基于單用戶和分類任務(wù)的MEC任務(wù)卸載策略及性能優(yōu)化

李小良，李 偉，金順福,*

(1. 開灤集團(tuán) 信息與控制中心，河北 唐山 063018；2. 燕山大學(xué) 信息科學(xué)與工程學(xué)院，河北 秦皇島 066004)

0 引言

隨著移動(dòng)設(shè)備使用數(shù)目的增加以及5G技術(shù)的飛速發(fā)展，人們開始對(duì)數(shù)據(jù)計(jì)算等有了更高的要求。根據(jù)互聯(lián)網(wǎng)數(shù)據(jù)中心(Internet Data Center, IDC)報(bào)告[1]，預(yù)計(jì)到2025年，全球數(shù)據(jù)總量將會(huì)超過163 ZB，這其中有超過40%的數(shù)據(jù)將在網(wǎng)絡(luò)邊緣處理。面對(duì)網(wǎng)絡(luò)新時(shí)代，傳統(tǒng)的云計(jì)算平臺(tái)暴露出了實(shí)時(shí)性差、阻塞率高、能耗開銷大等諸多不足[2]。為了用戶的網(wǎng)絡(luò)服務(wù)體驗(yàn)，移動(dòng)邊緣計(jì)算(Mobile Edge Computing, MEC)的范式應(yīng)運(yùn)而生[3-4]。MEC平臺(tái)下的任務(wù)卸載策略問題成為相關(guān)領(lǐng)域的研究熱點(diǎn)。

為了制定合理的任務(wù)卸載策略，近年來，國(guó)內(nèi)外諸多學(xué)者已經(jīng)進(jìn)行了大量工作。Kuo等[5]搭建了關(guān)于MEC的能量消耗模型，提出了一種系統(tǒng)級(jí)方法用于找尋任務(wù)卸載過程中最佳的節(jié)能方案。為了使MEC中能耗達(dá)到最優(yōu)水平，Long等[6]提出了一個(gè)邊緣云協(xié)作架構(gòu)，并將框架中計(jì)算卸載問題建模為一個(gè)帶有約束的NP難題，應(yīng)用貪心算法以及模擬退火算法得出了最佳計(jì)算卸載方案。龍隆等[7]提出了一種基于博弈論的計(jì)算卸載與資源分配的聯(lián)合優(yōu)化算法，用于解決MEC中移動(dòng)終端產(chǎn)生的高時(shí)延問題。上述文獻(xiàn)對(duì)MEC系統(tǒng)卸載策略問題的研究均局限于一個(gè)度量角度，不能夠全面地提升用戶體驗(yàn)。

針對(duì)不同應(yīng)用情景下的MEC服務(wù)，研究人員搭建出了各具特色的MEC系統(tǒng)框架。為了研究MEC環(huán)境下車輛的能耗和延遲等問題，Yang等[8]搭建了一個(gè)由多臺(tái)同構(gòu)虛擬機(jī)組成的車輛MEC框架，并設(shè)法解決任務(wù)卸載決策和計(jì)算資源分配的聯(lián)合優(yōu)化問題。Delfin等[9]搭建了一個(gè)由用戶層、霧計(jì)算層和云層等三部分組成的霧計(jì)算框架。通過在霧計(jì)算層配備多臺(tái)同構(gòu)虛擬機(jī)，縮減了用戶的請(qǐng)求響應(yīng)時(shí)間。Li等[10]提出了一種由邊緣和云共同組成的邊緣云架構(gòu)，云負(fù)責(zé)管理和監(jiān)視邊緣中的資源和服務(wù)，而邊緣則負(fù)責(zé)處理分配給自己的服務(wù)請(qǐng)求。上述文獻(xiàn)所構(gòu)建的MEC系統(tǒng)框架考慮的均為同構(gòu)邊緣。然而，在實(shí)際MEC情景中，邊緣往往是異構(gòu)的，即分布在MEC邊緣處的計(jì)算資源種類多樣，計(jì)算能力存在一定差異。

