1.一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，该方法具体包括以下步骤：S1：建模用户设备任务变量；

S2：建模边缘服务器变量；

S3：建模多层卷积神经网络(Convolutional Neural Network，CNN)模型；

S4：建模任务总时延；

S5：建模任务卸载及CNN层调度约束条件；

S6：确定边缘服务器任务卸载及CNN层调度策略，以实现任务总时延最小化。

2.根据权利要求1所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S1具体包括：令T＝{T1,...,Ti,...,TM}表示任务集合，其中Ti表示第i个任务，1≤i≤M，M为任务总数目；令 表示任务数据量的集合， 表示任务Ti所需处理的数据量，Pi表示用户执行任务Ti对应的数据发送功率。

3.根据权利要求2所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S2具体包括：令E＝{E1,...,Ej,...,EN}表示边缘服务器集合，其中Ej表示第j个边缘服务器，1≤j≤N，N为边缘服务器的数量；Cj表示第j个边缘服务器的服务能力，Bj表示第j个边缘服务器与云服务器间通信的上行带宽。

4.根据权利要求3所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S3具体包括：在每个边缘服务器均部署一个CNN，记CNNj为部署于边缘服务器Ej的CNN，K为多层CNN的总层数；令xij表示任务Ti卸载至边缘服务器Ej的调度决策标识，xij＝1表示任务Ti卸载到边缘服务器Ej进行处理，否则，xij＝0；令 表示任务Ti经过边缘服务器Ej多层CNN的第k层处理后输入数据的缩减率；经过边缘服务器Ej的k层CNN处理后，任务Ti的输出数据量为

5.根据权利要求4所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S4具体包括：建模任务总时延为 其中，Dij表示任务Ti卸载至边缘服务器Ej上进行处理对应的时延，建模为 其中，

表示任务Ti传输至边缘服务器Ej上所需传输时延，建模为 Rij表示任务Ti卸载至边缘服务器Ej对应的传输速率，建模为 其中Bij表示任务Ti卸载至边缘服务器Ej所占用的传输带宽，gij表示任务Ti卸载到边缘服务器Ej时的信道增益，σ2表示信道噪声功率；

表示任务Ti在边缘服务器Ej上进行k层CNN数据预处理所需处理时延，建模为其中 表示边缘服务器Ej上第k0层CNN处理单位输入数据所需浮点计算次数， 表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN调度决策标识，k∈[1,K]表示边缘服务器Ej调用了k层的CNN来处理任务Ti；

表示任务Ti经边缘服务器Ej上k层CNN处理后的中间数据上传至云服务器所需上行传输时延，建模为表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延。

6.根据权利要求5所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S5具体包括：任务卸载约束条件建模为 任务卸载数据传输时延约束条件建模为 其中 为任务Ti卸载至边缘服务器Ej时可允许最大传输时延；

CNN层调度约束条件建模为 基于CNN调度层数，任务的处理时延约束条件建模为 其中 为任务Ti在边缘服务器Ej的最大处理时延；任务预处理后数据上传传输时延约束条件建模为 其中 为任务Ti经由边缘服务器Ej上传至云服务器可允许最大传输时延。

7.根据权利要求6所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法，其特征在于，所述步骤S6具体包括：在满足任务卸载及CNN层调度约束条件的前提下，以任务总时延的最小化为目标，优化确定边缘服务器任务卸载及CNN层调度策略，即其中 表示任务Ti卸载至边缘服务器Ej的最优调度决策， 表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN最优调度决策。