随着5G网络的普及,物联网得到了发展,5G为其提供了充分的网络传输能力。但5G只是提高了数据传输的效率,并没有解决万物互联背后所需要的计算能力。因此,边缘计算应运而生,通过在生成数据的地方更快地处理和分析数据,降低了应用的请求时延。边缘计算对时延的处理极其关键,边缘计算在解决延时上面临着一些问题,应用对于延时的敏感差异,导致了边缘计算在资源调度上存在差异。面对以上问题,本文首先将边缘集群中的应用分为时延敏感应用和时延不敏感应用,针对这两种应用,分别提供不同的资源调度策略。然后,提出了一种OVGE跨集群通信方法,解决了边缘集群之间无法进行跨集群通信的问题,并对集群进行性能监控。针对时延敏感应用的资源调度,本文提出了一种GGAC(Gray and Genetic-Ant Colony optimization algorithm for Resource Scheduling)资源调度策略,策略将资源调度分为两部分,一是本文提出了基于灰度模型的预测负载方法,成功预测了边缘计算集群的负载情况,在预测集群负载有降低趋势时,滞后性的进行缩容,最大化的为时延敏感应用提供了资源。二是在预测负载上升、集群进行水平扩展时,提出了一种混合蚁群算法和遗传算法的调度方法,利用遗传算法的全局最优和蚁群算法的局部最优性,加快了时延敏感应用的资源分配。最后通过实验表明本文提出的GGAC策略满足了时延敏感应用的低延时的要求,加快了时延敏感应用的调度。针对时延不敏感应用的资源调度,本文提出了一种NBGH(Naive Bayesian and Bee Colony Gather Honey Model for Resource Scheduling)资源调度策略。时延不敏感应用在集群负载过高时,将会进行应用迁移。本文提出的NBGH策略,首先对集群进行分类,确定了时延不敏感应用的调度时机,然后根据负载均衡评价指标和基于蜂群采蜜行为的应用迁移提出了时延不敏感应用的调度机制,将需要迁移的应用作为“侦察蜂”,寻找最优的目的集群,并考虑时延不敏感应用的优先级进行选择目的集群。最后通过实验表明,本文提出的NBGH策略可以使集群达到一定的负载均衡,减少了应用的迁移,加快了时延不敏感应用的请求时间。