摘要：随着物联网、大数据、人工智能等技术的快速发展,传统云计算面临着高延迟、带宽瓶颈和实时性不足等问题。边缘计算作为一种新兴计算范式,能够有效解决传统云计算的不足,但其算力有限、资源受限的问题制约了其进一步应用。因此,构建边缘计算与云计算协同的软件架构成为当前学术界和工业界的研究热点。本文构建了云边协同的四层架构模型,并从多目标优化视角建立了协同优化的数学模型,随后提出了基于任务划分理论、动态迁移机制和负载均衡策略的云边协同优化方法。研究成果对于实现云计算与边缘计算优势互补、构建高性能的软件架构具有重要的理论价值和实践意义。

　　关键词：云计算；协同架构；多目标优化；任务划分

　　0引言

　　随着物联网、人工智能与大数据技术的高速发展,数据规模快速增长,传统的集中式云计算模式暴露出网络延迟高、带宽压力大、实时性不足等问题。边缘计算作为一种贴近数据源的分布式计算范式,能够有效缓解上述问题,提供更低的响应时延,但也面临算力有限、资源受限等诸多挑战。融合边缘计算与云计算优势,构建云－边协同的软件架构逐渐成为学术界与工业界共同关注的研究焦点。

　　1云计算基础理论

　　云计算是一种基于分布式计算技术的集中式资源管理模式,通过网络将分散的计算资源整合为统一的资源池,以服务形式按需提供给用户。云计算体系结构一般由基础设施即服务（IaaS）、平台即服务（PaaS）与软件即服务（SaaS）三层组成。其中,IaaS层依靠虚拟化技术构建底层资源,PaaS层负责提供开发环境,SaaS层则直接面向终端用户提供软件服务[1]。

　　虚拟化技术是云计算实现资源高效管理的基础,通过虚拟化技术,可以将物理资源抽象为多个虚拟资源单元,屏蔽底层硬件差异,为用户提供一致的计算体验。虚拟化技术包括服务器虚拟化、存储虚拟化与网络虚拟化,其中服务器虚拟化尤为关键。利用虚拟化技术,可以构建统一的资源池管理机制,即将多种异构资源（如计算、存储和网络）集中管理,实现资源的灵活配置与弹性扩展,动态适应不同应用场景的需求变化。通过资源池管理技术,云计算系统可实现资源统一视图,确保高效的资源分配和负载均衡。

　　云计算中的数据管理一般采用分布式文件系统实现数据统一存储与管理。分布式文件系统将数据分割后冗余存储在多个节点上,通过统一命名空间对外提供一致的资源访问接口。然而,随着数据量与应用需求的快速增长,云计算集中式架构逐渐暴露出响应时延高、网络带宽压力大的局限性,难以满足实时性敏感应用需求。为此,边缘计算逐渐兴起。边缘计算将计算能力从云端下沉到靠近用户侧的边缘设备,通过缩短数据传输距离降低响应时延。

　　2协同优化任务的数学建模

　　云－边协同环境中的任务调度问题属于典型的资源约束多目标优化问题,任务在终端、边缘、云三类节点中具有不同的执行效率、资源消耗与通信代价。调度过程需兼顾多个目标,包括系统响应延迟、能耗成本、资源利用率、执行成功率与服务等级保障。任务调度不再是单点决策,而是受制于拓扑结构、资源状态与控制反馈的时空联合决策过程。任务与资源的多维度映射行为,需要构建一套可扩展、可组合的资源图模型以支撑调度建模与优化求解[2]。

　　任务集合记作T={T1,T2,…,TN},其中每个任务Ti具备计算密度ci、数据大小di、时限要求τi、服务等级因子φi。物理节点集合记作R={R1,R2,…,RM},包括边缘节点与云节点,每个节点具有可用计算资源Cj、存储容量Sj。节点间链路组成通信图Gc=(R,Ec),每条边表示一对节点间的通信信道。资源图由资源节点、算力节点、数据节点与任务节点组成,节点间连边表示可调度关系或资源可达路径,具备方向性与带宽权重,满足依赖关系与资源约束。

　　调度决策变量为二值变量xij∈{0,1},若任务Ti被调度至节点Ri,则xij=1,否则为0。调度结果需保证每个任务唯一绑定一个执行节点,同时不超出节点的资源容量。系统性能目标由三部分构成,即平均延迟、系统能耗与经济成本。三目标函数通过加权系数组合成统一的优化目标,用于整体调度性能评估。调度问题表达式如式（1）所示：

　　式中,δj1 j2为节点Rj1与Rj2之间链路的传输延迟,当任务链中的两个任务分别被调度到该对节点上时产生通信延迟。任务链延迟是衡量调度序列合理性的重要依据,与QoS服务保障紧密相关。此项可进一步嵌入整体目标函数或作为独立约束加入建模系统[3]。

　　3云边协同机制与优化策略

　　在云边融合计算体系中,协同任务划分策略是影响系统整体性能、资源利用效率与响应延迟的核心机制。

　　协同划分过程可建模为图划分问题,任务流程被抽象为有向无环图（DAG）,每个节点表示一个原子任务,边表示数据依赖关系。划分目标为最小化跨节点通信开销与系统整体能耗,同时满足资源约束与任务时限要求。对于任务图G=(T,E),任务集为T,边集为E,通信开销矩阵为δij,任务分配变量为xi∈{0,1},当任务Ti分配给边缘节点时xi=1,否则为0。定义划分损失函数如式（3）所示：

