CN109413724A - 一种基于mec的任务卸载和资源分配方案 - Google Patents

Abstract

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来低时延、低功耗、高可靠的优势，从而成为了未来5G研究的热点。本文公开发明了一种基于MEC的任务卸载和资源分配方案，包括制定了卸载决定和资源分配的联合优化问题；采用坐标下降法来优化卸载决定；满足用户时延条件下采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配；将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率。本发明能够满足不同用户的不同时延的要求，并且能最小化***总能耗，有效地提升***性能。

Description

一种基于MEC的任务卸载和资源分配方案

技术领域

本发明涉及移动边缘计算和无线通信技术领域，特别涉及一种基于MEC的任务卸载和资源分配方案。

背景技术

近年来，随着移动网络和智能化移动设备的不断升级，移动互联网用户数量呈现***式增长。目前，第五代移动通信(5G，the fifth generationofmobile technology)面临着***式数据流量增长与海量设备连接并存的新挑战。与此同时，5G网络新增的业务场景，诸如交互式体感游戏、人脸识别、无人驾驶、虚拟现实、工业物联网通信等，由于它们对时延、能耗、可靠度等指标有了更高的需求，为了应对移动互联网高速发展带来的对应发展需求，未来的5G通信需满足超低时延、超低功耗、超高可靠、超高密度连接等各项性能需求，因此，在未来的移动通信中不仅要求无线蜂窝网络具有高速的数据传输能力，而且还要有强大的计算能力对这些数据进行处理。

目前，增强现实(AR，augment reality)、在线游戏、智慧城市、新兴物联网产业等新增业务飞速发展。然而，现有的移动设备由于电池电量有限、计算能力不足等因素已经无法满足这些新型的互联网和智能化业务对于低时延、高复杂、高可靠性的需求，进而影响用户体验。虽然移动云计算在一定程度上满足了用户对于这些业务的性能需求，它允许移动设备将本地复杂、大量的计算任务部分或完全卸载到位于核心网的云数据中心来执行，从而解决了移动设备自身资源紧缺问题，并且在一定程度上节约了任务本地执行时对设备能量的消耗。但是，将任务卸载到位于核心网的云数据中心需要通过回传网络，他会消耗回程链路资源，当大量的业务需要卸载到云服务器时，就会造成回程的拥塞，产生额外的时延开销，因此，在未来新兴的5G场景中，单一的云计算模式将会无法尽可能的满足业务对于低时延、高可靠性的需求。最近，移动边缘计算(MEC)被提出来作为5G的关键技术之一，MEC***允许移动设备通过无线蜂窝网络将计算任务卸载到网络边缘节点，如基站、无线接入点等。与传统的移动云计算相比，由于MEC将边缘服务器部署在更靠近用户端的无线接入网边缘，因此它极大的缩短了云计算服务器与移动设备之间的距离。这样既能极大的减少回程拥塞，又减少了用户的时延开销。另外，边缘服务器能为用户提供强大的计算处理能力，从而大幅缩短任务计算时延。其次，在设备电池能量有限的情况下，MEC的网络架构缩短了边缘服务器与移动设备的距离，很大程度上约了卸载时无线传输所消耗的能量，大大延长了物联网设备的使用周期。研究结果表明，对于不同的AR设备，MEC可延长30％～50％的设备电池寿命。

同时，网络密集化作为应对未来5G无线网络容量提升1000倍挑战的主要手段之一，已经得到了产业界和学术界的广泛认可。未来5G网络需要支持几十Tbit·s^-1·km^-2的业务密度、大于每平方公里百万个的连接密度。网络密集化主要是通过密集布设具有低功率低成本的微蜂窝、微微蜂窝、家庭基站等。它们可以拉近用户与各类基站之间的距离，从而实现提升频谱资源的空间复用率，为热点区域、中小企业和住宅内的用户提供更大的带宽和更高的数据速率，保证用户体验，达到提高网络容量等目标。与传统的宏蜂窝网络架构相比，超密集组网的网络架构能够改善覆盖，增加***容量，增加用户满意度。

