1.一种面向物联网的雾计算任务卸载方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IoT设备任务卸载决策、传输资源和计算资源分配、雾设备FN与IoT设备的双向匹配以最小化系统总开销，包括以下步骤：S1：基于层次分析法的QoS分析方案；

S2：任务卸载决策方案；

S3：传输资源和计算资源分配方案；

S4：FN与IoT设备双向匹配方案；

在步骤S1中，随着IoT设备对吞吐量需求的增加，即网络中单位时间内数据传输率需求增加，相应的传输能耗也呈增长趋势；QoS参数m的权重表示为即根据网络中IoT设备对吞吐量和时延的需求，设定IoT设备的能耗敏感度和时延敏感度；

基于AHP三层结构对IoT设备的QoS参数进行分析：在第一层中，AHP的全局目标是FN确认备选的IoT设备；第二层根据IoT设备的QoS需求作为决策因素，根据IoT设备的能耗需求和时延需求，决定不同IoT设备的决策因素优先级；

最后，第三层基于第二层的决策因素评估备选IoT设备的能耗和时延优先级；

将IoT设备的QoS需求考虑为一个矩阵 Q阵的每个元素qu,m表示当前IoT u的最小QoS需求；每个决策因素的权重都与备选IoT设备的相对重要性有关；基于多准则决策问题，AHP模型通过以下两个步骤来获得；

(1)Level 2：基于决策因素的相对重要性，得到局部权重根据因特网流量的典型QoS要求，得到不同IoT设备的相对重要性；IoT的决策因素优先级越高，偏好性越强；

m×m

每一个IoT u∈U建立一个正互反矩阵P∈R ，对不同IoT类型的决策因素进行比较；P矩阵中元素pi,j表示决策因素i和j间的相对重要性；i,j分别对应行和列；P经过列归一化处理得到 中的每个元素表示归一化相对权重；对 取行平均得到局部权重向量表示第二层每个IoT设备u的决策因素m的局部权重，作u×m

为IoT设备u的QoS权重矩阵W∈R 的基本元素；

(2)Level 3和Level 1：根据局部权重 得到全局权重在第三级，FN r对备选IoT设备u进行评估；将最小QoS需求矩阵Q进行归一化处理得到u×m

根据 得到IoT备选矩阵A∈R ；由Level 3得到的IoT备选矩阵A和Level 2得到的局部权重向量 得FN r的全局权重向量 其中w1,w2,w3…分别表示FN r对于IoT设备u1,u2,u3…的偏好，w值越大，偏好性越强；

在步骤S2中，卸载决策xu是二元变量，若IoT设备本地计算开销大于卸载计算开销，则IoT设备卸载到FN进行计算，xu＝1；若IoT设备本地计算开销小于等于卸载计算开销，则IoT设备选择本地计算，xu＝0；即：若卸载决策向量Xu内的“1”、“0”元素的个数分别是 其中 FN r中卸载IoT集合表示为 本地计算IoT集合表示为 系统总开销表示为：在步骤S3中，每个选择卸载到FN的IoT设备要占用一定的数量的RB，假设连接到FN r的A个IoT设备有任务卸载需求，FN r将计算资源平均的分配给各个IoT设备，保证卸载到FN r的IoT设备的时间开销小于等于本地时间开销；对任意IoT ur∈Ur，计算任务Dn的时间开销为：

为保证任务卸载到FN计算的时间不超过本地计算时间，得：当上式取等号时，任务卸载时间取得最大值 得最小传输速率要求：假定临近的FN相互间无干扰，得最小需求RB数量：为减小干扰，按照ur需求的最小RB个数进行分配，得到ur卸载任务的传输速率为：卸载开销函数中的时延包括传输时延、排队时延和计算时延；为使卸载到FN的IoT设备的计算时延最小化，FN的计算资源应该合理的分配给每个卸载任务的IoT设备；优化目标是最小化所有卸载到FN r的IoT设备ur的总计算时间：根据拉格朗日分析方法，问题转化为求下面函数的极值：其二阶导数恒大于0， 为凹函数，存在最小值；令一阶导数等于0，得：利用梯度法对拉格朗日算子进行迭代更新：步骤S4中，设网络中的FN设备有相同的RB和计算资源；考虑到玩家IoT和FN的个人偏好，在两组U和R之间找到一个稳定的匹配；将问题建模为一对多匹配博弈，即每个IoT设备的任务最多卸载到一个FN处理，FN能够匹配多个IoT设备，直到不满足IoT设备的最小QoS需求；匹配博弈的结果是相互匹配的y函数，分配每个玩家r∈R和u∈U；若 则FN r与IoT u之间构成匹配，将FN r放入IoTr的接受列表Ar中；

(1)FN r的偏好列表pr

考虑到 中不同IoT的权重值，用＞r表示FN r的偏好性；若IoT u的权值w大于IoT u′的权重值w′，则FN r更偏好于IoT u；即 其中 且u≠u′；

(2)IoT设备u偏好列表pu

考虑到IoT设备u卸载到FN的系统总开销，用＞u表示IoT u对于FN的偏好性；根据局部权重向量 计算卸载开销函数为：

卸载开销函数基于局部权重向量 其分别代表能耗和时延的局部权重；若FN r的系统开销 小于FN r′的系统开销 则IoT u更偏好于选择FN r卸载任务，即其中r≠r′；

(3)动态匹配过程

在一对多的匹配博弈中，当前匹配结果 还受到其他邻近匹配 的影响；

若当前r与u′、r′与u分别组成双向匹配；若FN r有足够的剩余RB，且IoT u比起其当前匹配的FN r′更偏好于r，则r接受IoT u构成新的匹配对；若FN r没有足够的剩余RB，且IoT u比起其当前匹配的FN设备r′更偏好于r，则FN设备从已匹配的多个IoT中找出最低偏好IoT u′，解除匹配关系，并接受与IoT u的匹配。

2.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S2中，IoT设备的本地计算开销包括时间开销和能量开销；

时间开销表示为完成任务所需的CPU周期数与IoT设备本地的计算能力的比值，本地能量开销表示为完成任务所需的CPU周期数与每周期能量消耗的乘积；

IoT设备的卸载计算开销包括时间开销和能量开销；将每个FN接收多个IoT设备的任务请求建模为M/M/1排队系统，时间开销为传输时延、排队时延和计算时延的累加和；卸载能量开销为任务从IoT设备到FN的传输能量，表示为发射功率与任务传输时间的乘积。

3.根据权利要求1所述的一种面向物联网的雾计算任务卸载方法，其特征在于：在所述步骤S3中，每个选择卸载到FN的IoT设备要占用一定的RB数量，假设连接到FN r的A个IoT设备有任务卸载需求，FN r将计算资源平均的分配给各个IoT设备，为保证任务卸载到FN的时间开销不超过本地计算时间开销，得到IoT设备ur所需的最小RB个数 为了使卸载到FN的IoT设备的计算时延最小化，优化目标是最小化所有选择卸载的IoT设备在FN的总计算时间。