边缘计算中，越来越多复杂的应用（例如在线学习、深度学习等）需要在资源相对受限的边缘服务器上得到低延迟的服务。结合考虑边缘服务器多维资源有限，同一时刻只能配置部分功能的特性，为了最小化由多个有依赖关系的子任务组成的应用请求的完成时间，我们需要决策应用中各子任务在何处执行，何时执行，各服务器上何时配置的何种功能。课题组针对固定边缘服务器功能配置，给出了最优的动态规划算法；针对功能按需配置的一般情况，首次提出了此问题有性能保障的算法，GenDoc；针对在线环境下应用调度与功能配置结合，提出了高效且易于在实践中部署的在线算法OnDoc；基于在线增强学习，提出了在线配置和任务分配算法OnDisco。我们的算法在阿里巴巴2018公开数据集（包括20365个不同的应用）上进行了广泛的模拟，结果表明，在86.14%的应用上，GenDoc算法都优于其他最新基准算法，且最少降低24%的平均完成时间；在线算法OnDoc也显著优于算法，至少可满足1.9倍数量任务的截止时间需求。OnDisco与启发式算法和随机算法相比分别可以减少58%和76%的平均完成时间。细节如图1所示，相关成果发表在WASA 2019， IWQoS 2019, PDCAT 2020,并获得WASA 2019和 PDCAT 2020最佳论文奖。

图 1.边缘计算中具有依赖关系的子任务调度算法GenDoc在典型应用中的性能表现