5g边缘计算任务迁移与计算资源分配的方法及装置
技术领域：
：1.本发明涉及移动边缘计算应用
技术领域：
：，具体涉及一种5g边缘计算任务迁移与计算资源分配的方法及装置。
背景技术：
：：2.目前，5g(the5thgenerationmobilecommunication，第五代移动通信)技术迅速发展，将无线通信技术和物联网技术连接起来，并发展为自主驾驶、在线游戏、实时导航等计算量大、时延敏感的移动应用的实现铺平了道路。然而，由于智能移动设备的cpu计算能力和能量有限，导致许多相关的应用和服务无法被智能移动设备处理。近年来，移动边缘计算被提出来解决这个问题。与传统的移动云计算不同，5g移动边缘计算可以在网络边缘部署计算资源。通过将任务迁移至移动边缘计算服务器，可以有效地减少任务迁移时延，同时降低用户终端能耗。3.与传统云计算相比，5g移动边缘计算可以有效降低系统消耗和任务迁移延迟。然而，考虑到移动边缘计算服务器的部署成本，移动边缘计算服务器的计算能力是有限的。因此，需要提出新的任务迁移和计算资源分配方案来提高资源利用率。技术实现要素：4.针对现有技术存在的问题，本发明提供一种5g边缘计算任务迁移与计算资源分配的方法及装置。5.第一方面，本发明提供一种5g边缘计算任务迁移和计算资源分配的方法，包括：6.基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；7.其中，所述系统总消耗包括计算任务集合中第一所述计算任务在用户终端执行的第一计算时延和第一计算能耗，和第二所述计算任务在边缘服务器执行的第二计算时延和第二计算能耗。8.在一个实施例中，所述迁移变量和计算资源分配变量是基于q学习算法获得的。9.在一个实施例中，所述方法还包括：10.获取计算任务集合中每个计算任务的变量；11.基于所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算时延t0i；12.基于用户终端设备的换算系数，所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算能耗13.基于第二所述计算任务从用户终端传输至边缘服务器的传输速率和第二所述计算任务的大小，确定第二所述计算任务迁移到边缘服务器的迁移时间；14.基于所述处理第二所述计算任务所需要的计算资源和第二所述计算任务对应的计算资源分配变量，确定第二所述计算任务在边缘服务器执行的计算时延；15.将所述迁移时间和所述边缘服务器执行的计算时延求和，得到第二所述计算任务由边缘服务器执行的第二计算时延timec；16.基于边缘服务器的换算系数，所述处理第二所述计算任务所需要的计算资源和第二所述计算任务由边缘服务器分配的计算资源，确定第二所述计算任务在边缘服务器执行的第二计算能耗17.其中，每个计算任务的变量包括：处理每个所述计算任务所需要的计算资源，每个所述计算任务的大小，处理每个所述计算任务所允许的最大时延。18.在一个实施例中，所述系统总消耗的公式为：[0019][0020]其中，αi为每个所述计算任务的迁移变量，和分别为第i个任务由用户终端执行的计算时延权重和计算能耗权重，和分别为第i个任务由边缘计算服务器计算时的计算时延权重和计算能耗权重。[0021]在一个实施例中，所述预设约束条件，包括：[0022]每个所述计算任务由用户终端执行或由边缘服务器执行的计算时延小于等于处理每个所述计算任务所允许的最大时延；[0023]每个所述计算任务在边缘服务器执行时，边缘服务器分配的计算资源小于等于边缘服务器的总的计算资源；[0024]所述计算任务集合中所有计算任务在边缘服务器执行时，边缘服务器分配的计算资源小于等于边缘服务器的总的计算资源；[0025]每个所述计算任务的迁移变量的取值范围是{0,1}。[0026]第二方面，本发明提供一种5g边缘计算任务迁移和计算资源分配的装置，包括：[0027]确定模块，用于基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0028]其中，所述系统总消耗包括在用户终端执行的第一计算任务的第一计算时延和第一计算能耗，和在边缘服务器执行的第二计算任务的第二计算时延和第二计算能耗，且所述第一计算任务和第二计算任务不同。[0029]在一个实施例中，所述迁移变量和计算资源分配变量是基于q学习算法获得的。