所以，为了满足未来5G超低时延、超低功耗、超高可靠、超高密度连接的新型业务需求，超密集组网和移动边缘计算将会是未来5G不可或缺的关键技术。

发明内容

针对以上现有技术的不足，本发明考虑了密集组网的MEC场景下的计算卸载，针对卸载决定以及密集组网下的干扰对***性能的影响，考虑***总能耗，提出了卸载决策和资源分配的联合求解问题来优化***的能耗，在不同用户的不同时延约束条件下，最小***的总能耗。本发明一种基于MEC的任务卸载和资源分配方案，包括以下步骤：

步骤101：制定卸载决定和资源分配的联合优化问题；

步骤102：采用坐标下降法来优化卸载决定；

步骤103：采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配；

步骤104：将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率；

优选地，所述制定卸载决定和资源分配的联合优化问题包括：考虑一个宏基站和N个小基站(small base station,SBS)组成的5G异构MEC网络。在异构网络的边缘部署有MEC服务器，MEC服务器可以同时执行多个计算密集型的任务。为了复用频谱，我们考虑在这个异构网络中SBS都以同频的方式部署，并与宏基站以有线的方式连接，每个SBS的频带被分成K个正交的子信道，定义K＝{1,2,…,K}代表子信道的集合，同一个小区内的每个用户使用正交的子信道，不同小区内的用户可以复用相同的子信道，所以不同的小区间的用户之间会相互干扰。为了方便分析，这里我们考虑每个SBS只有1个用户的情况，定义N＝{1,…,N}代表所有用户的集合。在这个网络中我们考虑每个用户n都有一个计算密集和时延敏感的任务需要完成，用户可以根据当前网络状态和自身需求选择本地执行或卸载到MEC执行。定义a_n∈{0,1}为用户的卸载决策，0代表用户选择本地执行，1代表用户选择卸载到MEC执行。因此，我们用A＝{a₁,...,a_N}表示所有用户的卸载决定；

当用户选择卸载任务时，考虑上行传输时相邻SBS用户的干扰，当用户n分配子信道k进行数据传输时，用户n在子信道k上的信干噪比为：

计算得到用户n在子信道k上的传输速率为：

则用户n在卸载任务时上行传输的总速率为：

其中，B表示子信道带宽，是一个二进制变量，若子信道k被分配给用户n则反之 和分别表示用户n和m在子信道k上的发送功率，和分别表示SBS_n的用户n和SBS_m的用户m到SBSn的信道增益，ω₀表示背景噪声功率。

考虑每个用户n都有一个延迟敏感的计算任务w_n代表计算该任务所需要的CPU周期，d_n代表输入数据的大小，包括程序代码和输入的参数，表示用户能容忍的最大时延。下面我们讨论本地执行和卸载到MEC执行的能耗和时延的计算模型。

(1)当用户选择本地执行时，计算任务将在每个用户设备上计算，用代表用户设备的计算能力，则本地计算的时延为：

本地计算能量消耗为：

其中，κ值的大小取决于移动设备的芯片结构，这里我们取κ＝10^(-26)。考虑到本地计算的能量消耗随着用户计算能力的增大而增加，通过动态电压缩放技术(dynamicvoltage scaling,DVS)动态调节用户的计算能力可以最小化用户本地的计算能耗。因此，在时延约束下，本地计算时分配的最优的计算能力可以表示为：

其中，表示用户n的最大计算能力。

(2)当用户选择将任务卸载计算时，用户设备通过无线网络接入到相应的SBS将任务卸载到MEC进行计算。对于卸载任务的用户，通过无线网络上行传输任务到MEC时会产生相应的传输时延和能耗，根据通信模型，我们可以得到用户n卸载任务时上行传输时延为：

