随着物联网技术和5G通信网络的快速发展,越来越多计算密集型的智能物联网应用应运而生,例如智能制造、智能交通、智能医疗和虚拟现实等。物联网应用的高效可靠执行对应用性能的提高,以及避免因为故障影响应用的顺利完成至关重要,其有助于提升用户服务质量、提高物联网系统的整体效率并促进物联网应用的发展。任务的高效卸载机制和精确的任务故障预测方法的设计是保证任务高效可靠执行的两个关键因素。在物联网终端设备的任务卸载阶段,可以通过卸载技术将任务卸载到资源丰富的边缘服务器或云服务器上去执行,以缓和物联网终端设备有限的资源与应用程序复杂需求之间的矛盾。然而,由于云边环境下资源的异构性,任务之间存在复杂的依赖关系,以及任务的规模、结构与生成的时间均不确定等因素使得卸载策略的设计变得十分具有挑战性。而在任务执行阶段,被卸载到云端执行的任务由于云环境下的复杂性和动态性,容易在执行过程中发生故障,因此,需要建立精确的故障预测模型,以准确预测故障的发生,以便采取相应措施降低故障的影响。本研究围绕任务的卸载和执行两个阶段遇到的问题展开研究,提出基于策略梯度的在线任务卸载机制和基于Transformer的卸载任务故障预测模型,具体研究工作如下:（1）针对任务卸载机制的设计需要考虑到资源的异构性,任务之间复杂的依赖关系以及任务本身信息的不确定性等因素的问题,本研究将云边环境下的在线任务卸载问题建模成马尔可夫决策过程模型,提出了一种基于策略梯度的在线任务卸载机制（Policy Gradient learning-based Online Multi-Workflow Offloading scheme,PG-OMWO）,该方法的具体流程:首先将具有复杂依赖关系的任务建模成以有向无环图形式表征的工作流任务,使用图卷积神经网络提取环境中包含节点属性以及工作流内部依赖关系的特征,并基于该特征构建环境状态。然后,智能体根据环境状态生成决策与环境交互,并根据环境给予的反馈不断优化自身决策水平。PG-OMWO能够处理不定时到达环境中的工作流任务,实时分析当下环境中工作流任务与服务器的状态以决定任务卸载的时机与执行位置,目标是优化随机到达的多个工作流任务的平均完成时间。最后,本研究通过大量仿真试验说明,相比其他具有代表性的基线算法,PG-OMWO在不同的云边环境下始终都能学习到较为优秀的任务卸载策略,拥有最低的平均完成时间。（2）针对任务卸载到云端处理难以精确预测执行过程中是否会发生故障的问题,本研究提出了一种基于Transformer的卸载任务故障预测模型（1DCNNTransformer）。该方法的具体流程:首先,将任务执行过程中的CPU使用率、内存使用率等信息组成时间序列,将任务故障预测问题建模成基于时间序列的二分类问题。然后将一维卷积神经网络与Transformer相结合,通过一维卷积神经网络提取时间序列的局部依赖关系,并通过Transformer核心的多头注意力机制,自适应地为每个时间点赋予权重,提取不同子空间下的全局依赖关系。将1DCNN和Transformer模型相结合,可以互补地提取时间序列的特征,从而提高特征抽取的质量。最后,本研究在谷歌发布的云数据中心集群数据集上进行了大量实验,结果表明1DCNN-Transformer相比先前相关工作,能更加有效地提取时间序列中潜在的依赖关系,在预测的准确率、精确率、召回率、F1分数以及ROC曲线等性能指标上有更好的效果。