[0030]在一个实施例中，所述装置还包括获取模块，用于：[0031]获取计算任务集合中每个计算任务的变量；[0032]基于所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算时延t0i；[0033]基于用户终端设备的换算系数，所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算能耗[0034]基于第二所述计算任务从用户终端传输至边缘服务器的传输速率和第二所述计算任务的大小，确定第二所述计算任务迁移到边缘服务器的迁移时间；[0035]基于所述处理第二所述计算任务所需要的计算资源和第二所述计算任务对应的计算资源分配变量，确定第二所述计算任务在边缘服务器执行的计算时延；[0036]将所述迁移时间和所述边缘服务器执行的计算时延求和，得到第二所述计算任务由边缘服务器执行的第二计算时延timec；[0037]基于边缘服务器的换算系数，所述处理第二所述计算任务所需要的计算资源和第二所述计算任务由边缘服务器分配的计算资源，确定第二所述计算任务在边缘服务器执行的第二计算能耗[0038]其中，每个计算任务的变量包括：处理每个所述计算任务所需要的计算资源，每个所述计算任务的大小，处理每个所述计算任务所允许的最大时延。[0039]第三方面，本发明提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述5g边缘计算任务迁移和计算资源分配的方法的步骤。[0040]第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述5g边缘计算任务迁移和计算资源分配的方法的步骤。[0041]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。附图说明[0042]为了更清楚地说明本发明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一简单地介绍，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。[0043]图1是本发明提供的5g边缘计算任务迁移和计算资源分配的方法的流程示意图；[0044]图2是本发明提供的边缘服务器和用户终端的结构示意图；[0045]图3是本发明提供的q算法流程示意图；[0046]图4是本发明提供的5g边缘计算任务迁移和计算资源分配的装置的结构示意图；[0047]图5是本发明提供的电子设备的结构示意图。具体实施方式[0048]为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。[0049]下面结合图1‑图5描述本发明的5g边缘计算任务迁移和计算资源分配的方法及装置。[0050]图1是本发明提供的5g边缘计算任务迁移和计算资源分配的方法的流程示意图，如图1所示，该5g边缘计算任务迁移和计算资源分配的方法，包括：[0051]步骤101、基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0052]其中，所述系统总消耗包括在用户终端执行的第一计算任务的第一计算时延和第一计算能耗，和在边缘服务器执行的第二计算任务的第二计算时延和第二计算能耗，且所述第一计算任务和第二计算任务不同。[0053]具体的，边缘计算(edgecomputing，ec)技术是5g的一项关键技术，边缘服务器部署在靠近数据源的网络边缘，向上对于云端，能够分担云端的压力，向下对于移动终端，由于更接近用户，终端将任务迁移到边缘服务器上可以有效地减少任务的上传时延。比如5g网络中的gnb节点附近可以部署边缘服务器，实现边缘服务器对计算任务的高效处理。同时，在4g(the4thgenerationmobilecommunication，第四代移动通信)网络中enodeb节点附近也可以部署边缘服务器来实现计算任务的高效处理。[0054]移动边缘计算(mobileedgecomputing，mec)和cloudlet均是一类有代表性的ec。mec通过将边缘服务器部署在靠近用户的位置来让移动用户可以便捷地通过无线或者移动网络访问it和云服务。[0055]用户终端可利用边缘计算技术将一些计算任务迁移到边缘服务器，同时边缘服务器通过配置可共享缓存以避免不必要的数据传输，而目前的迁移决策，只考虑某一项指标，比如计算时延或者能耗的影响因素，而本发明考虑计算时延的同时还考虑了计算任务执行的总消耗，在边缘服务器资源有限的情况下，降低系统总消耗。[0056]如图2所示，本发明主要以gnb节点附加部署移动边缘计算服务器mecserver为例进行说明。不同的用户终端ue可以将计算任务迁移到边缘服务器执行。[0057]在一个配备有移动边缘计算服务器的gnb节点，以及i个单天线的智能移动设备系统中，每个智能移动设备都有一个需要计算的任务。定义为任务的集合，同时也是智能移动设备的标识。[0058]计算任务集合中每个计算任务在用户终端执行的总消耗，包括该计算任务在用户终端执行的计算时延和计算能耗，以及每个计算任务在边缘服务器执行的总消耗，包括该计算任务在边缘服务器执行的计算时延和计算能耗。[0059]每个计算任务执行主体可以是用户终端，也可以是边缘服务器，且每个计算任务不会分配给不同的执行主体来计算。