本技术涉及边缘计算，具体而言，涉及一种移动边缘计算中的计算卸载方法。
背景技术：
1、移动边缘计算的计算卸载技术具有降低系统时延和能耗等特点，因此可以应用在不同的场景，例如车联网、工业物联网、智能家居、智能医疗等场景。
2、近年来，移动边缘计算中的计算卸载技术被广泛关注，常见的有启发式算法的计算卸载策略，现从最小化时延、最小化能耗和联合时延与能耗优化三个方面对现有技术方案进行描述。
3、最小化时延对于时延敏感的应用程序来说是十分重要的，例如，在自动驾驶场景中，对于行人检测、红绿灯识别、高精地图等应用程序，这些计算任务具备计算密集的特点，在大规模复杂交通场景下，满足这些应用的实时运行需求仍然十分困难，因此计算任务的时延优化是十分重要的。虽然启发式算法的计算卸载策略能够有效降低用户设备的时延，然而启发式算法很难应对动态系统，当每次系统变化时，都需要运行算法复杂度过高的启发式算法将带来大量的计算卸载决策延迟。
4、最小化能耗对于电池容量有限的iot设备来说是十分重要的，时延与能耗都会影响到用户的服务体验质量，考虑到不同的用户可能对服务质量的需求不同，联合时延与能耗优化可以满足用户设备的个性化需求。
5、启发式算法具有一定的局限性，算法可能陷入局部最优解，另外算法的性能与具体问题和设计者的经验有很大联系，最重要的是，启发式计算卸载策略往往需要经过较多的迭代次数才能给出一个局部最优解，然而对于实时的动态系统来说，此过程在大规模动态系统场景下将增加决策时延和系统能耗。
6、另外，一些现有技术方案以最小化时延为目标，而没有考虑降低移动边缘计算的系统能耗；一些现有技术方案以最小化能耗为目标，而没有考虑降低系统的时延；一些联合时延与能耗优化的技术方案，不适用于移动边缘计算的动态系统；一些基于深度强化学习的任务卸载方案存在参数过多，收敛速度慢的问题。
技术实现思路
1、本技术的目的是提供一种移动边缘计算中的计算卸载方法，适用于移动边缘计算动态系统，最小化系统的时延和能耗，同时解决了参数过多、收敛慢的问题。
2、为了实现上述目的，本发明提供了一种移动边缘计算中的计算卸载方法，包括以下步骤：
3、s1、建立移动边缘计算系统，包括m个移动设备和n个边缘服务器，将系统时间等间隔分为t个时隙，移动设备包括计算队列和传输队列，边缘服务器包括计算队列，所有的队列均采用先进先出的方式；
4、s2、建立移动设备的本地模型以及边缘服务器模型；
5、s3、建立优化问题模型，其中优化问题模型包括优化目标和约束条件，优化目标为时延与能耗的加权和最小，约束条件包括：任务卸载变量取值为{0，1}，取值为0表示在本地设备执行任务，取值为1表示在边缘服务器执行任务，任务完成时间要小于等于任务最大延迟时间，无论任务在本地设备执行，还是在边缘服务器上执行，消耗的能量小于本地设备/边缘服务器的能量；
6、s4、将深度强化学习方法引入到移动边缘计算任务卸载，通过观察当前时刻各移动设备任务信息以及边缘服务器的资源情况，从历史经验中学习，选择下一时刻的最佳任务卸载策略，以实现动态移动边缘计算环境中任务的智能卸载；
7、s5、在学习的过程中，引入深度压缩技术，对模型进行压缩和加速。
8、在可选的实施方式中，步骤s2包括步骤s21，建立本地模型，如果任务在移动设备本地进行计算，时延包括排队等待过程和计算过程中产生的时延，能耗包括计算过程中产生的能耗；
9、计算任务在移动设备本地执行产生的时延以及能耗，能耗包括任务在移动设备本地计算的时间与移动设备的平均cpu工作能耗之积。
10、在可选的实施方式中，步骤s2包括步骤s22，建立边缘服务器模型，如果任务在边缘服务器上进行计算，移动设备需要将任务传输到边缘服务器上后进行计算，时延包括传输过程中在传输队列排队等待和传输中产生的时延，以及在边缘服务器计算过程中在计算队列排队等待和计算中产生的时延，能耗包括传输过程中和计算过程中产生的能耗；
11、步骤s22包括s221，计算任务在传输过程中产生的时延及能耗，能耗包括任务在传输过程中产生的时延与移动设备的发射功率之积；
12、步骤s22包括s222，计算任务在计算过程中产生的时延及能耗，能耗包括任务在边缘服务器上计算的时间与边缘服务器的平均cpu工作能耗之积。
13、在可选的实施方式中，步骤s3包括计算移动边缘计算系统的总时延、总能耗以及总成本，优化问题模型的优化目标包括对移动边缘计算系统的总成本进行最小化。
14、在可选的实施方式中，步骤s3中的约束条件分别包括对卸载决策变量的约束，要求任务完成时间不超过任务的最大延迟时间以及要求每次计算之后电池能量不耗尽。
15、在可选的实施方式中，步骤s4包括步骤s41状态、动作以及代价的构建，其中：
16、状态的构建包括：
17、
18、其中h(t)为矩阵，表示前t步间隙内各边缘节点负荷水平，即待处理队列的数量的历史，大小为tstep×n，每个边缘节点在每个间隙的末尾广播其待处理队列的数量；
