边缘计算泛型是继云计算泛型后最具创新性的处理分布式物联网(the Internet of Things,Io T)数据的模式之一。在边缘计算泛型中,边缘计算设备位于物联网设备与云中心之间,并且更加靠近物联网设备。将服务从云中心卸载到边缘计算设备,使得服务延迟和整个互联网的数据流量大量降低。然而在服务运行过程中,对资源的需求是动态变化的,当边缘计算设备所运行的服务对资源的需求大于边缘计算设备所拥有的资源时,边缘计算设备称作资源受限。资源受限的边缘计算设备由于不能满足服务对资源的需求,将会降低卸载到边缘计算设备上服务的服务质量(Quality of Service,Qo S)。针对边缘计算设备资源受限,本文主要开展面向边缘计算资源受限的服务迁移框架与方法研究。研究的主要内容有如下两个方面:(1)构建了面向边缘计算资源受限的服务迁移框架。基本思想是:当边缘计算设备资源受限时,通过将服务迁移到资源丰富的边缘计算设备上,从而保证服务的正常运行,避免Qo S下降。本文从服务迁移的角度构建了一个面向边缘计算资源受限的服务迁移框架和边缘动态服务迁移算法。基于该框架,边缘动态服务迁移算法通过评估边缘计算设备所具有的资源和边缘服务对资源的消耗,动态地将服务迁移到资源丰富的边缘计算设备。为了辅助边缘动态服务迁移算法,提出了4个辅助模型:边缘计算设备资源消耗模型、边缘服务资源消耗模型、迁移服务选择模型以及边缘计算设备选择模型。最后,基于该框架和对应的边缘动态服务迁移算法实现了一个边缘服务迁移原型系统,并在该原型系统上展示了一个有10个边缘计算设备的服务迁移案例实验。实验结果表明,该框架不仅增加了边缘计算设备上边缘服务的运行时间,而且减少了服务延迟,提高了边缘计算设备的资源利用率,避免了Qo S的下降。(2)提出了一种基于深度可分离卷积的轻量级行为识别方法。边缘计算设备资源受限主要是由于边缘计算设备所运行的服务对资源的需求大于边缘计算设备所拥有的资源所导致的。因此,为了避免边缘计算设备资源受限,针对视频行为识别这类具体服务,从降低服务对资源需求的角度提出了一种基于深度可分离卷积的轻量级行为识别方法。该方法通过移除视频中的冗余视频帧降低对存储资源的需求;通过降低视频行为识别模型的计算复杂度来减少对计算资源的需求。实验结果表明,该方法在保证行为识别精度的同时减少了大约30%的存储资源和计算资源的需求。最后,基于该方法实现了一个行为识别原型系统—智能摄像头。