随着移动互联网技术的不断发展,移动设备上涌现出了多种计算密集型及延迟敏感型的应用,如:VR游戏,人脸识别等。这些应用通常由多个具有依赖关系的任务构成,可以表示为有向无环图（Directed Acyclic Graph,DAG）。移动设备由于计算、通信等资源受限无法很好支持此类应用,而网络环境不稳定及数据在核心网络中长距离传输带来的高延迟使得云计算服务无法很好满足此类应用的服务质量要求。在此背景下,边缘计算应运而生,其通过将计算、存储、网络等资源从云端下沉至网络边缘为移动设备提供就近的低延迟、低功耗服务。因此,如何在边缘计算系统中高效调度此类计算密集型及延迟敏感型的DAG应用是亟需解决的关键问题。传统DAG应用调度算法主要基于关键路径思想展开,其通过启发式地将DAG关键路径上的任务优先卸载到最早完成的边缘节点上,以最小化应用完成时间。然而,此类调度算法在边缘环境中主要存在以下局限性:首先,由于边缘节点计算、通讯能力的高异构性,任务在不同边缘节点的运行时间差异较大,使得传统调度算法中基于节点平均能力的关键路径选择方法难以有效确定任务优先级;其次,在边缘计算场景中,某些任务具有隐私性要求,需约束其在本地执行,这也为任务调度算法带来了新的挑战;最后,现有DAG应用调度算法大多以最小化应用运行时间为目标,边缘计算场景中,任务运行在不同边缘节点的花费不同,因此,如何协同考虑应用的时间约束（Deadline）及预算约束（Budget）,提高应用在边缘计算系统中的调度成功率也尤为关键。为应对上述挑战,本文主要展开以下研究工作:针对传统DAG调度算法在高异构的边缘环境下无法有效确定任务优先级的问题,本文以最小化应用完成时间为目标,提出了动态优先级调度算法（Dynamic Priority Scheduling algorithm,DPS）。与传统算法中使用平均节点能力的方法求解关键路径不同,DPS算法依据任务在异构边缘节点上的实际计算时间构建多张DAGE图（Directed Acyclic Graph on Edge）,并搜索出对应的多条动态关键路径。为有效确定任务优先级,DPS算法根据已调度任务的实际计算和通信时间对DAGE图进行调整,动态确定未调度任务的优先级。此外,考虑到隐私任务对确定关键路径的影响,DPS算法优先确定隐私任务执行时间,约束其在本地执行。实验结果表明,与相关工作相比,DPS算法降低了4%-14%的应用完成时间。考虑到异构边缘环境下DAG应用具有成本预算约束,本文提出了基于预算-截止期限感知的调度算法（Budget-Deadline Aware Scheduling algorithm,BDAS）。具体地:1)在任务优先级确定阶段,与传统算法仅考虑时间预算约束不同,BDAS算法使用任务可支配的执行时间在应用剩余时间预算占比以及可支配的成本预算在应用剩余成本预算占比之和作为度量指标来确定任务优先级;2)在任务调度阶段,BDAS算法根据任务优先级进行节点匹配,匹配过程中以归一化任务在特定节点执行时间及成本代价为边缘节点选择指标,协同考虑了任务执行时间和成本因素。实验表明,在存在时间及成本约束时,BDAS算法较相关工作提出的算法在调度成功率上有12%-22%的提升。