MEC网络中联合优化计算卸载算法研究

摘要
移动边缘计算是解决并实现5G视觉应用的关键技术之一，主要特点是将传统云的计算资源、网络控制和存储推送到网络边缘，以更好地支持延迟敏感型应用服务。

用户利用计算卸载技术将计算任务迁移到服务器端执行，扩展终端设备计算能力的同时，减少任务时延和设备能耗。

高效的计算卸载方案不仅可以提高用户体验质量，还可以平衡网络负载。

本文总结了近年有关移动边缘计算(Mobile Edge Computing, MEC)的研究成果，并围绕高效的计算卸载技术做进一步研究。

边缘服务器计算资源相对于传统云服务器资源较少，如果卸载用户过多可能会导致网络负载失衡，还会增加用户的开销，降低用户的体验质量。

因此，本文在计算资源的约束下，设计基于博弈论的功率优化计算卸载算法，该算法在经典博弈论方法的基础上结合了二分搜索法，能有效降低任务卸载过程中的传输时延和能耗，并实现了多用户计算卸载博弈的纳什均衡。

仿真结果表明，本文设计基于博弈论的功率优化卸载算法性能优于传统的博弈卸载算法和自适应顺序博弈卸载算法，降低了任务时延和设备能耗，并且具有优越的计算卸载性能。

当用户从一个服务器覆盖范围移动到另外一个服务器区域时，用户需要在两个服务器之间进行切换，在这种状态下，除了要考虑用户移动性问题，还要考虑服务器计算资源的可用性问题。

因此，本文在单服务器的基础上，研究了多服务器网络的协作计算卸载，提出了基于Q-learning的服务器计算资源联合优化的计算卸载算法。

首先，本文定义一个核心MEC服务器作为其他服务器的管理员，管理员会给其他服务器分配一定的计算资源并监管他们的资源使用情况；然后，采用Q-learning强化学习算法对系统中用户的动作和状态进行多次迭代更新；最后，基于Bellman方程，利用Q函数找到最佳的卸载策略，使用Lagrangian方法优化服务器计算资源来降低用户的卸载时延。

