CN111400001B - 一种面向边缘计算环境的在线计算任务卸载调度方法 - Google Patents

Abstract

本发明公开一种面向边缘计算环境的在线计算任务卸载调度方法，该算法基于动态古诺博弈模型，包括：服务器周期性地发布计算资源的租用价格；各用户设备的各应用按一定频率产生计算任务；在产生计算任务时，用户设备利用得到的价格信息和历史信息，采用设计的迭代算法，计算所租用计算资源的数量，确定在不同服务器上进行计算所得到的支付函数值，实时选择最优调度方式，发送计算任务请求；服务器接收用户设备请求，实时分配计算资源，更新租用价格；计算完成，用户设备接收结果数据，更新历史信息，以此动态循环，达到纳什均衡，实现全局最优。本发明计算量低，通信开销小，实时性强，适用于动态网络环境与不同应用的差异化用户体验质量需求。

Description

一种面向边缘计算环境的在线计算任务卸载调度方法

技术领域

本发明属于边缘计算优化技术领域，特别涉及一种在线的计算任务卸载调度方法。

背景技术

随着移动智能设备的发展和用户对应用服务质量需求的提高，除了对算法的开发存在困难之外，新的基础性问题也随之暴露：在移动设备中所使用的计算机应用程序越丰富，移动设备所需要的计算资源也越多，并且有着敏感的延迟约束，也就意味着，对移动设备的计算力提出了较高的需求。

近年来，通信技术和边缘计算技术的研究与发展为解决这一问题提供了一种新的思路：利用边缘计算分担移动端的计算任务压力。比如在自动驾驶领域的SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)、视频检测、目标识别与跟踪、语音识别、协同优化控制，出行服务领域的AR(Augmented Reality，增强现实)导航、全景合成等都是延迟敏感却又计算密集型的、非常适合边缘计算***的应用。

虽然边缘计算的发展如火如荼，但是仍有大量的关键技术问题有待更多的研究和解决。边缘计算的核心是将计算任务进行分布化的处理，计算卸载的决策和调度问题是其关键技术之一，即应用模块在不同服务器之间如何进行放置和资源分配的问题，以避免计算资源的拥塞，达到网络性能、计算成本的均衡优化的问题。

现有研究多采用集中优化方法，如浙江大学公开的一种面向边缘计算环境的服务请求分配方法(中国专利申请公布号：CN108874525A)中所采用的的启发式算法，又如哈尔滨工程大学公开的一种多用户边缘服务器场景下的计算卸载方法(中国专利申请公布号：CN110535700A)中所采用的分支限界法，均属于集中式算法，需采用离线设置：在求解问题之前，需要知道全局的输入，包括所有移动端卸载的任务信息。在实际应用中，这会带来巨大的通信开销，并且不能够动态适应移动端应用需求的变化。所以需要开发在线的、能够适应不同场景的计算任务卸载调度方法。针对此问题，目前在线方法有采用分割时间片的方法，如论文“A mobilityaware vehicular caching scheme in content centricnetworks:Model and optimization”中采用马尔科夫链对离散时间片进行建模从而采用集中优化方法，主要存在实时性差的问题；也有采用基于实时网络状况监控的方法，如中山大学公开的一种基于边缘计算的自动驾驶服务卸载方法(中国专利申请公布号：CN110633138A)中采用的监控网络环境然后查表的方法，但该方法对高度时变的网络环境和不同的应用需求适应性差；论文“Dynamic Computation Offloading for Mobile CloudComputing:A Stochastic Game-TheoreticApproach”采用位势博弈模型建立在线卸载调度方法，其通信开销大，计算量大。

为了满足实际的边缘计算应用需求，高实时性，适应性，低通信开销的在线计算任务卸载调度方法需要被开发以提供良好的网络服务质量。

发明内容

鉴于上述，本发明提供了一种面向边缘计算环境的在线的计算任务卸载调度方法，具有强实时性，通信开销小的优点，能够根据不同的应用需求和场景自适应地分配计算资源，达到网络性能与成本之间的组合优化。

为了实现上述目的，本发明采用如下技术方案：

本发明提出的一种面向边缘计算环境下的在线计算任务卸载调度方法，该方法应用于包含三层架构：云服务器、边缘服务器和用户设备的边缘计算环境，其特征在于，所述在线计算任务卸载调度方法基于动态古诺博弈模型，包括以下步骤：

