一种基于能量收集技术的联合计算卸载方法及装置与流程

本发明涉及移动边缘计算技术领域，具体涉及一种基于能量收集技术的联合计算卸载方法及装置。

背景技术：

随着移动通信技术的快速迭代更新以及各类移动智能终端的爆炸式普及，移动互联网业务已经进入了快速发展阶段。根据思科全球云指数的估计，到2019年，由物联网设备产生的45％的数据将在网络边缘进行存储、处理和分析，全球数据中心总数据流量预计将达到10.4泽字节(zettabyte，zb)。同时据思科互联网业务解决方案集团预测，到2020年，将有近500亿台无线设备连接到网络。

现有技术中，通常采用的是传统的移动云计算(mobilecloudcomputing，mcc)模式，即通过移动网络以按需、易扩展的方式获得所需的基础设施、平台、软件(或应用)的一种it资源或(信息)服务的交付与使用模式。

本发明申请人在实施本发明的过程中，发现现有技术中的方法至少存在如下技术问题：

由于基于万物互联平台的应用服务需要更短的响应时间，同时大量的个人隐私的数据需要受到更好的保护，传统的移动云计算模式因计算能力有限，将不能高效的支持基于万物互联的应用服务程序。

由此，可知现有技术中的方法存在计算能力有限而导致性能不佳的技术问题。

技术实现要素：

有鉴于此，本发明提供了一种基于能量收集技术的联合计算卸载方法及装置，用以解决或者至少部分解决现有技术中的方法存在计算能力有限而导致性能不佳的技术问题。

本发明第一方面提供了一种基于能量收集技术的联合计算卸载方法，包括：

步骤s1：在每个预设时间片开始时，收集边缘服务器的实时信息和所有移动终端的实时信息，其中，移动终端的实时信息包括收集的能量、计算任务到达情况和移动终端的位置；

步骤s2：根据能量收集的能量、计算任务达到情况和移动终端的位置，构建每个移动终端的虚拟能量队列；

步骤s3：构建任务执行成本模型、终端能耗模型和能量收集模型；

步骤s4：根据边缘服务器的实时信息、所有移动终端的实时信息以及构建的任务执行成本模型、终端能耗模型和能量收集模型，构建李雅普诺夫漂移加惩罚函数，根据李雅普诺夫漂移加惩罚函数，获得目标函数；

步骤s5：将虚拟能量队列作为需要稳定的队列，通过最小化目标函数，求解当前时间片内的计算卸载决策，其中，计算卸载决策用以表征移动终端产生的计算任务的执行方式。

在一种实施方式中，在步骤s5之后，所述方法还包括：

步骤s6：基于目标函数，针对不同的计算卸载决策进行资源分配。

在一种实施方式中，步骤s2具体包括：

步骤s2.1：根据移动终端的计算任务到达情况和移动终端的位置，计算出每个预设时间片内移动终端消耗的能量；

步骤s2.2：根据每个预设时间片内收集的能量和移动终端耗的能量，求出下个时间片移动终端的剩余能量，其中，移动终端剩余能量的计算公式如下：

其中，表示第i个移动终端在t时间片内的剩余能量，表示第i+1个移动终端在t时间片内的剩余能量，表示每个时间片内移动终端消耗的能量，分别表示收集到的能量；

步骤s2.3：根据每个移动终端的剩余能量，构建虚拟能量队列，其中，移动终端的虚拟能量队列表示为：

其中，表示第i个移动终端在t时间片的虚拟能量队列，θi为移动终端的扰动参数。

在一种实施方式中，步骤s3中，

单个用户的任务执行成本模型计算方式如式(3)所示：

其中，表示在t时间片内第i个移动终端产生计算任务的执行延迟，包括计算任务在移动终端执行或被卸载到边缘服务器上执行的执行延迟，ψ表示任务被抛弃时的惩罚延迟，和分别表示t时间片内第i个移动终端产生了计算任务和计算任务被抛弃了；

