在新型智能化、网络化战场条件下,战争形态从传统意义上的“大规模常规战争”和“小规模非常规战争”正逐步演变为作战模式更趋融合的“混合战争,呈现出威胁多、预测难、周期短、频次高等特点。在此背景下,边缘作战及边缘指控的概念应运而生,其旨在利用边缘网络、边缘计算、边缘智能等新一代信息技术感知大规模战场环境、为网络化、去中心化的边缘赋能,通过广泛的信息分享和团队协作使边缘具备自任务、自行动、自组织、自适应的敏捷反应能力和作战形式。然而,当前依托于云数据中心的一体化信息基础设施在处理分析战场环境大数据、提供作战应用服务时,存在作战资源管理、服务分发反应滞后的问题,难以支撑边缘作战构想,无法满足新作战背景下的实时性需求。本文认为面向大数据应用的边缘计算架构是全面突破当前云计算模式局限性、提升作战网络服务能力和资源使用效率的重要途径,具有重要的理论和现实意义。基于此,本文面向边缘信息基础设施中系统架构设计和资源管理两大关键问题,针对整个系统所具有的终端移动设备差异性和移动性、边缘设备的异构性和分散性、应用需求的多样性和时敏性三大特点,深入分析研究了以下技术内容。1)本文针对现有军兵种和战区边缘信息基础设施资源和服务间存在互通壁垒的问题,提出了一种具有动态资源配置的的边缘联盟资源管理和服务分发架构,将以往“烟囱式”的独立信息环境转化为网络式的纵横联接,以便在独立的边缘计算提供商和云数据中心之间无缝地实现资源协作和服务供应。为了有效地调度和利用多个EIP中的资源,本文将资源配置和服务分发过程建模为大规模线性规划问题,并通过一种变量维度缩减方法将其转换为易于求解的形式。进而,本文设计了一种动态算法来适应用户变化的服务需求。综合实验评估表明,与现有的独立服务分发模型相比,本文提出的基于边缘联盟的服务分发模型可以有效降低EIP的总体成本,并提高服务分发水平。2)本文针对边缘信息系统架构中心层云平台的服务流量预测问题,提出了基于深度神经网络的云数据中心流量预测模型。在这种情况下,本文设计了交互式时序循环卷积网络（ITRCN）分别应用于大规模交互式网络流量预测中。更具体地说,ITRCN将服务之间的通信看作为一个图像整体,直接预测大型网络中的交互流量。在ITRCN模型中,卷积神经网络部分将网络流量学习为图像以捕捉全网内服务的相关性,而门控单元神经网络部分则学习时序特征。在实际大规模数据中心网络环境中,本文所提出的ITRCN模型可以有效的提高网络流量的预测准确度。3)本文针对边缘信息系统架构边缘层终端设备调度问题,提出了基于终端设备移动性分析的探测车辆调度和选择机制。本文主要研究了车辆众包数据采集中的车辆选择问题,首先,为了解决这个问题,本文对两个现实世界的车辆轨迹数据进行全面的分析,并获得了具有启发性的数据特征。基于这些结果,本文提出了POSE基于表现迁移的车辆选择机制,该机制独立于传统的轨迹预测方式,并主要依靠基于迁移学习的车辆表现评估和在线车辆选择两部分来完成众包任务。具体地,首先,在第一个时段内采集少量车辆轨迹数据,并计算相关的车辆轨迹渗透度。而后基于数据规律性特征,对整体渗透度数据进行拟合,得到相关地区车辆的移动性模式,由此可以估计未知车辆表现,解决众包初始阶段的冷启动问题。第二部分中,本文将车辆选择问题映射为一个多臂老虎机问题,并利用改进的上置信界算法求解。深入的数据驱动仿真实验证明了POSE机制在众包车辆选择上良好表现,并有效提高了数据采集质量。4)本文针对边缘信息系统架构边缘节点部署问题,提出了用户需求时空多样性条件下的边缘资源部署机制。本文研究了基于边缘缓存技术的城市高清地图部署问题,在给定部署预算的情况下,本文首先建模得到一个下载请求满意量最大化问题SDRM,求解这个问题可以获取高清地图部署位置和配置的缓存资源大小。因为城市交通情况是高度动态的,并且未来的交通情况事先未知,SDRM问题无法直接求解。本文系统地提出了一个名为Co De的数据驱动机制,用于转换和解决SDRM问题。Co De的创新在于其三层设计。在数据供给层,本文利用两个城市的车辆数据,分别涉及37,801和17,517辆车60天的GPS轨迹数据来提取分析样本。在移动性刻画层,本文针对车辆交通的移动性进行了深入的数据分析,包括其分布、相关性和时间变化情况,来挖掘关键的交通移动性模式。在缓存部署层,本文提取出每个地区块的K阶子图,以记录其K阶邻域内的移动性性统计信息,并根据此信息,相应的对SDRM问题进行转换。而后,设计了名为RISE的算法来解决该问题并实现部署策略决策,最终通过实验证明了Co De在请求命中率和缓存资源使用效率上性能优越。本文面向边缘作战场景,以体系架构设计研究为支撑和牵引,进而分析了边缘系统架构中的资源管理问题,推动了边缘信息基础设施建设和发展,具有重要科学意义和军事应用价值。