当计算任务卸载到MEC后，MEC会分配一定的计算资源来处理该任务，用f^c表示MEC分配的计算速度，这里我们考虑任务执行期间MEC为每个用户分配的计算速度是固定的，则MEC执行该任务的时延为：

则传输计算任务时用户总的能量消耗为：

其中表示用户的总发送功率；表示用户空闲状态下的电路功率消耗。

在任务卸载的过程中每个用户设备将会对本地计算的花费进行评估，然后上报给MEC。同时，MEC也会评估每个用户设备卸载时的花费。然后，MEC通过比较本地和卸载的花费，做出相应的卸载决定，卸载决定表示为：

这里我们用N_c表示卸载的用户数目，用N_c表示卸载的用户集合，则本地计算的用户的数目为N-N_c。

考虑到用户的时延需求和有限的电池电量，本文将通过优化卸载决定A和子信道分配C以及功率分配P来最小化用户的总能耗，我们给出了本文需要优化的目标函数：

其中，和分别表示本地和卸载计算时用户n的时延，表示用户n所能接受的最大时延，表示信道分配情况，表示第k个子信道被分配给了第n个用户，则表示没有分配第k个子信道，表示第n个用户在第k个子信道上的发送功率，C1表示计算任务时用户所能容忍的最大时延要求，C2表示的是用户的发送功率不能大于它的最大发送功率，C3表示每个子信道上的发送功率是非负的，C4表示的是信道的分配状态，C5表示卸载决定是一个二进制变量。

优选地，所述采用坐标下降法来优化卸载决定包括：A＝[a₁,a₂,...,a_N]表示所有用户的卸载决定，给定初始卸载决定A⁰为全1矩阵，A^l-1表示在第l-1(l＝1,2,...)次迭代时的卸载决定，相应的用V(a^l-1)表示在给定卸载决定为A^l-1时目标函数的最优值，定义为第l次迭代时改变当前的卸载决定后所获得的收益，则

其中，A^l-1(n)表示用户n改变当前决定后的卸载决定，更新规则如下：

其中，表示模二加方法。

坐标下降法每一次沿一个变量a_n的方向连续优化，从而找到目标函数的局部最小值，所以通过有限次迭代，算法可以达到收敛，从而得到一个最优的卸载决定。在第l次迭代中，我们获得卸载决定A^l，通过计算，若收益则其中，表示在第l次迭代中获得收益最大的用户。

优选地，所述采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配：在子信道分配的过程中，我们希望每次将信道质量最好的子信道分配给用户来最大化用户的上行传输速率。同时，我们希望在满足用户时延需求下，为每个用户分配尽可能少的子信道来避免由于用户过多的频率复用而产生严重的干扰。因此，根据约束条件C1和C3，每个用户的子信道分配问题可以规划为如下：

对于上述子信道分配问题，可以等效为N_c个用户与K个子信道的匹配问题，这里我们首先采用改进的匈牙利算法进行一次信道匹配，然后采用贪婪算法在满足最低速率需求下继续为用户分配足够的子信道，算法步骤如下：

1)构建第一次迭代所需的效益矩阵

2)若用户数大于子信道数，即N_c＞K，则添加N_c-K个虚拟子信道，将效益矩阵变为N_c×N_c方阵，若用户数小于子信道数目，即N_c＜K，则添加K-N_c个用户，将效益矩阵变为K×K的方阵。

3)采用匈牙利算法进行最大权重匹配得到一次信道分配。

4)根据分配的子信道结果更新子信道分配矩阵和干扰矩阵

5)查看每个用户是否满足最低速率需求，若满足则算法终止。若不满足，更新需要继续分配子信道的用户为N_c'。

6)检查信道分配矩阵对N_c'中的每一个用户采用贪婪算法从剩余子信道中选择产生干扰最小的子信道分配给该用户。

7)重复步骤4)-6)，直到所有的用户都满足最低速率需求或则算法终止。

优选地，所述采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配：在得到卸载决定和信道分配的情况下，原始的优化目标仍然是一个非凸的优化问题，考虑到目标函数的约束条件C1是最大时延约束，因此，能耗的最小化问题可以转化为时延约束下的最小功率消耗问题，因此我们将原始问题转化为：