终端能耗模型用以表示移动终端和边缘服务器在每个时间片所消耗的能量，计算方式如下：

其中，和分别表示计算任务在移动终端时和计算任务被卸载到边缘服务器执行时的能耗，和分别表示任务在移动终端执行和任务被卸载到边缘服务器执行；

(3)能量收集模型如式(5)所示：

其中，表示在单个时间片内收集到的最大能量，移动终端每个时间片实际收集到的能量平均分布在0到之间，并且每个时间片收集到的能量是相互独立的。

在一种实施方式中，步骤s4具体包括：

步骤s4.1：构建李雅普诺夫函数，具体如式(6)所示：

其中，u表示移动终端的集合；

步骤s4.2：构建李雅普诺夫漂移函数，具体如式(7)所示：

其中，表示求期望；

步骤s4.3：构建李雅普诺夫漂移加惩罚函数，具体如式(8)所示：

其中，v表示惩罚因子，n表示移动终端集合中元素的个数；

步骤s4.4：根据李雅普诺夫漂移加惩罚函数的形式，得到其函数的上界，具体公式为：

其中，c为常数，表示第i个移动终端在t时间片内的消耗的能量；

步骤s4.5：根据李雅普诺夫漂移加惩罚函数，获得目标函数

在一种实施方式中，计算任务的执行方式包括计算任务被抛弃、计算任务在边缘服务器执行以及计算任务在移动终端执行，步骤s6具体包括：

当计算任务在移动终端执行时，通过最小化目标函数，求解出第一资源分配结果，第一资源分配结果为cpu频率，cpu频率的计算方法如下：

其中，fi,u表示移动终端所能达到的最大cpu频率，fi,l表示移动终端满足任务执行截止时间的最小cpu频率，为介于fi,u和fi,l两者之间的cpu频率；

当计算任务在边缘服务器执行时，通过最小化目标函数求解出第二资源分配结果，第二资源分配结果为网络带宽分配方案，网络带宽分配方案如下：

其中，wi^t*表示求解目标函数得到的网络带宽。

在一种实施方式中，所述方法还包括：

为计算任务的执行方式为在边缘服务器执行的移动终端构建回报函数，并基于回报函数对移动终端产生的计算任务的执行方式进行调整，其中回报函数表示如下：

和分别表示第i个移动终端在t时间片的计算任务在本地执行、被卸载到服务器执行和被抛弃时的漂移加惩罚子函数的值，表示第i个移动终端在t时间片的回报函数值。

在一种实施方式中，所述方法还包括：

通过判断目标函数的值是否满足预设条件，对计算卸载决策和资源分配结果进行调整。

基于同样的发明构思，本发明第二方面提供了一种基于能量收集技术的联合计算卸载装置，包括：

信息收集模块，用于在每个预设时间片开始时，收集边缘服务器的实时信息和所有移动终端的实时信息，其中，移动终端的实时信息包括收集的能量、计算任务到达情况和移动终端的位置；

队列构建模块，用于根据能量收集的能量、计算任务达到情况和移动终端的位置，构建每个移动终端的虚拟能量队列；

模型构建模块，用于构建任务执行成本模型、终端能耗模型和能量收集模型；

目标函数获得模块，用于根据边缘服务器的实时信息、所有移动终端的实时信息以及构建的任务执行成本模型、终端能耗模型和能量收集模型，构建李雅普诺夫漂移加惩罚函数，根据李雅普诺夫漂移加惩罚函数，获得目标函数；

卸载决策模块，用于将虚拟能量队列作为需要稳定的队列，通过最小化目标函数，求解当前时间片内的计算卸载决策，其中，计算卸载决策用以表征移动终端产生的计算任务的执行方式。

基于同样的发明构思，本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

在本发明提供的方法，通过收集移动终端和边缘服务器的实时信息，建立虚拟能量队列、任务执行成本模型、终端能耗模型和能量收集模型，并根据边缘服务器的实时信息、所有移动终端的实时信息以及构建的任务执行成本模型、终端能耗模型和能量收集模型，构建李雅普诺夫漂移加惩罚函数，进而获得目标函数；最后将虚拟能量队列作为需要稳定的队列，通过最小化目标函数，求解当前时间片内的计算卸载决策。

相对于现有技术中通过传统的移动云计算方式而言，本发明提出的是一种基于能量收集技术的多用户联合计算卸载动边缘计算方法，在该方法中，网络边缘设备(边缘服务器)已经具有足够的计算能力来实现数据的本地处理，并将计算结果发送给移动终端，从而可以降低数据传输带宽，应用于万物互联的应用服务程序中，并提高计算能力，从而优化系统的性能。

