摘要
目前物联网技术和移动通信技术处于快速发展阶段，各种网络服务和时延敏感
应用不断涌现，用户对网络服务质量和请求时延等性能的要求越来越高。当前任务
卸载有如下挑战：(1)只考虑单跳或者多跳范围内的卸载，在卸载决策中未考虑距离
较远但性能较优的边缘服务器，难以实现任务的高度并行执行。(2)边缘服务器发生
故障后缺乏有效的中断任务迁移策略，会导致任务超时或执行失败。为此基于协同
设备-边-云架构，提出了全局边缘资源搜索和分配方法机制，云端通过数据的融合
及大数据分析进一步为决策提供数据支撑。利用该方法进行任务卸载和中断任务迁
移可以显著降低任务卸载的成本和失败率。
针对上述问题，本文提出了如下研究内容：
(1)为了解决因边缘服务器协作效率低引起的时延敏感任务执行超时问题，提出
了一种基于分组竞争机制和博弈论机制的两阶段任务卸载机制。该机制分为两个阶
段：第一阶段利用任务的最大完成时间对任务进行分组，时延敏感任务所在的组具
有资源的优先分配权，可以确保时延敏感任务的及时性；组内任务基于博弈论竞争
资源得到多个边缘服务器的资源。第二阶段基于子任务的最大完成时间将计算资源
分配给子任务，在不增加其完成时间的情况下优化每个任务的能耗。对于组资源分
配，提出了一个空间索引树来存储所有边缘服务器的信息，以优化服务器选择。在
选择过程中利用基于在线学习的双预测模型来减少信息传输所导致的能耗。在
iFogSim模拟器上评估了实验的性能，实验结果表明，提出的方法可以在时间延迟和
能量消耗方面获得更好的性能。
(2)在全局边缘资源并行执行任务的场景中，进一步考虑了边缘服务器故障造成
的任务中断问题，提出了基于强协作关系的中断任务迁移策略。首先综合考虑了边
缘服务器的当前运行状态和周围环境等动态属性，利用熵值法和耦合协调度来得到
每个属性的客观权重。其次通过对结点和区域进行基于协作性的聚类构建具有强协
作关系的空间索引树，使得兄弟结点区域下的边缘服务器之间的协作性最强。在选
择和搜索资源的过程中，将查询的初始结点位于故障服务器所在的叶子结点，然后
使用联邦学习方法来预测结点的访问路径，这极大地提高了搜索效率。最后的动态
边缘资源分配方法可以优化中断任务迁移的总时延和能耗。在iFogSim模拟器上评
估了实验的性能，实验结果表明，提出的方法可以在时间延迟和能量消耗方面获得
更好的性能。
关键词：时延敏感任务；设备-边-云架构；资源搜索；资源竞争；资源分配
I
II
ABSTRACT
Atpresent,theInternetofThingstechnologyandmobilecommunicationtechnology
areinthestageofrapiddevelopment,andvariousnetworkservicesanddelay-sensitive
applicationsareconstantlyemerging.Usersareincreasinglydemandingnetworkservice
qualityandrequestdelay.Atpresent,taskoffloadinghasthefollowingchallenges:(1)Only
single-hopormulti-hopoffloadingisconsidered,andtheremoteedgeserverwithbetter
performanceisnotconsideredintheoffloadingdecision,soitisdifficulttoachievehigh
parallelexecutionoftasks.(2)Thelackofaneffectivemigrationstrategyforinterrupting
tasksafterthefailureo