由于上述优化问题仍然是一个非凸的优化问题，下面我们通过变量替换，令则：

因此我们将优化问题转化为：

这里我们将原等式变成了不等式约束C3，目的是在于将这个非凸的问题转化为凸问题，并且这个改变并不影响问题的最优解，因为用户n在子信道k上的数据速率在最优性上不能小于

附图说明

图1本发明所提密集组网中基于MEC的任务卸载合资源分配优选实施流程图；

图2本发明所使用的密集组网中基于MEC的任务卸载***模型图；

图3本发明随着用户数目增加不同时延约束条件下选择卸载的用户数目变化情况；

图4本发明随着用户数量增加***总能耗仿真对比图；

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施案例对本发明做进一步详细说明。

图1所示为本发明用于基于MEC的任务卸载和资源分配方案优选实施例流程图，该方法包括以下步骤：

步骤101：制定卸载决定和资源分配的联合优化问题；

步骤102：采用坐标下降法来优化卸载决定；

步骤103：采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配；

步骤104：将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率；

图2为本发明所使用的密集组网中基于MEC的任务卸载***模型图，包括：考虑一个宏基站和N个小基站(smallbase station,SBS)组成的5G异构MEC网络，***模型如图所示。在异构网络的边缘部署有MEC服务器，MEC服务器可以同时执行多个计算密集型的任务。为了复用频谱，我们考虑在这个异构网络中SBS都以同频的方式部署，并与宏基站以有线的方式连接，每个SBS的频带被分成K个正交的子信道，定义K＝{1,2,…,K}代表子信道的集合，同一个小区内的每个用户使用正交的子信道，不同小区内的用户可以复用相同的子信道，所以不同的小区间的用户之间会相互干扰。为了方便分析，这里我们考虑每个SBS只有1个用户的情况，定义N＝{1,…,N}代表所有用户的集合。在这个网络中我们考虑每个用户n都有一个计算密集和时延敏感的任务需要完成，用户可以根据当前网络状态和自身需求选择本地执行或卸载到MEC执行。定义a_n∈{0,1}为用户的卸载决策，0代表用户选择本地执行，1代表用户选择卸载到MEC执行。因此，我们用A＝{a₁,...,a_N}表示所有用户的卸载决定。

当用户选择卸载任务时，考虑上行传输时相邻SBS用户的干扰，当用户n分配子信道k进行数据传输时，用户n在子信道k上的信干噪比为：

计算得到用户n在子信道k上的传输速率为：

则用户n在卸载任务时上行传输的总速率为：

其中，B表示子信道带宽，是一个二进制变量，若子信道k被分配给用户n则反之 和分别表示用户n和m在子信道k上的发送功率，和分别表示SBS_n的用户n和SBS_m的用户m到SBS_n的信道增益，ω₀表示背景噪声功率。

我们考虑每个用户n都有一个延迟敏感的计算任务w_n代表计算该任务所需要的CPU周期，d_n代表输入数据的大小，包括程序代码和输入的参数，表示用户能容忍的最大时延。下面我们讨论本地执行和卸载到MEC执行的能耗和时延的计算模型。

(1)当用户选择本地执行时，计算任务将在每个用户设备上计算，用代表用户设备的计算能力，则本地计算的时延为：

本地计算能量消耗为：

其中，κ值的大小取决于移动设备的芯片结构，这里我们取κ＝10^(-26)。考虑到本地计算的能量消耗随着用户计算能力的增大而增加，通过动态电压缩放技术(dynamicvoltage scaling,DVS)动态调节用户的计算能力可以最小化用户本地的计算能耗。因此，在时延约束下，本地计算时分配的最优的计算能力可以表示为：

