具体实施方式

为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。

移动边缘计算系统结构如图1所示，系统分为云边端三层架构，最底层是移动设备层，移动设备通过无线信道与基站连接，进而接入MEC(移动边缘计算)网络，接受来自MEC系统的服务；中间层是边缘服务器层，边缘服务器部署在基站之上，在靠近网络边缘的位置可以向用户提供高带宽、低延迟的计算服务，边缘服务器之间通过核心网络和远程云相互连接；最上层是云服务器层，云服务器具有强大的计算、存储能力，但其离终端较远，难以提供高带宽、低延迟、实时性的服务。

本发明考虑多用户、多边缘的移动边缘计算场景，使用S来表示m个边缘服务器的集合：

S＝{S₁,S₂，S₃,...,S_m}

边缘服务器之间通过有线网络连接，使用WAN_i,j来表示边缘服务器S_i和边缘服务器S_j之间的网络带宽，使用MD来表示n个移动设备的集合：

MD＝{md₁，md₂，...,md_n}

移动设备同一时刻只与最近的MEC服务器相连接。移动设备需要处理多个任务，使用Task来表示移动设备上需要执行的任务集合，其中，Task_i,j表示移动设备md_i上需要执行的第j个任务。使用四元组(datain,dataout，cpusize，deadline)来表示一个任务的详细信息，其中，datain表示任务的输入数据大小，dataout表示任务的计算结果的输出大小；cpusize表示处理任务需要的CPU周期数大小；deadline表示任务的计算截止时间。

1.各种模型描述

用户移动性模型如图2所示，用户携带着移动设备在不同的基站之间进行移动，其连接的基站随着用户的位置而发生变化。图2中移动设备在随用户移动的过程中先后与BS1、BS2、BS3相连接，其接入的MEC服务器也相应变化为MEC服务器1、MEC服务器2、MEC服务器3，在这个过程中，移动设备的传输速率也会发生相应的变化。

本发明基于已经获得的用户移动轨迹信息来构建用户移动性模型，忽略用户在高度上的位置信息，假设用户在一个二维平面空间上进行移动，用户的移动轨迹在T时间内可以被精确地预测，使用L(t)＝{x(t),y(t)},t∈[0,T]来表示用户可预测的移动轨迹信息，移动设备从0时刻开始处理计算任务。将用户T时间内的移动轨迹划分为N个大小相等、长度为T/N的时隙，当N较大时，每个时隙的长度T/N较小，可以近似认为用户在每个时隙内的位置不变，进而将用户T时间内的连续轨迹转化为了N段离散的轨迹线，使用L(n)＝{x(n),y(n)},n∈{0，1,2,...,N}来表示离散化的用户移动轨迹。

使用C_i(n),n∈{0，1,2，...，N}来表示移动设备md_i在每个时隙连接的MEC服务器的序号，令N＝{0,1,2,...,N}，那么每个时隙下MEC服务器S_k连接的移动设备集合可以计算如下：

CDS_k(n)＝{md_i|C_i(n)＝k,i＝1,2,3,..,N},n∈N

本地计算是指移动设备的任务在移动设备上执行，使用来表示移动设备md_i的最大CPU频率，为了方便讨论和研究，假定移动设备的CPU会一直使用最大频率处理任务，在考虑用户移动性的动态变化场景下，在第n个时隙任务Task_i,j本地计算的任务总时间可表示为：

其中，表示任务Task_i,j的等待调度时间，数值上

现有文献表明一个CPU周期的能耗可以由给出，其中，k是与硬件架构相关的常数，因此对于任务Task_i,j而言，其本地计算的能耗表示如下：

边缘计算是指移动设备通过无线信道，将任务卸载至MEC服务器进行处理。图3展示了协同处理任务的两种流程，第一种：当只有移动设备和MEC服务器之间进行协同处理任务时，计算卸载流程为：1)上传数据，2)计算执行，3)接收结果，移动设备的任务只能卸载到其接入的MEC服务器处执行。第二种：在加入MEC服务器之间的协同后，计算任务可以经由MEC服务器迁移到其他MEC服务器上执行，计算卸载流程为：1)上传数据，4)迁移任务，5)计算执行，6)返回结果，3)接收结果。

