Current advances in the Internet of Things (IoT) and Edge Computing (EC) involve numerous devices/nodes present at both ‘layers’ being capable of performing simple processing activities close to end users. This approach targets to limit the latency that users face when consuming the provided services. The minimization of the latency requires for novel techniques that deliver efficient schemes for tasks management at the edge infrastructure and the management of the uncertainty related to the status of edge nodes during the decision making as proposed in this paper. Tasks should be executed in the minimum time especially when we aim to support real time applications. In this paper, we propose a new model for the proactive management of tasks’ allocation to provide a decision making model that results the best possible node where every task should be executed. A task can be executed either locally at the node where it is initially reported or in a peer node, if this is more efficient. We focus on the management of the uncertainty over the characteristics of peer nodes when the envisioned decisions should be realized. The proposed model aims at providing the best possible action for any incoming task. For such purposes, we adopt an unsupervised machine learning technique. We present the problem under consideration and specific formulations accompanied by the proposed solution. Our extensive experimental evaluation with synthetic and real data targets to reveal the advantages of the proposed scheme.

物联网（IoT）和边缘计算（EC）的最新进展涉及到两个“层”中都存在的众多设备/节点，它们能够执行接近最终用户的简单处理活动。此方法旨在限制用户在使用提供的服务时面临的延迟。延迟的最小化需要一种新颖的技术，该技术需要为边缘基础架构上的任务管理和决策过程中与边缘节点的状态相关的不确定性提供有效的方案，以实现高效的方案。任务应在最短的时间内执行，尤其是当我们旨在支持实时应用程序时。在本文中，我们提出了一种用于主动管理任务分配的新模型，以提供一个决策模型，该模型可以得出应该执行每个任务的最佳节点。任务可以在最初报告该任务的节点本地执行，也可以在对等节点上执行（如果这样更有效）。当预期的决策应实现时，我们专注于对等节点特性不确定性的管理。提出的模型旨在为任何传入任务提供最佳的动作。为此，我们采用了无监督的机器学习技术。我们提出了正在考虑的问题以及提出的解决方案的具体表述。我们对综合和真实数据目标进行了广泛的实验评估，以揭示所提出方案的优势。任务可以在最初报告该任务的节点本地执行，也可以在对等节点上执行（如果这样更有效）。当预期的决策应实现时，我们专注于对等节点特性不确定性的管理。提出的模型旨在为任何传入任务提供最佳的动作。为此，我们采用了无监督的机器学习技术。我们提出了正在考虑的问题以及提出的解决方案的具体表述。我们对综合和真实数据目标进行了广泛的实验评估，以揭示所提出方案的优势。任务可以在最初报告该任务的节点本地执行，也可以在对等节点上执行（如果这样更有效）。当预期的决策应实现时，我们专注于对等节点特性不确定性的管理。提出的模型旨在为任何传入任务提供最佳的动作。为此，我们采用了无监督的机器学习技术。我们提出了正在考虑的问题以及提出的解决方案的具体表述。我们对综合和真实数据目标进行了广泛的实验评估，以揭示所提出方案的优势。当预期的决策应实现时，我们专注于对等节点特性不确定性的管理。提出的模型旨在为任何传入任务提供最佳的动作。为此，我们采用了无监督的机器学习技术。我们提出了正在考虑的问题以及提出的解决方案的具体表述。我们对综合和真实数据目标进行了广泛的实验评估，以揭示拟议方案的优势。当预期的决策应实现时，我们专注于对等节点特性不确定性的管理。提出的模型旨在为任何传入任务提供最佳的动作。为此，我们采用了无监督的机器学习技术。我们提出了正在考虑的问题以及提出的解决方案的具体表述。我们对综合和真实数据目标进行了广泛的实验评估，以揭示拟议方案的优势。