本文對(duì)整體智能家居等專用MEC應(yīng)用情景中的卸載問題進(jìn)行研究，考慮不同任務(wù)的處理需求，提出一種基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略。搭建帶有異構(gòu)邊緣的MEC系統(tǒng)框架，建立由M/M/1、M/M/c和M/M/∞等經(jīng)典排隊(duì)組成的系統(tǒng)模型，評(píng)估基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略的系統(tǒng)性能，并進(jìn)行系統(tǒng)實(shí)驗(yàn)。以最小化系統(tǒng)成本為目標(biāo)，應(yīng)用卡羅需-庫(kù)恩-塔克(Karush-Kuhn-Tucker, KKT)條件方法，給出任務(wù)卸載策略聯(lián)合優(yōu)化方案。

1 MEC系統(tǒng)框架及任務(wù)卸載策略

1.1 MEC系統(tǒng)框架

在整體智能家居等專用MEC應(yīng)用場(chǎng)景中，家庭網(wǎng)關(guān)通常會(huì)同時(shí)收到來自家庭內(nèi)部的多種數(shù)據(jù)任務(wù)[11]。這些任務(wù)或者直接在本地處理，或者被卸載到網(wǎng)絡(luò)邊緣和云端。結(jié)合整體智能家居等專用MEC的應(yīng)用特點(diǎn)，在MEC系統(tǒng)中，引入分類處理機(jī)制，將任務(wù)劃分為低速、中速和高速等三類。為了充分滿足各類任務(wù)的處理需求，搭建基于單用戶和任務(wù)分類的MEC系統(tǒng)架構(gòu)，如圖1所示。

圖1 基于單用戶和任務(wù)分類的MEC系統(tǒng)架構(gòu)Fig.1 Architecture of a MEC system based on single-user and tasks classification

圖1所示的MEC系統(tǒng)架構(gòu)由本地端、基站、邊緣端和云端四部分組成。本地端和邊緣端分別部署了一臺(tái)任務(wù)調(diào)度器，用來實(shí)施任務(wù)的卸載策略。通過調(diào)節(jié)任務(wù)調(diào)度器上的任務(wù)卸載策略參數(shù)，實(shí)現(xiàn)各類任務(wù)在MEC系統(tǒng)中的合理分配。

在本地端，考慮一名用戶(單臺(tái)移動(dòng)設(shè)備)的接入。本地端配備有本地調(diào)度器、本地處理器、本地發(fā)送端口和本地接收端口等裝置，分別用于實(shí)現(xiàn)任務(wù)在本地端的決策、處理、發(fā)送和接收等功能。本地處理器、本地發(fā)送端口和本地接收端口各自帶有一個(gè)容量不限的緩存空間。當(dāng)本地處理器、本地發(fā)送端口或本地接收端口被占用時(shí)，新到來的任務(wù)會(huì)在緩存區(qū)中排隊(duì)等待。

邊緣端配備有MEC調(diào)度器、MEC服務(wù)器和MEC發(fā)送機(jī)等裝置，分別用于實(shí)現(xiàn)任務(wù)在邊緣端的決策、處理和發(fā)送。MEC服務(wù)器是異構(gòu)的，它由三簇物理機(jī)構(gòu)成。這些物理機(jī)分別被命名為簇1、簇2和簇3，每簇物理機(jī)的數(shù)目不盡相同。處在同一簇中的物理機(jī)具有相同的任務(wù)處理速率且共享一個(gè)緩存。處在不同簇的物理機(jī)具有不同的任務(wù)處理速率：簇1中物理機(jī)任務(wù)處理速率相對(duì)較低，適合于低速類任務(wù)；簇2中物理機(jī)的任務(wù)處理速率居中，適合于中速類任務(wù)；簇3中物理機(jī)的任務(wù)處理速率相對(duì)較高，適合于高速類任務(wù)。