1)各服务器周期性地广播发布计算资源租用价格信息，所述计算资源租用价格根据服务器当前自身计算资源占用情况与计算资源定价策略制定；在边缘服务器通信范围内的每一个用户设备接收计算资源租用价格信息，并且运行着多个应用，并以每一个应用为独立的个体进行计算资源的租用服务，对应于博弈中的不同玩家；各应用分别根据一定的频率产生计算任务请求；

2)当用户设备产生计算任务请求时，该用户设备根据接收到的计算资源租用价格信息以及自身计算任务执行历史信息使用自适应学习速率的梯度下降迭代算法，以端到端延迟与成本综合指标为优化目标计算所请求的计算资源数目，使用排队论模型计算计算任务的端到端延迟，并计算相应的支付函数，从而选择使自身利益最大化的计算卸载方式，确定最优卸载调度策略，根据最优卸载调度策略，若需要进行计算卸载，用户设备发送计算任务请求数据包，包括计算数据与含有计算资源租用数目的控制信息，执行步骤3)；若无需进行估计算卸载，则用户设备在本地执行计算任务，当计算任务完成后用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度；

3)服务器接收用户设备的计算任务请求，使用在线的动态装箱算法，构建服务于计算任务的虚拟机，分配相应的物理主机计算资源后执行计算任务；其中，每一个计算任务对应的应用只能同时拥有一个虚拟机；服务器实时更新自身计算资源占用情况，根据步骤1)使用的计算资源定价策略，更新计算资源价格并进行广播；

4)当计算任务完成后，服务器返回计算结果数据包，用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度，以此进行动态循环，达到纳什均衡。

本发明的特点及有益效果如下：

本发明是一种在线算法，在n个用户设备，l个应用与e个服务器的情况下，时间复杂度为O(nle)，所需计算为对资源租用数量的迭代，空间复杂度为O(nle)，所需存储数据为历史任务信息，计算复杂度低；控制指令少，调度的决策算法在用户设备端执行，需要的外界输入仅为接收的周期性价格广播，需要的通信开销小；迭代函数能够快速收敛到不同场景下的稳定状态，具备很好的实时性；通过迭代算法，卸载决策能够达到纳什均衡，使得所有的用户都能够获得在性能与成本之间的均衡优化，达到全局优化；通过对支付函数的定义，可以反映不同的应用对性能与成本的不同需求，从而对不同的应用分配最合理的计算资源，从而达到优化***性能的目的，适用性广。

附图说明

图1是本发明实施例的整体流程图；

图2是本发明实施例的应用场景示意图；

图3是本发明实施例的实际效果示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

为了更好地理解本发明，以下以用于车辆应用的边缘计算环境为例详细阐述一个本发明一种面向边缘计算环境的在线计算任务卸载调度方法的应用实例。

参见图1，本发明提出的一种面向边缘计算环境的在线计算任务卸载调度方法，应用于包含三层架构：云服务器，多个边缘服务器和多个用户设备的边缘计算环境。其中，云服务器与各边缘服务器通过有线网络进行连接，边缘服务器与在其通信范围内的用户设备(为移动设备)通过无线网络连接。用户设备具有较弱的计算能力，边缘服务器具有较强的计算能力，可以供与其连接的用户设备使用，拥有较低的网络延迟，云服务器拥有最多的计算能力，但与用户设备间有较大的网络延迟。用户设备可以使用本地计算资源处理计算任务，也可以以一定的成本使用与其连接的边缘服务器或者云服务器的计算资源处理计算任务，其使用成本为向服务器支付相应的租用费用。服务器根据制定租用价格，用户设备根据价格选择使得收益最大化的计算资源租用策略，并在动态的网络环境中不断调整，构成动态古诺博弈模型。基于动态古诺博弈模型，各服务器根据当前自身的计算资源占用情况与计算资源定价策略，制定计算资源价格并周期性进行广播，在各服务器通信范围内的用户设备接收计算资源价格信息并产生计算任务请求；每一个用户设备以每一个应用为独立的个体进行计算资源的租用服务，当计算任务产生时，根据接收到的计算资源价格信息以及自身的计算任务计算情况历史信息，包括租用的计算资源数量和获得的实际端到端延迟与支付函数值，使用自适应学习速率的梯度下降迭代算法计算所请求的计算任务需要的计算资源数目，从而选择使自身利益最大化的计算卸载方式，若进行计算卸载，则向相应服务器发送计算任务请求；该服务器接收相应的计算任务请求，使用在线的动态装箱算法，构建服务于计算任务的虚拟机，分配相应的物理主机计算资源，更新服务器的计算资源占用情况，根据定价策略，更新计算资源价格并进行广播；用户设备接收计算结果，更新历史信息，进行下一次迭代，以此动态重复，最终达到纳什均衡，实现***性能与成本的整体优化目标。