仿真结果表明，本文提出的Q-ROA卸载算法与随机任务分配算法、启发式算法和遗传算法相比，卸载时延明显降低，从而提升了用户的体验质量。

关键词：MEC，计算卸载，非合作博弈论，多服务器
Abstract
Mobile edge computing is the key technology to solve and realize 5G vision application. The main feature of mobile edge computing is to push the traditional cloud computing resources, network control and storage to the network edge, so as to better support delay sensitive applications. As the key technology of mobile edge computing, the user decides to offload computing tasks to the server, not only expands the computing capacity of terminal devices, but also reduces the task completion delay and energy consumption of devices. An efficient computing offload solution can improve the quality experience of users, and balance network load. The research results of Mobile Edge Computing in recent years are summarized in this thesis, and make further research on effective computing offloading technology.
Edge server computing resources are relatively less than remote cloud resources. If too many users are offloaded, the network load may be unbalanced, and the overhead of users will also be increased. Therefore, under the constraint of the computing resources of the edge server, the thesis designs a task offloading decision-making model based on the multi-objective needs of users, and proposes a power optimization calculation offloading algorithm based on game theory. The classic game theory method is used to solve the decision-making problem of multi-user computing offloading in MEC. There always a set of pure policy Nash equilibrium in the calculation offloading strategy are proved. The transmission delay and energy consumption in the process of task offloading are reduced by the binary search method. The algorithm realizes the Nash equilibrium of multi-user computing offloading game. The simulation results show that the performance of the game-theoretic with power optimization offloading algorithm is better than the traditional game offloading algorithm and the adaptive sequential game offloading algorithm. The game-theoretic with power optimization offloading algorithm proposed in thesis significantly reduces task delay and energy consumption of device, and has superior performance of computing offloading.
When a user moves from one server coverage area to another server area, the user needs to connect between the two servers. In this state, in addition to considering the mobility issues of users, the availability of server computing resources must also be considered problem. Therefore, the thesis is based on a single edge server, and for
mobility issues of users, the thesis studies the collaborative computing offloading of multiple MEC networks, proposes a joint optimization algorithm of server computing resources based on Q-learning. The thesis defines a core MEC server as the administrator of other servers, and the administrator will allocate certain computing resources to other servers, and supervise their resource usage, and adopts Q-learning The reinforcement learning algorithm updates action and state repeatedly of users. Based on the Bellman equation, the Q function is used to find the best offloading strategy. The Lagrangian method is used to optimize computing resources of server for the offloading computing tasks, and further reducing offloading time of user. The simulation results show that the performance of the joint optimization algorithm of server computing resources based on Q-Learning is better than the random task assignment algorithm, heuristic algorithm and genetic algorithm. The joint optimization algorithm of server computing resources based on Q-Learning proposed in thesis can effectively reduce the task delay and improve the user experience quality.
Keywords: mobile edge computing, computing offloading, non-cooperative game theory, multiple servers
目录
图录 ................................................................................................................................ V I 表录 ............................................................................................................................... V II 注释表 . (VIII)
第1 章绪论 (10)
1.1 研究背景及意义 (10)
1.2 国内外研究现状 (14)
1.3 论文研究内容 (18)
1.4 论文结构安排 (19)
第2 章移动边缘计算卸载技术研究 (21)
2.1 计算卸载的概述 (21)
2.1.1 计算卸载过程分析 (22)
2.1.2 计算卸载的影响因素 (23)
2.1.3 计算卸载性能及卸载方式分析 (25)
2.2 计算卸载算法研究 (26)
2.2.1 基于单个边缘服务器的算法研究 (27)
2.2.2 基于多个边缘服务器的算法研究 (28)
2.2.3小结 (29)
2.3 计算模型和通信模型分析 (30)
2.3.1 移动设备的计算模型 (32)
2.3.2 服务器的计算模型 (33)
2.3.3 用户到服务器端的通信模型 (34)
2.4 本章小结 (34)
第3 章卸载策略和传输功率的联合优化 (35)
3.1 引言 (35)
3.2 系统模型 (35)
3.2.1 通信模型 (36)
3.2.2 计算模型 (36)
3.3 基于博弈论的功率优化卸载算法 (37)
3.3.1 问题描述 (37)
3.3.2 问题求解 (38)
3.3.3 算法描述 (41)
3.4 仿真分析 (42)
3.5 本章小结 (44)
第4 章多MEC的卸载策略和服务器计算资源的联合优化 (46)
4.1 引言 (46)
4.2 系统模型 (46)
4.2.1 通信模型 (47)
4.2.2 用户时延分析 (48)
4.3 基于Q-learning的服务器计算资源优化卸载算法 (48)
4.3.1 问题描述 (49)
4.3.2 问题求解 (49)
4.3.3 算法描述 (53)
4.4 仿真分析 (54)
4.5 本章小结 (57)
第5 章总结与展望 (59)
5.1 论文工作总结 (59)
5.2 未来工作展望 (60)
参考文献 (61)
致谢 (68)
攻读硕士学位期间从事的科研工作及取得的成果 (70)
重庆邮电大学硕士学位论文图录
图录
图1.1 MEC的应用场景 (10)
图1.2 MEC系统架构 (12)
图1.3最小化用户时延 (14)
图2.1用户任务的本地执行和计算卸载 (22)
图2.2计算任务均可分块卸载和计算任务包含不可分块卸载 (24)
图2.3 MEC模型总结 (30)
图2.4 AR应用程序中的组件 (32)
图3.1 移动边缘计算模型 (35)
图3.2 GT-POOA在最小计算开销下的收敛行为 (43)
图3.3不同用户数下GT-POOA收敛的平均迭代 (43)
图3.4用户在不同卸载方案下的平均有益卸载用户数 (44)
图3.5用户在不同卸载方案下的平均计算开销 (44)
图4.1多边缘服务器协作计算模型 (47)
图4.2 Q-Learning学习过程 (52)
图4.3不同计算卸载算法下系统时延与服务器数量的比较 (55)
图4.4不同计算卸载算法下系统时延与用户数量的比较 (56)
图4.5单服务器和多服务器的比较 (56)
图4.6有无计算资源优化的比较 (57)
重庆邮电大学硕士学位论文表录
表录
表1.1 MEC与MCC的比较 (13)
表3.1二分搜索法流程 (41)
表3.2博弈论算法流程 (41)
表3.3 GT-POOA算法中主要仿真参数设置 (42)
表4.1 Q-ROA算法流程 (54)
表4.2 Q-ROA算法中主要仿真参数设置 (54)
注释表
MCC Mobile Cloud Computing，移动云计算
MEC Mobile Edge Computing，移动边缘计算
QoS Quality of Service，服务质量
QoE Quality of Experience，体验质量
5G the Fifth Generation Mobile Network，第五代移动通信网络
IT Information Technology，信息科技
ETSI European Telecommunications Standards Institute，欧洲电信标准化组织
BS Based Station，基站
CPU Central Processing Unit，中央处理器
EH Energy Harvesting，能源收集
CoMP Coordinated Multipoint，多点协作传输
eNB evolution Node Base，基站
FIFO First In First Out，先进先出
CCMU Cloud Computing Management Unit，云计算管理单元
CMDP Constrain Markov Decision Process，马尔可夫决策过程
TDMA Time Division Multiple Access，时分多址
CDMA Code Division Multiple Access，码分多址
CSMA Carrier Sense Multiple Access，载波感知多路访问
MBS Macro Base Station，宏蜂窝基站
SBS Small Base Station，小蜂窝基站
NP Non-Deterministic Polynomial，非确定性多项式
MD Mobile Devices，移动设备
ISI Inter-Symbol Interference，符号间干扰
SINR Signal to Interference plus Noise Ratio，干扰加噪声比
DVFS Dynamic Voltage and Frequency Scaling，动态电压频率调整
LP Linear Programming，线性规划
MINLP Mixed-Integer Nonlinear Programming，混合整数非线性规划UE User Equipment，用户设备
NEP Nash Equilibrium Problem，纳什均衡问题
重庆邮电大学硕士学位论文 第2章 移动边缘计算卸载技术研究
第 1 章 绪论
1.1 研究背景及意义
互联网的迅猛发展与移动设备的普及息息相关，各种各样新型数据业务的出现极大地丰富了日常移动应用的体验，例如，增强/虚拟现实、人脸识别以及交互式游戏等应用[1]，而无处不在的智能终端是支撑移动互联网发展的关键。

