移动边缘计算中带有缓存机制的任务卸载策略

最近发现了我的一些不足，就是对于模型的建立和如何解决。根本原因还是论文看少了，数学基础太薄弱。下面这篇的建模比较简单，适合练手。前路漫漫，任重道远。神即道，道法自然，如来。

由于很多数学公式，而文本编辑对这些公式格式不方便，所以为了阅读体验，我截图发。这篇博客只介绍建模和解决方案这块，背景、实验和结果分析看论文。

[1]郭煜.移动边缘计算中带有缓存机制的任务卸载策略[J].计算机应用与软件,2019,36(06):114-119.

摘要：

任务模型搭建：

 对于在考虑任务异构和边缘云资源受限的情况下实现最优的任务缓存和卸载，重点需要解决:

       1)哪些任务需要缓存，即决定是否任务需要缓存于边缘云上;

       2)多少任务需要卸载，即决定多少任务在本地执行，多少任务在边缘云上执行。

场景描述：

通信模型：

      不考虑边缘云处理后的数据下载延时，由于处理后的数据量通常远小于任务处理前的数据量，且边缘云至移动设备的下载速率是远高于移动设备至边缘云的上传速率的。

本地任务计算的时延和能耗代价：

边缘云计算的延时和能耗代价：

任务缓存模型：

      任务缓存即将已完成任务及相关数据缓存在边缘云上，任务缓存过程如下:移动设备发出计算任务的卸载请求，若该任务已在边缘云缓存，则边缘云告之移动设备已在云端存储，移动设备无需进行任务卸载。边缘云完成任务处理后，直接将结果传输至移动设备。通过该方式，用户无需对已缓存的任务进行任务卸载，可以降低移动设备的能耗与任务卸载的延时。尽管边缘云的缓存能力和计算能力优于移动设备，但并非可以缓存和支持所有类型的计算任务，且任务缓存需要同时考虑任务分布、数据量以及任务请求资源大小。

问题形式化：

算法目标是在确保服务质量的同时最小化移动设备的能耗代价，则问题可形式化为:

能效任务缓存与卸载：