流处理系统通常是部署在云端的,拥有丰富的物理资源,随着物联网的发展,越来越多的移动端设备产生大量的数据,在移动端上部署的目标检测、AR等智能应用,能够源源不断地产生流式数据,如图像等,这些数据距离边缘端比较近,将流处理系统从云端迁移到边缘端,在接近数据源的地方处理这些数据,可以降低数据在网络中的传输开销。移动端可以将繁重的计算任务交给多边缘处理,借助多边缘上的流计算系统,既能避免大距离的数据传输,又能利用流处理系统的优势,只要合理利用边缘节点上的资源,就可以使这些流式数据得到及时的处理。但是由于边缘节点资源的异构性和数据源的移动性,需要设计针对多边缘和移动设备的调度策略。本文针对以上问题提出了适用于边缘节点的任务调度策略,从三个方面进行任务调度。第一,任务初始化部署策略,在系统运行前需要对算子的并行度进行设定,并根据内存、CPU和网络带宽约束,对并行任务进行初始部署。第二,任务动态重构策略,在任务运行时,根据任务实际运行时间和网络传输时间进行算子并行度的重新配置。第三,数据源的权值分发策略,决定数据分发配比,从而缩短响应时间。主要研究目的为在边缘节点资源变动的情况下,动态调度算子在各个节点的并行任务,使任务可以适应动态的边缘环境。本文基于强化学习中的QLearning算法,对任务调度问题进行建模,实现了基于强化学习的任务重构策略。本文在边缘流式处理平台Apache NiFi上部署任务拓扑,实现调度策略,主要包括任务运行情况监控、节点资源情况监控,并设置控制模块,负责结合各监控指标,运行调度算法,对边缘节点中的各个节点发送调度指令。最后在实际边缘服务器节点上部署了此平台,并使用移动端进行测试,该策略有效提高了NiFi处理数据的吞吐量,缩短了响应时间。