　　第一项表示跨节点通信代价加权总和,任务划分结果为同一节点则通信代价为零,否则按依赖程度与传输代价加权计入；第二项表示在边缘节点上执行任务所引入的计算负载成本；第三项表示在云端执行任务的资源成本；权重参数λ、μ用于控制不同资源消耗类型对总损失函数的影响。

　　动态迁移机制用于在任务运行过程中进行重划分,适应系统负载变化、节点性能波动与网络状况动态变化。系统根据运行时状态,判断任务是否需要迁移并重新分配至更适合的节点[4]。任务迁移触发机制可基于热度预测、数据局部性与资源动态感知。热度预测通过记录任务访问频率、执行次数、数据交互强度,构建滑动窗口统计模型或时间序列预测模型,对未来任务的活跃度进行预估。定义任务在时间窗内的访问频率为hi(t),其未来热度预测值如式（4）所示：

　　式中,i(t)为当前时间的热度估计值；α∈[0,1]为平滑系数。该模型采用指数加权移动平均（EWMA）策略,对突发流量敏感、对长期趋势稳健,适用于实时性要求高的边缘计算环境。任务迁移决策由热度预测值与本地资源利用率综合决定,当任务热度持续下降且资源竞争激烈时触发迁移。数据访问路径越短,处理任务的效率越高。定义任务Ti对数据块Dj的访问延迟为δij,若Dj已缓存于执行节点,访问延迟记为零。

　　4软件架构优化模型与形式化方法

　　总体架构以终端层、边缘层、云层、控制层的四层协同为骨架,以模型—策略—执行三域耦合为核心,以统一资源图与任务图为载体,以可观测度量与自适应权重为驱动。终端层承担事件采集、就地剪裁、轻量推理、异常上报,形成最短路径的实时闭环。边缘层承担特征提取、会话级缓存、微服务组合、短周期编排,缓冲突发流量并稳住区域时延分布。云层承担全局视图、历史学习、跨域弹性,生成跨区域的参数与模板。控制层承担策略计算、SLA治理、零信任准入、遥测融合,向下发布权重与配额,向上回收状态与风险。

　　优化起点来自前述任务调度与资源图建模。任务以原子算子构成DAG,资源以终端—边缘—云的异构节点构成带容量与链路属性的图。放置变量沿用Xkl与δij的二元表达,容量与带宽约束保持可行域,链路延迟与副本能耗进入目标项。总体架构在控制层引入时变权重与层间融合,利用观测残差与不确定度调节延迟、能耗、成本的相对重要性,利用热度与链路裕度调节边缘与云的合成力度。权重来源与前文状态估计耦合,协同策略由控制层门控矩阵分配强弱,形成慢变量与快变量的分层优化。

　　延迟权重随观测不确定度上升而提高,能耗权重随业务热度上升而下降,成本权重随网络拥塞上升而下降。记观测协方差Pt,观测矩阵H,残差强度以tr(HPtH T)表征,全局热度均值网络时延归一化量δt。时变权重定义如式（5）所示：

　　权重范围稳定于开区间,数值平滑满足在线求解需求,量纲消解便于跨场景迁移。控制层以WE,WC门控边缘控制量与云端控制量之合成,形成层间策略融合,权重与门控在同一决策周期内协同演化。终端层获得最小可用控制,边缘层获得高频策略,云层获得低频策略,控制层维持一致的约束与目标映射。

　　总体架构的求解组织以双层结构实现策略与放置的分解。上层选择WE,WC与t,,t的轨迹,下层在给定权重下解资源映射与路径选择。上层以遥测驱动的策略更新实现稳健性与SLA优先的外环,下层以混合整数与启发式联合实现可行与近优的内环。该架构有效平衡了调度效率、服务可靠性与资源利用率,为云边协同环境下的复杂任务调度提供了系统性解决方案。

　　5结语

　　云边协同的软件架构优化研究以多目标任务调度为核心,以分层建模、结构映射、策略决策与性能反馈为支撑,构建了集任务划分、资源调度、热度迁移、架构演化于一体的理论体系。通过构建四层协同模型,抽象控制流与信息流的异构耦合关系,明确任务在不同计算层的映射原则。基于计算密集度与数据依赖的划分机制提升任务分配效率,结合动态迁移与热度预测机制增强系统弹性。架构优化模型融合决策矩阵与性能映射函数,联通静态设计与动态运行,为构建可演化、自适应、高性能的软件架构提供了理论基础与建模路径。

参考文献

　　[1]任艳春.云计算在互联网平台构建中的关键技术与实践应用[J].数字通信世界,2025(8):54-56.

　　[2]唐玥.基于边缘计算的工业物联网实时数据处理系统设计与实现[J].长江信息通信,2025,38(7):225-227.

　　[3]牛岚甲,吴迪,刘全明,等.边缘计算环境中基于区块链的物联网解决方案[J].南京理工大学学报,2023,47(5):678-684.

　　[4]王泓博.基于云计算技术的5G移动通信网络优化分析[J].通讯世界,2025,32(6):28-30.