1.一种在随机网络中基于算网协同的分布式计算卸载方法，其特征在于，包括以下步骤：根据UDN环境中设备类型，基于差异化服务质量要求和任务处理成本，分别建立本地计算模型和边缘云计算模型；

基于本地计算模型和边缘云计算模型，在设备端采用Lyapunov优化理论和最小化漂移减效用函数，建立设备端收益最大化问题模型；

基于本地计算模型和边缘云计算模型，在MEC服务器采用最大值理论，建立起MEC服务器最大化收益问题模型；

根据用户的随机移动和突发计算要求，分别建立停留时间和等待时延的复合场景集合；

采用后验追索权行动来补偿博弈策略，建立设备端和MEC服务器双方基于博弈的随机规划模型；

通过构建场景树，将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题；

利用Lagrangian乘子和KKT条件求解设备端和MEC服务器双方的优化问题，计算出设备端所选择的MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略；

若设备端向MEC服务器卸载的最优任务量策略，以及MEC服务器对设备端的最优动态报价策略都满足Stackelberg均衡解，那么设备按照最优任务卸载策略向MEC服务器进行任务卸载。

2.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法，其特征在于，建立设备端收益最大化问题模型包括：约束条件：

0≤Di(t)≤Qi(t),t∈T，

其中，f表示第i个设备的CPU时钟频率集合，D表示时隙t内卸载任务集合， 表示第i个设备的长期收入，Vi为Lyapunov优化理论中非负控制参数，Di,k(t)表示第i个移动设备卸载到位置k处的卸载任务，Ai(t)表示第i个移动设备t时隙到达的任务，T为时隙的索引且T＝{0,1,…}， 表示第i个设备在时隙t的总收益；k∈{L,M,S}为当前任务类型，L表示非卸载任务，M表示卸载到宏基站的任务，S表示卸载到小基站的任务； 为本地服务器处理卸载任务的时间， 表示Di(t)的最大计算延时约束， 为第i个移动设备t时隙内分配的CPU时钟频率的最小值，fi,L(t)为第i个移动设备t时隙内分配的CPU时钟频率，为第i个移动设备t时隙内分配的CPU时钟频率的最大值，Di(t)为在时隙t开始时任务处理决策，Qi(t)为在时隙t开始时任务队列积压， 表示平均队列积压。

3.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法，其特征在于，若将任务卸载到宏基站，则MEC服务器最大化收益问题模型表示为：约束条件：pi,M(t)≥0,t∈T,

其中，pM(t)表示t时隙宏基站的定价合集， 表示宏基站所分配的计算能力集合，表示宏基站的收益，uM[pM(t)]表示宏基站的服务效用， 表示宏基站的任务计算能耗，Di,M(t)表示宏基站处理的任务挤压， 为任务在服务器的等待时延；pi,M(t)表示在每个时隙t内的第i个设备对宏基站的支付成本，T为时隙的索引且T＝{0,

1,…}， 表示时隙t内宏基站总的计算卸载时间， 表示Di(t)的最大计算延时约束，为宏基站中每个CPU核的最小频率， 为当前宏基站中第i个CPU核的频率， 为宏基站中每个CPU核的最大频率。

4.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法，其特征在于，若将任务卸载到小基站，则MEC服务器最大化收益问题模型表示为：约束条件：pi,S(t)≥0,t∈T，

其中，pS(t)表示时隙t中小基站的定价合集， 表示小基站所分配的计算能力集合，表示小基站的收益，uS[pS(t)]表示小基站的服务效用， 表示小基站的任务计算能耗，Di,S(t)表示小基站处理的任务挤压， 为任务在服务器的等待时延， 为在小基站中第i个移动设备的停留时间；pi,S(t)表示在每个时隙t内的第i个设备对小基站的支付成本，T为时隙的索引T＝{0,1,…}， 表示时隙t内小基站总的计算卸载时间， 表示Di(t)的最大计算延时约束， 为小基站中每个CPU核的最小频率，为当前小基站中第i个CPU核的频率， 为小基站中每个CPU核的最大频率。

5.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法，其特征在于，建立停留时间和等待时延的复合场景集合包括：若已知小基站中某一移动设备的可能停留时间以及可能等待时间，根据笛卡尔积获取所有移动设备的停留时间的复合场景以及等待时延的复合场景，则所有移动设备的停留时间的复合场景集合表示为：其中，m为移动设备的个数； 为第i个移动设备的停留时间的复合场景， 为第i个移动设备的等待时延的复合场景。