随着智慧城市、智能制造等物联网服务的快速推广及应用,物联网设备的分散性而决策过程的集中性导致了大量数据在执行环境中移动,增加了对带宽资源的消耗。边云协同计算可以为物联网服务提供低时延、低能耗和高可靠的算力支持。但是,在物联网服务执行过程中数据的海量性、碎片性和随机性以及网络环境的动态性给提供支撑服务的各种资源的优化管理带来了前所未有的挑战。在分布式的边云协同计算环境中,从降低资源消耗的角度来解决与物联网服务相关的资源管理与调度是一个具有重要研究意义的问题。本论文研究在保证服务质量的前提下如何有效减少海量物联网服务数据的传输开销和计算开销,主要从大规模物联网服务流程的分布式执行、云计算以及边云协同计算在处理动态物联网服务数据时的高能效资源管理三个方面展开研究。主要内容及创新如下:第一,研究了边云协同计算环境中流量感知的物联网服务流程资源的分割与分布式部署算法,以减少通信网络中的数据移动量。具体地说,通过将服务流程模型抽象为有向图,基于图的广度优先遍历策略和流程元素的空间属性分析,提出了基于空间属性的物联网服务流程切分算法。此外,针对借助于经验数据(带有一定置信水平的不确定值)指导子服务流程的优化部署这一事实,采用不确定规划理论将带有不确定性的子服务流程部署问题转化为等价的确定性分配问题,提出了可以满足给定置信水平的子服务流程的分布式优化部署算法。第二,针对边云协同计算环境中云端面临的高能效资源管理问题,提出了分布式在线优化算法,通过时间解耦将多核并行云计算中复杂的资源调度问题解耦为处理器内核的CPU时间分配和电压配置、服务器之间以及服务器内部不同处理器内核之间的数据分发调度三个子问题分别同时优化,实现云计算中心能源效率的最大化。此外,证明了非凸处理器内核的电压配置问题随着工作负载的增加而不断地呈现出凸性并且可以逐渐地取得全局最优解,从而保证了整个云计算中心的渐近最优性。这一工作在系统负载较轻的情况下,以可以忽略不计的吞吐量为代价换取能耗的大幅度减少;在系统负载较重的情况下,可以通过增加能耗来提高系统吞吐量。第三,针对边云简单协同计算在处理海量和碎片化的物联网服务数据时面临的高能效资源管理问题,借鉴MapReduce模型对分布式系统中的计算节点进行联合建模,提出了分布式在线优化算法。通过时间解耦将边云融合中复杂的资源管理与调度问题解耦为原始数据分发、结果数据聚合以及计算资源的配置三个子问题分别同时优化,以高效、低资源消耗的方式实现对物联网服务数据的生命周期管理。进而,将边云简单协同计算模型扩展到边云复杂协同计算模型,即除了路由转发数据之外,边缘节点还承担部分数据的计算任务。最后,基于理论分析提出了边云复杂协同计算模型在能源效率、数据处理时延上比边云简单协同计算模型表现更佳的临界条件的计算公式。