[0060]定义第i个计算任务的迁移变量αi，当αi＝1表示第i个计算任务迁移至移动边缘计算服务器进行计算，反之则表示任务由用户终端自身进行计算。则计算任务集合的迁移向量可以表示为：[0061]α＝{α1,...,αi,...,αi}。[0062]系统总消耗可以表示为：[0063][0064]其中，迁移变量αi表示第i个计算任务是否在边缘服务器执行(αi＝1表示是，αi＝0表示否)，即αi＝0表示计算任务由用户终端执行，对应的计算任务也称为第一计算任务；αi＝1表示计算任务由边缘服务器执行，对应的计算任务也称为第二计算任务。所述计算任务集合由第一计算任务和第二计算任务构成。表示第i个计算任务在边缘服务器执行的总消耗，即第二计算任务在边缘服务器执行的总消耗包括第二计算时延和第二计算能耗。[0065]表示第i个计算任务在用户终端执行的总消耗，即第一计算任务在用户终端执行的总消耗包括第一计算时延和第一计算能耗。[0066]在所述迁移变量和计算资源分配变量满足预设约束条件下，使得系统总消耗最小，确定计算任务集合的迁移向量α中的每个迁移变量αi的值以及计算资源分配向量f中每个计算资源分配变量fimec的值。[0067]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0068]可选的，所述迁移变量和计算资源分配变量是基于q学习算法获得的。[0069]具体的，用户终端的任务迁移策略仅取决于当前状态和操作。因此，任务迁移策略可以看作马尔可夫决策过程，基于强化学习的q学习方法可以解决这一问题。在本发明中，首先定义了学习的状态s、动作a和收益q。q＝(s,a)，表示在某一时刻状态s下，采取动作a所能获得的收益。[0070]系统状态由两部分组成，s＝(tω,ac)，其中tω系统总成本ω。ac是移动边缘计算服务器可分配的计算资源，[0071]任务迁移策略α和计算资源分配f是两个动作向量，因此动作向量可表示为考虑到问题中的约束条件，最优任务迁移和计算资源分配策略可以描述为：[0072]τ*＝argminω(s,τ)，[0073]其中τ为可行的任务迁移和计算资源分配策略，τ*为最优任务迁移和计算资源分配策略。[0074]通过确定τ*，即确定了最优的任务迁移变量和计算资源分配变量。[0075]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0076]可选的，所述方法还包括：[0077]获取计算任务集合中每个计算任务的变量；[0078]基于所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算时延t0i；[0079]基于用户终端设备的换算系数，所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算能耗[0080]基于第二所述计算任务从用户终端传输至边缘服务器的传输速率和第二所述计算任务的大小，确定第二所述计算任务迁移到边缘服务器的迁移时间；[0081]基于所述处理第二所述计算任务所需要的计算资源和第二所述计算任务对应的计算资源分配变量，确定第二所述计算任务在边缘服务器执行的计算时延；[0082]将所述迁移时间和所述边缘服务器执行的计算时延求和，得到第二所述计算任务由边缘服务器执行的第二计算时延timec；[0083]基于边缘服务器的换算系数，所述处理第二所述计算任务所需要的计算资源和第二所述计算任务由边缘服务器分配的计算资源，确定第二所述计算任务在边缘服务器执行的第二计算能耗[0084]其中，每个计算任务的变量包括：处理每个所述计算任务所需要的计算资源，每个所述计算任务的大小，处理每个所述计算任务所允许的最大时延。[0085]具体的，在本发明中采用三变量来表示计算任务i，其中ci为处理第i个任务所需要的计算资源，si为第i个任务的数据大小，为第i个任务的最大计算时延要求。[0086]每个计算任务在执行时，不仅会产生对应的时延，同时在不同的设备上执行时，根据设备的芯片结构不同，会对执行设备产生对应的能耗。计算任务集合由第一计算任务和第二计算任务构成，在用户终端执行的计算任务称为第一计算任务，在边缘服务器执行的计算任务称为第二计算任务。[0087]根据计算任务i的三变量，当其在用户终端执行时，可以确定其对应的计算时延和计算能耗；当其在边缘服务器执行时，可以确定其对应的总迁移时延和计算能耗；[0088]当计算任务在用户终端执行时，对应的计算任务为第一计算任务，filoc为第i个用户终端分配给任务的计算资源，即第i个计算任务由第i个用户终端执行时，该用户终端分配给该计算任务的计算资源。