新型数据业务日益增多。

移动数据流量大幅增长，从2013年到2014年，移动数据流量增长了60％，预计到2020年的流量将增长8倍[2]，互联网将新增约500亿个物联网设备，图1.1为MEC 的用例和场景示例。

大部分终端设备的计算资源是有限的，无法处理这些需要大量复杂计算的数据业务[3]，而商业用户和消费者对效率和速度的要求也越来越高。

为提高数据信息的利用率，研究学者提出移动云计算(Mobile Cloud Computing ，MCC)，集中式传统云具有强大的计算资源和存储空间，用户将任务迁移到集中式云进行计算，在扩展设备容量的同时提高了数据的利用率，大大降低了服务器的服务质量(Quality of Service ，QoS)和用户的体验质量(Quality of Experience ，QoE)。

MEC 面向消费者的服
务网络性能和QoE 改
进服务操作方和第三方
服务 1.大数据2.IoT
3.车联网
1.文本缓存
2.交通监控
3.无线电/链路优
化
1.远程桌面
2.游戏
3.增强/虚拟现实
4.web 加速浏览器
5.人脸识别
图1.1 MEC 的应用场景
为了弥补云计算带来的缺憾，研究学者提出MEC，是一种将云服务器移动到网络边缘的新型架构[2]，可以更好地支持延迟敏感型的数据业务，而且研究表明在未来将超过50%的数据需要在网络边缘侧分析、处理与储存[4]，通过计算卸载技术将任务卸载到边缘服务器上执行，减小任务时延和降低移动设备的能耗，从而提升用户的体验质量和服务器的服务质量。

