本发明属于移动边缘计算领域，特别是一种面向移动边缘计算的分布上行链路卸载策略。
背景技术：
当前，诸如人脸识别、增强现实、交互游戏等面向用户的新兴移动应用已引起广泛关注并迅速占领市场。该类应用的共同点是对数据传输实时性要求较高，且数据处理过程耗能较大，具有有限资源的移动设备难以对应用的高需求进行有力支持。由etsi提出的mec(mobileedgecomputing，移动边缘计算)被认为针对时下时延敏感性应用最为有效的计算手段。mec可以直接在设备、通信模块和网关等边缘节点执行动态更新和加载“微应用”，进行实时海量数据处理，算法执行。与采用集中式的云计算相比，mec由于采用分布式因此其时延性能非常优越；与雾计算相比，mec更加靠近网络边缘进一步减少时延开销，且第一次具象提出作为计算节点的边缘服务器的概念，并与移动网络架构集成以支持用户终端的移动性能。在以上背景下，边缘计算已成为业界公认最具潜力的计算技术，因此，针对边缘计算中的核心问题，即任务卸载策略制定的研究是必要的。目前，针对边缘计算卸载问题最主要的两个研究分类是静态卸载和动态卸载。静态卸载已经得到了广泛研究，普遍采用博弈理论通过纳什均衡得到最佳卸载策略，此类方法的缺陷是没有考虑网络带宽及服务器资源的实时情况。动态卸载一般针对网络动态性，即考虑网络与服务器的实时情况，该类动态卸载又可称为适应性卸载。考虑到网络情况的动态特性，动态卸载更符合实际需求，因此，该方向的内容具有重要的研究价值。专利号为cn106358245a的《移动边缘计算应用负荷分担的方法和控制器》专利，涉及一种移动边缘计算应用负荷分担的方法，该方法包括：控制器检测到部署在移动边缘计算服务器上的移动边缘计算应用的运行负荷达到所述移动边缘计算应用的预设负荷门限时，所述控制器增加所述移动边缘计算应用的可用资源，以使所述移动边缘计算应用利用增加后的可用资源对所述移动边缘计算应用的业务进行处理；和/或，所述控制器建立与所述移动边缘计算应用相同类型的并行移动边缘计算应用；所述控制器利用所述相同类型的并行移动边缘计算应用对所述移动边缘计算应用的业务进行处理，提高了对移动边缘计算应用的业务的处理效率。该发明中的控制器利用所述相同类型的并行移动边缘计算应用对所述移动边缘计算应用的业务进行处理，提高了对移动边缘计算应用的业务的处理效率，但其符合分担方法仅为理论描述，缺少具体算法说明。专利号为cn106844051a的《一种边缘计算环境中功耗优化的负载任务迁移算法》专利，涉及一种边缘计算环境中功耗优化的负载任务迁移算法，包括六步：第一步，在边缘计算集群中监测获得各个节点cpu利用率和节点的温度；第二步，将所得节点cpu利用率和温度分别与预设阈值比较，确定所有的超负载节点；第三步，将所有的超负载节点进行随机排列，生成一个超负载节点队列q；将边缘计算集群中所有未写入超负载节点队列q中的节点列为迁移目标，并根据所述迁移目标生成迁移目标队列l；第四步，从超负载节点队列q中每个超负载节点上根据最少迁移任务个数原则统计待迁移任务，并生成超负载节点队列q中所有节点的待迁移任务队列t；第五步，根据所述待迁移任务队列t中的待迁移任务和迁移目标队列l，计算每一个待迁移任务ti执行迁移到迁移目标队列l中第j个节点lj所需要的花销函数ci(j)；根据所述花销函数ci(j)排序并选出迁移目标队列中花销函数ci(j)低于预设花销阈值的所有节点，及根据所选出的节点生成新迁移任务队列根据待迁移任务ti执行迁移到新迁移任务队列上每一个节点所需迁移时间进行排序，选择新迁移任务队列中迁移时间最短的节点并将其作为该待迁移任务ti的迁移目标节点；第六步，将每个待迁移任务ti和其选取的目标节点按照对应关系生成迁移列表，以生成任务迁移方案。该发明可减少边缘计算系统中的服务等级协议的违规和性能下降，通过均衡边缘计算系统的功耗，使得任务执行更加均衡和高效；但其算法复杂，带来大量的资源开销。专利号为cn107466482a的《在蜂窝通信系统中联合确定计算卸载和内容预取的方法和系统》专利，涉及一种用于在移动无线通信网络中联合确定所述移动网络中的多个用户设备(ue)的计算卸载和数据预取的方法和系统，所述方法包括：使用设置在所述移动无线通信网络中的决策模块来处理指示移动无线通信网络状态的数据，所述移动无线通信网络状态包括附接到所述网络的一个或多个ue的状态。