本发明实施实例应用于如图2所示的网联车辆边缘计算环境，各网联车辆(如图中附图标记1～3所示)分别作为一个用户设备驶入边缘服务器覆盖范围，与边缘服务器6或者边缘服务器7和云服务器8通过通信节点4和通信节点5以有线或者无线的方式进行连接，接收到服务器计算资源价格信息。网联车辆{v₁，v₂，v₃}可用的计算资源包括本地车载计算资源、边缘服务器计算资源以及云服务器计算资源{s₁，s₂，s₃}。所有的服务器和车辆均写入协议支持本发明提出的在线计算卸载调度方法。车辆运行有不同的应用{a₁，a₂，…，a_l}，有着不同的计算量和延迟需求，l为车辆所装载的应用总数。本发明的在线计算任务卸载调度方法具体包括以下步骤：

1)云服务器8，边缘服务器6与边缘服务器7根据当前自身计算资源占用情况与计算资源定价策略，制定计算资源租用价格并通过通信节点4和通信节点5向车辆1与车辆2，车辆3周期性地进行广播；计算资源占用情况可以包括但不限于服务器的CPU、内存等的占用情况，计算资源定价策略与服务器的计算资源占用情况呈正相关，以防止计算任务的拥塞，计算定价策略可以用以下模型表示：

式中，p_uvi为服务器s_v对用户设备v_u的应用a_i所提供的计算资源的租用价格，v＝1，2，…，e，e为服务器的总个数，u＝1，2，…，n，n为服务器通信范围内用户设备的总数，i＝1，2，…，l，l为用户设备v_u所装载的应用总数；q_uvi为用户设备v_u的应用a_i向服务器s_v所申请使用的计算资源数量，单位为一个基本计算资源f_b，∑_u，iq_uvi为服务器s_v计算资源的总占用情况；x_uvi为服务器s_v向用户设备v_u的应用a_i收取的最低资源价格，y_uvi，z＞0，表示了计算资源价格随着计算资源的占用情况所上升的比例和速率。x_uvi，y_uvi，z由服务运营商制定，x_uvi越大，基础价格越高；y_uvi，z越大，计算资源随租用率的变化率越大。定价策略的制定使得用户设备不会因为自身利益而占用大量资源从而损害其他用户设备的服务质量。

使用广播的形式将确定的计算资源租用价格发送给用户设备，广播频率一般为10Hz。

每一个用户设备v_u，分别运行着不同的应用a_i，以各用户设备的每一个应用为独立的个体进行计算资源的租用服务，对应于博弈模型中的不同玩家，每一个应用的计算任务拥有属性＜λ_ui，d_ui，c_ui＞，其中，λ_ui表示用户设备v_u中应用a_i的计算任务的产生频率，d_ui表示用户设备v_u中应用a_i的计算任务需要传输的数据量大小，c_ui表示用户设备v_u中应用a_i的计算任务需要进行的计算量大小，用户设备v_u的每个应用以λ_ui为均值的泊松分布时间间隔产生计算任务。

2)当用户设备产生计算任务请求时，该用户设备根据接收到的计算资源租用价格信息以及自身储存的之前的计算任务执行历史信息，包括历史计算任务资源租用数量，支付函数值；使用自适应学习速率的梯度下降迭代算法，以端到端延迟与成本的综合指标为优化目标计算所请求的计算资源数目，使用排队论模型计算端到端延迟(包括计算延迟与通信延迟)，并计算相应的支付函数，从而选择使自身利益最大化的计算卸载方式，确定最优的卸载调度策略。根据最优卸载调度策略，若在边缘服务器或者云服务器上执行能够获得更大的支付函数值，需要进行计算卸载，用户设备发送计算任务请求数据包，包括计算数据与含有计算资源租用数目的控制信息，执行步骤3)。若无需进行估计算卸载，则用户设备在本地执行计算任务，当计算任务完成后用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度。