其中，表示用户n的最大计算能力。

(2)当用户选择将任务卸载计算时，用户设备通过无线网络接入到相应的SBS将任务卸载到MEC进行计算。对于卸载任务的用户，通过无线网络上行传输任务到MEC时会产生相应的传输时延和能耗，根据通信模型，我们可以得到用户n卸载任务时上行传输时延为：

当计算任务卸载到MEC后，MEC会分配一定的计算资源来处理该任务，用f^c表示MEC分配的计算速度，这里我们考虑任务执行期间MEC为每个用户分配的计算速度是固定的，则MEC执行该任务的时延为：

则传输计算任务时用户总的能量消耗为：

其中表示用户的总发送功率；表示用户空闲状态下的电路功率消耗。

在任务卸载的过程中每个用户设备将会对本地计算的花费进行评估，然后上报给MEC。同时，MEC也会评估每个用户设备卸载时的花费。然后，MEC通过比较本地和卸载的花费，做出相应的卸载决定，卸载决定表示为：

这里我们用N_c表示卸载的用户数目，用N_c表示卸载的用户集合，则本地计算的用户的数目为N-N_c。

考虑到用户的时延需求和有限的电池电量，本文将通过优化卸载决定A和子信道分配C以及功率分配P来最小化用户的总能耗，我们给出了本文需要优化的目标函数：

其中，C1表示计算任务时用户所能容忍的最大时延要求，C2表示的是用户的发送功率不能大于它的最大发送功率，C3表示每个子信道上的发送功率是非负的，C4表示的是信道的分配状态，C5表示卸载决定是一个二进制变量。

其中，步骤102采用坐标下降法来优化卸载决定，包括：我们用A＝[a₁,a₂,…,a_N]表示所有用户的卸载决定，给定初始卸载决定A⁰为全1矩阵，A^l-1表示在第l-1(l＝1,2,...)次迭代时的卸载决定，相应的用V(a^l-1)表示在给定卸载决定为A^l-1时目标函数的最优值，定义为第l次迭代时改变当前的卸载决定后所获得的收益，则

其中，A^l-1(n)表示用户n改变当前决定后的卸载决定，更新规则如下：

其中，表示模二加方法。

坐标下降法每一次沿一个变量a_n的方向连续优化，从而找到目标函数的局部最小值，所以通过有限次迭代，算法可以达到收敛，从而得到一个最优的卸载决定。在第l次迭代中，我们获得卸载决定A^l，通过计算，若收益则其中，表示在第l次迭代中获得收益最大的用户。

其中，步骤103采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配，包括：在子信道分配的过程中，我们希望每次将信道质量最好的子信道分配给用户来最大化用户的上行传输速率。同时，我们希望在满足用户时延需求下，为每个用户分配尽可能少的子信道来避免由于用户过多的频率复用而产生严重的干扰。因此，根据优化目标的约束条件C1和C3，每个用户的子信道分配问题可以规划为如下：

对于上述子信道分配问题，可以等效为N_c个用户与K个子信道的匹配问题，这里首先采用改进的匈牙利算法进行一次信道匹配，然后采用贪婪算法在满足最低速率需求下继续为用户分配足够的子信道，算法步骤如下：

101A：构建第一次迭代所需的效益矩阵

101B：若用户数大于子信道数，即N_c＞K，则添加N_c-K个虚拟子信道，将效益矩阵变为N_c×N_c方阵，若用户数小于子信道数目，即N_c＜K，则添加K-N_c个用户，将效益矩阵变为K×K的方阵；

