郭 煜

(廣東國(guó)防科技技師學(xué)院 廣東 廣州 510515)

0 引 言

當(dāng)前，隨著無線通信技術(shù)和物聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，越來越多的移動(dòng)設(shè)備(如智能手機(jī)、穿戴設(shè)備)對(duì)于帶寬與計(jì)算能力有了更多的無線網(wǎng)絡(luò)訪問需求。未來的移動(dòng)設(shè)備將變得更加智能，而部署于移動(dòng)設(shè)備上的應(yīng)用將需要更多的計(jì)算能力和數(shù)據(jù)訪問[1]。然而，這些新型應(yīng)用和服務(wù)的部署受到移動(dòng)設(shè)備有限計(jì)算能力和電池容量的限制。雖然將數(shù)據(jù)饑餓型和計(jì)算密集型任務(wù)卸載至云端執(zhí)行可以克服移動(dòng)設(shè)備計(jì)算能力受限的弊端，但移動(dòng)設(shè)備與云端間的無線網(wǎng)絡(luò)連接帶來的較長(zhǎng)延時(shí)會(huì)導(dǎo)致延時(shí)敏感型應(yīng)用的執(zhí)行無法達(dá)到用戶的滿意[2]。

近年來，移動(dòng)邊緣計(jì)算通過將計(jì)算節(jié)點(diǎn)部署于網(wǎng)絡(luò)邊緣的方式為用戶滿足延時(shí)敏感型任務(wù)的需求提供了低延時(shí)和高性能計(jì)算的保證[3,4]。邊緣云具備的優(yōu)勢(shì)在于：1)比較移動(dòng)設(shè)備的本地計(jì)算[5]，移動(dòng)邊緣計(jì)算克服了移動(dòng)設(shè)備的計(jì)算能力受限的不足；2)比較遠(yuǎn)程云端計(jì)算[6]，盡管邊緣云部署范圍較小，且資源能力受限制，但可避免任務(wù)卸載至遠(yuǎn)程云端的高延時(shí)問題。因此，移動(dòng)邊緣計(jì)算可以在延時(shí)敏感和計(jì)算密集型任務(wù)的執(zhí)行上得到更好的平衡。

當(dāng)前移動(dòng)邊緣計(jì)算中的卸載問題主要包括：頁面卸載，即邊緣緩存，頁面提供者將常用頁面緩存于邊緣云上，以降低用戶請(qǐng)求頁面時(shí)的延時(shí)和能耗[7-8]。相關(guān)研究中已有考慮頁面分布[9]和用戶移動(dòng)性[10]的緩存策略。任務(wù)卸載，該問題即是決定何時(shí)、何地、多少任務(wù)應(yīng)從移動(dòng)設(shè)備卸載至邊緣上執(zhí)行，以降低計(jì)算延時(shí)和節(jié)省能耗。該類研究中主要集中于考慮多用戶環(huán)境[11]和多服務(wù)器環(huán)境[12]下的卸載決策問題。頁面卸載主要關(guān)心邊緣云的存儲(chǔ)能力，不同步考慮計(jì)算能力。而在任務(wù)卸載的相關(guān)研究中，是以邊緣云具有足夠的軟硬件資源支持任務(wù)計(jì)算為常態(tài)假設(shè)的，這與邊緣云資源受限以及無法支持所有類型的任務(wù)是相違背的。

本文將設(shè)計(jì)更加實(shí)際且注重能效的移動(dòng)邊緣計(jì)算卸載策略。首先引入任務(wù)緩存的概念，即將多次請(qǐng)求的任務(wù)及相關(guān)數(shù)據(jù)緩存于邊緣云的操作。由于任務(wù)同時(shí)需要存儲(chǔ)與計(jì)算資源，任務(wù)緩存需要同時(shí)考慮邊緣云的計(jì)算和存儲(chǔ)能力。在此基礎(chǔ)上，設(shè)計(jì)基于邊緣云的任務(wù)緩存與卸載聯(lián)合優(yōu)化策略，目的是通過最優(yōu)的任務(wù)緩存與卸載決策，實(shí)現(xiàn)滿足用戶延時(shí)需求的情況下最小化移動(dòng)設(shè)備總能耗達(dá)到最小。

