1.一种基于边缘协作的任务卸载系统，其特征在于，所述基于边缘协作的任务卸载系统包括：

数字孪生层，所述数字孪生层用于获取终端以及边缘节点的运行数据，并根据获取的运行数据训练神经网络模型，所述神经网络模型用于确定任务卸载方案；以及所述终端，所述终端用于根据确定的任务卸载方案将计算任务卸载到至少一个所述边缘节点。

2.根据权利要求1所述的基于边缘协作的任务卸载系统，其特征在于，所述数字孪生层包括获取模块以及训练求解模块；

所述获取模块用于获取终端以及边缘节点的运行数据；

所述训练求解模块用于根据所述获取模块获取的所述运行数据训练神经网络模型以求解最优任务卸载方案。

3.根据权利要求1所述的基于边缘协作的任务卸载系统，其特征在于，所述数字孪生层或者所述终端设置有卸载模型，所述卸载模型用于描述任务卸载方案的集合。

4.根据权利要求3所述的基于边缘协作的任务卸载系统，其特征在于，所述数字孪生层还包括解算模块，所述解算模块用于根据训练出的神经网络模型解算出最优任务卸载方案。

5.根据权利要求3所述的基于边缘协作的任务卸载系统，其特征在于，所述卸载模型由状态空间、动作空间、状态转移概率以及奖励函数构成；

所述状态空间用于描述所述数字孪生层与所述终端的连接状态；

所述动作空间用于描述所述终端可能的任务卸载方式；

所述状态转移概率用于描述所述终端执行所述状态空间中的任意卸载方式、使得所述状态空间从当前状态进入下一状态的概率；

所述奖励函数用于描述所述终端执行任务卸载所得的奖励得分，衡量因素包括系统功率以及网络时延；所述奖励函数为累积奖励函数，所述累积奖励函数被设置为提高长远奖励得分。

6.根据权利要求1所述的基于边缘协作的任务卸载系统，其特征在于，所述终端包括用于根据确定的任务卸载方案将计算任务卸载到至少一个边缘节点的任务卸载模块，所述任务卸载模块具体包括：

解算单元，所述解算单元用于根据获取的神经网络模型参考解算得到最优任务卸载方案；

发送单元，用于根据所述最优任务卸载方案将计算任务按比例分发给一个边缘节点；

循环单元，用于判断计算任务是否完成分发，若未完成，则更新卸载模型并重新解算得到当前的最优任务卸载方案，根据所述当前的最优任务卸载方案将计算任务按比例分发给一个边缘节点。

7.一种基于边缘协作的任务卸载方法，应用于如权利要求1所述的数字孪生层，其特征在于，所述基于边缘协作的任务卸载方法包括以下步骤：获取终端以及边缘节点的运行数据；

根据获取的运行数据训练神经网络模型；

将训练得到的神经网络模型参数或者根据所述训练得到的神经网络模型参数解算出的任务卸载方案下发终端执行。

8.一种基于边缘协作的任务卸载方法，应用于如权利要求1所述的终端，其特征在于，所述基于边缘协作的任务卸载方法包括以下步骤：上传运行数据至数字孪生层；

获取所述数字孪生层训练得到的神经网络模型参数；

根据所述神经网络模型参数解算出的任务卸载方案；

根据所述任务卸载方案将计算任务按比例卸载到至少一个边缘节点；

获取所述边缘节点返回的计算结果。

9.一种基于边缘协作的任务卸载装置，应用于如权利要求1所述的数字孪生层，其特征在于，所述基于边缘协作的任务卸载装置包括：获取模块，用于获取终端以及边缘节点的运行数据；

训练模块，用于根据获取的运行数据训练神经网络模型；

下发模块，用于将训练得到的神经网络模型参数或者根据所述训练得到的神经网络模型参数解算出的任务卸载方案下发终端执行。

10.一种基于边缘协作的任务卸载装置，应用于如权利要求1所述的终端，其特征在于，所述基于边缘协作的任务卸载装置包括：上传模块，用于上传运行数据至数字孪生层；

参数获取模块，用于获取所述数字孪生层训练得到的神经网络模型参数；

解算模块，用于根据所述神经网络模型参数解算出的任务卸载方案；

卸载模块，用于根据所述任务卸载方案将计算任务按比例卸载到至少一个边缘节点；

结果获取模块，用于获取所述边缘节点返回的计算结果。