CN110941667A - 一种移动边缘计算网络中的计算卸载方法及*** - Google Patents

Abstract

本发明提供一种移动边缘计算网络中的计算卸载方法及***，能够降低用户终端设备的能耗和时迟。所述方法包括：将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；初始化计算资源分配；根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；计算得到当前最优卸载决策下的最优计算资源分配方案；将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。本发明涉及物联网、人工智能领域。

Description

一种移动边缘计算网络中的计算卸载方法及***

技术领域

本发明涉及物联网、人工智能领域，特别是指一种移动边缘计算网络中的计算卸载方法及***。

背景技术

随着无线通信技术的飞速发展，人们的通信手段和方法都在发生巨大的变化。一方面，由于5G技术和物联网技术的不断成熟，万物互联、海量机器通信等一系列全新的通信概念被提出。随着这些新兴通信概念一并出现的，就是各种网络设备的大量涌入。智能手机、智能传感器、可穿戴智能设备等多种终端设备都需要接入到网络之中，这无疑会对现有的网络造成巨大的影响和冲击。另一方面，为了满足机器与机器之间、人与机器之间的不同通信需求，各种新的通信服务开始进入人们的生活，例如无人驾驶技术、虚拟现实技术、增强现实技术、自然语言处理技术等等。同以往的通信服务不同的是，上述技术都需要对应用程序产生的大量数据进行实时快速的处理，并且对时延都有着较为严格的要求。

然而，由于便携式通信设备对移动性的追求，导致了这些移动通信设备在物理尺寸、电池功率、计算能力上有所欠缺。因此，在执行上述计算密集型和时延敏感性的计算任务时，可能会出现计算周期较长、电池电量消耗较快等现象，在用户侧的体验就是应用程序的运行卡顿、通信设备的续航性能较差，即用户体验受到极大影响。

发明内容

本发明要解决的技术问题是提供一种移动边缘计算网络中的计算卸载方法及***，以解决现有技术所存在的用户终端设备电池容量较小、计算能力有限的问题。

为解决上述技术问题，本发明实施例提供一种移动边缘计算网络中的计算卸载方法，包括：

S101，将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

S102，初始化计算资源分配；

S103，根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

S104，以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

S105，将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行S104，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

进一步地，所述初始化计算资源分配包括：

为每个用户分配可行的计算资源初始值。

进一步地，所述根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策包括：

计算用户选择不同卸载模式时的时延，并将计算得到的时延与用户的最大时延容忍值进行比较，若小于等于最大时延容忍值，则该卸载模式可行，将其加入该用户的可行卸载决策集合；若大于最大时延容忍值，则该卸载模式不可行；

以最小化时延和能耗之和为目标函数，根据初始化结果和可行卸载决策集合中的可行卸载决策，确定最优卸载决策。

进一步地，所述目标函数为：

C7:α+β＝1

其中，A表示卸载决策矩阵，若矩阵A中的元素a_ij＝1，则表示用户i的任务M_i选择了卸载模式j进行卸载计算；R表示计算资源分配矩阵，R中的元素r_ij表示任务M_i以卸载模式j被执行时分配给任务M_i的计算资源；S表示卸载模式集合，S＝{0,1,2...,m}；U表示用户集合，U＝{1,2...,n}；α、β分别表示时延和能耗在***开销中所占的比例；

表示任务M_i以卸载模式j被执行时的执行时间；

表示任务M_i以卸载模式j被执行时的能耗；

表示任务M_i数据的传输时间；

表示传输任务M_i的能耗；

表示任务M_i的最大时延容忍值；

表示选择了卸载模式j进行卸载计算时，***能够分配的最大资源量；C1、C2、C3、C4、C5、C6、C7都表示约束条件。

进一步地，

表示为：

其中，C_ij表示任务M_i以卸载模式j被执行时所需要的计算资源。

进一步地，

表示为：

其中，k表示电容系数。

进一步地，

表示为：

其中，P表示功率分配矩阵，D_ij表示任务M_i选择了卸载模式j进行卸载计算时需要上传的数据量。

进一步地，

表示为：

其中，P中的元素

表示用户i的发射功率；RATE_ij表示用户i的任务M_i不在本地执行时，任务数据的传输速率。

进一步地，RATE_ij表示为：

其中，W表示信道带宽；P中的元素

表示用户l的发射功率；w表示噪声功率；H_ij、H_lj分别表示用户i、用户l选择卸载模式j时的信道增益；a_lj表示用户l选择了卸载模式j进行卸载计算。

本发明实施例还提供一种移动边缘计算网络中的计算卸载***，包括：

分解模块，用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

初始化模块，用于初始化计算资源分配；

筛选模块，用于根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

确定模块，用于以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

优化模块，用于将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行确定模块，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

