：

s.t.

其中，總的能耗收益函數和總的延時收益函數分別是每個用戶終端的能耗收益函數結果之和以及延時收益函數結果之和，即Q是公平性指標取值範圍是(0,1]，越接近1表示公平性越好。Ls是負載情況的標準差，應該越小越負載越均衡，因此本發明採用標準差的倒數。限制條件中，第一個限制條件是對發送功率的限制，PT是發射的總功率；第二個限制條件來源於終端，要求對於終端的收益是正的；第三個限制條件是負載的限制，卸載的總任務量不能超過服務的負載能力；第四個限制條件是可行域的限制，是一個0-1矩陣，表明網絡側判決只可以在S中進行選擇；第五個限制條件是帶寬，在傳輸的時候使用的帶寬不能超過基站提供的總帶寬。綜上來看，這個問題是一個NP-hard問題，然而需要在有限的時間內穩定的求解，本發明實施例採取複雜度較低的AHP算法求解，可以迅速地得出結果，這對降低卸載的總延時也是有幫助的。

根據AHP算法，本發明將每個用戶終端最終的選擇卸載目標矩陣作為目標層目標O(choose)；將Q，Gt,Ge四個指標作為準則層的判斷依據，將每一個用戶終端的具體選擇作為方案層方案。其次，我們構造兩兩比較判斷矩陣，計算單一準則下元素的相對重要性。接下來，根據一致矩陣法，檢驗判斷思維的邏輯一致性，當一致性比率小於隨機一致性指標時，則認可當前的結果。最後，確定每層所有因素對於總目標相對重要性的排序權值過程，進行層次總排序。這一過程是從最高層到最底層依次進行的。對於最高層而言，其層次單排序的結果也就是總排序的結果。本發明採取的AHP算法是標準的AHP算法，目的是快速的，穩定的得到次優的結果。

最後，根據AHP算法得出的結果，得到卸載決定矩陣S'，這是一個3*s'的矩陣，每一列至多有一個元素是1，其餘元素是0。而1的那一行就是卸載的目標。網絡側依據決定矩陣S'，分別回送判決消息給終端用戶。

步驟105，根據卸載判決消息進行卸載。

在實施例中，根據卸載判決消息，用戶實行代碼拆分，然後根據拆分後的代碼進行卸載操作。具體來說，可以是將程序運行的數據和運行邏輯分離，只把運行所需的數據卸載到伺服器端，伺服器端通過共享的代碼邏輯，運行用戶的數據，得到用戶所需的結果。需要說明的是，當網絡負載較重或者用戶較多時，可能會有用戶無法得到卸載目標，即他的卸載向量是一個0向量，此時無論終端的決定是什麼，都不進行卸載操作，終端本地處理程序。

在本發明實施例的另一方面，參閱圖3所示，為本發明實施例中基於MEC和MCC的雙向選擇計算卸載方法網絡側的流程示意圖。針對於網絡側，所述基於MEC和MCC的雙向選擇計算卸載方法包括：

步驟301，獲得用戶側發送的卸載運算程序的請求。

步驟302，根據該請求分配的可供卸載的序列dp＝(dcc,dec,dfc)dcc,dec,dfc∈{0,1}，並發送給用戶側。

作為實施例，網絡側根據終端開通的服務和自身網絡能力，響應用戶的周期性匯報消息，返回給用戶一個粗粒度可供卸載序列，即表示為：dp＝(dcc,dec,dfc)dcc,dec,dfc∈{0,1}。

其中，dp為可供卸載集向量，表示終端可供卸載的服務單元種類集合。dcc表示雲伺服器集合是否能提供卸載，dec表示移動邊緣計算伺服器能否提供卸載服務，dfc表示是否有智能終端集合可以分載計算量。

步驟303，接收到用戶側發送的能耗收益和延時收益。

步驟304，根據各個用戶終端發送的能耗收益和延時收益，指定可行域S。

在實施例中，根據各個用戶終端發送的參數，指定可行域S，該可行域S是一個3*s的0-1二元矩陣，s表示需要卸載的用戶數量。

步驟305，根據當前網絡的負載信息獲得標準差負載參數，同時根據所述用戶側過去卸載的信息獲得公平參數。具體的實施過程包括：

當前負載信息的計算如下所示：

其中，Lcc,Lmc,Lfc分別是雲計算伺服器群，移動邊緣計算伺服器群和空閒移動智能終端群的負載情況，用表示，W表示實際的工作量，Cap表示最大計算能力。由於空閒移動智能終端作為卸載目標時時一個個個體，因此為了簡化計算將整個空閒移動智能終端服務卸載群落當成一個正常看待。M，N,V分別表示雲計算伺服器、移動邊緣計算伺服器和空閒移動智能終端的數量。表示三種情況下負載的均值。當有新的卸載請求被接收後，將改變Lcc,Lmc,Lfc的值，從而改變Ls。