云端上部署著大量云服務(wù)器，這些服務(wù)器有著強(qiáng)大的計(jì)算能力，用于處理卸載到云端的全部任務(wù)。同時(shí)云端還擁有眾多大功率發(fā)送機(jī)，用于發(fā)送被云服務(wù)器處理完畢的任務(wù)。

1.2 MEC任務(wù)卸載策略

結(jié)合1.1節(jié)所搭建的MEC系統(tǒng)架構(gòu)，提出一種基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略。

在移動(dòng)設(shè)備上生成的任務(wù)被劃分為低速、中速或高速中的某一類。根據(jù)本地調(diào)度器上設(shè)定的此類任務(wù)卸載策略參數(shù)，該任務(wù)以一定概率送到本地處理器，以一定的概率送往本地輸出端口。任務(wù)在本地端接受處理時(shí)，不會(huì)進(jìn)行類別的區(qū)分。

送往本地輸出端口的任務(wù)卸載到邊緣端或者云端進(jìn)行處理。卸載的任務(wù)在離開本地發(fā)送端口后，進(jìn)入傳輸信道，經(jīng)過附近基站的轉(zhuǎn)發(fā)，最終抵達(dá)邊緣端。任務(wù)在抵達(dá)邊緣端后，根據(jù)MEC調(diào)度器上設(shè)置的此類任務(wù)卸載策略參數(shù)，該任務(wù)以一定的概率在MEC服務(wù)器上接受處理，以一定的概率卸載到云端進(jìn)行處理。根據(jù)任務(wù)類別，在MEC調(diào)度器的控制下，MEC服務(wù)器上的任務(wù)被分配到相對(duì)應(yīng)的物理機(jī)簇上接受處理。各類任務(wù)在物理機(jī)上處理結(jié)束后，由MEC發(fā)送機(jī)統(tǒng)一發(fā)送。發(fā)送后的任務(wù)經(jīng)過傳輸信道再次回到本地端，并由本地接收端口進(jìn)行接收。

如果任務(wù)被卸載到云端進(jìn)行處理，那么任務(wù)在離開邊緣端后會(huì)再次經(jīng)過傳輸信道傳輸?shù)皆贫?。考慮到云服務(wù)器數(shù)目眾多且計(jì)算能力強(qiáng)大，任務(wù)在云端處不再進(jìn)行種類區(qū)分，全部由云服務(wù)器進(jìn)行處理。各類任務(wù)在處理完畢后，由云發(fā)送機(jī)發(fā)送到傳輸信道返回本地端，由本地接收端口進(jìn)行接收。

2 系統(tǒng)模型

2.1 本地計(jì)算模型

抽象任務(wù)在基于單用戶和分類任務(wù)的MEC任務(wù)卸載策略下的行為，將不同類任務(wù)看作多類顧客，本地處理器、本地發(fā)送端口、本地接收端口、物理機(jī)、MEC發(fā)送機(jī)、云服務(wù)器和云發(fā)送機(jī)等看作服務(wù)臺(tái)，將對(duì)任務(wù)的處理、發(fā)送和接收等過程看作對(duì)顧客的服務(wù)過程。根據(jù)任務(wù)在各處服務(wù)臺(tái)上的服務(wù)特點(diǎn)，將基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略建模為一個(gè)具有單輸入流與多類顧客的排隊(duì)模型。

(1)

其中，θ為一個(gè)任務(wù)包含的平均數(shù)據(jù)量。

(2)

被卸載的任務(wù)首先需要經(jīng)過本地發(fā)送端口的發(fā)送。假設(shè)任務(wù)在本地發(fā)送端口上的發(fā)送時(shí)間服從相同的負(fù)指數(shù)分布。那么任務(wù)在本地發(fā)送端口上的發(fā)送過程可以看作是一個(gè)M/M/1排隊(duì)。

