随着边缘计算的快速发展,边缘数据中心作为提供存储和计算能力的基础设施得到广泛关注,而光网络凭借其低时延大容量传输能力在边缘数据中心互联网络中扮演着重要的角色。融合边缘计算和光网络技术的边缘数据中心光网络已成为未来网络的重要应用场景之一。边缘数据中心光网络呈现“边随网动”和“密集型边互联”两个发展趋势。围绕不同趋势,出现了计算资源部署和多个具有关联子任务相关流任务调度问题。针对上述问题,重点研究了边缘数据中心部署、相关流任务分配和分布式数据处理,形成以下三项创新成果。(1)提出一种面向差异化需求的边缘数据中心分层部署和负载分配机制。针对“边随网动”趋势下的计算资源部署问题,提出边缘数据中心分层部署和负载分配策略。首先,通过分析5G无线接入网(RAN)架构中分布式处理单元(DU)和集中式处理单元(CU)节点处时延、带宽和部署成本特性,建立了成本模型、网络时延模型和处理时延模型。其次,在考虑计算和网络资源受限的前提下,将边缘数据中心部署和负载分配问题描述成一个以最小化部署成本和时延为目标的混合整数非线性规划(MINLP)问题,并设计基于递归算法和基于熵权法和TOPSIS方法的边缘数据中心分层部署和负载分配策略。最后,通过仿真验证所提出的两种算法可以最小化部署成本和时延成本,并且所提出的分层部署方案,可以有效权衡部署成本和时延。(2)提出一种基于时间反馈的相关流任务分配和光路配置机制。针对“密集型边互联”趋势下多相关流共享计算和网络资源场景下的资源竞争问题,提出一种相关流任务分配和光路配置机制。首先,分析相关流任务中各子任务间的关联特性,考虑计算和网络资源约束,建立单个相关流完成时间最小的数学模型,并设计了一个启发式算法。然后,针对相关流完成时间取决于最慢子任务的完成时间这一特性,建立以相关流完成时间为基础,以最小化带宽消耗为目标的数学模型。同时还设计了一个涵盖路由、调制格式和频谱时隙配置的启发式算法。仿真结果表明,相关流任务调度和光路配置是影响时延和带宽的重要因素。(3)提出一种面向密集型相关流任务的多阶段聚合和资源配置机制。针对“密集型边互联”趋势下分布式数据处理问题,提出一种分布式数据多阶段聚合机制和资源配置算法。首先,通过分析相关流完成时间的影响因素,定义处理时间、通信时间模型和相关流完成时间模型。其次,为优化相关流处理过程中的数据聚合的阶段次数、每个阶段中集群数、集群中心的位置以及带宽资源分配,设计了集群中心选择、集群划分和带宽分配的启发式算法。最后,仿真结果表明,在冗余数据多、聚合效果好、地理分布数据量大的场景下,相比于单阶段聚合方案,多阶段聚合机制在时延和带宽方面性能更优。