进一步地，采用基于李雅普诺夫优化技术，可以基于当前计算卸载决策，进行资源分配，从而优化资源分配结果。

进一步地，通过构建回报函数，可以调整多用户的计算卸载决策，使的计算卸载决策在边缘计算系统层面最优。

进一步地，通过迭代的方式，最终计算卸载和资源分配联合做出最优计算卸载和资源分配策略，从而减少多用户的任务平均执行成本，降低任务抛弃率，并提高系统级别的用户体验质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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。

图1为本发明实施例中基于能量收集技术的联合计算卸载方法的流程图；

图2为本发明实施例中基于能量收集技术的联合计算卸载装置的结构框图；

图3为本发明实施例中一种具体示例中计算卸载与资源分配的框架图；

图4为本发明实施例中计算机设备的结构图。

具体实施方式

本发明的目的在于针对现有传统移动云计算的方法存在计算能力有限而导致性能不佳的技术问题，提供出的一种基于能量收集技术的多用户联合计算卸载与资源分配方法，其适用范围是基于能量收集技术的多用户移动边缘计算环境。通过收集移动终端和边缘服务器的实时信息，建立任务执行成本模型、终端能耗模型和能量收集模型和虚拟能量队列，并得到初始卸载决策集。

而后采用基于李雅普诺夫优化技术，基于当前卸载决策集(即计算卸载决策)，进行多用户最优资源分配策略，并且通过回报函数反过来调整多用户的卸载决策集，使卸载决策集在边缘计算系统层面最优。此外，还通过迭代的方式，最终计算卸载和资源分配联合做出最优计算卸载和资源分配策略，从而减少多用户的任务平均执行成本，降低任务抛弃率，并提高系统级别的用户体验质量。

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

实施例一

本实施例提供了一种基于能量收集技术的联合计算卸载方法，请参见图1，该方法包括：

首先执行步骤s1：在每个预设时间片开始时，收集边缘服务器的实时信息和所有移动终端的实时信息，其中，移动终端的实时信息包括收集的能量、计算任务到达情况和移动终端的位置。

具体来说，预设时间片可以根据实际情况进行设置，例如1ms、1s、10s等。移动终端实时信息包括移动终端的位置、计算任务到达情况、剩余能量、收集到的能量等，边缘服务器的实时信息包括边缘服务器的网络带宽、计算资源等。

本发明使用基于能量收集技术的移动终端不再局限于电网的限制，依靠信息收集模块，移动终端甚至可从光、振动或温度变化中收集到能量。能量收集技术的使用，使得物联网和可穿戴设备等技术的发展进入了一个全新的阶段。

随着移动边缘计算(mobileedgecomputing，mec)的提出，使得传统移动云计算模式的弊端得到了很好的解决。在移动边缘计算模型中，网络边缘设备已经具有足够的计算能力来实现数据的本地处理，并将计算结果发送给移动终端。边缘计算模型不仅降低数据传输带宽，同时能较好的保护用户的隐私数据，降低终端敏感数据隐私泄露的分享。基于能量收集技术的移动设备在边缘计算模式中，可以避免移动终端对电网的依赖，通过信息收集模块，能够捕获、收集然后透过电子设备来利用小批量的能量，从而能够完成复杂的计算任务，而无须在系统设计中集成传统电源。因此，研究基于能量收集技术的移动设备在边缘计算环境下的计算卸载和资源分配问题，对万物互联时代具有重大意义。

然后执行步骤s2：根据能量收集的能量、计算任务达到情况和移动终端的位置，构建每个移动终端的虚拟能量队列。

具体来说，虚拟能量队列是根据移动终端的能量情况构建的初始队列。

在一种实施方式中，步骤s2具体包括：

步骤s2.1：根据移动终端的计算任务到达情况和移动终端的位置，计算出每个预设时间片内移动终端消耗的能量；

步骤s2.2：根据每个预设时间片内收集的能量和移动终端耗的能量，求出下个时间片移动终端的剩余能量，其中，移动终端剩余能量的计算公式如下：

其中，表示第i个移动终端在t时间片内的剩余能量，表示第i+1个移动终端在t时间片内的剩余能量，表示每个时间片内移动终端消耗的能量，分别表示收集到的能量；

步骤s2.3：根据每个移动终端的剩余能量，构建虚拟能量队列，其中，移动终端的虚拟能量队列表示为：

其中，表示第i个移动终端在t时间片的虚拟能量队列，θi为移动终端的扰动参数。

具体来说，通过建立虚拟能量队列，可以将移动终端剩余能量稳定在一个值附近，从而避免移动终端能量过低，不能执行计算任务，并抛弃计算任务。当移动终端的虚拟能量队列处于稳定时，其剩余能量在θi附近波动。

