1.一种移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，包括以下步骤：S1：用户终端在接收到卸载任务请求时基于该用户终端的多阶段确定性最大化收益模型计算出各个子时隙内用户终端向移动边缘计算MEC服务器购买计算频率资源的最优购买策略，并根据该最优购买策略计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；

所述用户终端的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下用户终端的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下用户终端的多阶段随机规划模型为对基于李雅普诺夫理论建立的用户终端在确定性网络环境下的最大化收益模型进行转化得到；

所述用户终端的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：

S11：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；

S12：针对用户终端侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载用户终端可获得的用户终端收益；

S13：利用李雅普诺夫理论基于所述用户终端收益建立出用户终端在确定性网络环境下的最大化收益模型；

S14：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将用户终端在确定性网络环境下的最大化收益模型转化为用户终端在不确定性网络环境下的两阶段随机规划模型；

S15：将时隙t划分为l个子时隙从而将用户终端的两阶段随机规划模型扩展转化为用户终端在不确定性网络环境下的多阶段随机规划模型；

S16：通过构造场景树将用户终端在不确定性网络环境下的多阶段随机规划模型等价转化为用户终端的多阶段确定性最大化收益模型；

所述用户终端的多阶段确定性最大化收益模型为：

其中，tk表示时隙t的第k个子时隙，k∈{1,2,...,l},l表示一个时隙划分的子时隙个数， 表示在子时隙tk内nj分配给用户终端mi的CPU频率，mi表示第i个用户终端，当j＝0时，与j相关参数表示用户终端本地处理的参数，当j≠0时，nj表示第j个MEC服务器，Vi表示mi对应的李雅普诺夫优化算法控制参数，αi表示mi的任务卸载权重系数，τk表示第k个子时隙的长度，Li表示mi处理单位bit任务所需要的CPU周期数，Bij表示mi和nj之间的通信带宽， 表示mi在子时隙tk内单位时间内向nj购买单位计算频率资源的支付价格，σi表示mi在单位时间内的通信成本权重系数， 表示mi在子时隙tk内的任务队列积压，表示mi在子时隙tk内卸载任务到nj时，可能的云端排队等待时间的个体场景空间， 表示mi在子时隙tk内卸载任务到nj的云端排队等待时间， 表示所有MEC服务器在子时隙tk内对mi的云端排队等待时间的组合场景空间，Si,t表示所有MEC服务器在时隙t内对mi的所有子时隙云端排队等待时间的组合场景空间，P(si,t)表示实现为si,t的概率，si,t∈Si,t表示Si,t的一个实现， 表示实现为si,t时，mi在子时隙tk内向nj购买的计算频率资源，M表示请求卸载任务的用户终端数，N表示MEC服务器的数量， 表示nj的最小CPU频率，表示nj的最大CPU频率；

基于该用户终端的多阶段确定性最大化收益模型，利用拉格朗日乘子法和KKT条件计算出各个子时隙内用户终端向MEC服务器购买计算频率资源的最优购买策略，从而计算各个子时隙内用户终端向MEC服务器卸载的最优任务量；

S2：基于用户终端的最优购买策略，利用MEC服务器的多阶段确定性最大化收益模型计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略；所述MEC服务器的多阶段确定性最大化收益模型为通过构造场景树对云端排队等待时间不确定性网络环境下MEC服务器的多阶段随机规划模型进行等价转化得到的模型，所述不确定性网络环境下MEC服务器的多阶段随机规划模型为对建立的MEC服务器在确定性网络环境下的最大化收益模型进行转化得到；

所述MEC服务器的多阶段确定性最大化收益模型为按照以下方式进行计算、转化得到的模型：S21：建立任务卸载排队系统模型，并根据所述任务卸载排队系统模型确定任务卸载参数，所述任务卸载参数包括任务卸载效用、任务卸载成本、任务上传时间、任务云端排队等待时间以及任务计算时间；

S22：针对MEC服务器侧根据所述任务卸载参数计算用户终端向MEC服务器购买计算资源进行任务卸载MEC服务器可获得的收益；

S23：基于所述MEC服务器可获得的收益建立出MEC服务器在确定性网络环境下的最大化收益模型；

S24：定义云端排队等待时间服从目标概率分布，并基于该目标概率分布将MEC服务器在确定性网络环境下的最大化收益模型转化为MEC服务器在不确定性网络环境下的两阶段随机规划模型；

