边缘智能将端设备、边缘计算服务器以及数据中心和云平台等不同规模的资源进行了有效整合，形成了多层次灵活的资源支撑体系。其中的每一类资源都能完成一定规模的计算任务和传输任务，以期为当前不断增加的实时性处理请求提供资源的顺畅供给。然而，这种复杂的“传-存-算”资源组成结构也对边缘智能资源调度机制提出了更高的要求。
在上述背景下，本项目的核心内容主要包括：
针对边缘智能中的各类协同学习算法完成多层次异构资源开销的动态量化模型构建，实现协同学习框架的全 过程开销、“传-存-算”可用资源情况可度量，以支撑细粒度的任务调度与一体化资源管理机制；
面向协同学习框架中的计算瓶颈和传输瓶颈研究低能耗、自 动化、自适应的设备采样算法、网络负载平衡策略和“传-存-算”资源管理机制。 结合协同学习框架本身的模型优化方法，实现计算效率和传输效率同步提升；
在动态不确定请求条件下，研究未来请求吞吐量预测和服务配置策略，通过合理设计的请求准入机制提高请求的处理效率。
（项目负责人：谢珍真）