接下来执行步骤s3：构建任务执行成本模型、终端能耗模型和能量收集模型。

具体来说，可以根据具体的应用情况构建相应的模型，本实施例中，主要考虑执行成本、能耗和能量。

在一种实施方式中，步骤s3中，

单个用户的任务执行成本模型计算方式如式(3)所示：

其中，表示在t时间片内第i个移动终端产生计算任务的执行延迟，包括计算任务在移动终端执行或被卸载到边缘服务器上执行的执行延迟，ψ表示任务被抛弃时的惩罚延迟，和分别表示t时间片内第i个移动终端产生了计算任务和计算任务被抛弃了。

具体来说，任务执行成本是衡量边缘计算系统性能的一个重要指标，任务执行成本被定义为任务的执行延迟和被抛弃时惩罚延迟的加权和。通过最小化任务执行成本，可以减少惩罚延迟，从而降低任务抛弃率。

终端能耗模型用以表示移动终端和边缘服务器在每个时间片所消耗的能量，计算方式如下：

其中，和分别表示计算任务在移动终端时和计算任务被卸载到边缘服务器执行时的能耗，和分别表示任务在移动终端执行和任务被卸载到边缘服务器执行；

具体来说，移动终端中的众多组件都可能会产生能耗，本发明主要考虑移动终端cpu和网络接口传输数据所产生的能耗，计算任务在本地执行(即在移动终端执行)时主要是终端cpu产生能耗，计算任务被卸载到边缘服务器执行时，主要是网络接口传输数据产生能耗。

(3)能量收集模型如式(5)所示：

其中，表示在单个时间片内收集到的最大能量，移动终端每个时间片实际收集到的能量平均分布在0到之间，并且每个时间片收集到的能量是相互独立的。

具体来说，收集能量这一特征是基于能量收集技术的移动终端所特有的，移动终端通过信息收集模块收集自然界的能量，来提升移动终端的剩余能量，延长终端的工作时间，能量收集模型主要用于模拟收集自然界能量的随机性和不可预测性。

再执行步骤s4：根据边缘服务器的实时信息、所有移动终端的实时信息以及构建的任务执行成本模型、终端能耗模型和能量收集模型，构建李雅普诺夫漂移加惩罚函数，根据李雅普诺夫漂移加惩罚函数，获得目标函数。

具体来说，李雅普诺夫稳定性(lyapunovstability，或李亚普诺夫稳定性)可以用来描述一个动力系统的稳定性。如果此系统任何初始条件在平衡态附近的轨迹均能维持在平衡态附近，那么可以称为在处李雅普诺夫稳定。

在一种实施方式中，步骤s4具体包括：

步骤s4.1：构建李雅普诺夫函数，具体如式(6)所示：

其中，u表示移动终端的集合；

步骤s4.2：构建李雅普诺夫漂移函数，具体如式(7)所示：

其中，表示求期望；

步骤s4.3：构建李雅普诺夫漂移加惩罚函数，具体如式(8)所示：

其中，v表示惩罚因子，n表示移动终端集合中元素的个数；

步骤s4.4：根据李雅普诺夫漂移加惩罚函数的形式，得到其函数的上界，具体公式为：

其中，c为常数，表示第i个移动终端在t时间片内的消耗的能量；

步骤s4.5：根据李雅普诺夫漂移加惩罚函数，获得目标函数

具体来说，最小化李雅普诺夫漂移加惩罚函数的上界，可以得到最优计算卸载和资源分配决策。为了表达式更加清楚简洁，具体优化目标可以优化为公式(10)的形式。

再执行步骤s5：将虚拟能量队列作为需要稳定的队列，通过最小化目标函数，求解当前时间片内的计算卸载决策，其中，计算卸载决策用以表征移动终端产生的计算任务的执行方式。