1 系統(tǒng)模型

系統(tǒng)目標(biāo)是在滿足用戶延時(shí)需求的同時(shí)最小化移動(dòng)設(shè)備的總體能耗，系統(tǒng)模型如圖1所示。

圖1 系統(tǒng)模型

移動(dòng)設(shè)備擁有五個(gè)計(jì)算任務(wù)，每個(gè)任務(wù)擁有不同的請(qǐng)求次數(shù)(即任務(wù)分布不同)、數(shù)據(jù)量以及計(jì)算能力需求。以虛擬現(xiàn)實(shí)應(yīng)用為例，其場(chǎng)景渲染任務(wù)擁有更多分布，會(huì)重復(fù)多次執(zhí)行，而追蹤目標(biāo)任務(wù)則擁有更大的數(shù)據(jù)量，需要更多的數(shù)據(jù)傳輸，而目標(biāo)識(shí)別任務(wù)則需要更高性能的計(jì)算資源。通過任務(wù)緩存和卸載可以在滿足用戶延時(shí)需求的同時(shí)降低移動(dòng)設(shè)備的能耗。對(duì)于在考慮任務(wù)異構(gòu)和邊緣云資源受限的情況下實(shí)現(xiàn)最優(yōu)的任務(wù)緩存和卸載，重點(diǎn)需要解決：1) 哪些任務(wù)需要緩存，即決定是否任務(wù)需要緩存于邊緣云上；2) 多少任務(wù)需要卸載，即決定多少任務(wù)在本地執(zhí)行，多少任務(wù)在邊緣云上執(zhí)行。

1.1 場(chǎng)景描述

移動(dòng)邊緣計(jì)算場(chǎng)景由多個(gè)移動(dòng)設(shè)備和一個(gè)邊緣云組成，假設(shè)移動(dòng)設(shè)備(用戶)數(shù)量為N，計(jì)算任務(wù)數(shù)量為K，用戶n={1,2,…,N},任務(wù)k={1,2,…,K}，且假設(shè)用戶數(shù)量大于任務(wù)數(shù)量，即N≥K，這是由于某些計(jì)算任務(wù)具有更高的分布，使得這些任務(wù)需要重復(fù)請(qǐng)求并多次執(zhí)行。假設(shè)任意用戶一次僅能進(jìn)行一個(gè)任務(wù)請(qǐng)求，且不同用戶可根據(jù)其偏好進(jìn)行同一任務(wù)的請(qǐng)求。定義un,k表示用戶n請(qǐng)求任務(wù)k，移動(dòng)設(shè)備通過無線信道與邊緣云連接，邊緣云為擁有計(jì)算和存儲(chǔ)資源的小規(guī)模數(shù)據(jù)中心，計(jì)算資源為移動(dòng)設(shè)備提供任務(wù)處理資源，存儲(chǔ)資源為任務(wù)代碼處理提供存儲(chǔ)資源。

對(duì)于異質(zhì)計(jì)算任務(wù)，利用三元組定義計(jì)算任務(wù)模型，將用戶un,k定義為un,k={wk,sk,Dn}，wk表示任務(wù)un,k請(qǐng)求的計(jì)算資源數(shù)量，以每bit的CPU周期數(shù)表示，即完成該任務(wù)需要的CPU周期總數(shù)，sk表示任務(wù)un,k的數(shù)據(jù)量，單位為bit，Dn表示用戶n的任務(wù)完成截止時(shí)間。由于邊緣云計(jì)算和存儲(chǔ)能力受限，假設(shè)邊緣云的緩存大小和計(jì)算能力分別為ce和cs。

1.2 通信模型

令Hn表示用戶n與邊緣云間的信道增益，假設(shè)用戶在將任務(wù)卸載至邊緣云時(shí)不發(fā)生移動(dòng)，則為常量。令Pn表示用戶n的移動(dòng)設(shè)備的發(fā)送功率，則用戶n的上傳數(shù)據(jù)速率可定義為：

(1)

式中：σ2表示噪聲功耗，B表示移動(dòng)設(shè)備與邊緣云間的無線信道帶寬。本文不考慮邊緣云處理后的數(shù)據(jù)下載延時(shí)，由于處理后的數(shù)據(jù)量通常遠(yuǎn)小于任務(wù)處理前的數(shù)據(jù)量，且邊緣云至移動(dòng)設(shè)備的下載速率是遠(yuǎn)高于移動(dòng)設(shè)備至邊緣云的上傳速率的。