101C：采用匈牙利算法进行最大权重匹配得到一次信道分配；

101D：根据分配的子信道结果更新子信道分配矩阵和干扰矩阵

101E：查看每个用户是否满足最低速率需求，若满足则算法终止。若不满足，更新需要继续分配子信道的用户为N_c'。

101F：检查信道分配矩阵对N_c'中的每一个用户采用贪婪算法从剩余子信道中选择产生干扰最小的子信道分配给该用户。

101G：重复步骤101D)-101F)，直到所有的用户都满足最低速率需求或则算法终止。

步骤104将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率，其具体实现方法为：考虑到约束条件C1是最大时延约束，因此，能耗的最小化问题可以转化为时延约束下的最小功率消耗问题，因此我们将原优化目标转化为：

由于上述优化问题仍然是一个非凸的优化问题，下面我们通过变量替换，令则：

因此我们将优化问题转化为：

这里我们将原等式关系变成了不等式约束C3，目的是在于将这个非凸的问题转化为凸问题，并且这个改变并不影响问题的最优解，因为用户n在子信道k上的数据速率在最优性上不能小于

定理：上述问题在高信干噪比下是一个凸优化问题。

证明：由于目标函数是指数求和的形式，因此是一个凸函数，同时可以看出约束条件C1,C2,C4都是凸的,对于不等式约束C3，由于吞吐量函数的非凸性，所以约束条件C3是非凸的。在高信干噪比条件下，对于吞吐量函数的非凸性，一种通用的处理办法是有效近似，使得log(1+x)≈log(x)。因此，约束条件C3可以转化为：

其中，是对数的指数和形式，因此是凸的。综上可以得到，在高信干噪比条件下，上述优化问题是一个凸优化问题，证明完毕。对于上述凸优化问题，最优的功率分配结果可以使用内点法进行求解。

图3显示了不同的时延条件下用户的卸载数目变化情况。从图中可以看出在用户的时延约束较低的情况下，用户更多的选择将任务卸载到MEC计算，当时延约束较高时，用户更多的选择本地计算。这是因为本文算法考虑了用户的时延需求，在资源分配时保证了用户的最低速率需求，在时延约束较小时，用户的速率需求较高，将会分配到更多的无线资源，传输时延较低，能耗相应的比较少，而本地计算由于时延约束较小，用户消耗的CPU周期频率较高，相应的能耗就会越高，这时卸载计算相比于本地计算用户能获得较高的性能提升，因此用户更多的选择卸载计算。反之，若用户时延约束比较大，相应的分得的无线资源较少，卸载计算时能耗较高，而本地计算时用户消耗的CPU周期频率较低，这时本地计算的性能要优于卸载计算，因此用户更多的选择本地计算。

图4描述了随着用户数量增加***总能耗的变化情况。这里我们将本文算法与本地计算、全部卸载和JOIM算法进行对比，其中JOIM算法仅仅考虑了信道分配，并且没有考虑用户不同的时延需求。从图中可以看出本文算法相比于其他算法有更低的***总能耗。其中相比于JOIM算法，本文算法考虑整体的任务卸载优化方案，在满足时延约束下为用户进行了有效的信道分配，并且在考虑***总能耗下最小化用户的发送功率。所以本文算法相比于JOIM算法能得到更优的卸载决定和资源分配方案，因此在***性能上有明显的提升。

Claims (5)

1.一种基于MEC的任务卸载和资源分配方案，其特征在于，包括以下步骤：

步骤101：制定卸载决定和资源分配的联合优化问题；

步骤102：采用坐标下降法来优化卸载决定；

步骤103：采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配；

步骤104：将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率。

2.根据权利要求1所述的方法，其特征还在于，所述步骤101制定卸载决定和资源分配的联合优化问题包括：

定义a_n∈{0,1}为用户的卸载决策，0代表用户选择本地执行，1代表用户选择卸载到MEC执行；因此，我们用A＝{a₁,...,a_N}表示所有用户的卸载决定，在任务卸载的过程中每个用户设备将会对本地计算的花费进行评估，然后上报给MEC；同时，MEC也会评估每个用户设备卸载时的花费，然后，MEC通过比较本地和卸载的花费，做出相应的卸载决定，卸载决定表示为：