另外，根據用戶過去卸載的目標信息，可以使用Jain公平指數來計算整個計算卸載過程中公平性，用QT-1∈(0,1]表示。在默認情況下，可以認為MEC伺服器可以提供最好的資源服務，雲伺服器次之，最後是其他空閒移動智能終端。本發明將他們歸一化公平變量設為：其中0表示該周期內沒有對該用戶終端進行卸載。對於用戶終端i，他的公平性取值因此根據Jain公平性公式可得：

其中，QT為在本次卸載周期內的公平指數。通過指數平滑方法，可以得到綜合公平指數：

Q＝αqQT-1+(1-αq)QT (15)

其中，αq為平滑係數，優選值為0.5。

步驟306，根據能耗收益、延時收益和可行域，以及標準差負載參數和公平參數，建立多目標、多準則優化模型。

其中，建立如下多目標、多準則優化模型：

s.t.

步驟307，根據標準AHP算法，對優化模型進行求解得到卸載決定矩陣。

在實施例中，根據AHP算法，本發明將每個用戶終端最終的選擇卸載目標矩陣作為目標層目標O(choose)；將Q，Gt,Ge四個指標作為準則層的判斷依據，將每一個用戶終端的具體選擇作為方案層方案。其次，我們構造兩兩比較判斷矩陣，計算單一準則下元素的相對重要性。

然後，根據一致矩陣法，檢驗判斷思維的邏輯一致性，當一致性比率小於隨機一致性指標時，則認可當前的結果。最後，確定每層所有因素對於總目標相對重要性的排序權值過程，進行層次總排序。這一過程是從最高層到最底層依次進行的。對於最高層而言，其層次單排序的結果也就是總排序的結果。本發明採取的AHP算法是標準的AHP算法，目的是快速的，穩定的得到次優的結果。

步驟308，根據卸載決定矩陣，分別回送判決消息給用戶側的每個終端用戶。

其中，根據AHP算法得出的結果，得到卸載決定矩陣S'，這是一個3*s'的矩陣，每一列至多有一個元素是1，其餘元素是0。而1的那一行就是卸載的目標。網絡側依據決定矩陣S'，分別回送判決消息給終端用戶。

參閱如圖4所示，為本發明一個可參考實施例中基於MEC和MCC的雙向選擇計算卸載方法用戶側的流程示意圖。針對於用戶側，所述基於MEC和MCC的雙向選擇計算卸載方法包括：

步驟401，當所述用戶終端剩餘電量相對於總電量的比例大於預設的比例閾值時，則可以開啟檢測運算程序的計算量的進程。

步驟402，當運算的程序計算量fproc超過預先設置的門限時，開啟周期性向網絡側發送卸載所述運算程序的請求。

步驟403，接收到網絡側根據該請求分配的可供卸載的序列dp＝(dcc,dec,dfc)dcc,dec,dfc∈{0,1}。

步驟404，根據接收到的可供卸載的序列，計算本地能耗和卸載能耗，進而計算每種可供卸載能耗收益，執行步驟406。

在實施例中，對本地計算的程序而言，能耗是由CPU進程運行所產生的，可用如下公式確定：

其中，Eloc表示本地計算所需的能耗，cprog表示計算某個業務需要的CPU周期數，floc表示本地CPU的速率，單位是周期/s，Ploc表示單位時間內CPU的功耗。

然後，根據可供卸載的序列，分別計算序列中不同卸載目標的能耗函數，即卸載能耗。因此，卸載時的用戶能耗可以如下表示：

其中，Q表示發送符號的協方差矩陣；DTk是用戶業務類型k所需要發送的比特數；ηT表示編碼係數；H表示信道矩陣，是幹擾加噪聲的協方差矩陣，表示幹擾的功率。

另外，計算卸載與本地計算的能耗差別，由於三種卸載目標的能耗是一樣的，只需計算一次卸載能耗。其中i表示終端用戶i的能耗差。如果ΔEi為正，表明計算卸載會給終端帶來一定的能耗收益，即降低了終端的能耗。

步驟405，根據接收到的可供卸載的序列，計算本地運算延時，進而計算每種可供卸載的延時與本地計算延時差，執行步驟406。

作為實施例，計算本地計算程序所需的時間：

其中，tloc表示本地計算的延時。

同時，計算卸載所需要的時間。由於本發明的卸載有三個卸載目標，而且三個卸載目標的物理距離，傳輸能力都有差別，因此每一種卸載的傳輸延時，不盡相同。下面將分三種情形介紹。

