文献：Mobile-Edge Computation Offloading for Ultra-Dense IoT Networks
解决资源匮乏的物联网移动应用程序和资源受限的物联网移动设备之间的冲突。研究超密集物联网中的MECO问题，并提出了一个两层博弈论贪婪卸载方案作为我们的解决方案。
一、介绍
超密集物联网在服务质量（QoS）和体验质量（QoE）方面对通信网络提出了不同的要求，对网络延迟和可靠性有弹性要求；对网络延迟、吞吐量、可靠性的要求。
通过将物联网移动设备（MD）的计算任务卸载到部署在无线电接入基础设施处的边缘服务器，包括宏基站（MBS）、小小区（例如，微微小区、毫微微小区和中继）、WiFi AP等，MECO可以显著减少任务的处理延迟和物联网MD消耗的能量，从而增强超密集物联网网络中的QoS和QoE。
1、相关工作
研究了超密集物联网网络的计算卸载问题，考虑了边缘服务器处的计算资源动态变化的情况，并且在物联网MD、连接到MBS的边缘服务器和SC之间协作分配计算和无线电资源。
2、贡献
考虑了任务随机到达边缘服务器并且边缘服务处的计算资源动态变化的情况。
根据物联网移动设备的能耗和计算任务的处理实验提出系统模型，在满足给定无线信道约束的同时最小化总体计算开销。
提出了一种具有高得多计算效率的双层博弈理论贪婪近似卸载方案，其中在物联网MD、连接到MBS的边缘服务器和SC之间执行协作计算卸载。
二、系统模型
为了向移动设备MD提供移动边缘计算MEC服务，一个或多个MEC服务器通过光纤链路连接到MBS/SC。在不失一般性的情况下，本文只考虑MEC服务器连接到MBS/SC的情况。因此，对于任何物联网MD，它最多可以选择三种卸载策略来完成其计算任务，例如在MD的CPU上本地计算，卸载到连接到MBS的MEC服务器，以及卸载到连接至与MD相关联的SC的MEC服务器。
1、本地执行模型
2、移动边缘执行模型
将任务Ti，j卸载到连接到MBS的MEC服务器。
MD i的类型j任务的处理时间主要包括四个部分，即，任务Ti，j从MD i通过无线接入到MBS的传输时间、Ti，j通过光纤链路从MBS到MEC服务器的传输时间，任务Ti、j在MEC服务器上的排队时间和执行时间。忽略了将计算结果从MEC服务器发送回MD的时间成本。
将Ti，j下载到连接到SC k的MEC服务器。
三、超密集IOT网络中的协同计算卸载
1、问题公式
随着更多类型的计算任务被卸载到MEC服务器，由于无线干扰模型，无线上行链路数据速率将急剧下降，并且完成任务Ti，j的平均服务时间将同时增加。结果，获得的总计算开销将大大增加。所以，在实现的总体计算开销和被卸载到MEC服务器的任务数量之间存在权衡。
为所有MD的任务找到最佳计算卸载配置文件，这最小化了总体计算开销，同时满足MBS和SC的无线信道约束。
定义1：超密集物联网（OMOU）中的最优移动边缘计算卸载
为物联网MD的不同类型的计算任务获得最佳计算卸载配置文件，这在满足MBS和SC的无线信道约束的同时最小化了处理时间和能量消耗方面的总体计算开销。
约束条件：
被卸载到MBS的MEC服务器的任务总是少于MBS所拥有的无线信道的任务总数；
被卸载到特定SC的任务总数不多于SC所拥有的无线电信道的任务数；
MD的任务卸载类型可以选择S+2卸载决策中的任何一个。
OMOU是NP-hard问题。
将MD的不同类型的计算任务和OMOU中的无线信道分别视为最大基数箱打包问题中的项目和箱。
2、解决方案
最佳枚举卸载方案OEOA：暴力方法是枚举所有任务的所有可选计算卸载决策，并为所有MD的任务选择一个卸载决策简档，该简档满足给定无线信道约束。
OEOA具有高的计算复杂性，OEOA无法处理大量的计算任务，它只是作为一个基准来验证我们的以下解决方案的有效性。
博弈论贪婪近似卸载方案GT-GAOA：外层采用随机博弈论策略，以找到所有MD的总体最优卸载决策分布，在内层采用贪婪近似方法，以找到MD i各种类型计算任务的局部最优卸载策略。
博弈论用来解决具有不同目标的多个博弈参与者之间的决策问题。在有限玩家的游戏中，在每一步中，理性玩家都会对其他玩家在前一步中的行为做出反应，并做出局部最优决策。经过一系列步骤后，这些玩家会自我组织成一种相互平衡的状态，即纳什均衡，在这种状态下，任何玩家都无法通过单方面改变策略来进一步降低成本。
局部最优卸载决策曲线
GT-GAOA，MD首先通过计算下一时间中的本地最优卸载决策简档，即以最小的计算卸载开销获得任何MD i的最优关联SC k和其所有任务的计算卸载决策列表。然后，MD确定是否应更新其卸载配置文件。
3、分析与讨论
OEOA简单有效，为OMOU问题提供最优解，但是计算复杂性高。
GT-GAOA只能获得一个接近最优的解决方案，局部最优解不能保证全局最优，但是GT-GAOA比OEOA具有更高的计算效率。
四、性能评估
- 参数设置
- 数值结果
GT-GAOA方案获得的总体最小计算开销与我们的基准OEOA一致。数值结果证实，GT-GAOA可以给出我们的问题OMOU的近似最优解。
GT-GAOA的运行时间远低于OEOA的运行时间，并且GT-GAOA为我们在多用户超密集边缘服务器场景中提供了一种可行且实用的MECO方案。
GT-GAOA可以在有限次数的迭代后达到纳什均衡，GT-GAOA收敛的平均迭代与IoT MD的数量近似线性。
证明了在MD和MEC服务器之间引入计算卸载的必要性，而且证明了在超密集物联网网络中使用多个MEC服务器进行计算卸载的优越性能。 - 讨论
我们假设每种类型的任务都是由某个MD以指定的概率请求的，而不是在计算卸载期间预设固定数量的计算任务。
五、结论
超密集物联网网络中的移动边缘计算卸载问题，即多用户超密集边缘服务器场景。
该问题的定义目标是最小化所有任务的总计算开销，同时满足无线信道约束。
提出了我们的解决方案，即，作为基准的最优枚举卸载方案，以及作为可行解决方案的两层博弈论贪婪近似卸载方案。
数值结果表明，与现有的MECO方案相比，我们提出的方案具有更好的性能，并验证了在多个边缘服务器上进行计算卸载的必要性。