MEC的应用范围拓展到增强现实、智能驾驶、交通运输系统、实时触觉控制等多个领域。

另外，在运营商和设备厂商最近发布的报告中指出，5G是一个集合了计算和通信技术的两大平台，其中不可或缺的一部分就是移动边缘计算。

MEC为利益相关者带来许多优势，第一类是直接面向用户，计算卸载技术可以使用户从MEC网络中受益，用户将应用程序卸载到边缘服务器上执行，以减少任务时延和降低设备能耗，且在文献[5]中通过一个实际的MEC试验证明，移动边缘计算可以减少高达88%的延迟和高达93%的能耗；第二类是运营商和第三方服务，运营商和第三方首先从用户或传感器收集大量数据，其次，这些数据在MEC 进行预处理和分析，最后，将预处理后的数据再发送到中央服务器做进一步分析与处理，而这些数据可以用于安全场景，例如，监视某个区域。

MEC还可以用于车联网中，运行在MEC上的路边应用程序可以直接从车辆和路边传感器上的应用程序接收本地消息，并向附近的车辆广播警告，例如，交通事故，可以降低其延迟。

MEC将计算和存储资源引入到移动网络的边缘，移动设备通过无线信道将其应用程序卸载到临近的边缘服务器进行计算，使其能够在满足严格的延迟需求的同时运行高要求的应用程序[6]。

不仅如此，MEC还可以利用无线接入网络就近提供电信用户信息技术(Information Technology，IT)所需服务和云端计算功能，通过加速网络中各项内容和服务应用的快速下载来创造出具有低延迟、高带宽和高性能的服务环境，让消费者享有更高的体验质量。

MEC是云计算的新兴范例，2014年ETSI对MEC体系架构做了标准化[7]，如图1.2所示，ETSI提出的MEC是基于5G技术演进的架构，是一种将移动接入网与互联网业务深度融合的技术[4]。

边缘计算将计算和存储资源引入到移动网络的边缘，在扩展移动设备容量的同时降低任务时延和终端设备的能耗，从而提升服务器的QoS和用户的QoE。

与传统的云计算相比较，MEC近年来被推行的主要原因有：
CFS保护
用户应用
LCM代理操作支持系统
移动边缘编排器
MEC系统层管理
虚拟化基础架构管
理
移动边
MEC服务器MEC应用
MEC
MEC应用
移动边
缘平台
应用
虚拟化基础架构
MEC服务器MEC服务器层管理
移动边缘平台管理
缘平台用户
用户应用
Mx1
Mx2
Mm9
Mm8
Mm2
Mp3
Mp1
Mp1Mp2
Mm7
Mm5
Mm6
Mm3
Mm1
Mm4图1.2 MEC系统架构
(1) 低延迟，因为边缘服务器距离用户更近，用户请求的数据不再需要经过漫长的传输网络到达遥远的核心网来处理，所以，将边缘计算和存储“下沉”到边缘网络可以使得通信时延大大减少，支持一些时延关键型的应用程序。

(2) 提升能源效率，实现绿色通信，移动设备的储能有限，频繁的电池充电或更换是不切实际的[8]，而MEC自身具有较大计算和存储资源，通过有效的部分计算卸载，可以减少设备的计算能耗[3]。