本发明中使用B表示基站无线信道的带宽大小，移动设备共享基站无线信道带宽资源。假设基站的带宽资源将会平均地分配给其覆盖范围内的移动设备，在第n个时隙，MEC服务器S_k连接的设备数量cdn_n＝|CDS_k(n)|，连接MEC服务器S_k每个移动设备被分配的带宽资源表示如下：

由于无线信道中的噪声干扰，根据香农-哈特利定理(Shannon–Hartleytheorem)，在存在噪声的情况下，移动设备md_i可以通过给定带宽w的无线通信信道中获取的最大传输速率定义如下：

其中，ps_i表示移动设备的传输功率，g_i表示移动设备和基站之间的信道增益，N₀表示无线信道上的噪声干扰的平均功率。移动设备传输功率与信道增益的乘积ps_i*g_i表示了移动设备的平均传输信号功率，其与噪声干扰平均功率的比值表示了移动设备与建站之间建立的无线信道的信噪比。信道增益g_i的计算方式如下：

其中，h_n是相应的瑞利衰落信道系数，d示移动设备与基站之间的欧几里得距离。因此，移动设备的传输速率可以表示为：

根据上述定义的任务模型和通信模型，移动设备md_i卸载任务Task_i,j到边缘服务器S_k执行的上传时间可表示为：

移动设备的传输功率为ps_i，那么其上传数据过程中的能源消耗为：

在本发明所提出的移动边缘计算场景中，MEC服务器之间可以协同处理任务，任务由无线信道传输至接入MEC服务器，并且可以经由接入的MEC服务器迁移到网络中的其他MEC服务器中执行。由MEC服务器S_m通过核心网络将任务传输到MEC服务器S_k的迁移传输时间定义如下：

其中，WAN_mk表示MEC服务器S_m与S_k之间的网络带宽大小。

假设MEC服务器同一个时刻只执行一个任务，其他卸载到MEC服务器上的任务需要放置在等待队列中进行等待，使用Q_k表示MEC服务器S_k的任务队列，那么卸载到边缘服务器S_k上的任务Task_ij的等待时间表示如下：

其中，表示在队列Q_k中的任务Task_m,n的边缘执行时间，计算公式如下：

其中，表示MEC服务器S_k的最大CPU频率。

计算结果传输与任务数据上传过程类似，计算结果的迁移传输时间、接收时间和移动设备接收能耗定义如下：

综合上述过程，任务Task_ij边缘计算总时间和总能耗计算方式如下：

2.问题形式化描述

本发明使用a_i,j,n,k∈{-1,0,1}表示移动设备md_i的任务Task_i,j的卸载决策。卸载决策a_i,j,n，k的初值设置为0，当a_i，j，n,k＝-1时，表示任务Task_i,j，在第n个时隙调度到本地进行计算处理；当a_i,j,n,k＝1时，表示移动设备md_i的任务Task_i,j在第n个时隙调度到MEC服务器S_k进行计算处理；记a_i,j,n＝∑_k∈Sa_i,j,n,k，当a_i,j，n＝0时，表示时隙n时，任务Task_i，j仍未进行调度。

使用集合A＝{a_i，j，n,k|i∈MD,j∈Task_i,n∈N,k∈S}来表示所有移动设备上所有任务的调度策略集合。对于一个特点的调度策略集合A，按照A中所有的卸载决策进行处理任务的总时间等于每个任务的计算时间之和，表示如下：

