随着无线通信、大数据等技术的发展,物联网设备的数量及其计算处理需求急剧增加,传统的以云端集群为核心的集中式处理模式在传输、计算、安全、能耗等方面凸显弊端。针对这些现实困境,边缘计算应运而生。它将计算资源靠近数据源与用户,就近提供低延迟、高安全、低成本的云边协同计算服务。相较于云计算,边缘计算优势明显,它具有更短的系统服务时延、更强的近用户端处理能力、更低的网络传输负载、更安全可靠的分散式服务架构。要想发挥其强大的优势,实现且落地以边为中心的低功耗、低延迟云边协同架构势在必行。但由于其大规模、动态性、异构性等现实挑战,实现低功耗、低延迟云边协同架构仍有很多基础问题需要探索。其中,有限资源的合理分配是实现低功耗低延迟的关键难点。本文从边缘计算实际落地的第一步出发,依次对选址、配置、调度三个问题进行了研究,涉及到计算、存储、网络三类资源的调度分派。具体来说,本文的主要贡献与工作包括以下三方面:·针对边缘节点的选址部署问题,提出了高效选址机制。该工作探索了边缘服务器实际落地中最先面临的两个基本问题:边缘服务器的选址部署和在线任务的分派。受分治思想启发,本文创新性的提出了“场景划分”策略,通过将原问题在时间和空间两个维度进行拆分降低了原问题的规模与复杂度,并通过所提的归约算法简单有效的将拆分后的子问题归约为经典的设备选址问题进行求解。在选址基础上本文对任务在线分派问题进行了初步探索。本文创新性的将传统算法与机器学习技术相结合,同时考虑了计算任务的历史规律和未来可能的改变,提出了一个计算任务在线分派算法。具体来说,根据历史数据计算得到每个场景的最优分派矩阵,根据回归模型预测与当前时间帧最相似的历史帧,对在线到达的计算任务基于概率进行分派。通过大规模的基于谷歌数据集的仿真实验验证,其在线分派算法可以达到与文献中的离线算法相近的性能。·针对边缘服务器的功能配置问题,提出了渐近最优的规划算法。该工作发现边缘服务器的选址部署与服务器的初始功能配置方案性能互相影响,因此率先对边缘服务器选址部署和初始功能配置统筹优化,基于局部搜索的思想提出了渐近最优的规划算法SPAC,该算法以交替方式依次对当前选址和配置方案进行优化。也基于此契机,该工作继续探索了服务器的功能重配置问题。幸运的是,SPAC算法只需经过略微的调整就可以实现服务器的在线功能重配置。通过理论分析和基于谷歌数据集的大规模仿真实验验证,与当前文献中最新的方法相比,所提的策略可以将总成本最多降低60%,并且在不同的参数设置下始终优于对比算法。·针对云边协同架构下在线任务的分派调度问题,提出了渐近最优的调度分派机制。该工作对在线到达的限期任务分派和调度问题进行了深入的研究。在带宽受限的模型下,创新性的对网络和计算资源的管理进行了统筹编排,以最大化满足截止日期的计算任务数量为目标。该工作中所提的渐进最优的集中式算法Dedas在调度方面效仿了 Moore-Hodgson算法的调度方式,通过合理插入替换找到一个可行的调度序列;在分派方面通过贪心思想选择当前最优的服务器进行分派。为了使Dedas算法适用于更大规模的网络,该工作对其进行了进一步的扩展与修改,提出并实现了分布式算法D-Dedas。该算法通过在AP端近似实现EDF,在服务器端近似实现Moore-Hodgson来实现一个良好的性能。最后,通过理论分析和基于真实数据的实验对所提算法的性能进行了验证。在实验方面,本文搭建了一个试验床DeEdge,该系统从终端设备获取计算任务,由一个集中式控制器中的调度模块决策后,将任务分发到不同服务器去处理。试验床实验和大规模仿真实验表明,算法Dedas在不牺牲任务完成时间的前提下,可以将计算任务未命中率降低最多60%,D-Dedas算法具有更好的可扩展性,性能只比Dedas低10%左右。