1．目的及意义

移动互联网的发展促进了移动手持设备的进步（手机、平板电脑等）。移动终端设备使用数量爆炸式增长，对移动终端计算能力要求更高，催生了各种新的应用。机器学习、虚拟现实、人脸识别等计算密集型应用出现。这些应用运行在智能移动终端设备上需要消耗大量的计算资源。由于移动智能终端受限的资源以及有限的电池容量，应用的性能以及终端续航存在较大问题，因此难以长时支持这些计算密集型程序，影响用户使用体验[1][2]。这推动了移动云计算(mobilecloud computing MCC)概念的发展，允许移动用户将计算密集型应用卸载到云端进行计算[3]。

远程云服务器通常由大量高性能服务器组成，具有较强的计算能力。用户可以将计算密集型程序卸载到远程服务器（centralized clouds CC）执行，远程服务器的运行的结果回传给用户。使用远程服务器主要有以下几个优点：1）通过将移动端的应用卸载到远程服务器运行，可以增加移动端电池的续航时间；2）由于服务器具有较强的处理器，可以处理来自用户的计算密集型任务；3）远程服务器具有较大的存储空间，为了计算密集型程序提供存储能力。但是使用远程服务器也不可避免的带来了一些问题，智能终端需要将本地数据上传服务器，由于服务器距离用户位置较远，因此带来了较高的系统延迟，严重影响了用户实时程序的使用体验，同时根据思科一份研究报告，近十年来移动数据流量增加了 4000 倍，并且从 2015 年到 2020 年继续按照每年 53%速度增长[15]，若智能终端均将计算卸载到远程服务器，可能造成网络拥堵，带宽受限。为了克服上述问题，提出了一种新的网络结构移动边缘计算（Mobile Edge Computing

MEC）[14]，将服务器放置在网络边缘，拉近用户与服务器之间的位置，如图

1-1 所示。

将服务器放置在网络边缘位置，用户可以通过无线网络等方式，将用户的计算密集型任务卸载到边缘服务器，减小了网络延迟。同时可以延长用户终端的使用时间，提升了用户的程序使用体验[20]-[22]。MEC 网络的提出是为了解决下一代移动通信（5G）面临的大量移动设备接入互联网造成的计算资源短缺的问题，使得移动网络传输成本更低、效率更高、应用复杂度不受终端的限制。但是边缘服务器与云计算相比较，计算能力受限，网络存储能力较于云中心减小[23]-[27]，因此当边缘服务器服务于用户时，需要考虑任务卸载决策（任务在本地执行或者上传到边缘服务器执行）以及任务之间的调度。

图 1-1 系统框图

用户可以选择将任务全部卸载到边缘服务器，也可以选择部分任务卸载到边缘服务器。文章[4,5,6]主要研究任务的全部卸载，从而最小化延迟以及能量消耗。由于边缘服务器与云计算中心服务器比较，计算能力受限，同时内存资源也较小，因此若用户将任务全部上传至边缘服务器将会导致边缘服务器拥塞，同时也会影响用户的使用体验。与全任务卸载相比部分任务卸载可以利用边缘服务器以及用户智能终端并行处理任务，进一步降低了网络的延迟[7]。因此本文主要研究任务的部分卸载。目前大多数研究工作[1,8,9,10,11,12]都是研究单用户部分任务卸载模型。在得到计算决策时，需要假设边缘服务器有充足的计算资源来执行计算卸载任务。问题被抽象成简单的整形规划问题，他们的优化目标是最小化执行时间或者能量消耗。在单用户计算卸载决策时未考虑用户之间的资源竞争，无法应用在实际系统中。在本文中主要研究多用户之间的卸载决策。用户的计算卸载不但需要考虑自身任务的完成时间，同时也会与其他用户竞争 CPU 等资源。因此多用户的计算卸载决策问题更加复杂。

先前已经有部分研究工作研究了多用户任务卸载模型， [11]成功的解决了多用户之间的资源竞争问题，但是模型未考虑在线实时任务调度。目前的服务器一般为多处理器，在考虑动态场景时，静态全局调度算法在所有任务执行之前确定全局调度策略[9][13][19]。在这种情况下，由于任务之间竞争 CPU 等资源，分配给任务的处理器的可能由于资源竞争而减慢。如果有关键路径上面的任务延迟，则整个任务图有可能会延迟，因此静态的任务调度无法应用于实际系统。尽管有一部分在线算法[16][17][18]可以在一定程度上缓解预调度问题，但由于任务图和计算资源的动态和复杂性，它们受到的关注有限。此外，这些研究还忽略了底层计算资源的动态特性。

目前移动边缘计算中任务卸载问题比较复杂，正是基于这些挑战，本文尝试研究多用户任务卸载模型。因此我们本文的研究问题更加复杂，并且具有广泛的现实意义。{title}

2. 研究的基本内容与方案

{title}

2.1研究内容