按照调度策略集A中所有的卸载决策进行处理任务的执行总能耗等于每个任务的执行能耗之和，表示如下：

在保证服务质量的前提下，以最小化任务平均执行时间为优化目标，任务平均执行时间可以表示为：

综上所述，移动边缘计算场景中，考虑用户移动性的协同任务调度问题可以形式化定义如下：

上述公式(3)中包含了5个约束条件，其中，约束(3a)表示移动设备的连接限制，每个时隙移动设备只与一个MEC服务器连接，在本发明中连接的MEC服务器被设定为距离移动设备距离最近的MEC服务器；约束(3b)表示任务的调度次数限制，一个任务在整个时间段N中只能且必须被调度一次；约束(3c)表示任务卸载限制，任务是一个独立、完整的实体，不能拆分，任务只能等待调度或者完全被调度；约束(3d)表示调度场景限制，任务只能调度到本地移动设备计算或者调度到MEC服务器计算；约束(3e)表示MEC系统的服务质量(QoS)限制，每个任务的执行完成时间都需要在其计算截止时间deadline_i,j之前，否则将影响用户的体验质量(QoE)。

3.基于用户移动性感知的启发式优化算法

用户移动场景下的协同任务调度问题的决策变量包括整形变量(任务id等)和连续变量(卸载时间)，优化目标是决策变量的非线性形式，是一个混合整数非线性优化问题，是一个NP-hard问题。为了以较低的复杂度解决该问题，本发明假定调度只发生在时隙的开始时刻，提出一个基于用户移动性感知的启发式优化算法(Mobile Aware HeuristicAlgorithm Optimization，MAHO算法)，该算法在保证任务的服务质量的前提下，对任务的平均执行时间做出了优化。

算法将任务的调度问题分为两个问题：任务选择问题和计算方式与计算位置选择问题，并设计了任务紧迫度排序算法和基于资源匹配的MEC服务器选择算法用以解决任务选择问题和边缘计算服务器选择问题，最后再加入本地计算和接入MEC服务器计算进行比较，设计了完整的基于用户移动性感知的启发式优化算法。

3.1任务紧迫度排序算法

本发明所提的MAHO算法为了保证了任务的服务质量，从时间的角度，将任务的上传、下载数据量和计算的CPU周期需求量转化为任务的上传、下载时间和任务的计算时间，进而在统一的时间角度和deadline进行比较。定义任务的紧迫度(urgency)来统一量化不同任务之间的在时间上的执行优先级。紧迫度指的是一个任务在执行时间不超出deadline的前提下，理论上可以等待调度的最大时间，数值上紧迫度的计算方法如下：

其中，maxB表示所有MEC服务器中最大的无线带宽，表示所有的MEC服务器中最大的CPU频率，urgency_i,j越小说明任务的理论最大等待调度时间越小，任务越紧迫，应该被优先执行。任务紧迫度排序算法伪代码如下：

算法1通过计算移动设备md_i每个任务Task_i,j的紧迫度urgency_i,j，并将其加入一个从小到大排序的优先队列task_queue_i中，对移动设备上所有的任务按照紧迫度优先级进行了排序(第4-7行)，最小urgency_i,j、最紧迫的任务将会排在队首位置，最后返回将所有移动设备的任务队列集合task_queue_lsit。

算法1中第2行中遍历了所有移动设备重复了n次，第4-7行对使用优先队列对移动设备上的任务按照紧迫度排序，时间复杂度为O(k*logk)，所以算法总时间复杂度为O(n*k*logk)，其中，n表示移动设备的数量，k表示移动设备上的任务数量。

3.2基于资源匹配的MEC服务器选择算法

对于给定的任务Task_i,j(datain_i,j,dataout_i,j,cpusize_i,j,deadline_i,j)，本发明定义其需求资源量R_i,j＝{Net_i,j,Cpu_i，j}，其中，Net_i，j＝datain_i,j+dataout_i,j，表示任务的网络传输量大小，Cpu_i,j＝cpusize_i,j，表示任务的计算资源需求量大小。将其统一到时间维度上进行比较，定义任务Task_i,j的时间需求TR_i,j＝{TNet_i,j,TCpu_i,j}，传输时间需求量TNet_i,j和计算时间需求量TCpu_i,j的计算方式如下：

其中，avgwan表示MEC服务器网络中所有MEC服务器的wan网络带宽资源的平均值，表示MEC服务器网络中所有MEC服务器的CPU频率的平均值。TNet_i,j代表了任务Task_i,j在服务器网络中传输时间的估计值，TCpu_i,j代表任务Task_i,j计算时间的估计值。