1.3 計(jì)算模型

1) 本地任務(wù)計(jì)算的延時(shí)和能耗代價(jià)。

對(duì)于本地任務(wù)計(jì)算，定義fln為移動(dòng)用戶n的CPU計(jì)算能力，則任務(wù)un,k的本地執(zhí)行時(shí)間為：

(2)

單個(gè)CPU計(jì)算周期的能耗可表示為：ε=κf2，則在本地執(zhí)行時(shí)的能耗代價(jià)為：

(3)

式中：κ表示能量因子，大小取決于CPU芯片工藝，本文在實(shí)驗(yàn)中將該值設(shè)置為10-25。

2) 邊緣云計(jì)算的延時(shí)和能耗代價(jià)。

對(duì)于邊緣云上的任務(wù)計(jì)算，定義fcn為分配給用戶n的CPU計(jì)算能力，此時(shí)任務(wù)執(zhí)行延時(shí)包括：(1) 移動(dòng)用戶卸載任務(wù)的時(shí)間，即任務(wù)上傳時(shí)間Ttran,k；(2) 邊緣云執(zhí)行任務(wù)的時(shí)間，即任務(wù)處理時(shí)間Tpron,k。因此，任務(wù)un,k在邊緣云上的處理延時(shí)為：

(4)

若任務(wù)卸載至邊緣云，移動(dòng)設(shè)備的能耗僅為任務(wù)卸載時(shí)間通信能耗，因此，發(fā)送skbit的任務(wù)至邊緣云時(shí)的傳輸能耗代價(jià)為：

(5)

1.4 任務(wù)緩存模型

1.5 問題形式化

對(duì)于任務(wù)緩存問題，定義一個(gè)整型緩存決策變量xk∈{0,1}，表示任務(wù)k是否在邊緣云緩存，若是，xk=1；否則，xk=0。因此，任務(wù)緩存策略可表示為：x=(x1,x2,…,xk)。對(duì)于任務(wù)卸載問題，定義卸載決策變量an∈[0,1]，若an=1，則用戶n任務(wù)在本地執(zhí)行，若an=0，則用戶n任務(wù)卸載至邊緣云執(zhí)行，若an∈(0,1)，則用戶n的任務(wù)部分an在本地執(zhí)行，任務(wù)部分1-an在邊緣云執(zhí)行。因此，任務(wù)卸載策略可表示為：a=(a1,a2,…,an)。

基于以上定義，考慮任務(wù)緩存、任務(wù)的本地和邊緣云執(zhí)行，用戶n任務(wù)kun,k的總執(zhí)行延時(shí)為：

(6)

移動(dòng)設(shè)備的能耗代價(jià)為：

(7)

算法目標(biāo)是在確保服務(wù)質(zhì)量的同時(shí)最小化移動(dòng)設(shè)備的能耗代價(jià)，則問題可形式化為：

C3:Tn,k≤Dn?n∈N,k∈K

C4:xk∈{0,1} ?k∈K

C5:an∈[0,1] ?n∈N

(8)

式中：目標(biāo)函數(shù)表明通過任務(wù)的緩存與卸載決策對(duì)移動(dòng)設(shè)備的總能耗代價(jià)最小化，約束C1表明緩存任務(wù)的數(shù)據(jù)量不能大于邊緣云的緩存能力，約束C2表明卸載任務(wù)的總的資源請(qǐng)求不能大于邊緣云的計(jì)算能力，約束C3表明用戶n的任務(wù)執(zhí)行需在截止時(shí)間前完成，約束C4表明任務(wù)緩存決策變量為二進(jìn)制變量，約束C5表明任務(wù)是可分割的，可部分在本地執(zhí)行，部分在邊緣云上執(zhí)行。

2 能效任務(wù)緩存與卸載

本節(jié)求解以上的任務(wù)緩存與卸載決策最優(yōu)化問題，考慮兩個(gè)子優(yōu)化問題：1) 任務(wù)卸載問題：當(dāng)給定任務(wù)緩存策略，即x=x0時(shí)，初始問題可轉(zhuǎn)變?yōu)殛P(guān)于a的凸最優(yōu)化問題，可以通過內(nèi)點(diǎn)法獲得最優(yōu)解a*。2) 任務(wù)緩存問題：當(dāng)a*固定時(shí)，該子優(yōu)化問題可轉(zhuǎn)變?yōu)?-1整數(shù)規(guī)劃問題，可利用分支限界法獲得問題的最優(yōu)解。以下將分別證明以上的結(jié)論。

