近日，实验室博士后罗瑞坤的论文“Popularity Uncertainty-aware Online Edge Data Migration”被 IEEE Transactions on Parallel and Distributed Systems (TPDS) 期刊录用。

随着短视频、直播等实时内容在边缘侧的爆发式增长，数据“热度”（访问频率）呈现出强烈的时空动态性与不可预测性。在存储资源受限的边缘环境中，如何根据不断变化且难以准确预测的数据流行度，动态调整数据分布，成为影响系统时延与成本的核心问题。传统方法往往依赖对数据流行度的精确预测，忽略其不确定性，一旦预测偏差就会导致频繁回源云端、延迟升高以及资源利用低效。为应对这一挑战，文章提出了一种面向流行度不确定性的在线边缘数据迁移框架 uEDM。该方法从根本上摒弃对精确预测的依赖，将数据需求建模为不确定分布，并通过分布鲁棒优化构建置信集合，在“最坏情况”下进行决策，从而提升系统的稳定性与鲁棒性。在此基础上，结合 Lyapunov 优化，将长期耦合的全局优化问题分解为逐时隙的在线决策问题，在无需未来信息的前提下，实现迁移成本与访问时延之间的动态权衡。具体而言，uEDM 设计了一个分布式求解机制，使各边缘节点仅依赖本地历史请求数据构建不确定性模型，并通过拉格朗日协调实现全局一致性，既降低了通信开销，又有效规避了用户行为数据共享带来的隐私风险。同时，引入虚拟队列刻画长期时延约束，使系统能够在突发流量或热点事件下自适应调整迁移策略，优先保障关键数据的低时延访问。实验基于真实大规模数据集验证了该方法的有效性。结果表明，uEDM 在面对数据流行度剧烈波动时，能够显著降低数据访问时延与迁移成本，相较于现有方法展现出更强的鲁棒性与稳定性，为不确定环境下的边缘数据管理提供了一种可行且高效的解决方案。

IEEE Transactions on Parallel and Distributed Systems (TPDS) 是并行与分布式计算领域的权威国际学术期刊，也是中国计算机学会CCF A类期刊。每季度出版一期，每期录用论文20篇左右，主要关注并行计算、分布式系统、高性能计算等领域的前沿研究。

（通讯员：罗瑞坤）