定义任务Task_i,j的网络资源需求系数α_ij和计算资源需求系数β_ij的计算方式如下：

其中，α_ij+β_ij＝1，可以根据任务不同比例的资源需求，在MEC服务器网络中找到资源需求匹配程度最高的MEC服务器。定义MEC服务器S_k的对任务Task_i,j的资源匹配度match_k,i，j的计算方法如下：

其中，C_i(n)表示用户接入MEC网络中的接入服务器序号，表示MEC服务器S_k与接入点MEC服务器之间的wan网络带宽。为了避免所有任务选择同一个MEC服务器，算法还根据任务的排队时间对服务器的选择过程加以限制。算法将任务Task_i，j卸载到服务器S_k的排队时间与MEC服务器网络中所有服务器的平均排队时间avgT^queue进行比较，根据经验，如果大于avgT^queue的1.5倍，算法就选择具有次优资源匹配度的MEC服务器进行卸载选择。基于资源匹配的MEC服务器选择算法伪代码如下所示：

算法2根据任务Task_i，j的资源需求R_i,j计算其时间需求TR_i,j，通过归一化处理，计算任务的网络资源需求系数α_ij与计算资源需求系数β_ij(第1-3行)。根据任务的网络资源需求系数α_ij与计算资源需求系数β_ij对每个服务器S_k计算其任务的资源匹配度，选择任务排队时间不超过1.5倍的平均任务排队时间且任务资源匹配度match_k，i,j最大的MEC服务器作为最佳资源匹配服务器(第4-12行)。

算法2中第1行计算MEC服务器平均带宽、平均CPU频率、平均排队时间，时间复杂度为O(m)；第2-4行为赋值操作，时间复杂度为O(1)；第5-12行遍历所有MEC服务器寻找资源匹配度最高的服务器，循环内时间复杂为O(1)，循环的时间复杂度为O(m)。综上，算法总时间复杂度为O(m)，其中，m表示MEC服务器的数量。

3.3基于用户移动性感知的启发式优化算法

上文中对任务选择过程和计算方式与计算位置选择过程分别提出了任务紧迫度排序算法和基于资源匹配的MEC服务器选择算法，现将两个过程所提的算法合并，并完善基于资源匹配的MEC服务器选择算法中未曾考虑的本地计算场景和接入MEC服务器计算场景下的卸载过程。综上所述，基于用户移动性感知的启发式优化算法伪代码如下所示：

算法3调用算法Task_Urgency_Queue获取移动设备的任务队列列表task_queue_list(第1行)，根据移动设备的是否处于传输状态获取准备调度任务队列task_ready_queue(第4-10行)，对task_ready_queue中的每个任务调用算法Base_Resource_March获取资源匹配度最高的服务器，通过与接入的MEC服务器和本地移动设备对比任务的执行时间，选择时间最小的进行调度(第11-28行)。

算法3中第1行调用算法Task_Urgency_Queue，时间复杂度为O(n*klogk)；第3行判断是否所有任务均被调度，最多可能被调用O(n*k)次；第5-10行循环遍历所有移动设备获取准备调度的任务队列，循环内时间复杂度为O(1)，循环的时间复杂度为O(m)，循环最多可能被调用O(n*k)次，在整个调度过程中，最差的时间复杂度为O(m*n*k)；第11-28行对每个准备好调度的任务进行调度，由于一个任务只能调度一次，因此循环需要执行n*k次，循环内第13行调用算法Base_Resource_March，时间复杂度为O(m)，第14、15行为赋值与计算操作时间复杂度为O(1)，第16-27行比较了3种场景下的任务执行时间，时间复杂度为O(1)，因此循环内的时间复杂度为O(m)，在整个调度过程中，第11-28行的循环会被调用n*k次，时间复杂度为O(m*n*k)。综上，算法的总时间复杂度为O(n*k*logk+m*n*k)，其中，m表示MEC服务器的数量，n表示移动设备的数量，k表示移动设备上的任务数量。