1) 能效任務(wù)卸載。

定理：給定x=x0，式(8)中關(guān)于a的初始最優(yōu)化問題為凸最優(yōu)化問題。

證明：給定x=x0，目標(biāo)函數(shù)變?yōu)閍的函數(shù)。由于目標(biāo)函數(shù)中的xkTpron,k與a無關(guān)，因此，可定義關(guān)于a的目標(biāo)函數(shù)為f(a)，表示為：

(9)

進(jìn)一步，式(8)關(guān)于a的最優(yōu)化問題可重寫為：

C2:Tn,k≤Dn?n∈N,k∈K

C3:an∈[0,1] ?n∈N

(10)

其中，目標(biāo)函數(shù)表示給定任務(wù)緩存策略時(shí)通過制定最優(yōu)任務(wù)卸載決策得到能耗的最小化，約束C1表明卸載任務(wù)的總的資源請(qǐng)求不能大于邊緣云的計(jì)算能力，約束C2表明用戶n的任務(wù)執(zhí)行需在截止時(shí)間內(nèi)完成，約束C3表明任務(wù)是可分割的，可部分在本地執(zhí)行，部分在邊緣云上執(zhí)行，an本身是任務(wù)在本地執(zhí)行的比例。

由于目標(biāo)函數(shù)是線性的，且約束條件也均是線性的，故該最優(yōu)化問題為凸最優(yōu)化問題。證畢。

凸最優(yōu)化問題即可利用內(nèi)點(diǎn)法得到最優(yōu)任務(wù)卸載策略a*，即通過求解一系列KKT條件的修改形式，在等式約束下得到最優(yōu)解，求解方法可具體參見文獻(xiàn)[13]。

2) 能效任務(wù)緩存。

根據(jù)以上的討論，可能得到最優(yōu)任務(wù)卸載策略a*。當(dāng)a=a*時(shí)，目標(biāo)函數(shù)可轉(zhuǎn)變?yōu)閤的函數(shù)，可表示為：

(11)

進(jìn)一步，式(8)關(guān)于x的最優(yōu)化問題可表示為：

C2:Tn,k≤Dn?n∈N,k∈K

C3:xk∈{0,1} ?k∈K

(12)

其中，目標(biāo)函數(shù)表示給定任務(wù)緩存卸載策略時(shí)通過制定最優(yōu)任務(wù)緩存決策得到能耗的最小化，約束C1表明卸載任務(wù)的總的資源請(qǐng)求不能大于邊緣云的計(jì)算能力，約束C2表明用戶n的任務(wù)執(zhí)行需在截止時(shí)間內(nèi)完成，約束C3表明任務(wù)緩存決策變量為二進(jìn)制變量，只有任務(wù)緩存或不進(jìn)行緩存兩種選擇。

因此，目標(biāo)函數(shù)可轉(zhuǎn)變?yōu)殛P(guān)于x的0-1線性規(guī)劃問題，利用分支限界法即可得到其最優(yōu)解，具體過程如下：

(1) 分支步驟。該步驟中，計(jì)算任務(wù)集合被轉(zhuǎn)換為一棵樹，代表所有任務(wù)在本地或需要緩存的可能性組合。該樹由空節(jié)點(diǎn)的樹根開始構(gòu)建，對(duì)于該父節(jié)點(diǎn)，每個(gè)任務(wù)的副本被連接為孩子節(jié)點(diǎn)，每個(gè)孩子節(jié)點(diǎn)代表在本地執(zhí)行或云端緩存(標(biāo)記為local或云端服務(wù)器編號(hào))。類似地，下一任務(wù)節(jié)點(diǎn)的副本與樹結(jié)構(gòu)的每一層上與孩子節(jié)點(diǎn)相連。重復(fù)以上過程直到所有任務(wù)被添加至樹結(jié)構(gòu)中，該樹的每條分支即代表一個(gè)侯選的任務(wù)緩存決策解。

為了減少?zèng)Q策時(shí)間，將節(jié)點(diǎn)添加至樹結(jié)構(gòu)中時(shí)，需要根據(jù)任務(wù)的能耗代價(jià)降序進(jìn)行添加，這樣得到的樹中主分支將擁有更高的代價(jià)，這將使得分支步驟中可以提前遍歷對(duì)代價(jià)影響更大的節(jié)點(diǎn)，從而盡可能早地發(fā)現(xiàn)不可行的高代價(jià)分支，有利于修剪分支狀態(tài)，降低決策空間的搜索時(shí)間。