S25：将时隙t划分为l个子时隙从而将MEC服务器在不确定性网络环境下的两阶段随机规划模型扩展为MEC服务器在不确定性网络环境下的多阶段随机规划模型；

S26：通过构造场景树将MEC服务器的多阶段随机规划模型转化为MEC服务器的多阶段确定性最大化收益模型；

所述MEC服务器的多阶段确定性最大化收益模型为：

其中， 表示在时隙t内nj的收益， 表示所有用户终端在

子时隙tk内卸载任务到nj的云端排队等待时间的组合场景空间，表示nj计算能耗的权重系数，κj表示与nj芯片架构相关的有效能量系数，Sj,t表示所有用户终端在时隙t内卸载任务到nj的所有子时隙云端排队等待时间的组合场景空间，P(sj,t)表示实现为sj,t的概率，sj,t∈Sj,t表示Sj,t的一个实现， 表示实现为sj,t时，nj在子时隙tk内对mi的报价， 表示mi在子时隙tk内单位时间内购买的单位计算频率资源对应的成本价格；

基于MEC服务器的多阶段确定性最大化收益模型和用户终端的最优购买策略，利用拉格朗日乘子法和KKT条件计算各个子时隙内MEC服务器对用户终端所购买资源的最优报价策略；

S3：在确定所述用户终端向MEC服务器购买计算频率资源的最优购买策略以及MEC服务器的最优报价策略满足斯坦科尔伯格均衡解时，所述用户终端按照所述最优任务卸载量向MEC服务器卸载任务。

2.如权利要求1所述的移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，步骤S13中建立得到的用户终端的最大化收益模型为：其中，mi在时隙t内向MEC服务器购买计算资源获得的收益

mi在时隙t内卸载到nj的任务量 mi在时隙t内卸载任务到nj可获得的效

用uij,t＝αilog(1+bij,t)，fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间 τ表示一个时隙的长度，mi在时隙t内卸载任务到nj的支付成本 pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj的数据通信成本 mi在时隙t内卸载任务到nj的任务上传时间 表示mi在时隙t内卸载任务到nj的云端排队等待时间，Qi,t表示mi在时隙t内的任务队列积压，mi在时隙t内卸载的总任务量所述转化得到的用户终端的两阶段随机博弈模型为：其中， Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωi,t表示所有MEC服务器对mi的云端排队等待时间的组合场景空间，表示Ωi,t的一个组合实现， 表示组合实现为ωi,t的概率， 表示在 条件下mi在时隙t内向MEC服务器购买计算资源获得的

收益， 表示在 条件下mi在时隙t内卸载到nj的任务量；

所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：

其中， 表示条件期望运算。

3.如权利要求1所述的移动边缘计算中不确定性环境下的动态任务卸载方法，其特征在于，步骤S23中建立得到的MEC服务器的最大化收益模型为：其中，mi在时隙t内卸载任务到nj的支付成本 pij,t表示mi在时隙t内单位时间内向nj购买单位计算频率资源的支付价格，mi在时隙t内卸载任务到nj所产生的计算能耗成本 fij,t表示在时隙t内nj分配给用户终端mi的CPU频率，mi在时隙t内卸载任务到nj的云端计算时间 τ表示一个时隙的长度， 表示mi在时隙t内卸载任务到nj的云端排队等待时间， 表示mi在时隙t内单位时间内购买的单位计算频率资源对应的成本价格；

所述转化得到的MEC服务器的两阶段随机规划模型为：

其中， Ωij,t表示mi在时隙t内卸载任务到nj时，可能的云端排队等待时间的个体场景空间，Ωj,t表示所有用户终端在时隙t内卸载任务到nj的云端排队等待时间的组合场景空间， 表示Ωj,t的一个组合实现， 表示组合实现为ωj,t的概率， 表示在 条件下mi在时隙t内卸载任务到nj的支付

成本， 表示在 条件下mi在时隙t内卸载任务到nj所产生的计算能耗成

本；

所述转化得到的用户终端在不确定性网络环境下的多阶段随机规划模型为：

其中， 表示条件期望运算。