4.仿真实验

通过仿真实验验证本发明的技术效果，将本发明方法与一个已有研究中的算法和两个基线算法进行对比，对比算法介绍如下：

TAS(The Assignment Scheme)算法是一个用户移动场景下多用户多任务的启发式算法，其核心思想是，优先将计算时间较小的任务卸载到执行时间最小的MEC服务器上，以减少MEC服务器整体的任务排队时间，但其考虑的场景相对静态，忽略了任务传输以及MEC服务器执行任务的动态过程，MEC服务器之间的协同也仅仅局限于用户移动轨迹之上的MEC服务器。

基线算法MCL(Mobility Complete Local，用户移动性下完全本地)算法所有的计算任务都在本地执行；基线算法MCE(Mobility Complete Edge，用户移动性下完全本地)算法所有任务都选择在接入的MEC服务器处执行。

比较本发明方法与对比算法在任务的平均执行时间、任务的平均能耗、任务的超时率以及卸载收益上的性能差异，4个性能参数含义介绍如下：任务的平均执行时间体现了任务执行的快慢，影响用户的体验质量，是本发明方法的优化目标；任务的平均能耗体现了移动设备处理一个任务的能耗水平，影响移动设备的使用时间，一般来说本地计算执行的能耗大于边缘计算执行的能耗；任务的超时率表示执行时间超出任务设定的deadline的任务比率，超时率越高，MEC系统的服务质量越低；卸载收益表示移动设备通过调度策略，卸载任务到MEC服务器上执行后，相对于在本地计算，执行时间和能耗上的综合收益大小，其定义如下：

其中，T^local和E^local分别表示本地计算总时间和本地计算总能耗，T^A和T^E分别表示通过卸载策略A，移动设备上任务执行的总时间和总能耗，α和β分别表示时间收益和能耗收益比例系数，α+β＝1。实验设定时间系数和能耗系数相同，均为0.5，即α＝β＝0.5。

仿真实验中MEC服务器之间的物理网络拓扑呈蜂窝煤网络结构，每个MEC服务器的服务范围呈正六边形，移动设备在MEC服务器的服务范围内随机移动。MEC服务器和移动设备的参数设置如下：

表1 MEC服务器和移动设备参数表

实验中任务类型共分为4种，分别表示4种典型的任务：增强现实型任务、健康监测型任务、计算密集型任务、信息下载型任务，4种任务都有其各自的特点，具体实验参数设置如下：

表2 任务参数表

4.1实验场景1：用户移动场景下，移动设备数量变化

实验场景1中，MEC服务器数量固定为19个，每个移动设备的任务数量固定为10个，移动设备的数量从20个开始，每次加20个，直至200个。实验场景1中，MEC系统中任务的总量不断增加，但相应的本地资源也在不断增加。用户移动场景下，4个算法的任务平均执行时间随着移动设备数量增加的变化情况如图4所示。从实验结果中可以看出，本发明方法MAHO始终拥有最小的平均执行时间，对比算法TAS拥有次优的结果，MCE算法的任务平均执行时间线性增长，MCE的任务平均执行时间维持在一个水平上下，变化不明显。本发明方法MAHO算法以优化任务的平均执行时间为目的，充分利用本地计算资源，协同利用MEC服务器资源，可以减少任务的平均执行时间，因此MAHO算法始终拥有最小的平均执行时间。

此外，移动设备数量增长，每个移动设备可以获得的无线信道带宽上限将减小，边缘计算时，任务的传输时间将增大，并且更多的任务会卸载到MEC执行，也将导致MEC服务器的排队时间变长，故除了完全本地执行算法MCL，其余算法的任务平均执行时间都随移动设备数量增加而变大，而MCL算法不进行边缘计算，只利用本地的资源执行任务，其执行过程不受MEC服务器以及其他移动设备的影响，故其MCE算法的任务的平均执行时间不受移动设备的数量影响，下文中MCE算法的任务的平均执行能耗、任务超时率也维持在一个水平上左右变化也是因为这个原因。