(2) 搜索步驟。該步驟由搜索分支步驟構(gòu)建的樹、計(jì)算每條分支的代價(jià)和尋找最小代價(jià)分支組成。為了加快決策時(shí)間，搜索過程利用一個(gè)限界函數(shù)修剪樹結(jié)構(gòu)中的某些非最優(yōu)的分支。每條分支利用深度優(yōu)先規(guī)則DFS計(jì)算其代價(jià)。同時(shí)，若分支的局部代價(jià)超過限界函數(shù)定義的限制值則修剪該分支。設(shè)計(jì)的限界函數(shù)以完全的本地執(zhí)行或云端執(zhí)行得到的能耗代價(jià)進(jìn)行初始化。若一個(gè)分支被完整搜索而未被修剪，則將其考慮為當(dāng)前的最優(yōu)解，且其代價(jià)作為新的限界函數(shù)值。當(dāng)所有分支被搜索后，算法返回最優(yōu)解。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)配置

考慮一個(gè)由邊緣云和移動(dòng)設(shè)備組成的移動(dòng)邊緣計(jì)算系統(tǒng)，移動(dòng)設(shè)備擁有計(jì)算密集型任務(wù)和數(shù)據(jù)密集型任務(wù)執(zhí)行需求，假設(shè)邊緣云部署于無線訪問點(diǎn)AP的附近，移動(dòng)設(shè)備可通過無線信道將任務(wù)卸載至邊緣云執(zhí)行。假設(shè)無線信道帶寬B=20 MHz，移動(dòng)設(shè)備的發(fā)送功率Pn=0.5 W，對(duì)應(yīng)的噪聲功耗σ2=2×10-13，無線信道增益Hn=127+30×logd，d表示用戶n與邊緣云間的距離。對(duì)于任務(wù)un,k，假設(shè)請(qǐng)求的計(jì)算能力wk和數(shù)據(jù)量sk由概率分布產(chǎn)生，分別服從正態(tài)分布和均勻分布。對(duì)于任務(wù)的分布，假設(shè)任務(wù)請(qǐng)求次數(shù)服從Zipf分布，同時(shí)，設(shè)置邊緣云和移動(dòng)設(shè)備的計(jì)算能力分別為25 GHz和1 GHz。其他相關(guān)參數(shù)中，n=100，ce=500 MB，w服從均值為0.8(單個(gè)任務(wù)的CPU周期數(shù))的均勻分布，s服從均值為100 MB的均勻分布。利用MATLAB進(jìn)行實(shí)驗(yàn)的驗(yàn)證分析。

3.2 結(jié)果分析

1) 任務(wù)卸載影響 將本文提出的基于能效的任務(wù)緩存與卸載算法命名為TCO算法，并與以下算法進(jìn)行性能比較：

緩存+本地執(zhí)行算法，簡(jiǎn)稱CLA。該算法根據(jù)本文提出的緩存策略對(duì)計(jì)算任務(wù)進(jìn)行緩存，然后，未被緩存的任務(wù)僅在本地設(shè)備上執(zhí)行，不被卸載至邊緣云處理。

緩存+邊緣云執(zhí)行算法，簡(jiǎn)稱CEA。與CLA不同，該算法中未緩存的任務(wù)全部卸載至邊緣云處理。

從圖2看出，TCO算法得到的能耗最低，說明應(yīng)用最優(yōu)的緩存部署和任務(wù)卸載可以有效降低移動(dòng)設(shè)備的能耗。圖2(a)中，當(dāng)任務(wù)數(shù)據(jù)量較小時(shí)，TCO和CEA的能耗差異較小，而任務(wù)數(shù)據(jù)量較大時(shí)，TCO和CLA的能耗差異較小?？梢缘贸?，在相同的任務(wù)計(jì)算能力請(qǐng)求下，當(dāng)任務(wù)數(shù)據(jù)量較小時(shí)，任務(wù)應(yīng)在邊緣云上處理更為有效。比較來說，若任務(wù)數(shù)據(jù)量較大，則任務(wù)應(yīng)在本地執(zhí)行較好。從圖2(b)可以得出，在相同的任務(wù)數(shù)據(jù)量下，當(dāng)任務(wù)計(jì)算能力請(qǐng)求相對(duì)較小時(shí)，任務(wù)應(yīng)在本地執(zhí)行較好，而計(jì)算能力請(qǐng)求較大時(shí)，則在邊緣云執(zhí)行較優(yōu)。