ci为处理第i个任务所需要的计算资源，则当计算任务i由用户终端自身进行计算时，计算任务i的计算时延可以表示为：[0089][0090]当第i个任务由用户终端执行时的计算能耗为：[0091][0092]其中为第i个用户终端的换算系数，它与用户终端的cpu芯片结构有关。[0093]定义用户终端的总消耗为计算任务的迁移时延与计算能耗，则当计算任务由用户终端执行时，第i个任务的总消耗为：[0094][0095]其中和分别为第i个任务由用户终端执行的计算时延权重和计算能耗权重，取值范围为[0,1]。[0096]当计算任务在边缘服务器执行时，对应的计算任务为第二计算任务，为移动边缘计算服务器总的计算资源，fimec为边缘计算服务器分配给第i个计算任务的计算资源。ci为处理第i个任务所需要的计算资源。因此，当计算任务i由边缘计算服务器计算时，对应的计算时延为：[0097][0098]同样的，第i个任务由边缘计算服务器执行时的计算能耗为：[0099][0100]其中，κmec为第i个计算任务在边缘计算服务器的换算系数，它与移动边缘计算服务器的cpu芯片结构有关。[0101]当任务i由边缘计算服务器进行计算时，首先确定计算任务由用户终端传输至边缘服务器的传输速率，本发明中以ofdma系统为例进行说明，系统带宽为b，系统分配给第i个计算任务的带宽为bi，第i个用户终端与边缘服务器之间的信道增益为hi，第i个用户终端的信息发射功率为pi。且本发明中，用户终端采用固定的功率进行分配。则第i个任务由第i个用户终端传输至边缘服务器的传输速率ri可以表示为：[0102][0103]其中n0为系统的噪声功率。[0104]进一步的，边缘服务器执行计算任务i时，任务总的迁移时延可以表示为：[0105][0106]其中，ci为处理第i个任务所需要的计算资源，si为第i个任务的数据大小，ri为第i个任务由第i个用户终端传输至边缘服务器的传输速率，fimec为边缘计算服务器分配给第i个计算任务的计算资源。[0107]第i个任务总能消耗可以表示为：[0108][0109]其中和分别为第i个任务由边缘计算服务器计算时的计算时延权重和计算能耗权重，取值范围为[0,1]。[0110]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0111]可选的，所述系统总消耗是基于每个所述计算任务的计算时延和计算能耗的加权值确定的，系统总消耗的公式为：[0112][0113]其中，αi为每个所述计算任务的迁移变量，和分别为第i个任务由用户终端执行的计算时延权重和计算能耗权重，和分别为第i个任务由边缘计算服务器计算时的计算时延权重和计算能耗权重。[0114]具体的，系统总消耗既可以从执行主体的角度来分析，每个计算任务在不同的执行主体上对应的总消耗，求和达到最小；也可以通过确定每个计算任务执行时对应的计算时延和计算能耗，求和达到最小值，即系统总消耗最小。并且和的取值范围是[0,1]。[0115]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0116]可选的，所述预设约束条件，包括：[0117]每个所述计算任务由用户终端执行或由边缘服务器执行的计算时延小于等于处理每个所述计算任务所允许的最大时延；[0118]每个所述计算任务在边缘服务器执行时，对应的计算资源分配变量的值小于等于边缘服务器的总的计算资源；[0119]所述计算任务集合中所有计算任务在边缘服务器执行时，所有计算资源分配变量的值之和小于等于边缘服务器的总的计算资源；[0120]每个所述计算任务的迁移变量的取值范围是{0,1}。[0121]具体的，以总成本ω最小为目标[0122]其中，α＝{α1,...,αi,...,αi}为任务的迁移向量，迁移变量αi表示第i个任务是否在边缘服务器执行(αi＝1表示是，αi＝0表示否)，即αi＝0表示计算任务由用户终端执行。为计算资源分配向量，fimec为边缘计算服务器分配给第i个计算任务的计算资源。[0123]需要满足的预设约束条件为：[0124][0125][0126][0127]αi∈{0,1}；[0128]其中，迁移变量αi表示第i个任务是否在边缘服务器执行(αi＝1表示是，αi＝0表示否)，即αi＝0表示计算任务由用户终端执行。fimec为边缘计算服务器分配给第i个计算任务的计算资源，为第i个任务的最大计算时延要求，计算任务i由用户终端自身执行的计算时延t0i，计算任务i由边缘服务器执行的计算时延timec，为移动边缘计算服务器总的计算资源。[0129]计算资源分配向量f根据任务的迁移向量α变化而变化，例如，对于一个计算任务i，初始时，在用户终端执行，其迁移变量αi＝0，对应的该计算任务不由边缘服务器执行，因此，计算资源分配向量fimec也为零。如果改变该计算任务的执行主体为边缘服务器，则对应的迁移变量αi＝1，同时边缘服务器会分配给该计算任务对应的计算资源fimec，且fimec不为零。