万物智联时代,新一代网络技术与“智能+”技术快速发展与交叉融合,新兴应用层出不穷,智能终端数量剧增,用户数据爆炸式增长。在复杂多变的网络应用场景下,面对海量用户的新兴应用请求,数据集中处理的云计算存在传输距离远,响应时间长,容易出现网络拥塞,任务时延增大,系统能耗增加等问题。数据分散处理的边缘计算由于用户请求的时空变化,叠加边缘设备等多重资源约束,边缘设备任务负载易于失衡,使得用户服务质量（Quality of Service,QoS）和系统服务能效难以保障。当前网络计算提供快速、高效计算服务存在严峻挑战。为了解决当前网络计算中存在的性能问题,适应新兴应用需求,面向用户和服务提供商提供快速、高效计算服务,进行云-端协同网络计算中资源调度与任务卸载关键技术研究。本文首先研究云环境的协同资源调度,其次在云-端引入边缘层,研究边云协同计算任务卸载,然后考虑任务运行所需资源,研究边云协同资源部署,最后结合资源部署研究边云协同任务调度。本文针对研究内容提出了创新理论和解决方案,主要包括以下4个方面。1.提出了一种基于利益相关视角的多维QoS协同资源调度方法。针对大规模高并发异构云环境接收任务进行资源调度存在用户服务质量低和系统成本高的问题,首先,针对云任务执行构建结合物理和虚拟资源的两级资源调度模型;然后,基于用户和服务提供商利益相关视角设计多维QoS云计算体系结构,量化综合云任务执行时间、云任务完成时间、云系统能耗、云系统可用性、云系统经济指标的多维QoS度;最后,基于多重Greedy思想,综合考虑minimum L、maximum S、maximum R,提出了一种多维QoS协同资源调度算法（MQoS）。相比现有方法,本文方法能面向用户和服务提供商综合优化物理和虚拟资源调度,在不同任务差和资源差的无后效性云计算应用场景,提高多维QoS度、减小云数据中心负载均衡差。2.提出了一种基于群智进化的协同计算任务卸载方法。针对时延敏感的计算任务卸载存在任务时延长、能耗高、负载不均衡的问题,首先,考虑任务的传输和执行,量化任务的时延和能耗,构建移动边云协同计算模型;然后,适应移动边云协同计算,基于群智进化提出了一种多策略改进麻雀搜索算法（MISS）,分别通过飞行者动量、非线性搜索因子和正余弦扰动量子、结合位置搜索偏离熵和非线性预警系数的预警者自适应调整等,依次更新发现者、跟随者、预警者的位置搜索,优化任务卸载;最后,结合任务最大完成期限与时间松弛变量的不同时延约束,考虑超时惩罚能耗提出了一种基于MISS的启发式任务卸载算法（HTOM）,在边缘设备进一步优化任务卸载决策。实验结果表明本文方法能高效卸载计算任务,在任务平均完成时延、总任务能耗、节点负载均衡度方面优于现有对比方案。3.提出了一种基于任务预测的边云协同资源部署方法。针对多重资源受限叠加任务时空变化,边缘服务器的任务本地执行率不高的问题,首先,在云服务中心运用移动平均预测与延时偏差修正得到横向时间序列,叠加不同周期的纵向时间序列均值,结合任务的分类预测与聚合,提出了一种基于两维时间序列的任务预测算法（TSTP）;然后,基于用户任务预测对任务进行频次降序排列,结合任务延迟阈值判定,分类优化时延敏感型和非时延敏感型任务运行所需资源部署,提出了一种基于TSTP预测的资源部署算法（RDTP）。本文方法能有效预测任务部署资源,实验结果验证在不同任务和边缘服务器下,其平均用户任务偏差和平均用户任务命中率均优于同类算法。4.提出了一种结合资源部署的帕累托优化协同任务调度方法。针对复杂网络变化下,考虑资源部署调度任务存在用户服务质量与系统服务效用低的问题,首先,面向用户和服务提供商,在边缘服务器针对用户服务质量和系统服务效用目标优化,分2个阶段采用随机贪心近似算法求解m组任务预调度方案,再通过帕累托渐进优化任务调度;然后,在基于TSTP任务预测优化边缘服务器任务资源部署的基础上,提出了一种结合RDTP资源部署的帕累托优化任务调度算法（RDTP-TSPI）,进一步优化边云协同任务调度。实验结果表明本文方法能适应复杂网络变化,与现有方案相比,在不同任务Zipf分布参数,叠加不同网络规模,其平均任务完成时间、系统整体服务效应度和总任务延迟率性能更优。图54幅,表10个,参考文献185篇