在工业互联网时代,工业边缘计算（IEC）采用服务功能图（SFG）为基于网络功能虚拟化（NFV）的工业互联网应用（NFV应用）提供敏捷、灵活的定制化服务。在SFG部署中,IEC必须考虑NFV应用的数据时效性和精细度问题,以实现快速、精准的决策与控制。数据时效性则是通过信息年龄（AoI）来衡量。通常情况下,提高数据采样频率能减小相邻两个数据的时间间隔,防止数据峰值AoI过大,还可以实现生产设备及环境状态精细化感知。然而,数据采样频率过高将会导致网络拥塞,使数据的排队时延显著提高,进而增加了数据的平均AoI。此外,NFV应用的数据平均AoI会随着SFG服务时延的增加而上升。针对这些问题,本文通过优化SFG部署策略降低SFG服务时延,以及调整数据采样频率降低数据在网络中的排队时延,最终协同SFG部署与数据采样频率调整实现AoI优化,具体工作如下:（1）本文提出了基于匹配博弈论的SFG分布式优化部署机制。本文将SFG的部署过程看作是大学的录取过程,每一个SFG均贪婪地希望部署在最优的IEC服务器上,以获得更好的服务质量;每个IEC服务器则贪婪地选择利益最大化的SFG。本文首先了分析SFG请求的部署偏好和IEC服务器的服务偏好,其次采用博弈论对SFG请求和IEC服务器之间的双目标优化匹配问题建模,最后设计一个分布式偏好匹配算法来解决SFG和IEC服务器之间的匹配博弈问题。（2）本文提出了一种协同SFG部署与采样频率调整的AoI优化机制。首先分析数据采样频率对IEC网络中数据流量、排队时延的影响关系,揭示了数据采样频率与NFV应用的数据AoI的关联关系,并提出了一种启发式的数据采样频率优化算法,以达到接近最优AoI的采样频率。接着,在优化部署SFG以降低SFG端到端服务时延的基础上,本文提出一种协同SFG部署与采样频率调整的AoI优化算法。（3）本文设计了一系列仿真实验验证本文方法的有效性,并通过实现对比算法,评估本文方法的性能。在SFG分布式部署实验中,本文将基于匹配博弈论的SFG优化部署算法的实验结果与相关算法进行对比,实验结果表明,本文所提出算法在降低处理时延、提高服务接受率等方面的有效性。在NFV应用AoI优化实验中,本文将协同SFG部署与采样频率调整的AoI优化结果与对比算法结果对比,验证了本文方法能有效地降低AoI,同时能保证较高数据精细度。