[0130]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0131]本发明是采用q学习算法来确定计算任务的迁移变量的，具体步骤如下：[0132]首先初始化系统中的用户系统参数，包括用户的发射功率，任务的迁移策略以及边缘计算服务器分配给用户的计算资源等。[0133]用户终端的任务迁移策略仅取决于当前状态和操作。因此，任务迁移策略可以看作马尔可夫决策过程，基于强化学习的q学习方法可以解决这一问题。在本发明中，首先定义了学习的状态s、动作a和收益q。q＝(s,a)，表示在某一时刻状态s下，采取动作a所能获得的收益。[0134]系统状态由两部分组成，s＝(tω,ac)，其中tω系统总成本ω。ac是移动边缘计算服务器可分配的计算资源，[0135]任务迁移策略α和计算资源分配f是两个动作向量，因此动作向量可表示为考虑到问题中的约束条件，最优任务迁移和计算资源分配策略可以描述为：[0136][0137]其中τ为可行的任务迁移和计算资源分配策略，τ*为最优任务迁移和计算资源分配策略。[0138]如图3所示，利用q学习方法对该问题进行求解，求解的过程如下：[0139]步骤301、初始化q‑table中的值为0。[0140]步骤302、根据当前的q‑table中的值，给当前的状态选择一个行为，并执行该行为。[0141]步骤303、利用采取行动，计算收益q(s,a)；[0142]利用q学习方法进行计算时，状态动作，收益函数可以表示为：[0143][0144]其中，γ是收益的衰减值，k为迭代次数，为第k+1次迭代对应的总成本，qτ(sk+1,ak+1|sk＝s,ak＝a)为在第k次迭代状态为sk，动作为ak的情况下，对第k+1次迭代时采用τ的任务迁移动作后对应的收益q，最后对上述参数求期望，作为最终的第k+1次迭代的收益q。[0145]第k+1次动作。我们首先可以通过状态和操作来获取q(s,a)。然后，将其存储在q‑table中，使所有的成本最低。当新的q值小于上一个q值时，可以更新q值。[0146]步骤304、基于学习率，更新本次计算收益q(sk,ak)；[0147]目前的总成本以及q(s',a)，可以通过下式来进行更新。[0148][0149]其中λ表示学习率，为第k次迭代对应的总成本，q(s',a)表示记忆中的收益，如果在某个状态s'能够获得最大的收益，那么在下一次选择时也会通过选择正确的动作进入状态s'。[0150]步骤305、根据更新后的收益来更新q‑table。[0151]步骤306、重复步骤302‑305，直到迭代结束，可以获得最优的q‑table。[0152]迭代终止的条件为q‑table中的q函数值至收敛或达到了最大的迭代次数。[0153]本发明提供的5g边缘计算任务迁移和计算资源分配的方法及装置，以系统总能耗最小为目标，同时考虑计算时延和计算能耗，确定计算任务集合中每个计算任务的迁移变量以及计算资源分配变量，进而得到每个计算任务在用户终端或在边缘服务器执行的总消耗，有效降低了系统消耗，提高资源利用率。[0154]下面对本发明提供的5g边缘计算任务迁移和计算资源分配的装置进行描述，下文描述的5g边缘计算任务迁移和计算资源分配的装置与上文描述的5g边缘计算任务迁移和计算资源分配的方法可相互对应参照。[0155]图4是本发明提供的5g边缘计算任务迁移和计算资源分配的装置的结构示意图，如图4所示，该5g边缘计算任务迁移和计算资源分配的装置，包括：[0156]确定模块401，用于基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0157]其中，所述系统总消耗包括在用户终端执行的第一计算任务的第一计算时延和第一计算能耗，和在边缘服务器执行的第二计算任务的第二计算时延和第二计算能耗，且所述第一计算任务和第二计算任务不同。[0158]可选的，所述迁移变量和计算资源分配变量是基于q学习算法获得的。[0159]可选的，所述装置还包括获取模块402用于获取计算任务集合中每个计算任务的变量；[0160]基于所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算时延t0i；[0161]基于用户终端设备的换算系数，所述处理第一所述计算任务所需要的计算资源和第一所述计算任务在用户终端执行分配的计算资源，确定第一所述计算任务在用户终端执行的第一计算能耗[0162]基于第二所述计算任务从用户终端传输至边缘服务器的传输速率和第二所述计算任务的大小，确定第二所述计算任务迁移到边缘服务器的迁移时间；[0163]基于所述处理第二所述计算任务所需要的计算资源和第二所述计算任务对应的计算资源分配变量，确定第二所述计算任务在边缘服务器执行的计算时延；[0164]将所述迁移时间和所述边缘服务器执行的计算时延求和，得到第二所述计算任务由边缘服务器执行的第二计算时延timec；[0165]基于边缘服务器的换算系数，所述处理第二所述计算任务所需要的计算资源和第二所述计算任务由边缘服务器分配的计算资源，确定第二计算任务在边缘服务器执行的第二计算能耗[0166]其中，每个计算任务的变量包括：处理每个所述计算任务所需要的计算资源，每个所述计算任务的大小，处理每个所述计算任务所允许的最大时延。