对于用户设备v_u的每一个应用即博弈玩家，在所有服务器上所对应的支付函数W_ui为：

其中，τ_uvi表示用户设备v_u的应用a_i是否在服务器s_v上执行的指示符，若执行，则τ_uvi＝1，否则，τ_uvi＝0，并且满足

一个计算任务只能选择一个服务器进行执行；

为用户设备v_u的应用a_i在服务器s_v上执行的计算任务的端到端延迟；p_uviq_uvi为用户设备v_u的应用a_i向服务器s_v支付的租用成本；α_ui，β_ui，γ_ui为权重因子，α_ui，与β_ui越大，对延迟要求越高，γ_ui越大，对租用价格越敏感；该支付函数存在极值，代表着达到网络性能与使用成本之间的最佳均衡，不同应用的权重因子α_ui，β_ui，γ_ui不同，体现着不同的性能需求，根据不同的应用需求，如自动驾驶车辆控制应用，对延迟敏感，则设置较大的α_ui，β_ui和较小的γ_ui；或者娱乐应用，对价格较为敏感，则设置较大的γ_ui。

通过租用价格的机制，用户设备之间的支付函数，即收益会相互影响，每个用户设备的定价策略都能够得到最大的支付函数值的状态为该动态古诺博弈模型的纳什均衡状态。为了使得各用户设备能够在有限的信息交互情况下达到纳什均衡状态，采用了一种根据接收到的价格信息以及自身历史信息使用自适应学习速率的梯度下降迭代算法计算所请求的计算资源数目的迭代方法，通过不断地迭代，从而收敛于纳什均衡，迭代算法的表达式为：

式中，k为迭代次数，s_ui为用户设备v_u的应用a_i的学习速率因子，s_uiq_uvi(k)为第k次迭代计算的自适应学习速率，可以加快收敛。考虑到实际的通信开销，在有限信息交互的情况下，

难以进行计算，因此使用差分近似计算偏导数可得利用历史信息的迭代公式：

其中，Q_-1(k-1)为其他应用(其他应用是指除了用户设备v_u中应用a_i以外的该用户设备和其他用户设备的所有应用)的计算资源租用策略，Q_-1(k)∪{q_uvi(k)}为所用玩家策略的集合。在产生计算任务时，使用迭代算法并结合用户设备的历史信息计算所需要租用的计算资源数量；

在进行卸载决策时，需要对端到端延迟

进行估计，

分为通信延迟

与计算延迟

计算公式如下：

式中，

计算延迟

根据服务器s_v对用户设备v_u请求的应用a_i的计算任务的处理逻辑，可以使用M/G/1排队论模型进行估计。计算表达式为：

其中，μ_ui为一个单位计算资源f_b对用户设备v_u的应用a_i的计算任务的处理速率，值为c_ui/f_b，ρ为M/G/1排队论模型中的服务强度，根据公式计算。

通信延迟

分为固定的连接延迟和与传输量正相关的延迟两部分，计算公式为：

其中，r_uv为用户设备v_u与服务器s_v的等效传输速率，

为用户设备v_u与服务器s_v的固定连接延迟，r_uv和

根据网络状况可以动态更新。

利用上述迭代方法得到的计算资源数量q_uvi，计算在不同服务器上执行的支付函数，选择使得支付函数最大化的卸载方案，即τ_uvi，以此确定计算卸载调度策略。其中，用户设备本身的计算单元也属于一个服务器，根据计算卸载调度策略结果，若选择进行卸载，则通过通信节点4与通信节点5发送数据包进行数据传输，通信网络将计算任务发送到目的服务器，执行步骤3)，所述数据包包含计算任务所需数据信息和计算资源租用量的控制信息。若选择本地计算，则使用用户设备自身的计算单元进行计算，当计算任务完成后用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度。

3)边缘服务器6、边缘服务器7与云服务器8在接收到相应用户设备的计算任务请求时，首先判断对应的计算任务是否有正在执行的虚拟机，如果有，则将该计算任务加入等待队列。若没有该计算任务对应的虚拟机或者正在等待的虚拟机完成了计算，则服务器将为该计算任务分配计算资源，计算资源分配数量根据所请求的数量f_bq_uvi进行分配。分配方法采用在线的First Fit动态装箱算法进行分配，分配给第一个满足计算资源需求的物理主机；若没有满足计算资源需求的物理主机，则加入一个先进先出列队进行等待。之后更新服务器的计算资源占用情况，根据步骤1)的采用的定价策略更新p_uvi，周期性地发布最新价格，用于各用户设备迭代算法的下一次迭代。