这里用N_c表示卸载的用户数目，用N_c表示卸载的用户集合，则本地计算的用户的数目为N-N_c，表示用户n选择本地计算的能耗，表示用户n选择卸载计算，考虑到用户的时延需求和有限的电池电量，本发明将通过优化卸载决定A和子信道分配矩阵C以及功率分配矩阵P来最小化用户的总能耗，给出了本发明需要优化的目标函数：

其中，和分别表示本地和卸载计算时用户n的时延，表示用户n所能接受的最大时延，表示信道分配情况，表示第k个子信道被分配给了第n个用户，则表示没有分配第k个子信道，表示第n个用户在第k个子信道上的发送功率，P_max表示用户的最大发送功率，C1表示计算任务时用户所能容忍的最大时延要求，C2表示的是用户的发送功率不能大于它的最大发送功率，C3表示每个子信道上的发送功率是非负的，C4表示的是信道的分配状态，C5表示卸载决定是一个二进制变量。

3.根据权利要求1所述的方法，其特征还在于，所述步骤102采用坐标下降法来优化卸载决定包括：

用A＝[a₁,a₂,...,a_N]表示所有用户的卸载决定，给定初始卸载决定A⁰为全1矩阵，A^l-1表示在第l-1(l＝1,2,...)次迭代时的卸载决定，相应的用V(a^l-1)表示在给定卸载决定为A^l-1时目标函数的最优值，定义为第l次迭代时改变当前的卸载决定后所获得的收益，则

其中，A^l-1(n)表示用户n改变当前决定后的卸载决定，更新规则如下：

其中，表示模二加方法，坐标下降法每一次沿一个变量a_n的方向连续优化，从而找到目标函数的局部最小值，所以通过有限次迭代，算法可以达到收敛，从而得到一个最优的卸载决定。

4.根据权利要求1所述的方法，其特征还在于，所述步骤103采用改进的匈牙利算法和贪婪算法来对用户进行子信道分配包括：

对于子信道分配问题，可以等效为N_c个用户与K个子信道的匹配问题，首先采用改进的匈牙利算法进行一次信道匹配，然后采用贪婪算法在满足最低速率需求下继续为用户分配足够的子信道，算法步骤如下：

1)构建第一次迭代所需的效益矩阵

2)若用户数大于子信道数，即N_c＞K，则添加N_c-K个虚拟子信道，将效益矩阵变为N_c×N_c方阵，若用户数小于子信道数目，即N_c＜K，则添加K-N_c个用户，将效益矩阵变为K×K的方阵；

3)采用匈牙利算法进行最大权重匹配得到一次信道分配；

4)根据分配的子信道结果更新子信道分配矩阵和干扰矩阵

5)查看每个用户是否满足最低速率需求，若满足则算法终止；若不满足，更新需要继续分配子信道的用户为N_c'；

6)检查信道分配矩阵对N_c'中的每一个用户采用贪婪算法从剩余子信道中选择产生干扰最小的子信道分配给该用户；

7)重复步骤4)-6)，直到所有的用户都满足最低速率需求或则算法终止。

5.根据权利要求1所述的方法，其特征还在于，所述步骤104将能耗最小化问题转化为功率最小化问题，并将其转化为一个凸优化问题得到用户最优的发送功率包括：

在得到卸载决定和信道分配的情况下，原始的优化目标仍然是一个非凸的优化问题，考虑到目标函数的约束条件C1是最大时延约束，因此，能耗的最小化问题可以转化为时延约束下的最小功率消耗问题，因此我们将原始问题转化为：

由于上述优化问题仍然是一个非凸的优化问题，下面我们通过变量替换，令则得到：

因此紧接着我们将上述优化问题转化为：

对于上述转化后的凸优化问题，最优的功率分配结果可以使用内点法进行求解。