[0167]可选的，所述系统总消耗的公式为：[0168][0169]其中，αi为每个所述计算任务的迁移变量，和分别为第i个任务由用户终端执行的计算时延权重和计算能耗权重，和分别为第i个任务由边缘计算服务器计算时的计算时延权重和计算能耗权重。且和的取值范围是[0,1]。[0170]可选的该装置的预设约束条件，包括：[0171]每个所述计算任务由用户终端执行或由边缘服务器执行的计算时延小于等于处理每个所述计算任务所允许的最大时延；[0172]每个所述计算任务在边缘服务器执行时，对应的计算资源分配变量的值小于等于边缘服务器的总的计算资源；[0173]所述计算任务集合中所有计算任务在边缘服务器执行时，所有计算资源分配变量的值之和小于等于边缘服务器的总的计算资源；[0174]每个所述计算任务的迁移变量的取值范围是{0,1}。[0175]本技术实施例涉及的用户终端，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中，用户终端的名称可能也不相同，例如在5g系统中，用户终端可以称为用户设备或终端设备(userequipment，ue)。[0176]图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communicationinterface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。[0177]可选的，处理器510可以是中央处理器(centralprocessingunit,cpu)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或复杂可编程逻辑器件(complexprogrammablelogicdevice，cpld)，处理器也可以采用多核架构。[0178]处理器510可以调用存储器530中的计算机程序，以执行计算任务迁移的方法的步骤，例如包括：[0179]基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0180]其中，所述系统总消耗包括计算任务集合中第一所述计算任务在用户终端执行的第一计算时延和第一计算能耗，和第二所述计算任务在边缘服务器执行的第二计算时延和第二计算能耗。[0181]此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read‑onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。[0182]在此需要说明的是，本发明实施例提供的电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。[0183]另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的计算任务迁移的方法的步骤，例如包括：[0184]基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0185]其中，所述系统总消耗包括计算任务集合中第一所述计算任务在用户终端执行的第一计算时延和第一计算能耗，和第二所述计算任务在边缘服务器执行的第二计算时延和第二计算能耗。[0186]另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的计算任务迁移的方法的步骤，例如包括：[0187]基于系统总消耗最小化的目标，确定每个所述计算任务的迁移变量和计算资源分配变量，并且所述迁移变量和计算资源分配变量满足预设的约束条件；[0188]其中，所述系统总消耗包括计算任务集合中第一所述计算任务在用户终端执行的第一计算时延和第一计算能耗，和第二所述计算任务在边缘服务器执行的第二计算时延和第二计算能耗。[0189]所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。[0190]以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0191]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。[0192]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12