在边缘环境下，由于监测部署成本高、测量可靠性低等原因，数据稀缺性成为一个普遍难题。迁移学习非常适合解决此类问题，其基本思想是通过任务之间共享知识来解决数据量不足的任务训练问题。然而，目前多任务迁移学习系统对于资源受限的边缘设备来说过于复杂，原因在于：首先，机器学习模型本身就是计算和通信密集型的；其次，为了避免模型过时、且利用最新数据，需要对每一个任务从头开始反复训练。在这种场景下面对计算复杂性的挑战，亟需解决如何提高多任务迁移学习在边缘环境下的计算效率。
　　为了解决上述问题，首先基于真实边缘环境下的多任务数据集定义了任务重要性，即执行该任务与不执行该任务之间的最终决策性能(如节能效果)差异。通过对任务重要性的测量实验发现，任务重要性呈明显的长尾分布且在不同环境下存在显著波动。基于此发现，首先设计了一个聚类强化学习模型，该模型利用聚类算法在历史环境中获取与当前环境相似的环境，并在此基础上进行任务分配，而这需要大量的环境观测数据来覆盖所有可能的情况。然而，由于边缘设备上数据稀缺，该模型会面对很多未曾出现的环境。为此进一步设计了一个数据驱动的协同任务分配机制，核心思想在于利用支持向量机模型来预测任务重要性，并基于实时数据动态调整聚类强化学习模型的任务分配决策。
　　基于真实多任务数据集的实验结果表明，所提出的数据驱动的协同任务分配机制与领域内传统的多任务迁移学习机制相比，减少了69%以上的处理时间。此外，通过将该机制应用于实际的边缘AIOps系统，进一步证明了所提出的数据驱动的协同任务分配机制的有效性。