所述决策模块被配置为确定包括所述一个或多个ue的移动无线通信网络的状态是否足以支持至少一个所述ue的联合计算卸载和数据预取。在作出肯定确定的情况下，所述决策模块可以向ue发送消息，以使所述ue能够将所述ue的一部分计算负载卸载到网络边缘计算节点、移动无线通信网络服务器和与所述移动无线通信网络连接的网络中的服务器中的一个，并且将数据预取到网络边缘计算节点、移动无线通信网络服务器和移动无线通信网络数据高速缓存器中的一个；提供了一种存储机器可读代码的非暂时性计算机可读介质，当处理器执行所述机器可读代码时，使得决策模块实现本发明的第一主要方面的方法的步骤；提供了一种用于在移动无线通信网络中联合确定多个用户设备(ue)的计算卸载和数据预取的系统，所述系统包括被配置为实现本发明的第一主要方面的方法的步骤的决策模块。该发明降低了核心网络的信号负载，并且可以以较便宜的方式托管应用程序和服务，对于流程描述较为详尽，但对于算法欠缺说明和推导。技术实现要素：本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种面向移动边缘计算的分布上行链路卸载策略，其通过将上行链路卸载问题分解为最佳卸载决策集计算以及决策更新策略制定进行解决，仅需当前网络信息而无需历史信息，以显著降低算法复杂度。为此，本发明采用如下的技术方案：一种面向移动边缘计算的分布上行链路卸载策略，其包括步骤：1)构建系统模型11)建立基于hetnet网络场景的网络模型给定一个macrocell和n个smallcells，每个smallcell包含k个移动设备，各宏基站mbs和小基站scenb之间通过有线方式连接；smallcells标号为ν＝{1,2,...,n}，移动设备标号为k＝{1,2,...,k}；假定每个用户有一个时延敏感任务，任务可拆分，smallcells中的用户借助其所属的scenb将任务卸载到macrocell的mecserver；12)建立通信模型考虑上行链路数据传输采用ofdma方式，用ak∈[0,1]表示移动设备用户k的卸载决定，因考虑用户的任务可划分，即支持部分卸载，ak在0到1的范围内根据实际情况取值；ak＝0表示无需卸载，直接在本地执行；ak＝1表示完全卸载，用户k的任务全部卸载到mecserver上执行；ak取值为0与1之间不包括边界的数值，则表示一部分任务在本地执行，一部分卸载到mecserver；用户k的上行数据传输速率rk(t)用香农公式计算：其中，pk表示用户k的传输功率，gk表示用户k到mecserver的大尺度信道增益，包括路径损耗和阴影衰落，hk表示服从瑞利分布的小尺度信道衰落增益，w(t)表示系统带宽，ωk表示背景干扰功率；从上式看出，噪声部分由背景噪声和同一时间也选择卸载到相同mecserver的其余用户产生；13)构建计算模型为每个用户k分配一个计算任务该任务可进行拆分，根据部分卸载原则，有一部分在本地计算，剩余部分卸载到mecserver中计算，卸载决策同样由ak(t)表示，其中，bk(t)单位为kb，表示输入数据大小；dk(t)单位为兆周，表示完成计算任务ik需要的总的cpu周期数，与网络计算能力无关，用户k得到bk(t)和dk(t)的数值；2)适应性卸载策略为根据网络中资源实时情况进行卸载并保证该过程的稳定性，采用lyapunov理论制定一种动态卸载策略，得到每个smallcell中用户的最佳卸载策略；3)分布式计算卸载机制在得到每个smallcell中用户的最佳卸载策略基础上，用duda进行smallcell内用户卸载决策更新顺序的决策。作为上述技术方案的补充，步骤13)中，本地计算即ik中无需卸载的部分任务在终端设备上完成计算，用户终端k的计算能力用表示，即每秒执行的cpu循环数，结合以上定义得到在本地计算任务ik(t)中的非卸载部分需要的时间：计算过程中消耗的能量表示为：其中，μk是表示每一个cpu循环所消耗能量的参数。