随着物联网技术以及移动计算的飞速发展,包括移动设备、传感器和执行器在内的智能连接设备以指数速度增长,除了扮演数据的消费者,也承担着海量数据的收集者。同时,物联网的兴起也推动了新的网络模型,能够在一定区域内不依赖传统的因特网,使得万物的连结更加广泛、紧密。传统的云计算无法满足日益增长的数据计算和服务需求,边缘计算应运而生。边缘计算是指在网络的边缘靠近物体或数据产生的地方进行数据处理的,从而有效地减少数据传输、网络带宽、数据备份等资源耗费,更好地适应互联网场景。在实际场景中,除了为边缘设备提供计算和其他特定服务,移动边缘服务器还能为基于环境感知的应用提供更加高效的服务。移动边缘计算环境下的感知型数据的收集,一方面,利用边缘设备和边缘服务器来分担云服务器的计算任务,能够减少数据的传输量,尽少占用网络带宽;另一方面,移动边缘设备的移动性和网络的不稳定性导致感知型任务的分配不能是静态的,必须能够适应动态的网络拓扑图,同时考虑边缘设备本身的资源、计算能力,以及服务器的可用性。本文将提出动态的感知型任务调度策略来满足边缘设备的能耗、任务的响应时间等多方面的目标。本文首先提出了我们研究的问题,然后介绍了移动边缘计算框架的层次,包括了三个部分:边缘设备层、边缘云层和中心云层。移动边缘设备是传感数据的来源,边缘云部署在无线接入网内为移动边缘设备提供数据收集服务,地区控制器负责感知型任务的分发、维护以及服务状态的监测,中心云层负责服务的注册和数据结果的汇总。该体系架构充分利用了移动边缘设备的传感能力、计算能力和边缘云的计算能力,以此来降低感知型任务的耗能,同时有效地减少数据的手机时间。本文提出了边缘设备和服务的建模来抽象资源,为各种传感类型的数据服务提供统一的形式化描述。除了设备的传感能力,设备的速度和位置信息是我们进行动态调度决策的基础,我们对所有相关的属性进行了统一的描绘,给出了设备的模型和任务的模型,用户可以根据预先定义的属性来定制服务。为了实现动态的感知型性任务调度,首先我们需要考虑调度优化的目标:执行任务的耗能和延迟;接着我们提出了耗能和延迟模型,并且定义了目标模型。随后我们提出了虚拟传感器的概念,将该问题转化为了一个求最小值的整数规划问题,来保证其可行性和正确性。该问题可转化为权重二分图的最大匹配,一共分为两步:i)任务的初始化分配,采用贪心算法来实现;ii)求解利用了保证界为2的近似算法,使得更新的时间复杂度摊销每条边为O(log n)。在感知服务中,我们定义了服务的SLA,来丈量服务的质量。为了提高服务的可用性,针对服务器发生故障的场景,采用主动和被动恢复结合的方式,以服务迁移的延迟为考虑因素,既能利用被动恢复模型节约资源的特点,又发挥了主动恢复模型缩短故障时间的优势。其中主动恢复模型中,最大的挑战是如何确定副备份的数量以及部署的位置,我们将其化为集合覆盖问题来解决。最后,本文构建了移动边缘计算环境下的感知型任务动态调度方案的原型,分别在目标模型因素不同的权重场景下进行仿真模拟实验,与动态随机动态任务调度算法等比较。实验结果表明,本文所提出的移动边缘计算环境下的的感知型任务动态调度机制能够综合考虑移动边缘设备的能耗、任务的延迟时间以及设备的移动性,实现动态任务分配调整策略。