具体来说，当前时间片内的计算卸载决策即任务卸载方案，具体可以包括计算任务被抛弃、计算任务在边缘服务器执行以及计算任务在移动终端执行。

使用移动终端的虚拟能量队列作为需要稳定的队列，多移动终端的任务平均执行成本作为李雅普诺夫函数的惩罚项，可以通过调节惩罚因子v的大小来控制惩罚项的权重。通过构建李雅普诺夫漂移加惩罚函数，既可以稳定移动终端的剩余能量，避免计算任务被抛弃，又可以降低任务的平均执行成本，提高边缘计算系统的性能。

在一种实施方式中，在步骤s5之后，所述方法还包括：

步骤s6：基于目标函数，针对不同的计算卸载决策进行资源分配。

具体来说，通过前述步骤得到当前的卸载决策后，可以进一步通过目标函数，进行资源分配。

在一种实施方式中，计算任务的执行方式包括计算任务被抛弃、计算任务在边缘服务器执行以及计算任务在移动终端执行，步骤s6具体包括：

当计算任务在移动终端执行时，通过最小化目标函数，求解出第一资源分配结果，第一资源分配结果为cpu频率，cpu频率的计算方法如下：

其中，fi,u表示移动终端所能达到的最大cpu频率，fi,l表示移动终端满足任务执行截止时间的最小cpu频率，为介于fi,u和fi,l两者之间的cpu频率。

具体来说，是介于fi,u和fi,l两者之间的最优cpu频率，三者的具体表现形式与前文中的任务模型和能耗模型相关。

具体地，根据初始状态信息，将有计算任务产生的移动终端设为任务在边缘服务器执行，从而确定初始卸载决策集。初始卸载决策集为：

其中a(t)、b(t)和c(t)分别表示卸载决策为本地执行、边缘服务器执行和抛弃的集合。可以看出，初始卸载决策集中任务在本地执行的集合为空集，即有计算任务产生的移动终端的计算模式为边缘服务器执行，没有计算任务产生的移动终端的计算模式为抛弃。

当计算任务在边缘服务器执行时，通过最小化目标函数求解出第二资源分配结果，第二资源分配结果为网络带宽分配方案，网络带宽分配方案如下：

其中，wi^t*表示求解目标函数得到的网络带宽。

具体来说，目标函数可如下表示

其中，和表示移动终端的计算任务在本地执行、被卸载到边缘服务器执行和被抛弃时的漂移加惩罚子函数的值，和分别是任务是否在本地执行、被卸载到边缘服务器执行和被抛弃的指示函数。通过最小化目标函数可以得到最优网络带宽资源分配方案，从而实现最优资源分配。

在一种实施方式中，所述方法还包括：

为计算任务的执行方式为在边缘服务器执行的移动终端构建回报函数，并基于回报函数对移动终端产生的计算任务的执行方式进行调整，其中回报函数表示如下：

和分别表示第i个移动终端在t时间片的计算任务在本地执行、被卸载到服务器执行和被抛弃时的漂移加惩罚子函数的值，表示第i个移动终端在t时间片的回报函数值。

具体来说，显然回报函数值越大，表示移动终端将计算任务卸载到边缘服务器所带来的收益越大，反之回报函数值越小，表示将计算任务卸载到边缘服务器所带来的收益越小。因此可以通过对回报函数值进行遍历，找到最应该进行计算模式调整的移动终端。也就是说，只需要找到回报函数值最小的移动终端，举例来说，如果值则将计算模式调整为本地执行，如果值则将计算模式调整为抛弃任务。

在一种实施方式中，所述方法还包括：

通过判断目标函数的值是否满足预设条件，对计算卸载决策和资源分配结果进行调整。

具体来说，可以通过计算当前卸载决策和最优资源分配条件下的目标函数的值，如果再调整任意卸载决策集都会使目标函数的值增大，则表示当前卸载决策和最优资源分配都是最优的(即满足预设条件)，此时本发明得到了联合计算卸载和资源分配策略；如果调整回报函数值最大的移动终端的计算模式，使得目标函数的值变小，则说明当前卸载决策并不是最优的，因此需要调整构建了回报函数的移动终端的计算模式，接着继续对该移动终端进行资源分配。

