1.一种基于Lyapunov优化的雾计算动态卸载方法，主要设备包括移动设备、接入节点、雾节点、雾服务器，其特征在于，所述方法包括以下步骤：步骤1：移动设备执行密集型计算应用并且产生一系列计算服务请求任务；

步骤2：移动设备将步骤1中部分计算请求任务通过接入接点卸载到雾服务器上；

步骤3：建立雾服务器计算服务请求任务分配模型：雾计算执行的数据大小为Di,o(t)，每个移动设备请求雾节点缓存区的队列长度T(t)＝max{T1(t),...,Ti(t),...,TN(t)}，Ti(t)是移动设备i的请求队列长度，确定该分配模型雾节点的平均能耗 基于该分配模型的总决策V(t)＝[f(t),ρ(t),pup(t),Df(t),fs(t)]对平均能耗 进行最小化，其中，f(t)＝[f1(t),...,fi(t),...,fN(t)]为每个移动设备在时间段t内的CPU周期频率，其中i＝1,2…i,…,N,N为移动设备的总数量；ρ(t)＝[ρ1(t),...,ρi(t),...,ρN(t)]表示所有的移动设备在时间段t内的子信道分配矩阵，其中ρi(t)＝[ρi,1(t),...,ρi,k(t),...,ρi,K(t)]表示移动设备i在时间段t上的子信道分配向量，其中，k＝1,2…k,…,K,K为子信道的总数量，k表示第k个子信道；pup(t)＝[p1(t),...,pi(t),...,pN(t)]表示为所有的移动设备在时间段t上的上行链路传输功率矩阵，其中pi(t)＝[pi,1(t),...,pi,k(t),...,pi,K(t)]表示为移动设备i在时间段t子信道的传输功率的集合；Df(t)＝[Df,1(t),...,Df,i(t),...,Df,N(t)]表示每个移动设备在时间段t内的雾计算的请求数量；fs(t)表示每个雾服务器的CPU周期频率；

步骤4：集成雾服务器的雾节点依据步骤3中的分配模型对步骤2卸载的计算服务请求任务进行分配；

步骤5：基于Lyapunov函数 获取移动设备和雾节点的请求缓存区Ω(t)＝(Q(t),T(t))，其中Q(t)为移动设备请求缓存的队列长度；基于平均能耗构造Lyapunov偏移惩罚函数，推导Lyapunov偏移惩罚函数的上界，进行最小化对步骤4分配过程中的总决策进行求解；利用凸优化方法，得到移动设备的本地执行的最优CPU周期频率；基于预先定义的卸载优先函数，得到卸载策略和卸载过程中的最优传输功率；利用反证法，得到雾服务器的最优执行策略，从而获取基于Lyapunov优化的雾计算动态卸载方法的最佳总决策

2.根据权利要求1所述的一种基于Lyapunov优化的雾计算动态卸载方法；其特征在于：步骤1中计算服务请求任务具体计算步骤如下：在时间段t内，移动设备产生的计算任务到达过程，遵循平均速率为Ai(t)的泊松分布过程；计算服务请求任务分移动设备本地执行和雾服务器雾计算执行；本地执行计算请求的数据大小为Dl,i(t)(bits)，雾计算执行的数据大小为Di,o(t)(bits)；到达但尚未在本地执行或卸载的计算请求，将在具有足够大容量的移动设备中的缓存区域的请求缓冲区中排队，在时间段t内，请求缓存的队列长度为Q(t)＝[Q1(t),...,Qi(t),...,QN(t)]，则t+1时间段的缓存队列长度表示为：Qi(t+1)＝max{Qi(t)‑DE,i(t),0}+Ai(t)；

其中DE,i(t)＝Dl,i(t)+Do,i(t)表示从移动设备的请求缓冲区发出的请求量；Do,i(t)表示移动设备i卸载到雾服务器服务请求的数量；Ai(t)表示移动设备i在时间段t内所产生的计算服务请求量。

