边缘计算作为一种新兴的计算范式,旨在靠近物联网终端一侧,构建一个相对完整的、具备计算和存储等核心能力的应用平台,能够充分利用终端上报的实时物联网数据进行快速处理与分析,降低云端物联网数据计算和存储成本,并提供多种智能化应用服务给边缘侧用户。随着物联网与机器学习、大数据计算等新一代信息技术的融合,物联网应用需要处理大量的实时数据流。同时,用户对实时物联网数据处理的延迟要求和物联网应用智能化的需求为传统的边缘计算平台带来了挑战。由于边缘计算集群资源有限,需要构建分布式并行数据处理流程来充分地利用有限的集群资源,同时应对任务进行有效的调度编排,提升边缘应用的整体运行效率。本文使用容器化编排技术,构建了五层分布式边缘物联网数据处理平台软件架构,结合主流的实时大数据计算和人工智能框架,实现边缘侧实时计算和在线机器学习应用,并为平台中的在线机器学习任务开发了智能调度流程与系统。本文的主要工作总结如下:1.提出了基于容器编排框架Kubernetes的边缘物联网数据处理平台五层软件架构,设计了一套完整的物联网实时数据处理流程。软件架构主要分为物联网数据接入层、数据转发层、大数据处理层、在线机器学习应用层、数据存储与可视化层。2.在异构边缘服务器节点上对本文所设计的分布式边缘计算软件平台进行了部署实现。将软件平台应用于实际的电力物联网场景,实现了大数据实时电力功率流计算和基于LSTM模型的在线功率预测应用,并对物联网数据处理延迟、计算资源使用情况和平台扩展性能等方面进行了测试。3.基于深度强化学习设计并实现了边缘机器学习任务的动态编排系统。首先,设计了基于Deep Q Network（DQN）的离线任务调度算法,对算法的收敛性进行了验证。其次,开发了一套基于Kubernetes控制器模式的调度控制平面组件,结合DQN强化学习调度算法和Kafka消息中间件实现了周期性动态编排控制流程。通过任务编排对比实验,进一步验证了编排系统可以有效缩短在线机器学习任务的平均完成时间。最后,实现了调度信息管理平台。