令rop表示本地發(fā)送端口單位時(shí)間內(nèi)發(fā)送的數(shù)據(jù)量，則rop的表達(dá)式為

(3)

根據(jù)M/M/1排隊(duì)的理論分析結(jié)果，可以得出任務(wù)在本地發(fā)送端口的平均逗留時(shí)間top如式

(4)

卸載處理的任務(wù)經(jīng)過MEC發(fā)送機(jī)或云發(fā)送機(jī)返回本地端，并由本地接收端口進(jìn)行接收。假設(shè)各個(gè)任務(wù)在本地接收端口的接收時(shí)間服從相同的負(fù)指數(shù)分布，那么任務(wù)在本地接收端口的接收過程可以看作是一個(gè)M/M/1排隊(duì)。令rrp表示本地接收端口單位時(shí)間內(nèi)接收的數(shù)據(jù)量。任務(wù)在本地接收端口的平均逗留時(shí)間trp為

(5)

2.2 邊緣計(jì)算模型

(6)

其中，s1為本地端與邊緣端之間的信道長(zhǎng)度，v是任務(wù)在信道中的傳輸速率(m/s)。

MEC服務(wù)器上的三簇物理機(jī)各司其職，分別用來處理低速類、中速類和高速類等三類任務(wù)。假設(shè)任務(wù)在同一簇物理機(jī)上的處理時(shí)間服從相同的負(fù)指數(shù)分布，那么任務(wù)在MEC服務(wù)器上的處理過程可看作一個(gè)M/M/c排隊(duì)。設(shè)簇i(i=1,2,3)中有ci臺(tái)物理機(jī)，每臺(tái)物理機(jī)的處理速率均為μi。根據(jù)M/M/c排隊(duì)的理論分析結(jié)果，任務(wù)在簇i物理機(jī)上的平均逗留時(shí)間ti為

(7)

任務(wù)在MEC服務(wù)器上處理完畢后，將送往MEC發(fā)送機(jī)。假設(shè)任務(wù)在MEC發(fā)送機(jī)上的發(fā)送時(shí)間服從相同的負(fù)指數(shù)分布，那么任務(wù)在MEC發(fā)送機(jī)上的發(fā)送過程可以看作一個(gè)M/M/1排隊(duì)。

令res表示單位時(shí)間內(nèi)由MEC發(fā)送機(jī)發(fā)出的數(shù)據(jù)量。任務(wù)在MEC發(fā)送機(jī)上的平均逗留時(shí)間tes為

(8)

2.3 云端計(jì)算模型

(9)

其中，v為任務(wù)在傳輸信道的傳輸速度。

考慮到云服務(wù)器強(qiáng)大的計(jì)算能力，假設(shè)任務(wù)在到達(dá)云端后，可以立刻在云服務(wù)器上接受處理。假設(shè)任務(wù)在云服務(wù)器上的處理時(shí)間服從相同的負(fù)指數(shù)分布，任務(wù)在云服務(wù)器上的處理過程可以看作是一個(gè)M/M/∞排隊(duì)。此時(shí)，任務(wù)在云服務(wù)器上的逗留時(shí)間即為任務(wù)在云服務(wù)器上的處理時(shí)間。

設(shè)任務(wù)在云服務(wù)器上的處理速率為μcd，即單位時(shí)間內(nèi)云服務(wù)器處理的任務(wù)個(gè)數(shù)。任務(wù)在云服務(wù)器上的平均逗留時(shí)間tcd為

(10)

任務(wù)在云服務(wù)器上處理完畢后，由云發(fā)送機(jī)返回到本地端?？紤]云發(fā)送機(jī)強(qiáng)大的發(fā)送能力，假設(shè)任務(wù)在被送往云發(fā)送機(jī)后，將立刻進(jìn)行發(fā)送。假設(shè)任務(wù)在云發(fā)送機(jī)上的發(fā)送時(shí)間服從相同的負(fù)指數(shù)分布，任務(wù)在云發(fā)送機(jī)上的發(fā)送過程可以看作是一個(gè)M/M/∞排隊(duì)。此時(shí)，任務(wù)在云發(fā)送機(jī)上的逗留時(shí)間即為任務(wù)在云發(fā)送機(jī)上的發(fā)送時(shí)間。