19、动作的构建包括：
20、am(t)＝(xm(t)，ym，n(t))
21、代价的构建包括：如果任务已经被处理，则cm：
22、
23、如果任务已经被丢弃，则cm：
24、cm(sm(t)，am(t))＝c
25、其中c是一个惩罚常量；
26、找到每个移动设备的最优卸载策略使其长期成本的期望q最小：
27、
28、
29、其中γ是衰减因子，γ∈(0，1]。
30、在可选的实施方式中，步骤s4中包括步骤s42学习方法，包括以下步骤：
31、步骤s421，初始化状态sm(0)；
32、步骤s422，如果在t时隙有新任务到达，发送参数请求到边缘服务器，接收到参数向量，利用ε-贪婪策略来选择下一步的动作：以概率ε随机选择下一步的动作，以概率(1-ε)选择满足最优q(sm(t)，am(t)，θm)的动作；
33、步骤s423，否则观察下一时隙的状态sm(t+1)，以及之前的代价集合{cm(t′)，t′∈tm，t}，将历史经验(sm(t′)，am(t′)，cm(t′),sm(t′+1))发送给边缘服务器进行训练；
34、步骤s424，在t时隙内，重复步骤(2)(3)，得到训练好的模型；
35、步骤s425，重复步骤s421-s424，得到最优的计算卸载策略。
36、在可选的实施方式中，步骤s5包括步骤s51修剪，通过只学习重要的连接，在不影响神经网络精度的情况下，将神经网络所需的存储和计算减少一个数量级，使用三步法修剪冗余连接；
37、首先，训练网络学习哪些连接是重要的；
38、然后，对不重要的连接进行剪枝，权重低于阈值的所有连接都从网络中移除，将稠密网络转换为稀疏网络，将输入连接为零或输出连接为零的神经元进行安全地修剪；
39、最后，重新训练网络，学习剩余稀疏连接的最终权重。
40、在可选的实施方式中，步骤s5包括步骤s52量化训练，网络量化和权重共享通过减少表示每个权重所需的比特数量来进一步压缩修剪后的网络，通过让多个连接共享相同的权重来限制需要存储的有效权重的数量，然后对这些共享的权重进行微调。
41、在可选的实施方式中，步骤s5包括步骤s53霍夫曼编码，霍夫曼编码使用可变长度码字对源符号进行编码，用更少的比特来表示更常见的符号。
42、本发明中移动边缘计算中的计算卸载方法，适用于移动边缘技术动态系统，对时延和能耗进行了联合优化，同时解决了基于深度强化学习的任务卸载方案存在的参数过多与收敛速度慢的问题。
43、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种移动边缘计算中的计算卸载方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计算卸载方法，其特征在于，步骤s2包括步骤s21，建立本地模型，如果任务在移动设备本地进行计算，时延包括排队等待过程和计算过程中产生的时延，能耗包括计算过程中产生的能耗；
3.根据权利要求1所述的计算卸载方法，其特征在于，步骤s2包括步骤s22，建立边缘服务器模型，如果任务在边缘服务器上进行计算，移动设备需要将任务传输到边缘服务器上后进行计算，时延包括传输过程中在传输队列排队等待和传输中产生的时延，以及在边缘服务器计算过程中在计算队列排队等待和计算中产生的时延，能耗包括传输过程中和计算过程中产生的能耗；
4.根据权利要求1所述的计算卸载方法，其特征在于，步骤s3包括计算移动边缘计算系统的总时延、总能耗以及总成本，优化问题模型的优化目标包括对移动边缘计算系统的总成本进行最小化。
5.根据权利要求1所述的计算卸载方法，其特征在于，步骤s3中的约束条件分别包括对卸载决策变量的约束，要求任务完成时间不超过任务的最大延迟时间以及要求每次计算之后电池能量不耗尽。
6.根据权利要求1所述的计算卸载方法，其特征在于，步骤s4包括步骤s41状态、动作以及代价的构建，其中：
7.根据权利要求1所述的计算卸载方法，其特征在于，步骤s4中包括步骤s42学习方法，包括以下步骤：
8.根据权利要求1所述的计算卸载方法，其特征在于，步骤s5包括步骤s51修剪，通过只学习重要的连接，在不影响神经网络精度的情况下，将神经网络所需的存储和计算减少一个数量级，使用三步法修剪冗余连接；
9.根据权利要求1所述的计算卸载方法，其特征在于，步骤s5包括步骤s52量化训练，网络量化和权重共享通过减少表示每个权重所需的比特数量来进一步压缩修剪后的网络，通过让多个连接共享相同的权重来限制需要存储的有效权重的数量，然后对这些共享的权重进行微调。
10.根据权利要求1所述的计算卸载方法，其特征在于，步骤s5包括步骤s53霍夫曼编码，霍夫曼编码使用可变长度码字对源符号进行编码，用更少的比特来表示更常见的符号。