雲計算場景下，卸載的總時間可以用以下公式表示：

tcc_off＝tT+tR+tw+tprocess

其中，tcc_off表示雲計算卸載所需要的總延時；tw是有線部分的傳輸延時；Bbottle為瓶頸帶寬；tque是排隊延時，和網絡的狀態相關；tprop是傳播延時，與物理距離相關；hop表示到達雲伺服器所需要的跳數；tprocess為處理用戶程序所需要的時間，fcc是雲計算伺服器所能提供的CPU周期數。

接入移動邊緣計算伺服器計算場景下，卸載的總時間可以用以下公式表示：

tmc_off＝tT+tR+tprocess

其中，tT,tR與雲計算中相似；fmc是MEC伺服器所能提供的CPU周期數。

空閒移動智能終端作為計算卸載目標場景下，卸載的總時間可以用以下公式表示：

tfc_off＝2(tT+tR)+tprocess

其中，tT，tR與雲計算中相似；ffc是其他職能終端所能提供的CPU周期數。

最後，計算卸載延時與本地計算延時差別，由於三種卸載目標的延時各不相同，延時差需要分別計算，即：

步驟406，增加自身對兩個收益函數的主客觀偏好，對計算得到的能耗收益、延時收益進行預判決，並然後發送給網絡側。具體的實施過程包括：

用戶終端在能耗方面，為了增加用戶終端的生存時間，一般認為在用戶終端本身電池剩餘量較低時，更傾向於將高能耗進程卸載出去，其數學公式描述如下：

其中，gei為修訂之後的能耗收益參數；βe為用戶的主觀偏好程度係數，其值由用戶終端自己設定，優選值為βe∈(0,2)。為客觀偏好係數，由剩餘電量和總電量的比值αTe決定。

根據將韋伯菲齊納公式引入用戶終端對延遲的偏好影響。同時根據不同的業務設置不同的業務係數，其具體公式描述如下：

其中，gti為修訂之後的延時收益參數；βtk為業務的偏好程度係數，k表示不同的業務種類，流媒體等實時業務對該係數要求較高，科學計算類業務對此要求較低，優選值為βtk∈(0,2)；sgn(Δti)為符號函數。三個卸載目標要分別計算延時收益gti＝(gt_cci，gt_mci，gt_fci)。

還有，用戶終端得到的這兩個參數，可正可負，對用戶而言只有最終的收益為正，才有價值。因此，決定卸載目標可以用如下表達式說明：

di＝dpi∩ui(git+gie)，d∈(0,1) (12)

其中，di表示用戶i對三個卸載目標的可用性判決，0表示負收益或沒有權限卸載到此目標，1表示收益為正且有權限卸載。ui(x)為階躍函數。

計算完成後，用戶將di，git，gie發送給網絡側。

步驟407，接收到網絡側根據預判決後的能耗收益和延時收益獲得的卸載決定矩陣，回送的卸載判決消息。

步驟408，根據卸載判決消息，用戶實行代碼拆分，然後根據拆分後的代碼進行卸載操作。

綜上所述，本發明提供的一種基於MEC和MCC的雙向選擇計算卸載方法，創造性地採用了基於MCC和MEC的雙向選擇方案，通過同時引入雲計算和移動邊緣計算的能力，使用戶的卸載目標多遠化；並且，充分利用了網絡的基礎設施和計算資源，不僅可以大大縮減任務的處理時間，還可以最大限度的降低行動裝置的能耗；而且，增強了網絡的計算卸載能力；與此同時，根據用戶應用的不同業務，為終端提供額外的偏好函數，使得卸載決定中體現出終端用戶的卸載的偏好，提升了用戶的服務體驗；另外，根據網絡的現有狀態，使得網絡的整體性能得到改善，增加了網絡的穩定性；最後，整個所述的基於MEC和MCC的雙向選擇計算卸載方法緊湊、易於控制，具有廣泛、重大的推廣意義。

所屬領域的普通技術人員應當理解：以上任何實施例的討論僅為示例性的，並非旨在暗示本公開的範圍(包括權利要求)被限於這些例子；在本發明的思路下，以上實施例或者不同實施例中的技術特徵之間也可以進行組合，步驟可以以任意順序實現，並存在如上所述的本發明的不同方面的許多其它變化，為了簡明它們沒有在細節中提供。

本發明的實施例旨在涵蓋落入所附權利要求的寬泛範圍之內的所有這樣的替換、修改和變型。因此，凡在本發明的精神和原則之內，所做的任何省略、修改、等同替換、改進等，均應包含在本發明的保護範圍之內。