令rcs表示云發(fā)送機(jī)的發(fā)送能力(bit/s)，即單位時(shí)間內(nèi)云發(fā)送機(jī)發(fā)送的數(shù)據(jù)量。任務(wù)在云發(fā)送機(jī)上的平均逗留時(shí)間tcs為

(11)

3 策略性能評(píng)估

為了評(píng)估MEC任務(wù)卸載策略的系統(tǒng)性能，求解各類任務(wù)的平均處理時(shí)延和各類任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗水平。

在計(jì)算各類任務(wù)的平均處理時(shí)延時(shí)，需要同時(shí)考慮任務(wù)的本地處理、任務(wù)的上行和任務(wù)的下行三個(gè)過程。

(12)

(13)

(14)

移動(dòng)設(shè)備的能耗包含本地處理器處理任務(wù)時(shí)的能耗、本地發(fā)送端口發(fā)送任務(wù)時(shí)的能耗和本地接收端口接收任務(wù)時(shí)的能耗等三部分。

在實(shí)際應(yīng)用中，任務(wù)在本地處理器緩存中等待時(shí)的能耗要遠(yuǎn)小于任務(wù)在本地處理器中進(jìn)行處理的能耗。設(shè)本地處理器的功率ηlp為

ηlp=γ1f?+γ2，

(15)

其中，?、γ1和γ2均是與本地處理器芯片有關(guān)的參數(shù)，可由文獻(xiàn)[14]方法測(cè)量得出。

本地處理器每處理一個(gè)任務(wù)，移動(dòng)設(shè)備的平均能耗ψlp為

(16)

設(shè)本地發(fā)送端口的功率為ηop，本地發(fā)送端口每發(fā)送一個(gè)任務(wù)，移動(dòng)設(shè)備的平均能耗ψo(hù)p為

(17)

設(shè)本地接收端口的功率為ηrp，本地接收端口每接收一個(gè)任務(wù)，移動(dòng)設(shè)備的平均能耗ψrp為

(18)

(19)

4 系統(tǒng)實(shí)驗(yàn)

進(jìn)行系統(tǒng)實(shí)驗(yàn)，分析任務(wù)種類、任務(wù)比重以及任務(wù)本地處理概率對(duì)系統(tǒng)性能的影響。系統(tǒng)實(shí)驗(yàn)在MATLAB R2011a環(huán)境下進(jìn)行，文獻(xiàn)[15]在保證系統(tǒng)穩(wěn)定的條件下的設(shè)置實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Tab.1 Parameters setting in experiments

利用表1設(shè)定的實(shí)驗(yàn)參數(shù)，針對(duì)不同任務(wù)比重，給出三類任務(wù)的平均處理時(shí)延變化趨勢(shì)，如圖2所示。

在圖2(a)中，低速類任務(wù)在三類任務(wù)比重下對(duì)應(yīng)的最小平均處理時(shí)延分別為4.403 ms、4.522 ms和4.716 ms；圖2(b)中，中速類任務(wù)在三類任務(wù)比重下對(duì)應(yīng)的最小平均處理時(shí)延分別為 4.386 ms、4.508 ms和4.685 ms；圖2(c)中，高速類任務(wù)在三類任務(wù)比重下對(duì)應(yīng)的最小平均處理時(shí)延分別為4.368 ms、4.492 ms和4.662 ms。

(a) 低速類任務(wù)