本发明的上述技术方案的有益效果如下：

上述方案中，将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；初始化计算资源分配；根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样，通过优化移动边缘计算网络中的计算卸载策略，使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行，从而可以降低用户终端设备的能量消耗(简称：能耗)和时间延迟(简称：时迟)。

附图说明

图1为本发明实施例提供的移动边缘计算网络中的计算卸载方法的流程示意图；

图2为本发明实施例提供的移动边缘计算网络通信结构示意图；

图3为本发明实施例提供的移动边缘计算网络中的计算卸载***的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的用户终端设备电池容量较小、计算能力有限的问题，提供一种移动边缘计算网络中的计算卸载方法及***。

为了更好地理解本发明实施例所述的移动边缘计算网络中的计算卸载方法，先对移动边缘计算架构进行简要说明：

在移动边缘计算架构中，有许多具有一定计算能力的服务器被部署在网络的边缘。用户终端设备可以将计算任务卸载到边缘服务器执行，用户只需要提供计算所需的各项参数，而具体的计算过程则由边缘服务器执行，得到最终的计算结果之后，再由边缘服务器反馈给用户。通过这种计算卸载机制，用户终端设备不再需要频繁的对大量数据进行处理，从而减轻了用户终端设备的运行负担，减少了一部分的能量消耗，续航性能得到了一定的提高。并且，这些边缘服务器同用户终端设备的物理距离相对较短，用户不再需要将任务迁移到遥远的云计算中心，边缘服务器就可以满足用户的绝大部分计算需求，因此，通信距离得到了极大缩短，可以很好的解决传输时延较大的问题。

实施例一

如图1所示，本发明实施例提供的移动边缘计算网络中的计算卸载方法，包括：

S101，将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

S102，初始化计算资源分配；

S103，根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

S104，以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

S105，将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行S104，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

本发明实施例所述的移动边缘计算网络中的计算卸载方法，将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；初始化计算资源分配；根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样，通过优化移动边缘计算网络中的计算卸载策略，使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行，从而可以降低用户终端设备的能量消耗和时间延迟。

本实施例提供的所述移动边缘计算网络中的计算卸载方法，能用于应对计算密集型和时延敏感型计算任务为用户终端设备的计算能力和电池容量带来的挑战，实现对计算任务的低能耗、低时延高效处理。

为了更好地理解本发明实施例所述的移动边缘计算网络中的计算卸载方法，对其进行详细说明，具体可以包括以下步骤：

A1，优化变量去耦合，将原计算卸载问题分解为两个子问题

本实施例中，将移动边缘计算网络中的计算卸载问题(相关性较低的用户卸载决策和计算资源分配两种优化变量)分解为用户卸载决策求解和计算资源分配求解两个子问题分别求解。

A2，初始化计算资源分配

本实施例中，为每个用户分配可行的计算资源初始值，例如，将现有的计算资源平均分配给每个用户。

A3，筛选每个用户的卸载决策，得到每个用户的可行卸载决策集合，并确定最优卸载决策

本实施例中，根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策，具体可以包括以下步骤：

A31，计算用户选择不同卸载模式时的时延，并将计算得到的时延与用户的最大时延容忍值进行比较，若小于等于最大时延容忍值，则该卸载模式可行，将其加入该用户的可行卸载决策集合；若大于最大时延容忍值，则该卸载模式不可行；通过这种方式获得所有用户的可行卸载决策集合；

A32，以最小化时延和能耗之和为目标函数，根据初始化结果和可行卸载决策集合中的可行卸载决策，确定最优卸载决策。

本实施例中，在进行用户卸载决策的计算时，先根据各用户终端设备的不同时延要求对各用户终端设备的可行卸载决策进行了提前筛选，能够大大降低算法的复杂度，并提高计算效率。

本实施例中，以图2所示的单个基站的通信***为例进行说明：

在基站(Base Station)侧部署有一个边缘服务器(MEC Server)，为用户提供计算服务。在基站的覆盖范围内有n个用户，用户集合表示为U＝{1,2...,n}；其中，假设每个用户都有一个任务需要进行卸载计算，每个用户的任务可以表示为M_i，i∈U，若计算卸载所需要的时延超过任务能容忍的最大时延(即：最大时延容忍值)T^MAX，则认为是卸载失败。

设备间通信也可以作为一种计算卸载的手段，即各用户之间可以通过设备间通信等通信手段，拥有空闲计算资源的用户可以为需要进行计算卸载的用户提供计算服务因此，对于每一个需要被卸载的任务M_i来说，将会有(m+1)种类卸载模式，表示为S＝{0,1,2...,m}；对于不同的卸载模式j,j∈S，解释如下：