4)服务器完成计算任务请求返回计算结果后，用户设备可以获得真实的端到端延迟

该数据存储到历史信息中，用于下一步的迭代算法与更新网络状态信息r_uv与

从而提高对延迟估计的准确性。返回步骤1)，继续下一轮循环，动态重复，形成动态重复博弈，最终各用户设备的资源请求策略达到纳什均衡，从而使得每个应用都获得最佳的支付函数值，达到成本与性能之间的均衡，形成全局优化，如图3所示，所有的应用根据其不同的需求都能够找到最佳的计算资源租用和卸载策略并能够保持稳定。当用户设备移动，拓扑结构改变，网络环境变化时，该方法也能够迅速地重新收敛。

以上示意性地对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性地设计出与该技术方案相似的方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种面向边缘计算环境下的在线计算任务卸载调度方法，该方法应用于包含三层架构：云服务器、边缘服务器和用户设备的边缘计算环境，其特征在于，所述在线计算任务卸载调度方法基于动态古诺博弈模型，包括以下步骤：

1)各服务器周期性地广播发布计算资源租用价格信息，所述计算资源租用价格根据服务器当前自身计算资源占用情况与计算资源定价策略制定；在边缘服务器通信范围内的每一个用户设备接收计算资源租用价格信息，并且运行着多个应用，并以每一个应用为独立的个体进行计算资源的租用服务，对应于博弈中的不同玩家；各应用分别根据一定的频率产生计算任务请求；

2)当用户设备产生计算任务请求时，该用户设备根据接收到的计算资源租用价格信息以及自身计算任务执行历史信息使用自适应学习速率的梯度下降迭代算法，以端到端延迟与成本综合指标为优化目标计算所请求的计算资源数目，使用排队论模型计算计算任务的端到端延迟，并计算相应的支付函数，从而选择使自身利益最大化的计算卸载方式，确定最优卸载调度策略，根据最优卸载调度策略，若需要进行计算卸载，用户设备发送计算任务请求数据包，包括计算数据与含有计算资源租用数目的控制信息，执行步骤3)；若无需进行估计算卸载，则用户设备在本地执行计算任务，当计算任务完成后用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度；

3)服务器接收用户设备的计算任务请求，使用在线的动态装箱算法，构建服务于计算任务的虚拟机，分配相应的物理主机计算资源后执行计算任务；其中，每一个计算任务对应的应用只能同时拥有一个虚拟机；服务器实时更新自身计算资源占用情况，根据步骤1)使用的计算资源定价策略，更新计算资源价格并进行广播；

4)当计算任务完成后，服务器返回计算结果数据包，用户设备更新计算结果与计算任务历史信息，返回步骤1)，继续进行下一次的计算任务卸载调度，以此进行动态循环，达到纳什均衡。

2.根据权利要求1所述的在线计算任务卸载调度方法，其特征在于：步骤1)中，所述计算资源占用情况包括服务器的CPU和内存的占用情况；所述计算资源定价策略与服务器的计算资源占用情况呈正相关，该计算资源定价策略用以下模型表示：

式中，p_uvi为服务器s_v对用户设备v_u的应用a_i所提供的计算资源的租用价格，v＝1，2，…，e，e为服务器的总个数，u＝1，2，…，n，n为服务器通信范围内用户设备的总数，i＝1，2，…，l，l为用户设备v_u所装载的应用总数；q_uvi为用户设备v_u的应用a_i向服务器s_v所申请使用的计算资源数量，单位为一个基本计算资源f_b，∑_u，iq_uvi为服务器s_v计算资源的总占用情况；x_uvi为服务器s_v向用户设备v_u的应用a_i收取的最低资源价格，y_uvi＞0，表示计算资源价格随着计算资源的占用率所上升的比例，z＞0，表示计算资源价格随着计算资源的占用率所上升的速率；