從圖2實(shí)驗(yàn)的數(shù)值結(jié)果可以看出，在相同的任務(wù)到達(dá)率下，某類任務(wù)比重的增大會(huì)引起該類任務(wù)最小平均處理時(shí)延的增大。此外，在相同的任務(wù)比重下，不同種類的任務(wù)之間的最小平均處理時(shí)延存在差異。任務(wù)響應(yīng)程度越高，最小平均處理時(shí)延越小，這是由于MEC服務(wù)器對(duì)三類種類任務(wù)處理速率不同造成的。

此外，通過觀察圖2中曲線的最低點(diǎn)可以得出，對(duì)于同一類型的任務(wù)，隨著該類任務(wù)比重的增大，任務(wù)對(duì)應(yīng)的最佳本地處理概率將逐漸減小。相比MEC服務(wù)器和云服務(wù)器，本地處理器有著較低的任務(wù)處理速率。隨著任務(wù)數(shù)目的增多，任務(wù)在本地處理器的平均逗留時(shí)間成為導(dǎo)致任務(wù)平均處理時(shí)延增長(zhǎng)的主要影響因素，因此，該任務(wù)將更有可能以卸載的方式進(jìn)行處理，最佳的本地處理概率會(huì)變小。

針對(duì)不同的本地處理器時(shí)鐘頻率，給出各類任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗水平隨該類任務(wù)本地處理概率的變化趨勢(shì)，如圖3所示。由式(19)可知，任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗水平與任務(wù)類別無(wú)關(guān)。這意味著三類任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗水平在該類任務(wù)本地處理概率下呈現(xiàn)相同的變化趨勢(shì)，因此用一張圖即可表示對(duì)三類任務(wù)的實(shí)驗(yàn)探究結(jié)果。

圖3 第i類任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗水平Fig.3 Energy consumption level of mobile device corresponding to the class i tasks

5 策略優(yōu)化

折衷考慮任務(wù)的平均處理時(shí)延和移動(dòng)設(shè)備的能耗水平，引入權(quán)重系數(shù)，建立系統(tǒng)的成本函數(shù)，研究基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略聯(lián)合優(yōu)化問題。

設(shè)任務(wù)平均處理時(shí)延和移動(dòng)設(shè)備能耗水平所對(duì)應(yīng)的權(quán)重系數(shù)分別為f1和f2，且存在關(guān)系式f1+f2=1。通過加權(quán)平均法，得到系統(tǒng)的成本函數(shù)F(x)為

(20)

至此，可以得到一個(gè)聯(lián)合優(yōu)化問題P如式

(21)

為了降低系統(tǒng)成本，應(yīng)用KKT條件方法優(yōu)化任務(wù)卸載策略。對(duì)于優(yōu)化變量x，需要同時(shí)考慮系統(tǒng)穩(wěn)態(tài)條件和任務(wù)分配比例自身范圍等兩種約束。令gk(x)≤0表示優(yōu)化變量間存在的不等式約束，可以得出gk(x)為

(23)

其中，式gk(x)(k=1,2,…,7)由系統(tǒng)的穩(wěn)態(tài)條件得出，式gk(x)(k=8,9,…,19)由分配比例自身的范圍得出。

將優(yōu)化問題P轉(zhuǎn)換為KKT條件方法的解決形式

(24)

s.t.gk(x)≤0,k=1,2,…,19。

(25)

綜合式(20)和式(23)，得到拉格朗日函數(shù)W(x)為

(26)

其中，δk(k=1,2,…,19)為拉格朗日乘子，并且滿足δk≥0。

根據(jù)KKT條件，所要求解的最優(yōu)變量組合滿足

(27)

式中，k=1,2,…,19。

沿用表1中設(shè)置的實(shí)驗(yàn)參數(shù)，考慮不同的任務(wù)到達(dá)率及任務(wù)比重，應(yīng)用上述KKT條件方法，給出任務(wù)卸載策略優(yōu)化方案，并求解出此時(shí)的最小系統(tǒng)成本，如表2所示。

表2 任務(wù)卸載策略聯(lián)合優(yōu)化結(jié)果Tab.2 Jointly optimal results of the task of floading strategy