当j＝0时，表示任务M_i被卸载到边缘服务器进行计算；

当j＝i时，表示任务M_i不进行卸载，在本地进行计算；

当j取其它值时，表示用户i的任务M_i被卸载到用户j进行计算。

基于以上卸载模式，将用户的卸载决策定义为一个i×j，i∈U and j∈S的矩阵A，若矩阵A中的元素a_ij＝1，则表示用户i的任务M_i选择了卸载模式j进行卸载计算。以图2的***模型为例进行说明，可以看到，用户1(U1)和用户2(U2)选择将任务卸载到边缘服务器执行，用户3(U3)选择将任务卸载到用户2(U2)执行，用户4(U4)选择本地执行计算任务。因此，在用户的卸载决策矩阵中，a₁₀,a₁₀,a₁₀,a₁₀,a₁₀,a₂₀,a₃₂,a₄₄的值被设置为1。此外，定义计算资源分配矩阵为一个i×j,i∈U and j∈S的矩阵R，矩阵R中的元素r_ij表示任务M_i以卸载模式j被执行时分配给任务M_i的计算资源。定义功率分配矩阵为i×1,i∈U的矩阵P，矩阵P中的元素

表示用户i的发射功率。

当用户i的任务M_i以卸载模式j被执行时，执行时间表示为：

其中，C_ij表示任务M_i以卸载模式j被执行时所需要的计算资源，即为计算此任务占用的CPU周期数。

任务M_i以卸载模式j被执行时的能耗为：

其中，k>0为电容系数。

当用户i的计算任务M_i以卸载模式j,j≠i被执行，即任务不在本地执行时，需要进行任务数据的传输，传输速率RATE_ij表示如下：

其中，W表示信道带宽；表示用户i的发射功率；P中的元素

表示用户l的发射功率；w表示噪声功率；H_ij、H_lj分别表示用户i、用户l选择卸载模式j时的信道增益；a_lj表示用户l选择了卸载模式j进行卸载计算；

表示使用同一信道的用户之间的干扰。

当任务执行完成之后，需要向发起卸载请求的用户返回计算结果，但是由于同输入数据相比，计算结果的数据量可以忽略，因此下行数据传输过程可以不计入***开销。任务数据的传输时间为：

其中，P表示功率分配矩阵，D_ij表示任务M_i选择了卸载模式j进行卸载计算时需要上传的数据量。

传输任务的能耗为：

综合以上分析，目标函数可以表示为：

C7:α+β＝1

其中，A表示卸载决策矩阵，若矩阵A中的元素a_ij＝1，则表示用户i的任务M_i选择了卸载模式j进行卸载计算；R表示计算资源分配矩阵，R中的元素r_ij表示任务M_i以卸载模式j被执行时分配给任务M_i的计算资源；S表示卸载模式集合，S＝{0,1,2...,m}；U表示用户集合，U＝{1,2...,n}；α、β分别表示时延和能耗在***开销中所占的比例；

表示任务M_i以卸载模式j被执行时的执行时间；

表示任务M_i以卸载模式j被执行时的能耗；

表示任务M_i数据的传输时间；

表示传输任务M_i的能耗；

表示任务M_i的最大时延容忍值；

表示选择了卸载模式j进行卸载计算时，***能够分配的最大资源量；C1、C2、C3、C4、C5、C6、C7都表示约束条件。

本实施例中，C1保证了每个任务都会被执行；C2表示每个用户只能同时接受一个计算任务；C3表示最终得到的计算资源分配不能超过

C4和C5表示若用户i的计算任务M_i以卸载模式j执行，则必须为卸载模式j分配计算资源；C6为用户进行计算卸载的前提，若要进行计算卸载，必须满足时延条件；C7中α和β分别代表时延和能耗在***开销中所占的比例，二者之和为1。

A4，以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

本实施例中，将得到的当前最优卸载决策代入目标函数和约束不等式中，采用凸优化手段，将难以求解的非凸问题转化为拟凸问题或其他易于求解的形式，计算得到当前最优卸载决策下的最优计算资源分配方案。

A5，将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行A4，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

本实施例中，通过迭代式启发算法，对卸载决策和计算资源分配进行迭代更新，直至最优卸载策略不再发生变化，表示当前解即为原问题的最优解，即最优计算卸载方案，到此结束迭代。

需要强调的是：

本发明实施例提供的移动边缘计算网络中的计算卸载方法不仅适用于单个基站、单个边缘服务器组成的通信***，也适用于多个基站、多个边缘服务器组成的通信***；且每个用户可以有多个需要进行卸载计算的任务。