本实施方式中，会判断目标函数的值是否是最小的，如果不是最小值，则重复执行构建回报函数的步骤，上述过程是一个迭代过程，直到目标函数值是最小的，此时则跳出迭代，输出最优的卸载决策和资源分配结果。

需要说明的是，本发明中涉及的公式和字符含义如表1所示。

表1

基于同一发明构思，本申请还提供了与实施例一中一种基于能量收集技术的联合计算卸载方法对应的装置，详见实施例二。

实施例二

本实施例提供了一种基于能量收集技术的联合计算卸载装置，请参见图2，该装置包括：

信息收集模块201，用于在每个预设时间片开始时，收集边缘服务器的实时信息和所有移动终端的实时信息，其中，移动终端的实时信息包括收集的能量、计算任务到达情况和移动终端的位置；

队列构建模块202，用于根据能量收集的能量、计算任务达到情况和移动终端的位置，构建每个移动终端的虚拟能量队列；

模型构建模块203，用于构建任务执行成本模型、终端能耗模型和能量收集模型；

目标函数获得模块204，用于根据边缘服务器的实时信息、所有移动终端的实时信息以及构建的任务执行成本模型、终端能耗模型和能量收集模型，构建李雅普诺夫漂移加惩罚函数，根据李雅普诺夫漂移加惩罚函数，获得目标函数；

卸载决策模块205，用于将虚拟能量队列作为需要稳定的队列，通过最小化目标函数，求解当前时间片内的计算卸载决策，其中，计算卸载决策用以表征移动终端产生的计算任务的执行方式。

在一种实施方式中，所述装置还包括资源分配模块，用于在求解当前时间片内的计算卸载决策之后：

基于目标函数，针对不同的计算卸载决策进行资源分配。

在一种实施方式中，队列构建模块202具体用于执行下述步骤：

步骤s2.1：根据移动终端的计算任务到达情况和移动终端的位置，计算出每个预设时间片内移动终端消耗的能量；

步骤s2.2：根据每个预设时间片内收集的能量和移动终端耗的能量，求出下个时间片移动终端的剩余能量，其中，移动终端剩余能量的计算公式如下：

其中，表示第i个移动终端在t时间片内的剩余能量，表示第i+1个移动终端在t时间片内的剩余能量，表示每个时间片内移动终端消耗的能量，分别表示收集到的能量；

步骤s2.3：根据每个移动终端的剩余能量，构建虚拟能量队列，其中，移动终端的虚拟能量队列表示为：

其中，表示第i个移动终端在t时间片的虚拟能量队列，θi为移动终端的扰动参数。

在一种实施方式中，模型构建模块203中，

单个用户的任务执行成本模型计算方式如式(3)所示：

其中，表示在t时间片内第i个移动终端产生计算任务的执行延迟，包括计算任务在移动终端执行或被卸载到边缘服务器上执行的执行延迟，ψ表示任务被抛弃时的惩罚延迟，和分别表示t时间片内第i个移动终端产生了计算任务和计算任务被抛弃了；