作为上述技术方案的补充，步骤13)的本地计算中，作为上述技术方案的补充，步骤13)中，在mecserver中计算任务ik中的卸载部分，该过程中的时间及能量消耗主要存在于任务卸载及任务执行中，任务卸载过程中的系统开销由将卸载的部分任务传输到mecserver的过程产生，该过程的卸载时间开销和能量开销表示为：由于scenb以有线方式将数据传送到mbs，该过程不会发生干扰且数据传输速率很大，故假定该过程中的系统开销忽略不计，因此以上两式即表示卸载过程开销；另一部分开销在任务执行过程中产生，用表示mec服务器分配给用户k的计算能力，则mec服务器执行任务ik中卸载部分消耗的时间为：将任务本地计算开销和卸载到mec服务器进行计算的开销综合考虑即得到系统总开销，由于响应时间和能量开销单位不同，还要对两指标进行归一化处理：其中，tk,max(t)和ek,max(t)对应完全卸载到mecserver上计算的情况，和分别是时间开销和能量开销的归一化表示，则总的系统开销表示为：且其中，和分别表示用户k在执行任务ik(t)本地计算部分中时间以及能量消耗的权重。作为上述技术方案的补充，步骤13)的mecserver中计算时，为使模型更切合实际情况，和权重根据各用户业务要求进行选取；若用户处于能量紧缺状态，此时能量消耗为主要考量因素，设置较大若用户执行对时延敏感的业务，设置较大作为上述技术方案的补充，步骤13)的mecserver中计算时，基于用户角度考虑，忽略省略卸载任务在mec服务器中消耗的能量；由于输出数据量远小于输入的数据量，由mec服务器向用户终端的下行回传过程产生的系统开销也忽略。作为上述技术方案的补充，步骤2)中，基于hetnet网络场景，首先考虑smallcell内多用户单scenb的情况，即场景中包含一个smallcell，每个smallcell包含k个移动设备，scenb接收到的输入队列q(t)由用户的任务卸载产生：其中，表示该小区中所有用户具有的总计算能力；定义二次lyapunov函数：则lyapunov漂移函数为：因为所以，漂移函数整理为：为在保证系统开销最小的情况下基于lyapunov制定适应性动态卸载策略，定义一个漂移加罚函数：l(t+1)-l(t)+vzk(t)，漂移加罚函数满足：因为数据排队长度与系统开销单位不同，因此，上式中的v须进行单位间的转换，得：最小化右侧表达式的值，为简化问题，省略在某一时刻数值固定的部分，q(t)f(e)，简化后即通过制定卸载策略解决以下问题：min:s.t.:ak(t)∈(0,1)由于小区内所有用户相互独立，针对每个用户情况将此问题进一步简化：min:s.t.:ak(t)∈(0,1)为便于描述，将除去决策部分的因式定义为xk(t)，有基于已知项计算xk(t)的数值，据此，确定每个smallcell中各用户的最佳卸载策略ak(t)，作为上述技术方案的补充，步骤3)的分布式计算卸载机制中，依照偏离度决策每个时隙中各smallcell卸载决策更新顺序。考虑当前网络多采用混合异构组网方式，基于通用性和未来网络业务需求考虑，本发明采用预言将在5g中广泛部署的hetnet网络进行网络模型构建。hetnet网络通过多频、多模、多扇区等技术手段，有效保证单个基站向超宽带方向演进；同时，通过改变网络拓扑结构，在宏蜂窝网络层中布放大量低功率的微蜂窝基站，重用系统已有频谱资源，提高频谱密度，保证超宽带无处不在。其核心是宏微协同机制，依赖于macrocell和smallcell等网元的支持。其中，smallcell用于增强网络覆盖以及热点区域的容量；macrocell覆盖较大区域，解决移动通信连续性覆盖所面临的问题。本发明结合lyapunov理论和duda(deviationupdatedecisionalgorithm，基于偏离度的更新决策算法)完成smallcell内用户的卸载决策制定以及smallcell间决策更新机会的竞争；lyapunov是衡量系统稳定性的重要工具，本发明通过对其漂移加罚函数的确立实现系统稳定性和开销最优的保证，并得到该条件下smallcell中各用户的最佳卸载策略集。smallcell间的策略更新机会竞争通过duda进行实现。本发明提出的方法仅需当前网络信息而无需历史信息，可显著降低算法复杂度，便于实现。附图说明图1为本发明实施例中分布式计算卸载机制的卸载策略流程图；图2为本发明应用例中的仿真场景图；图3为本发明应用例中系统开销收敛性能图；图4为本发明应用例中竞争更新结果图。具体实施方式下面结合说明书附图和具体实施方式对本发明作进一步说明。实施例(1)构建系统模型首先，本发明建立了基于hetnet网络场景的网络模型。给定一个macrocell、n个smallcells，每个smallcell包含k个移动设备，各宏基站mbs和小基站scenb之间通过有线方式连接。