本发明属于通信5g以及边缘计算(mobileedgecomputing,mec)技术领域，具体的说是一种用于5g超密集组网场景的边缘计算方法；发明涉及凸优化(convexoptimal)，超密集组网(ultra-densitynetwork，udn)，边缘计算，云计算(cloudcomputing)等技术。
背景技术：
云计算是一种旨在突破移动终端计算能力(存储能力)限制的技术。终端设备选择将自己的计算任务(存储任务)交由云端执行以节省自身有限的计算资源(存储资源)以及能耗。
而边缘计算这一概念是相对于云计算的。由于云端服务器的计算能力非常强大，但是从终端到云服务器的时延可能会很大。而随着移动通信技术的发展与各种新兴产业的兴起。终端上的一些应用对时延性能提出了更高的要求，比如增强现实技术(augmentedreality，ar)。因此为了满足这种需求，边缘计算这一概念应运而生。不同于云计算的是边缘计算在用户邻近的地理位置部署计算能力次于云计算服务器的边缘计算服务器。以此来降低物理距离导致的时延。
即将到来的5g移动通信技术设计的接入密度是106每平方公里，为了满足如此庞大的接入需求，5g采用了超密集组网技术：一个小区有一个宏基站以及大量的微基站组成，每个微基站负责为邻近的蜂窝用户服务。但是如此多的接入用户，用什么样的技术去满足终端各种各样的计算能力需求仍然是待解决的问题。
技术实现要素：
针对上述问题，本发明提出了一种用于5g超密集组网场景的边缘计算方法，旨在提高蜂窝系统中接入终端的计算能力与时延性能。本发明的基本思路是在一个小基站(smallbasestation,sbs)放置一个mec服务器来为该微小区的蜂窝用户提供边缘计算服务，同时蜂窝用户可以按照待执行任务的特性来选择与宏基站(macrobasestation，mbs)相连的云计算服务。该方案可以使得用户选择最合适的计算服务，提高时延性能。
首先介绍系统模型：
如图1所示，考虑一个上行的超密集组网的蜂窝系统，存在一个中心的宏基站msb，与云计算服务器相连接，以及若干个小基站sbs，每个sbs放置了一个边缘计算服务器；每个小基站有若干个接入的蜂窝用户，每个用户都有一个待执行任务，每个任务有两个属性：输入数据量与cpu执行周期数，且每个任务可以选择在本地执行、mec服务器上执行或者云计算服务器上执行。这里以一个小基站为例：假设小基站的接入蜂窝用户数为n，有k个独立的子信道可供分配。同时用户，mec服务器，云计算服务器的计算能力分别为：
表1
本发明的方法分为四个步骤：
s1、初始化用户的卸载策略：
首先为了得到初始化的用户任务，卸载策略首先假定子信道以及mec服务器的计算能力均分给每个用户，且信道增益用均值
其中
所以，每个用户的初始化的卸载策略为三种策略下取时延最小的一种策略作为初始化卸载策略；
s2、对所有用户规划分配的子信道数目：
在第一步给定了初始卸载策略的情况下，就需要对用户进行子信道的分配。这一步将确定每个用户被分配到的子信道数目用ci表示，需要注意的是选择在本地执行的用户应该被分配到0个子信道。
在第一步中将任务卸载到mec服务器的用户数为n*，且在这一步假设它们均分mec服务器的计算资源。于是相比于第一步，
引入效用函数
这里提出基于分治的思想提出一种次优解法：将所有待分配子信道的用户分成两个子集
同时引入两个约束条件
构造(5)式的拉格朗日函数：
根据
引入变量
于是有：
可以使用二分法求解该方程组得到数值解c1,c2，即为集合
s3、对所有用户进行子信道分配：
在确定了用户的被分配子信道数目ci之后，需要为用户分配具体的子信道，为每个用户分配子信道的算法步骤如下：
step1、选取用户
step2、对于1到ci，迭代执行：
将子信道
hik＝0,i∈{1,2..n}；
step3、重复步骤step1和步骤step2直至所有用户被分配了子信道；
s4、对所有卸载在mec服务器的用户进行计算资源分配：
在卸载策略，子信道分配策略都确定的情况下。还剩下最后一部分：mec计算资源的分配策略。而mec计算资源的分配算法与步骤2相同，都是采用分治算法的思想将mec的计算资源--cpu频率分成两个部分进行迭代分配。这里不再做赘述。
本发明的有益效果为，本发明的方法可以使得用户选择最合适的计算服务，提高时延性能。
附图说明
图1为超密集组网的蜂窝系统型示意图。
具体实施方式
发明内容部分已经对本发明的方案进行了详细描述，在此不再赘述。