1.一种移动用户深度神经网络计算卸载时延最小化方法，其特征在于，所述方法包括如下步骤：步骤1：将深度神经网络所需的执行时间划分为多个不等长时间段，划分原则是用户移动过程中所连接的基站是否改变，每个基站均部署了云服务器，设定DNN请求发出的时刻为τstart，任务完成的时刻为τend，在这段时间内，用户在每个基站的通信区域内停留的时间即为一个时间段；

步骤2：将DNN模型建模为一张有n个顶点的有向无环图DAG，图中的每一个顶点代表深度神经网络模型中的一层，这一层网络可以选择在本地计算，也可以卸载到边缘云计算；

步骤3：用户完成该DNN任务需要m个时间段，m是需要优化的参数，基于图论的思想，把DNN拓扑图DAG划分为m个分块，记为SDAG＝{SDAG1,……,SDAGj,……,SDAGm}，

每一个时间段完成一个分块的执行，每一个分块j由移动用户和边缘云服务器协作完成，我们把这一分块再分为两小分块,前一小分块SDAGjl由本地执行，后一小分块SDAGje卸载至边缘云执行；

步骤4：由于边缘云服务器的存储资源是有限的，采取用户按需上传模型，哪几层模型需要在边缘云执行，就把那几层的模型上传到边缘云，因此，用户需上传SDAGje的神经网络模型，为此，重定义SDAG＝{SDAG1l,SDAG1e,……,SDAGjl,SDAGje,……,SDAGml,SDAGme}所有带l下标的分块均在本地执行，所有带e下标的分块均卸载至边缘云服务器执行；

步骤5：根据SDAG，该任务的整体执行流程为：在第一个时间段内，移动用户本地执行SDAG1l，同时把SDAG1e的DNN模型传输给到边缘云服务器，当两者均执行完成后，移动设备将SDAG1l的计算结果传输给边缘云服务器，边缘云服务器执行SDAG1e，当边缘云服务器执行完SDAG1e之后，将最终结果传回给用户，用户接着进入到第二个基站的通信范围，第二个时间段的执行过程以此类推；

步骤6：根据上述步骤所描述，建立DNN卸载过程中时延的数学模型，该时延分为三部分：第一部分为SDAGjl的本地计算，同时还要上传SDAGje的网络模型，这部分的时延取两者中的较大值，数学表达式如下：其中，为第i层网络在本地计算所需的时间， 为第i层网络模型数据在网络中传输所需的时间；

第二部分为Vjt的网络传输时延，数学表达式如下：

其中，Vjt为需要在网络中传输输出数据的DNN层集合， 为第i层网络输出数据在网络中传输所需的时间；

第三部分为SDAGje在边缘云服务器中的处理时延，数学表达式如下：

其中， 为第i层网络卸载到边缘云的数据在边缘云计算所需的时间；

总时延即为上述三部分的时延之和；

步骤7：用最大流最小割求解一个时间段内的优化问题，要解决的问题是如何最优划分SDAGj以得到SDAGjl和SDAGje，使得执行SDAGj所需的时间最短；

步骤8：从全局最优角度出发，最小化完成整个DNN任务所需的时间段数，即m。

2.如权利要求1所述的一种移动用户深度神经网络计算卸载时延最小化方法，其特征在于，所述步骤7的过程如下：

7.1)假设在该阶段已经得到了SDAGj，要解决的问题是如何最优划分SDAGj以得到SDAGjl和SDAGje，使得执行SDAGj所需的时间最短，重新构建一张新图g，新增两个节点l和e，分别代表本地计算和边缘云计算，e和l分别连接SDAGj中的每一个节点；

7.2)基于图论的思想，使用最大流最小割方法把图g切割成两个子图，要求节点l和e分别在不同的子图内，切割的目标是达到时延最小。

3.如权利要求1或2所述的一种移动用户深度神经网络计算卸载时延最小化方法，其特征在于，所述步骤8的过程如下：

8.1)初始化SDAG1为该时间段内最多能由移动设备进行本地计算完成的节点数，对SDAG1进行粗粒度增加，设置一个常量K，K值的设置可根据具体情况具体分析；在SDAG1集合中往后增加K个节点，对新的SDAG1进行步骤7的最小时延求解，若求得的时延小于这个时间段的时间长度，则重复本步骤，直到求得的时延大于这个时间段的时间长度；

8.2)对通过上述步骤得到的SDAG1进行细粒度减少，在SDAG1中删除最后一个节点，对新的SDAG1进行步骤7的最小时延求解，若该值大于这个时间段的时间长度，则重复本步骤，直到时延小于等于这个时间段的时间长度，此时的SDAG1即为最优解；

8.3)从DAG中删除SDAG1，对剩余部分进行SDAG2的初始化，重复步骤8.2)和步骤8.3)，直至最后一个节点也被分配完成，得到最优的SDAG。