在工业物联网中,随着边缘设备智能化程度的增强,越来越多的服务开始往边缘端迁移。边缘计算使得数据可以在靠近设备的一侧进行实时的操作和处理,以达到敏捷、高效、安全。但边缘计算也存在计算能力、存储能力、能量等局限性,边缘节点只能同时托管少量的服务。同时,工业传感器设备还具有高异构性、高延迟敏感性。对于异常检测、危险预警、实时控制等场景,需要低延迟和高可靠性。数据若上传到云端进行处理,显然是延迟不满足的。因此需要边缘设备与中心云、中心云与边缘云之间进行协同计算,使整个网络全局得到最优。计算资源在边缘与云的分配是非常困难的问题。必须依赖于具体的工业场景,动态地进行相关计算。这其中涉及如何在边缘端准确地预测边缘请求和如何在边缘节点动态地最优化配置服务等问题。针对上述问题,本文提出了一种基于请求预测和协作的边缘节点服务重配置和选择策略。首先,本文提出了一种边缘节点上最佳服务预配置方法。该方法将长期的预测与配置问题分解到若干个重配置周期内进行。在每个重配置周期内,首先通过一种动态滑动窗口的取样方法对边缘节点的历史请求信息进行取样,然后结合数据的特征,利用泊松过程作为预测模型对下一周期的可能到达的请求进行预测,最后已有的预测信息在边缘节点做出最佳的服务配置决策。该问题被证明是一个非线性整数规划问题,在本文中我们分别利用模拟退火算法和分支定界法求解了该问题,并论证了两种算法的优缺点。其次,当设备选择边缘节点的服务时,本文提出了一种基于协作的边缘节点选择方法。该方法强调了边缘横向协作的作用。边缘节点通过与一跳邻居互相协作和分享计算资源,可以降低边缘节点与云的联系,有效降低系统延迟。最后,对本文所构建的边缘网络系统下服务的预配置问题进行了模拟仿真实验。结果表明,本文提出的基于请求预测和边缘协作的服务重配置和选择策略能够在满足能量约束的情况下有效地降低网络延迟,提高边缘计算的效率。