随着终端设备的普及和边缘计算技术的发展,使得诸如增强现实和物体追踪这样的计算复杂和延迟敏感的移动应用成为可能。相比于传统的云计算,边缘计算具有时延低、可靠性高、扩展性强等优点。计算切分通过将终端设备上复杂计算卸载到附近边缘资源,提升应用程序执行的性能。现有的工作主要考虑无状态的应用程序在边缘云环境下的计算切分研究,然而对于有状态的数据流应用,当网络环境动态变化时,计算切分决策也应该相应的调整,此时状态量的大量迁移将会带来网络拥塞并极大的增加网络延迟。本论文首先研究对于有状态数据流应用的计算切分问题,即如何在动态变化的网络环境下对有状态的数据流应用进行有效的计算切分,来最小化总完成时间(make-span)。考虑到边缘云服务器在执行过程中具有宕机的可能性,以及数据流在传输的过程中也具有传输失败的可能发生,本论文进一步讨论了可靠性约束下有状态数据流应用的计算切分问题,即如何在满足数据流应用高可靠性约束的同时,最小化总完成时间。针对以上几个方面,本文的主要研究工作如下:(1)首先定义了有状态数据流应用的计算切分问题,通过考虑状态量的迁移开销,选择性地调整模块和迁移状态量来达到最小化总完成时间的目标。(2)提出了基于得分矩阵的启发式算法SM-H(Score Matrix-based Heuristic)来解决one-shot离线问题。实验结果表明SM-H算法相比传统的列调度、序列式调整、遗传算法能得到更小的总完成时间。设计了基于重复的得分矩阵的启发式算法RSM-H(Repeated Score Matrix-based Heuristic)来求解多步优化的问题。通过实验的评估,我们发现RSM-H的性能要优于基准方法。(3)研究具有可靠性约束的计算切分问题,采取模块冗余和交叉边数据流重传的策略来满足可靠性需求,并建立了完备的计算模型。提出了基于强化学习的计算切分方法(RL-based Computation Partitioning),并进一步提出离线和在线问题的解决方案,使其在满足高可靠性约束的同时最小化总完成时间。