smallcells标号为ν＝{1,2,...,n}，移动设备标号为k＝{1,2,...,k}。假定每个用户有一个时延敏感任务，任务可拆分，macrocell中的用户可以直接将部分任务卸载到其mecserver(由于该类用户在用户总量中比重极小，为简化模型，将其忽略)。smallcells中的用户则借助其所属的scenb将任务卸载到macrocell的mecserver。其次，本发明进行了通信模型建立。考虑上行链路数据传输采用ofdma方式，即smallcell内无干扰，但smallcell间仍存在干扰。用ak∈[0,1]表示移动设备用户k的卸载决定。因为考虑用户的任务可划分，即支持部分卸载，所以ak(t)可在0到1的范围内根据实际情况取值。ak(t)＝0表示无需卸载，直接在本地执行；ak(t)＝1表示完全卸载，用户k的任务全部卸载到mecserver上执行；ak(t)取值为0与1之间不包括边界的数值则表示一部分任务在本地执行，一部分卸载到mecserver。用户k的上行数据传输速率可用香农公式计算如(1)式。其中，pk表示用户k的传输功率，gk表示用户k到mecserver的大尺度信道增益，包括路径损耗和阴影衰落，hk表示服从瑞利分布的小尺度信道衰落增益，w(t)表示系统带宽，ωk表示背景干扰功率。从上式可以看出，噪声部分由背景噪声和同一时间也选择卸载到相同mecserver的其余用户产生。因此，应尽量避免同时卸载，否则将导致极低的数据传输速率，影响移动边缘计算性能。此外，本发明还进行了计算模型构建。每一时隙为每个用户k分配一个计算任务该任务可进行拆分，根据部分卸载原则，有一部分在本地计算，剩余部分卸载到mecserver中，卸载决策同样由ak(t)表示。其中，bk(t)单位为kb，表示输入数据大小；dk(t)单位为兆周，表示完成计算任务ik(t)需要的总的cpu周期数，与网络计算能力无关。用户k可以得到bk(t)和dk(t)的数值。接下来针对本地计算和mecserver计算讨论计算开销，包括时间开销和能量开销。本地计算即ik(t)中无需卸载的部分任务在终端设备上完成计算。用户终端k的计算能力用表示(每秒执行的cpu循环数)。结合以上定义可得到在本地计算任务ik(t)中的非卸载部分需要的时间：计算过程中消耗的能量可以表示为：其中，μk是表示每一个cpu循环所消耗能量的参数。根据已有研究中的真实测量结果，设定在mec服务器中计算任务ik中的卸载部分。该过程中的时间及能量消耗主要存在于任务卸载及任务执行中。任务卸载过程中的系统开销由将卸载的部分任务传输到mec服务器的过程产生。该过程的卸载时间开销和能量开销可表示为由于scenb以有线方式将数据传送到mbs，该过程不会发生干扰且数据传输速率很大，故可以假定该过程中的系统开销忽略不计，因此以上两式即可表示卸载过程开销。另一部分开销在任务执行过程中产生。用表示mec服务器分配给用户k的计算能力(每秒执行的cpu循环数)。则mec服务器执行任务ik中卸载部分消耗的时间为将任务本地计算开销和卸载到mec服务器进行计算的开销综合考虑即可得到系统总开销，但由于响应时间和能量开销单位不同，因此还要对两指标进行归一化处理：其中，tk,max(t)和ek,max(t)对应完全卸载到mecserver上计算的情况。和分别是时间开销和能量开销的归一化表示。则总的系统开销可以表示为其中，和分别表示用户k在执行任务ik本地计算部分中时间以及能量消耗的权重。为使模型更切合实际情况，该权重根据各用户业务要求进行选取。即，若用户处于能量紧缺状态，此时能量消耗应为主要考量因素，应设置较大若用户执行对时延敏感的业务，应设置较大权重数值根据用户执行的业务情况在不同卸载周期内可以动态改变。由于本发明基于用户角度考虑，因此卸载任务在mec服务器中消耗的能量此处省略。由于输出数据量远小于输入的数据量，故由mec服务器向用户终端的下行回传过程产生的系统开销也可忽略。(2)适应性卸载策略为根据网络中资源实时情况进行卸载并保证该过程的稳定性，本发明采用lyapunov理论制定一种动态卸载策略。相比传统适应性卸载策略，本发明提出的方法仅需当前网络信息而无需历史信息，可显著降低算法复杂度，便于实现。本发明基于hetnet网络场景，首先考虑smallcell内多用户单scenb的情况，即场景中包含一个smallcell，每个smallcell包含k个移动设备(k的取值可不同)，scenb接收到的输入队列q(t)由用户的任务卸载产生。