随着云计算和边缘计算技术深度融合,云边协同已成为解决大型分布式移动应用的典型模式。以云边协同为背景的数据密集型应用中,数据副本布局是影响云边协同集群服务质量和运营费用的重要因素。然而,云边协同集群因其位置分布性、设备移动性、集群异构性、资源动态性等特点,专注于高可用性和高可靠性的传统副本优化机制已难以适应当下对服务质量与绿色计算的迫切需求。同时,万物互联促使数据量急剧膨胀,数据密集型应用已成为云边协同环境下的主流应用。如何为云边服务提供商提供高性价比的副本部署和优化方案,以改善用户Qo S（Quality of Service）满意度并降低云边协同集群的管理和维护成本,已成为当今学术界和工业界共同关注的研究热点。对此,本文的主要工作内容和创新点如下:（1）针对数据副本部署不合理给大规模云边IT基础设施带来的“高耗低效”问题,提出了一种能耗感知的数据副本部署策略HEERD（High Energy Efficiency Replica Deployment Strategy）。为主动感知云边集群的整体能效水平,设计了一套新颖的组合监测方案进行性能监测和功耗数据采集;给出了一种基于信息熵的特征约简方法,以期提升模型计算效率;在此基础上,构建了一种基于特征选择和深度学习的功耗模型,进而对目标问题进行数学建模;提出了一种基于免疫遗传-粒子群混合优化算法的副本部署策略寻找最优解决方案。实验结果表明,与动态自适应策略和流行度-成本感知策略相比,本文提出的HEERD策略在作业规模较大时能分别节约8.5%和5.2%的平均功耗,亦能有效减少网络和存储开销。（2）针对数据副本放置过程中存在的粗放性、盲目性和时滞性等问题,提出了一种关联感知的数据副本协同预取机制CRP（Correlation-aware Replica Prefetching Mechanism）,以避免“数据孤岛”带来的影响。设计了一个具有关联感知的副本协同预取总体架构,创新地为每个边缘云分别增设了一组协同预取模块;根据文件访问特性,将文件分为显式高价值文件和隐式高价值文件两类;通过定义文件访问规则,构建了具有关联感知的副本协同预取流程;据此,提出了一种基于一致性哈希的访问规则管理方法,进而基于邻接表存储结构设计了一套访问规则存储和查询机制。实验结果表明,与基准算法相比,本章提出的CRP策略对于I/O密集型作业能减少4.8%-14.5%平均响应时间且达到63.9%平均预取准确率,且能有效利用网络带宽并合理控制副本创建频率。（3）在面对高度动态的用户请求时,僵化的数据副本放置时常导致“数据倾斜”、“副本泛滥”和“资源溢出”等问题,为避免云边“各自辖域”,提出了一种基于“推荐-学习”的两阶段数据副本管理机制TRM（Two-stage Replica Management Mechanism）。通过给出边缘环境下面向移动用户的一类典型应用场景,设计了一个两阶段副本管理框架;进而对目标问题进行形式化描述和数学建模;在此基础上,提出了一种基于“推荐-学习”的两阶段副本管理策略,在“推荐”阶段,设计了一个基于移动预测和反馈优化的副本推荐引擎,在“放置”阶段,构建了一个基于A3C强化学习的副本放置规则学习模型。实验结果表明,本文提出的TRM策略与已有的副本放置方法相比,能减少1.28%-5.55%等待延迟和节约2.68%-9.4%的成本开销。（4）为满足云边环境下数据密集型工作流对截止期和执行代价的要求,提出了一种面向数据密集型工作流的副本布局策略,以期提高工作流执行效率。描述与定义了与数据密集型工作流相关的对象;通过对一个典型的数据密集型工作流实例进行设计与分析,构建了多约束工作流副本布局问题的数学模型;在此基础上,提出了一种基于二进制人工蜂群算法的副本放置策略,并详细分析了该算法的时间复杂度。实验结果表明,与随机放置策略和经典遗传算法相比,本文提出的策略能分别节约26.3%和12.2%经济成本且保持较低的工作流违约率。综上所述,本文面向云边协同下数据密集型应用,提出高Qo S、低开销的副本优化机制,通过一系列仿真实验验证本文所提的相关算法在副本管理方面的合理性和高效性,为现代云边协同系统的副本管理服务提供行之有效的解决方案,具有重要的理论意义和应用价值。图31幅,表8个,参考文献168篇