(3) 上下文感知，利用边缘服务器与终端用户的接近程度，边缘服务器能够跟踪他们的实时信息，不仅可以作为本区域的资源控制器，同时还可以对带宽等资源进行调度和分配。

如行为、位置和环境，基于这些信息的推理允许向最终用户交付上下文感知的服务[9, 10]。

例如CTrack系统，用户的轨迹能够被BS 指纹进行跟踪处理，从而用于导航、交通监控、路由以及个性化的旅行管理[11]，进一步提升用户的QoE。

(4) 隐私和安全增强，由于云计算平台是远程公共大型数据中心，用户信息资源的高度集中，非常容易受到攻击。

而MEC是分布式部署、规模小以及有价值信息的集中度较低，所以安全攻击目标的可能性要小得多。

另外MEC服务器可以是
私有的微云，用于缓解用户信息的泄漏，这将有助于终端用户和服务器之间进行敏感信息交换的应用程序[3]。

表1.1详细的阐述了MCC与MEC之间的联系与区别。

表1.1 MEC与MCC的比较
MCC MEC 部署集中式[12]分布式[12]
小规模数据中心（带有有限资源）[14]服务器硬件大规模数据中心（每个服务器都包
含大量高性能服务器）[13]
距离用户远（可能横跨大陆）[15]近（几十到几百米）[15]
延迟大（大于100毫秒）[16]小（少于几十毫秒）[15, 17]
回程使用频繁使用，可能导致拥塞[18]不频繁使用，缓解拥塞[18]
计算能力充足的[15]有限的[15]
存储能力充足的[15]有限的[15]
应用延迟容忍和计算密集型应用[19]延迟关键和计算密集型应用[20]
MEC系统能够实现终端业务实时处理的重要手段依赖于计算卸载技术，将计算功能由移动设备迁移到MEC服务器执行是计算卸载的定义，其中主要包括卸载决策、卸载执行、结果回传等三部分，将任务及时卸载到边缘服务器计算处理，降低任务完成时间的同时，扩展移动设备的即时计算能力和延长移动终端设备的使用时长，所以，高效的计算卸载在MEC中扮演着不可缺少的角色[21]。

由于边缘服务器计算资源有限，如果过多的用户进行卸载也会造成服务器资源瓶颈问题，还会增加网络延迟，所以为了提供更好的服务，计算资源的分配也是至关重要，但是，计算资源分配具有多个相互关联方面[22]。

比如资源的初始部署，根据初步估计或过去的经验，确定或修订资源的数量[23]；将资源分配给任务，必须尽可能最佳地使用给定的有限资源集来满足当前的请求集；在某些情况下，资源分配可能涉及某种形式的负载平衡[24]；在公平分配问题中，目标是从每个项目优先级集合中放置相似的部分，通过优化计算卸载决策和合理分配MEC计算资源，能够完成数据的交付和端到端通信，改善网络性能，提升用户的QoE，因此基于移动边缘计算的研究有着广阔的前景。

本文针对MEC网络中计算卸载问题展开研究，总结现有计算卸载算法的基础上，结合边缘服务器的计算资源有限性，综合考虑卸载策略和资源的联合优化，降低系统中任务时延和终端设备的能耗，从而提高用户的体验质量。

1.2 国内外研究现状
近年来，学术界和产业界的研究人员对MEC 中计算卸载问题进行了广泛的研究，包括系统和网络建模、最优策略、资源分配、实现和标准化[2]，且研究人员针对不同的优化目的提出不同的解决方案。

1. 最小化用户时延
图1.3是关于最小化时延的简单示例图，当本地计算时延l D 小于卸载时延o D ，用户在本地进行任务处理，反过来，当l o D D >，用户将计算任务卸载到服务器进
行计算。

Y. Mao 等人在文献[25]中提出基于Lyapunov 优化的动态计算卸载算法，该算法共同决定卸载决策、移动执行的CPU 周期频率和卸载计算的传输功率。

作者提出算法的优点是卸载决策只和当前系统状态有关，并不需要无线信道、计算任务请求和进程的分布信息。

UE2-卸载到服务器l o D D >
文献[25]中的基于Lyapunov 优化的动态计算卸载算法的实现只需要在每个时间段内求解一个确定性问题，对于这个问题的最优解可以是封闭形式的，也可以是二分搜索的。