服务器使用广播的形式将计算资源租用价格发送给用户设备；

用户设备v_u的每一个应用a_i的计算任务拥有属性＜λ_ui，d_ui，c_ui＞，其中，λ_ui表示用户设备v_u中应用a_i的计算任务的产生频率，d_ui表示用户设备v_u中应用a_i的计算任务需要传输的数据量大小，c_ui表示用户设备v_u中应用a_i的计算任务需要进行的计算量大小，用户设备v_u的每个应用以λ_ui为均值的泊松分布时间间隔产生计算任务。

3.根据权利要求2所述的在线计算任务卸载调度方法，其特征在于：步骤2)中，对于用户设备v_u的每一个应用a_i即博弈玩家，设在所有服务器上所对应的支付函数W_ui为：

其中，τ_uvi表示用户设备v_u的应用a_i是否在服务器s_v上执行的指示符，若执行，则τ_uvi＝1，否则，τ_uvi＝0，并且满足

一个计算任务只能选择一个服务器进行执行；

为用户设备v_u的应用a_i在服务器s_v上执行的计算任务的端到端延迟；p_uviq_uvi为用户设备v_u的应用a_i向服务器s_v支付的租用成本；α_ui，β_ui，γ_ui为权重因子，α_ui，与β_ui越大，对延迟要求越高，γ_ui越大，对租用价格越敏感；

采用根据用户设备接收到的计算资源租用价格信息以及自身储存的计算任务执行历史信息，使用自适应学习速率的梯度下降迭代算法计算用户设备v_u的应用a_i在服务器s_v上所租用的计算资源数目，使得各用户设备能够在有限的信息交互情况下达到纳什均衡状态，从而每个用户的计算资源定价策略都能够得到最大的支付函数值；所述迭代算法的表达式为：

式中，k为迭代次数，s_ui为用户设备v_u的应用a_i的学习速率因子，s_uiq_uvi(k)为第k次迭代计算的自适应学习速率；

使用差分近似计算偏导数利用历史信息的迭代公式：

其中，Q_-1(k-1)为其他应用的计算资源租用策略，Q_-1(k)∪{q_uvi(k)}为所有玩家策略的集合；

在产生计算任务时，根据上述迭代算法并利用用户设备的计算任务执行历史信息，迭代计算所需要租用的计算资源数量；

在进行卸载决策时，根据下式计算端到端延迟

式中，

为计算延迟，根据服务器s_v对用户设备v_u请求的应用a_i的计算任务的处理逻辑，使用M/G/1排队论模型进行估计，计算表达式为：

其中，μ_ui为一个单位计算资源f_b对用户设备v_u的应用a_i的计算任务的处理速率c_ui/f_b；ρ为M/G/1排队论中的服务强度；

为通信延迟，分为固定的连接延迟和与传输量正相关的延迟两部分，计算公式为：

其中，r_uv为用户设备v_u与服务器s_v的等效传输速率，

为用户设备v_u与服务器s_v的固定连接延迟，r_uv与

根据网络状况动态更新；

利用上述迭代算法得到的计算资源数量q_uvi，计算在用户设备v_u中应用a_i的计算任务在不同服务器上执行的支付函数，选择使得支付函数最大化的卸载方案，即τ_uvi，以此确定计算卸载调度策略；根据该计算卸载调度策略结果，选择本地计算或者卸载计算。

4.根据权利要求1或2所述的在线计算任务卸载调度方法，其特征在于：步骤3)中，服务器在接收到用户设备的计算任务请求时，首先判断对应的计算任务是否有正在执行的虚拟机，若有，则将该计算任务加入等待队列，若没有该应用对应的虚拟机或者正在等待的虚拟机完成了计算，则服务器将为该计算任务分配计算资源，计算资源分配数量根据所请求的数量进行分配；分配方法采用在线的First Fit动态装箱算法，分配给第一个满足计算资源需求的物理主机，若没有满足计算资源需求的物理主机，则加入一个先进先出队列进行等待；然后更新服务器的计算资源占用情况，根据步骤1)采用的计算资源定价策略更新计算资源租用价格p_uvi，并周期性地发布最新价格，用于各用户迭代算法的下次迭代。

5.根据权利要求1所述的在线计算任务卸载调度方法，其特征在于：步骤4)中，服务器完成计算任务请求返回计算结果后，用户设备获得真实的端到端延迟，该数据存储到历史信息中，用于迭代算法与更新网络状态信息。

6.根据权利要求1所述的在线计算任务卸载调度方法，其特征在于：广播频率为10Hz。

Images