從表2中的優(yōu)化結(jié)果可以發(fā)現(xiàn)，任務(wù)到達(dá)率λ越大，最小系統(tǒng)成本F(x*)也會(huì)越大。因?yàn)槿蝿?wù)到達(dá)率越大，系統(tǒng)阻塞率越高，導(dǎo)致任務(wù)在系統(tǒng)中的平均處理時(shí)延加大。此外，由于本地處理器、本地發(fā)送端口和本地接收端口等裝置的功率恒定，時(shí)延的增大無(wú)疑會(huì)導(dǎo)致移動(dòng)設(shè)備的能耗水平提高。任務(wù)平均處理時(shí)延的增加和移動(dòng)設(shè)備能耗水平的提升，都會(huì)使得系統(tǒng)成本增大。

此外，對(duì)比表2中數(shù)據(jù)還發(fā)現(xiàn)，在同一任務(wù)到達(dá)率λ下，隨著三類任務(wù)比例(α1,α2,α3)的變化，最優(yōu)任務(wù)卸載策略x*將進(jìn)行適當(dāng)調(diào)整，但是最小系統(tǒng)成本F(x*)卻保持不變。在三類任務(wù)總到達(dá)率保持不變的前提下，一類任務(wù)到達(dá)率的增大意味著另一類任務(wù)到達(dá)率的減小。任務(wù)到達(dá)率的增大將帶來更高系統(tǒng)成本，而任務(wù)到達(dá)率的降低則會(huì)帶來更小的系統(tǒng)成本。通過調(diào)節(jié)任務(wù)卸載策略，均衡三類任務(wù)本地處理和卸載處理的比例，基于單用戶和分類任務(wù)的MEC系統(tǒng)能夠維持穩(wěn)定，任務(wù)處理所產(chǎn)生的平均最小系統(tǒng)成本保持不變。

應(yīng)用表1中的實(shí)驗(yàn)參數(shù)，變換任務(wù)卸載策略參數(shù)，得出不同任務(wù)卸載策略下的系統(tǒng)成本，結(jié)果如表3所示。

表3 不同任務(wù)卸載策略對(duì)比Tab.3 Comparison of different task offloading strategy

對(duì)比表3中數(shù)據(jù)發(fā)現(xiàn)，相比策略1(三類任務(wù)全都在本地端處理)和策略2 (三類任務(wù)全都卸載處理)，所提出的任務(wù)卸載優(yōu)化策略能夠有效地降低系統(tǒng)成本。

6 結(jié)論

針對(duì)整體智能家居等MEC應(yīng)用場(chǎng)景，搭建了由本地端、邊緣端和云端組成的系統(tǒng)框架，提出了一種基于單用戶和任務(wù)分類的MEC任務(wù)卸載策略?？紤]異構(gòu)邊緣網(wǎng)絡(luò)，通過建立具有單輸入流與多類顧客的排隊(duì)模型，推導(dǎo)了任務(wù)的平均處理時(shí)延和移動(dòng)設(shè)備能耗水平等性能指標(biāo)。實(shí)驗(yàn)結(jié)果表明，通過設(shè)置合理的任務(wù)本地處理概率，可以使任務(wù)的平均處理時(shí)延達(dá)到最小。此外，實(shí)驗(yàn)結(jié)果還揭示出，任務(wù)對(duì)應(yīng)的移動(dòng)設(shè)備能耗與任務(wù)本地處理概率呈正相關(guān)。權(quán)衡不同性能指標(biāo)，構(gòu)建系統(tǒng)的成本函數(shù)，應(yīng)用KKT條件方法，給出了任務(wù)卸載策略的優(yōu)化方案，實(shí)現(xiàn)了系統(tǒng)成本的最小化。

后續(xù)的研究中，將考慮邊緣端和云端的用戶競(jìng)爭(zhēng)，面向多用戶MEC應(yīng)用研究任務(wù)卸載問題。