文献[26]采用马尔可夫决策过程进行随机的计算任务调度，系统模型如图 1.3所示[26]，引入一组概率参数{}[0,1]k g τ∈，代表中央处理器(Central Processing Unit ，CPU)和MEC 的状态忙或是空闲，再根据应用程序在缓冲区排队状态、用户设备(User Equipment ，UE)和边缘服务器的可用计算资源以及UE 和边
缘服务器之间信道的特性，将最优计算任务调度问题归结为一系列线性规划问题，然后通过一维搜索算法找到最优的卸载决策。

文献[25]、[27]研究的是移动设备带有能源收集(Energy Harvesting ，EH)功能的移动边缘计算系统，文献[27]优化的目标是最大化系统的数据处理能力，数学模型
为1max ()n
i i c m
i D D =+∑，利用凸优化对该问题求取最优解。

文献[25]、[27]考虑的能源收集技术本身并不能完全解决能源消耗问题，由于能量收集的间歇性和零星性的性质，有些请求的计算任务可能无法执行而被丢弃。

文献[26]中UE 需要MEC 服务器的反馈才能做出卸载决策，即决策依赖于当前的系统状态，且该方案只用于单个用户的场景中。

文献[28]模拟多用户和单服务器的非正交多址-移动边缘计算系统，使用强化学习算法在没有预先知道其他用户的行为的情况下选择同时卸载的用户，得到最优的用户组合状态，并将系统卸载延迟最小化。

文献[29]采用移动边缘计算网络中的部分卸载技术，描述了一个能量感知的多服务器MEC 网络性能模型，给出一个三维决策的解决方案，在能耗约束条件下，保证任务集的整个过程的总延迟最小。

文献[30]考虑通过MEC 卸载和混合卸载来执行，将应用程序划分为几个松散耦合的软件组件，研究了MEC 网络中组件的细粒度计算卸载策略以最小化移动终端的执行延迟。

文献[31]提出基于Dinkelbach 法和Newton 法的迭代算法，考虑了非正交多址辅助移动边缘计算中卸载延迟的最小化问题。

文献[32]将问题分解为计算卸载和蜂窝选择两个子问题，并分别提出了扩展搜索法和Khun-Munkres 算法来获得最优解以最小化任务执行延迟。

文献[33]提出部分压缩卸载模型，采用多用户时分多址的移动边缘计算系统通信和计算资源联合分配方案，从而最小化时延。

2. 时延约束下最小化设备能耗
能耗也是衡量用户体验质量的一个重要指标，文献[34-37]研究的是在延时约束下最小化终端设备的能耗问题。

文献[34]设计边缘服务器和传统云之间的协作卸载，联合优化服务器的计算资源和通信的传输功率，改变约束条件将原问题转换为凸问题，在满足KKT 约束条件下应用拉格朗日乘子法求解，使得系统成本最小化。

文献[35]提出应用考虑算法(Application Consideration Algorithm, ACA)利用多点协作传输(Coordinated Multipoint, CoMP)和路径(Path)算法的结合基于卸载任务
参数的信息来选择用于卸载计算最合适的服务器，在满足执行延迟要求的同时，降低了设备的计算能耗。

文献[35]提出的ACA 算法以先进先出(First In First Out, FIFO)方式处理任务，并不总是最佳的调度解决方案，尤其是任务特性在延迟约束和计算负载方面变化的情况下。

文献[36]考虑了无线电和计算资源的联合分配，提出在基站(evolution Node Base ，eNB)中添加一个云计算管理单元(Cloud Computing Management Unit, CCMU)的新软件组件[36]，该实体结合无线电资源分配对应用程序发送的卸载请求负责，此外，在移动终端上运行的应用程序和CCMU 之间使用卸载协议(如选择IP 流量卸载(Selected IP Traffic Offload, SIPTO)和本地IP 存取(Local IP Access, LIPA))，负责基站连接到本地网络。

文献[36]将优化问题表述为约
束马尔可夫决策过程(Constrain Markov Decision Process ，CMDP)，引入两种资源配
置策略，第一种方法是基于在线学习，动态适应应用程序特性和信道条件，第二
是预先计算的离线策略，基于对应用程序特性和无线电环境统计行为的先验知识。

