边缘网络提供灵活的计算和存储能力,为延时敏感与上下文敏感的应用服务提供了一种高效的解决方案。由于边缘网络内部无线信道传输的不稳定性、各计算节点的异构性与移动性以及其中任务请求到达的随机性,边缘网络表现出明显的动态变化特征,这些动态特性为边缘网络运维工作带来了许多困难与挑战。本文重点研究动态边缘网络中的并行任务调度与多元时间序列异常检测两种智能运维策略。由于大多数启发式的任务调度算法都需要在算法内部对问题环境进行精确的建模,边缘网络的动态特性极大地限制了这类算法的性能。本文提出了一种基于多任务深度强化的并行任务调度方法（Multi-task Deep reinforcement learning Task Scheduling,MDTS）。我们将动态边缘网络中的并行任务调度问题映射为多任务深度强化学习问题,其中多任务学习的每个输出分支对应每个子任务的调度方案。MDTS算法不需要对环境或计算节点有过多先验知识,而是直接学习端到端的分配方案,并通过模型中共享的神经网络学习各并行任务之间资源竞争关系与合作关系。此外,我们还设计了一个适当的奖励函数来同时优化多个性能指标,支持各不同场景对各项指标的定制化需求。大量的实验表明,与经典算法最小连接调度和启发式算法粒子群优化相比,MDTS显著提高了任务调度的总奖励值。在实际的边缘网络运维中,影响任务调度效果的不仅在于调度算法的设计,还在于是否选择了状态稳定、健康度高的候选计算节点。多元时间序列异常检测算法可以用于解决这一问题。本文提出了一种基于图神经网络与变分自动编码器的多元时间序列异常检测算法（Multi-Time-Series Anomaly Detection Based on Graph Neural Network and Variational Autoencoder,Graph-VAE）。与其他检测算法不同的是,Graph-VAE 通过图注意力层对各 KPI（Key Performance Indicators,关键性能指标）之间的相关关系进行了显式地建模,并提供了各KPI曲线之间的皮尔逊相关系数作为先验知识。此外,Graph-VAE还通过POT（Peaks-Over-Threshold,峰值过阈值）算法实现了异常阈值的自动选择。实验证明,Graph-VAE在自动选取异常阈值后的F1-score计算值达到了 0.9403,战胜了其他先进的多元时间序列检测算法。同时,我们也证明了 Graph-VAE算法在异常诊断上的有效性。