近日，中国农业大学工学院胡标副教授课题组在物联网与边缘计算智能调度领域取得系统性研究成果。相关工作形成了以《云-边-端计算系统任务智能调度》（Intelligent Scheduling of Tasks for Cloud-Edge-Device Computing Systems）学术专著为核心的理论体系，相关关键技术研究发表于中科院一区TOP期刊《IEEE物联网期刊》（IEEE Internet of Things Journal）、《IEEE并行与分布式系统汇刊》（IEEE Transactions on Parallel and Distributed Systems）等计算机领域国际顶级期刊。该系列研究揭示了动态环境下任务调度对系统实时性、能效及可靠性的影响机制，提出了基于贝叶斯优化、联邦学习协同、混合关键性保障等前沿技术的智能调度方法，为构建高效、可靠、绿色的分布式智能计算系统提供了从理论模型、核心算法到实践应用的全链条解决方案。

随着物联网、自动驾驶、远程医疗、智慧农业等新一代信息技术的飞速发展，计算任务正从集中的云端向靠近数据源的边缘和设备侧扩散，形成了云、边、端协同的三层计算范式。如何在这种异构、动态、资源受限的复杂系统中，智能地调度各类计算任务，以同时满足应用的实时性要求、系统的能耗约束以及资源的利用率目标，是当前工业界与学术界面临的核心挑战。

云-边-端协同的智能车联网系统示意图

研究重点关注了云-边-端系统中任务的智能调度机制及其对系统性能的关键影响。课题组系统性地定义了系统中的核心计算单元——任务，并根据其执行依赖和时效要求，将其划分为实时依赖型任务（如自动驾驶中的连续感知-决策）、独立任务（如并行数据分析）以及混合关键性任务（如车载系统中安全控制与信息娱乐的混合）。不同类型的任务对计算资源的放置（云、边、端）和调度策略有着截然不同的需求。

基于云-边-端计算的智慧农业示意图

针对上述挑战，课题组在任务划分与能效优化方面取得了突破。面对深度神经网络（DNN）任务在动态物联网系统中的部署难题，研究提出了基于贝叶斯优化的时间敏感与高能效任务划分方法。该方法能够自适应地根据网络状态、设备电量及任务截止时间，将DNN模型动态拆分并分配到云、边、端不同节点执行，在保证推理实时性的前提下，显著降低了系统整体功耗。例如，在智能监控场景中，该方法可将视频分析任务的部分前层处理置于摄像头端，中间层置于边缘服务器，复杂后层分析置于云端，从而实现延迟与能耗的最优平衡。

在异构资源协同与自适应学习方面，课题组针对联邦学习在异构边缘设备上训练效率低、资源消耗不均衡的问题，提出了面向异构边缘计算系统的自适应联邦学习计算资源协调机制。该机制能够动态感知各边缘节点的算力、存储与网络状况，智能调整其参与联邦学习的任务量和频率，从而协调全局学习进度，大幅提升资源利用率与训练效率，为在资源差异巨大的农业物联网、智慧园区等场景中部署联邦学习提供了关键技术支撑。

针对高可靠实时应用的需求，研究深入探索了混合关键性任务调度。在车载边缘计算等对安全性和实时性要求极高的场景中，系统同时运行着安全关键型任务（如碰撞预警）和非关键型任务（如地图更新）。课题组提出了面向车载边缘计算系统的混合关键性调度理论，通过任务分解、频率预测与动态规划技术，确保了高关键性任务在任何情况下都能获得所需资源并满足严格时限，从而保障了行车安全，相关成果为智能汽车的电子电气架构设计提供了理论依据。

上述系列研究成果，从任务建模、问题定义、算法创新到性能评估，构成了一个完整的研究体系。以此为基础，胡标副教授与清华大学赵明国教授、哈尔滨工业大学曹政才教授、美国新泽西理工学院周孟初教授合著的学术专著《云-边-端计算系统任务智能调度》，由Wiley-IEEE出版社于2025年11月正式出版。该书首次系统梳理了该领域的核心挑战与技术脉络，详细阐述了从云计算到车路协同边缘计算等多种场景下的任务调度策略，是指导未来分布式智能系统设计与优化的重要学术著作。

工学院胡标副教授为上述专著的第一作者及系列期刊论文的第一作者或通讯作者，相关研究得到了“科技创新2030-脑科学与类脑研究”及“中央高校基本科研业务费”等项目的支持。该系列工作标志着我校在智能农业装备的“数字大脑”——底层计算系统优化领域的基础研究取得了重要进展，为智慧农业、智能农机装备中的高性能、低功耗计算平台研发奠定了坚实的理论基础。