问题建模如式(1.1)：f 为成本函数；u E 是策略u 的期望；n s 和n a 分别代表状态空间和行为空间。

11()lim (,)n N u n n N n f u E g s a N =→∞=⎢⎥=⎢⎥⎣⎦∑ (1.1)
一种基于时分多址(Time Division Multiple Access, TDMA)的多用户MEC 系统在文献[37]中被提出，把时间段划分为T 秒的时隙，在每个时隙中，用户根据信道质量、局部计算能耗和公平性将数据卸载到MEC ，紧接着提出基于阈值结构的最优资源分配策略，假如用户的优先级高于给定的阈值，用户则向MEC 执行全部计算卸载，假如用户的优先级低于阈值，用户则仅卸载最小的计算量，以满足应用程序延迟约束。

文献[37]中提出一种次优分配算法，通过一维搜索将通信和计算资源的分配分开优化，仿真结果也表明，次优分配算法效果更佳。

3. 双目标优化用户时延和设备能耗
文献[38, 39]研究的是多用户分布式计算卸载策略，提出多用户多信道环境下的卸载决策，具有双重优化目标：1. 根据通信模型UEs 决定是否卸载；2. 如果需要卸载计算，选择最合适的无线信道进行数据传输。

文献[38]针对无线干扰模型，在通信模型中采用码分多址(Code Division Multiple Access ，CDMA)方法，多个用户同时并且高效的共享同一频谱资源。

文献[39]针对无线争用模型，在每个时隙中，
如果多个UE 选择相同的信道进行卸载，则使用载波感知多路访问(Carrier Sense Multiple Access ，CSMA)机制来处理潜在的碰撞。

文献[38, 39]将目标函数转化为势函数的纳什均衡求解，通过势博弈理论来解决目标函数的优化问题，分别对通信和计算进行数学建模，势函数根据在用户连接时，彼此产生的干扰模型作为判决条件，然后用户根据判决条件来博弈如何进行选择接入，文献[38]提出分布式卸载算法对势博弈的纳什均衡存在性和收敛性进行分析，是为了证明所提的势函数满足约束条件，文献[39]根据分布式卸载算法得到一组混合策略，进而n 个用户会得到任意一个回报函数，引用随机学习自动机技术，循环操作直到纯策略NEP 收敛。

通过仿真得出势博弈模型能够在有限的迭代次数范围内收敛到纳什均衡，文献[39]中所设计的通信模型为：
{},20,\:()log (1)
i n n n s n i i s i N n a a q g r a q g ωϖ∈==++
∑ (1.2)
计算模型分为本地计算和边缘计算，模型如下：
m t m e m n n n n n K t e λλ=+ (1.3) ,,()(())()c t c c e c n n n off n exe n n K a t a t e a λλ=++
(1.4) 式中：n q ——用户的传输功率
ω ——和信道带宽
,n s g ——表示用户n 和基站之间的信道增益
0ϖ——噪声功率
式(1.3)和式(1.4)中的m n K 和()c n K a 分别代表本地和服务器的计算开销，t n λ和e n λ是时
间和能耗的权重参数，[0,1]t e n n λλ∈、，,()c n off t a 、,c n exe t 和()c n e a 分别是传输时间、执
行时间和传输能耗。

文献[40]通过联合优化任务卸载决策和设备的CPU 来最小化总任务的执行时延和设备的能耗，文献[41]将计算卸载决策、物理资源块和服务器计算资源的分配制定为优化问题，从而最小化系统的计算开销。

文献[42]提出了一种能量感知卸载方案，通过优化卸载时的传输功率和服务器的计算资源来最小化能耗和时延的加权和。

文献[43]提出超密集网络中协同分配计算资源的移动边缘计算卸载模型。

多个MEC 通过光纤链路连接到小蜂窝基站(Small Base Station, SBS)或是宏蜂窝基站。