定义二次lyapunov函数：则lyapunov漂移函数为因为所以，漂移函数可整理为由于本发明的目标是在保证系统开销最小的情况下基于lyapunov制定适应性动态卸载策略，因此定义一个漂移加罚函数l(t+1)-l(t)+vzk(t)(17)由(16)可知漂移加罚函数满足因为数据排队长度与系统开销单位不同，因此，上式中的v用来进行单位间的转换。由得到的zk(t)表达式和(18)可得最小化右侧表达式的值，为简化问题，省略在某一时刻数值固定的部分，如：q(t)f(e)，简化后即通过制定卸载策略解决以下问题：由于小区内所有用户相互独立，可针对每个用户情况将此问题进一步简化：为便于描述，将除去决策部分的因式定义为xk(t)，有基于已知项可计算xk(t)的数值，据此，可确定最佳卸载策略ak(t)，由于本发明考虑任务采用部分卸载策略，即有的任务无法完全卸载，其部分内容可能只能在本地计算。因此在xk(t)<0的情况下，为使右式最小，即使ak(t)取最大值。至此，已得到每个smallcell中各用户的最佳卸载策略。(3)分布式计算卸载机制smallcell间通过相互竞争得到macrocell中mec服务器的计算资源。为尽可能减少各小区在竞争服务器资源时因冲突带来额外系统开销，本发明采用duda，该决策过程如图1所示。在这个流程中主要解决两个问题：①每个时隙中各小区偏离度计算；②各小区卸载决策更新顺序确定。本发明的关键点在于：1.本策略将上行链路卸载问题划分为两个可独立解决的子问题，从而进行建模和求解；2.使用lyapunov得到各smallcell的最佳卸载决策集，提出duda进行smallcell内用户卸载决策更新顺序的决策。本发明的优点在于：基于lyapunov理论和提出的偏离度更新决策算法duda得到了一种hetnet(由macrocell和smallcell以一对多方式组网而成)网络环境下面向移动边缘计算的适应性计算卸载策略。该策略包含两个主要方面：其一，基于lyapunov理论在保证系统稳定性及最小化开销的前提下得到各smallcell中用户的最佳卸载决策集；其二，提出duda，依照偏离度决策每个时隙中各smallcell卸载决策更新顺序。为更具一般性，本发明考虑用户终端具有任务部分卸载能力，即单一用户的任务可以进行细分，根据具体应用要求及可用资源情况，以最小化系统开销(综合考虑时延及能量消耗)为目标，选择部分任务在本地计算，剩余任务卸载到该hetnet场景下macrocell的边缘服务器中。本发明最终通过仿真验证了该策略的有效性。应用例建立一个包含一个macrocell和10个smallcells的宏微协同场景。每个smallcell包含30个移动用户，各用户任务的可卸载比例在[0,1]间按均匀分布随机取值。仿真中所用关键参数如下表所示：表1仿真关键参数小区范围60m*60m的正方形区域信道带宽10mhz传输功率100mw背景噪声-100dbmcpu循环数1000megacycles本地计算能力0.7ghz云计算能力50ghz能量计算权重{0.3,0.7}时间计算权重1-能量计算权重数据量500kb为了获得每个用户的位置信息，画出如图2所示的网络场景。mec服务器位于宏小区的中心，以较大的五角星标示。随机产生十个smallcell的位置，其中30个用户随机分布。scenb位于每个smallcell的中心，标有一个较小的五角星。为了验证本发明所提出方法的有效性能，对系统消耗进行了实时测量。图3表示的是λk(t)＝0.3以及λk(t)＝0.7的情况。从实验结果中可以看出，经过600次迭代，系统开销趋于稳定。在稳定时最终系统开销可节省50％以上。还发现时间敏感的应用比能量敏感的应用可以获得更好的性能，这意味着前者可以通过本发明的方法节省更多开销。基于duda的10个smallcell的更新顺序的决定结果如图4所示。以10个时隙为例，系统决策更新间隔为0.1个时隙。属于时隙后半部分的更新结果不包含所有smallcell，即此时隙中该smallcell的卸载决策与上一个时隙是一样的，无需更新。以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明的保护范围内。当前第1页12