3.根据权利要求2所述的一种基于Lyapunov优化的雾计算动态卸载方法；其特征在于：步骤2中具体卸载步骤如下：移动设备i选择第k个子信道通道以频分多址的方式向无线接入点卸载计算请求任务，进行数据的传输；数据的传输速率为：在时间段t内，从移动设备i上卸载的计算请求数量为：在卸载过程中，上行链路传输上消耗的能量为：其中ρi,k(t)∈{0,1}作为子通道分配指示器，B表示子信道带宽，hi,k(t)表示信道收益，pi,k(t)表示数据传输功率。

4.根据权利要求3所述的一种基于Lyapunov优化的雾计算动态卸载方法；其特征在于：在步骤3中，首先雾节点将为每一个移动设备保留一个请求缓冲区来存储已经卸载但是没有被雾服务器执行的请求；每个移动设备在时间段t开始时的请求缓存区的队列长度表示为T(t)＝max{T1(t),...,Ti(t),...,TN(t)}，Ti(t)是移动设备i的请求队列长度；在时间段t内的雾节点请求调度决策可以表示为：Df(t)＝[Df,1(t),...,Df,i(t),...,Df,N(t)]，表示在时间段t内由雾节点服务器执行的请求量；则在t+1时间段中，Ti(t+1)＝max{Ti(t)‑Df,i(t),0}+Do,i(t)3

雾节点服务器在时间段t中的动态能耗为：Ef(t)＝ckf,sf(t)τ在时间段t内总的能量消耗为：

在T时间段内，该雾计算系统的平均能耗为：基于V(t)对 进行最小化，设用P1表示该平均能耗最小化的问题，表示为：P1: 受到的约束集s.t表示：0＜fi(t)＜fi,max,0＜pi,k(t)＜pi,max,0＜fs(t)＜fs,max；

其中ωi为移动设备i的能量消耗权重，ωN+1为雾节点的能量消耗权重，并且用V(t)＝[f(t),ρ(t),pup(t),Df(t),fs(t)]表示在时间段t内该雾计算系统的总的决策。

5.根据权利要求4所述的一种基于Lyapunov优化的雾计算动态卸载方法；其特征在于：在步骤5中，具体计算步骤如下：

(1)首先定义了Lyapunov函数为：条件Lyapunov偏移惩罚函数可以表示为：Δ(Ω(t))＝E[L(Ω(t+1))‑L(Ω(t))|Ω(t)]；

Lyapunov偏移惩罚函数可表示为:Δv(Ω(t))＝Δ(Ω(t))+VE[Etotal(t)|Ω(t)]；

其V是算法中的一个控制参数，Etotal(t)表示在时间段t全部移动设备和雾服务器的总的能量消耗；并且基于任何V(t)的可行集合，都能够找到一个Δv(Ω(t))的上界值，其上确界可以表示为：

由于CT是一个常数，Df,i(t)表示雾服务器执行的移动设备i的服务请求数量，Ai(t)表示移动设备i在时间段t内所产生的计算服务请求量；要得到Δv(Ω(t))的上界值，则可以通过最小化 得出；

(2)在初始的时间段t内，获得Ω(t)；其中Ω(t)＝(Q(t),T(t))是表示移动设备和雾节点的请求缓存区；

(3)通过解决问题P2，确定分配模型的总决策集合V(t)＝[f(t),ρ(t),pup(t),Df(t),fs(t)]；

其中，问题P2：

约束集为s.t：0＜fi(t)＜fi,max,0＜pi,k(t)＜pi,max,0＜fs(t)＜fs,max，(4)在时间段t+1，获得Ω(t+1)，重复第(2)步和第(3)步，直到获得系统所有时间段的系统决策，即基于Lyapunov优化的雾计算动态卸载方法的最佳总决策

6.根据权利要求5所述的一种基于Lyapunov优化的雾计算动态卸载方法；其特征在于：基于Lyapunov优化的雾计算动态卸载方法的最佳总决策的最优频率、传输功率和雾节点的最优决策分别依据下述三个子问题进行求解：(1)子问题1：

约束为：0＜fi(t)＜fi,max可以求解出本地处理器的最优CPU周期的频率为：(2)子问题2：

约束为：

可以求出最优的传输功率为：

(3)子问题3：

约束为：

可以求出请求调度决策为：