用户移动场景下，4个算法的任务平均执行能耗随着移动设备数量增加的变化情况如图5所示。从实验结果中可以看出完全边缘算法MCE始终拥有最小的执行能耗，本发明方法在移动设备大于70台后，任务平均执行能耗低于对比算法TAS，且能耗的增长率低于TAS，MCL始终拥有最大能耗。本发明中只讨论移动设备能耗问题，本地计算时移动设备需要在本地执行计算任务，移动设备需要负责计算任务的能耗；边缘计算时移动设备将任务传输到MEC服务器上执行，移动设备只需要负责传输任务的能耗，一般而言计算任务的能耗大于传输任务的能耗，所以MCE算法会始终拥有最小的能耗。本发明方法相对TAS能更合理的配置边缘和本地的任务比例，从而相对TAS拥有更小任务的平均执行能耗，这一点随着移动设备数量的增加表现得更为明显。

用户移动场景下，4个算法的任务超时率随着移动设备数量增加的变化情况如图6所示。从实验结果中可以看出本发明方法的任务超时率始终保持最低，算法MAHO根据任务的紧迫度对任务进行排序，以让执行时间较为紧迫的任务得到优先的执行，故能取得一个较低的任务超时率，而对于TAS算法，其优先选择执行时间最小的任务调度，只能在一定程度上保证任务的执行时间不超过截止时间。

用户移动场景下，4个算法的任务卸载收益随着移动设备数量增加的变化情况如图7所示。从实验结果中可以看出本发明方法MAHO在移动设备数量大于60后，拥有最大的卸载收益。卸载收益是一个卸载策略，相对本地算法，在时间、能耗上的综合收益，完全本地计算的卸载收益始终为0。随着移动设备数量增大，MEC服务器的负载增大，任务边缘计算的时间增大、能耗增大，卸载的收益减小。

4.2实验场景2：用户移动场景下，移动设备的任务数量变化

实验场景2中，MEC服务器数量固定为19个，移动设备的数量固定为50个，移动设备的任务数量从10个开始，每次加10个，直至100个。实验场景2中，MEC系统中虽然任务的总量不断增加，但整个MEC系统的资源却没变化。

用户移动场景下，4个算法的任务平均执行时间随着移动设备的任务数量增加的变化情况如图8所示。从实验结果中可以看出本发明方法MAHO始终拥有最小的任务平均执行能耗。由于整个MEC系统的资源总量不发生变化，所以随着移动设备的任务数量不断增加，任务的等待调度时间将增加，因此4个算法的平均任务执行时间均随任务数量的增大而增大。

用户移动场景下，4个算法的任务平均执行能耗随着移动设备的任务数量增加的变化情况如图9所示。从实验结果中可以看出，算法MAHO拥有次优的能耗。移动设备的数量保持不变，意味着移动设备拥有的平均带宽不变，任务的传输能耗受影响较小，此外任务虽然增加，但同一时间调度的任务数量却保持不变，因此随着任务数量不断增大，MAHO和TAS算法的卸载策略会将本地和边缘计算的比例维持在一个固定的水平上，从图10中来看，MAHO和TAS算法随着任务数量的增大，其任务的平均执行能耗将趋向一个固定值。

用户移动场景下，4个算法的任务超时率随着移动设备的任务数量增加的变化情况如图10所示。从实验结果中可以看出本发明方法MAHO的任务超时率始终保持最低，TAS算法随着任务数量增大超时率明显增大。

用户移动场景下，4个算法的任务卸载收益随着移动设备的任务数量增加的变化情况如图11所示。从实验结果中可以看出本发明方法MAHO算法保持着较高的卸载收益，TAS算法随着任务数量增大卸载收益明显下降。

综合分析实验场景1和实验场景2中的实验结果，在用户移动场景下，本发明方法MAHO算法在任务平均执行时间和任务超时率上拥有最优的性能，在保证用户服务质量的同时，优化了任务的平均执行时间。此外，本发明方法MAHO算法在任务平均执行能耗和卸载收益上也拥有较好的表现，在移动设备数量较多的情况下，MAHO算法拥有最优表现，在任务平均执行能耗方面仅次于MCE算法。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。