终端能耗模型用以表示移动终端和边缘服务器在每个时间片所消耗的能量，计算方式如下：

其中，和分别表示计算任务在移动终端时和计算任务被卸载到边缘服务器执行时的能耗，和分别表示任务在移动终端执行和任务被卸载到边缘服务器执行；

(3)能量收集模型如式(5)所示：

其中，表示在单个时间片内收集到的最大能量，移动终端每个时间片实际收集到的能量平均分布在0到之间，并且每个时间片收集到的能量是相互独立的。

在一种实施方式中，目标函数获得模块204具体用于执行下述步骤：

步骤s4.1：构建李雅普诺夫函数，具体如式(6)所示：

其中，u表示移动终端的集合；

步骤s4.2：构建李雅普诺夫漂移函数，具体如式(7)所示：

其中，表示求期望；

步骤s4.3：构建李雅普诺夫漂移加惩罚函数，具体如式(8)所示：

其中，v表示惩罚因子，n表示移动终端集合中元素的个数；

步骤s4.4：根据李雅普诺夫漂移加惩罚函数的形式，得到其函数的上界，具体公式为：

其中，c为常数，表示第i个移动终端在t时间片内的消耗的能量；

步骤s4.5：根据李雅普诺夫漂移加惩罚函数，获得目标函数

在一种实施方式中，计算任务的执行方式包括计算任务被抛弃、计算任务在边缘服务器执行以及计算任务在移动终端执行，资源分配模块具体用于：

当计算任务在移动终端执行时，通过最小化目标函数，求解出第一资源分配结果，第一资源分配结果为cpu频率，cpu频率的计算方法如下：

其中，fi,u表示移动终端所能达到的最大cpu频率，fi,l表示移动终端满足任务执行截止时间的最小cpu频率，为介于fi,u和fi,l两者之间的cpu频率；

当计算任务在边缘服务器执行时，通过最小化目标函数求解出第二资源分配结果，第二资源分配结果为网络带宽分配方案，网络带宽分配方案如下：

其中，wi^t*表示求解目标函数得到的网络带宽。

在一种实施方式中，所述方法还包括第一调整模块，用于：

为计算任务的执行方式为在边缘服务器执行的移动终端构建回报函数，并基于回报函数对移动终端产生的计算任务的执行方式进行调整，其中回报函数表示如下：

和分别表示第i个移动终端在t时间片的计算任务在本地执行、被卸载到服务器执行和被抛弃时的漂移加惩罚子函数的值，表示第i个移动终端在t时间片的回报函数值。

在一种实施方式中，所述装置还包括第二调整模块，用于：

通过判断目标函数的值是否满足预设条件，对计算卸载决策和资源分配结果进行调整。

为了更清楚地说明本发明中装置的具体实施方式，下面通过一个模型示例予以详细介绍，具体参见图3。

总体来说，本发明主要采取的技术方案为：提供了一种基于能量收集技术的多用户联合计算卸载与资源分配方法及装置，该装置具体包括计算卸载模块和资源分配模块。

其中，计算卸载模块包括信息收集模块、队列构建模块、模型构建模块目标函数获得模块和卸载决策模块，需要说明的是，图3中示出了卸载决策模块包括队列构建模块、模型构建模块目标函数获得模块。因而从该图来看，计算卸载模块包括信息收集模块和卸载决策模块。计算卸载模块决定移动终端产生的计算任务在移动终端执行、边缘服务器执行还是被抛弃，其决策是卸载决策模块给出的。信息收集模块负责收集移动终端和边缘服务器的实时信息，如移动终端的位置、剩余电量、任务到达情况、能量收集模块收集到的能量以及边缘服务器的计算资源和网络带宽资源等。卸载决策模块则根据建立的模型和信息收集模块收集到的信息给出卸载决策。在初始状态下，卸载决策模块会根据移动终端是否产生了计算任务将移动终端的计算模式分为两类：有任务产生的移动终端的计算模式为卸载执行，没有任务产生的移动终端的计算模式为抛弃。后期通过最小化目标函数并判断其值来确定是否将计算模式为卸载的移动终端调整为计算模式为本地执行或者抛弃。

资源分配模块是计算卸载模块的后续模块。对于确定的计算卸载决策，资源分配模块可根据计算模式的不同而分配资源。计算模式为本地执行的移动终端，资源分配模块可分配最优移动终端cpu频率；计算模式为卸载执行的移动终端，资源分配模块可分配最优网络带宽资源。然后通过判断目标函数的值是否最小来判断卸载决策是否是最优的，如果不是最优的，通过调整卸载决策来使之达到最优，如果是最优的，则直接输出最优计算卸载和资源分配决策。具体地，资源分配模块负责边缘服务器计算资源和无线信道带宽资源的分配；计算资源的分配主要是分配边缘服务器的cpu核，移动终端将计算任务卸载到边缘服务器执行时需要占用一个cpu核。无线信道带宽资源分配主要是分配边缘服务器的网络带宽。资源分配模块会根据移动终端任务的卸载决策以及实时信息，确定所有移动终端的最优资源分配方案。

由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于能量收集技术的联合计算卸载方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。

实施例三

基于同一发明构思，本申请还提供了一种计算机设备，请参见图4，包括存储401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器402执行上述程序时实现实施例一中的方法。

由于本发明实施例三所介绍的计算机设备为实施本发明实施例一中基于能量收集技术的联合计算卸载方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。