(a)任務(wù)數(shù)據(jù)量變化

(b) 任務(wù)請(qǐng)求計(jì)算能力變化圖2 任務(wù)卸載的影響

2) 任務(wù)緩存影響 觀察兩種情況下的能耗狀況：任務(wù)不被緩存和任務(wù)緩存，如圖3所示。當(dāng)任務(wù)被緩存時(shí)，移動(dòng)設(shè)備的能耗低于不緩存時(shí)的能耗，說明計(jì)算任務(wù)緩存可以降低能耗。還可以看出，任務(wù)數(shù)據(jù)量越大，計(jì)算能力請(qǐng)求越高，能耗將越高。

(a) 任務(wù)數(shù)據(jù)量變化

(b) 任務(wù)請(qǐng)求計(jì)算能力變化圖3 任務(wù)緩存影響

為了評(píng)估緩存策略對(duì)結(jié)果的影響，將TCO與以下算法進(jìn)行比較：

任務(wù)盡力緩存與卸載算法，簡(jiǎn)稱TPO。對(duì)于邊緣云，它將最大限度地緩存計(jì)算任務(wù)直到達(dá)到邊緣云的緩存能力。

任務(wù)隨機(jī)緩存與卸載算法，簡(jiǎn)稱TRO。邊緣云隨機(jī)地進(jìn)行任務(wù)緩存，直到達(dá)到邊緣云的緩存能力。

任務(wù)有限緩存與卸載算法，簡(jiǎn)稱TFO。邊緣云的緩存能力初始設(shè)置為空，迭代式增加一個(gè)任務(wù)至緩存以最小化總能耗，直到達(dá)到邊緣云的緩存能力。

由圖4可知，TCO是最優(yōu)的，TRO相對(duì)較差，這是由于隨機(jī)緩存策略沒有考慮任務(wù)請(qǐng)求數(shù)量的原因?qū)е拢以撍惴ㄔ谶M(jìn)行任務(wù)緩存時(shí)也無法考慮任務(wù)計(jì)算量和計(jì)算任務(wù)的數(shù)據(jù)量。TPO僅考慮了任務(wù)請(qǐng)求數(shù)量，沒有考慮任務(wù)數(shù)據(jù)量和任務(wù)計(jì)算量，TFO在一定程度上考慮了以上三個(gè)量。從圖4(a)還可以看到，邊緣云的緩存能力越大，能耗將越小，這是由于緩存能力越大，緩存任務(wù)越多，能耗將降低。從圖4(b)和(c)可以看出，任務(wù)數(shù)據(jù)量對(duì)算法的影響要弱于計(jì)算能力對(duì)算法的影響。

(a) 邊緣云緩存大小變化

(b) 任務(wù)數(shù)據(jù)量變化

(c) 任務(wù)請(qǐng)求計(jì)算能力變化圖4 任務(wù)緩存的影響

4 結(jié) 語

移動(dòng)邊緣計(jì)算環(huán)境中，延時(shí)敏感型應(yīng)用任務(wù)的執(zhí)行不僅需要滿足用戶時(shí)延的約束，還需要考慮移動(dòng)設(shè)備端的能耗問題。為了解決這一問題，基于移動(dòng)邊緣計(jì)算環(huán)境提出了一種融入任務(wù)緩存機(jī)制的任務(wù)卸載策略。不同于常規(guī)的邊緣計(jì)算僅僅關(guān)注計(jì)算卸載決策問題，該策略設(shè)計(jì)了一種基于邊緣云的任務(wù)緩存機(jī)制，降低了重復(fù)的任務(wù)需求執(zhí)行時(shí)的卸載延時(shí)。此外，策略將計(jì)算與存儲(chǔ)能力受限的邊緣云中的任務(wù)緩存與卸載優(yōu)化決策問題形式化為混合整數(shù)規(guī)劃問題，并對(duì)其進(jìn)行了求解。實(shí)驗(yàn)結(jié)果證明，帶有緩存機(jī)制的任務(wù)卸載策略在動(dòng)態(tài)異構(gòu)的任務(wù)執(zhí)行環(huán)境下可以實(shí)現(xiàn)更好的能效優(yōu)化。進(jìn)一步的研究將集中于面向多個(gè)邊緣云的任務(wù)卸載環(huán)境，在任務(wù)緩存與卸載的邊緣云資源的選擇上作出優(yōu)化。