实施例二

本发明还提供一种移动边缘计算网络中的计算卸载***的具体实施方式，由于本发明提供的移动边缘计算网络中的计算卸载***与前述移动边缘计算网络中的计算卸载方法的具体实施方式相对应，该移动边缘计算网络中的计算卸载***可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述移动边缘计算网络中的计算卸载方法具体实施方式中的解释说明，也适用于本发明提供的移动边缘计算网络中的计算卸载***的具体实施方式，在本发明以下的具体实施方式中将不再赘述。

如图3所示，本发明实施例还提供一种移动边缘计算网络中的计算卸载***，包括：

分解模块11，用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

初始化模块12，用于初始化计算资源分配；

筛选模块13，用于根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

确定模块14，用于以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

优化模块15，用于将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行确定模块，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

本发明实施例所述的移动边缘计算网络中的计算卸载***将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；初始化计算资源分配；根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样，通过优化移动边缘计算网络中的计算卸载策略，使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行，从而可以降低用户终端设备的能量消耗和时间延迟。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种移动边缘计算网络中的计算卸载方法，其特征在于，包括：

S101，将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

S102，初始化计算资源分配；

S103，根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

S104，以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

S105，将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行S104，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

2.根据权利要求1所述的移动边缘计算网络中的计算卸载方法，其特征在于，所述初始化计算资源分配包括：

为每个用户分配可行的计算资源初始值。

3.根据权利要求1所述的移动边缘计算网络中的计算卸载方法，其特征在于，所述根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策包括：

计算用户选择不同卸载模式时的时延，并将计算得到的时延与用户的最大时延容忍值进行比较，若小于等于最大时延容忍值，则该卸载模式可行，将其加入该用户的可行卸载决策集合；若大于最大时延容忍值，则该卸载模式不可行；

以最小化时延和能耗之和为目标函数，根据初始化结果和可行卸载决策集合中的可行卸载决策，确定最优卸载决策。

4.根据权利要求1所述的移动边缘计算网络中的计算卸载方法，其特征在于，所述目标函数为：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:α+β＝1

其中，A表示卸载决策矩阵，若矩阵A中的元素a_ij＝1，则表示用户i的任务M_i选择了卸载模式j进行卸载计算；R表示计算资源分配矩阵，R中的元素r_ij表示任务M_i以卸载模式j被执行时分配给任务M_i的计算资源；S表示卸载模式集合，S＝{0,1,2...,m}；U表示用户集合，U＝{1,2...,n}；α、β分别表示时延和能耗在***开销中所占的比例；

表示任务M_i以卸载模式j被执行时的执行时间；

表示任务M_i以卸载模式j被执行时的能耗；

表示任务M_i数据的传输时间；

表示传输任务M_i的能耗；T_i ^MAX表示任务M_i的最大时延容忍值；

表示选择了卸载模式j进行卸载计算时，***能够分配的最大资源量；C1、C2、C3、C4、C5、C6、C7都表示约束条件。

5.根据权利要求4所述的移动边缘计算网络中的计算卸载方法，其特征在于，

表示为：

其中，C_ij表示任务M_i以卸载模式j被执行时所需要的计算资源。

6.根据权利要求5所述的移动边缘计算网络中的计算卸载方法，其特征在于，

表示为：

其中，k表示电容系数。

7.根据权利要求6所述的移动边缘计算网络中的计算卸载方法，其特征在于，

表示为：

其中，P表示功率分配矩阵，D_ij表示任务M_i选择了卸载模式j进行卸载计算时需要上传的数据量。

8.根据权利要求7所述的移动边缘计算网络中的计算卸载方法，其特征在于，

表示为：

其中，P中的元素

表示用户i的发射功率；RATE_ij表示用户i的任务M_i不在本地执行时，任务数据的传输速率。

9.根据权利要求7或8所述的移动边缘计算网络中的计算卸载方法，其特征在于，RATE_ij表示为：

其中，W表示信道带宽；P中的元素

表示用户l的发射功率；w表示噪声功率；H_ij、H_lj分别表示用户i、用户l选择卸载模式j时的信道增益；a_lj表示用户l选择了卸载模式j进行卸载计算。

10.一种移动边缘计算网络中的计算卸载***，其特征在于，包括：

分解模块，用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题；

初始化模块，用于初始化计算资源分配；

筛选模块，用于根据用户的不同时延要求对卸载决策进行筛选，得到每个用户的可行卸载决策集合，并根据初始化结果，确定最优卸载决策；

确定模块，用于以最小化时延和能耗之和为目标函数，计算得到当前最优卸载决策下的最优计算资源分配方案；

优化模块，用于将得到的最优计算资源分配方案代入目标函数求解卸载策略，判断得到的卸载策略与最优卸载决策是否相同，若不同，则更新最优卸载策略，并返回执行确定模块，直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。

Images