The rapid increasing of the Internet-of-Things (IoT) applications make it convenient to sense and collect real-world information in our daily life. To ensure the performance of these IoT applications, researchers established an edge-cloud collaboration application system based on the multi-access edge computing (MEC) paradigm where the IoT data can be processed not only on the cloud but also on nearby edge servers. However, as the edge servers are resource-limited, we should be more careful in allocating the edge resource to the application, especially when it is composed by several micro-services. In this paper, we considered how edge-cloud cooperation can help running these service composition based IoT applications and proposed an efficient resource allocation approach to balance performance, robustness, and cost-effectiveness of IoT applications in MEC environments. We mathematically modeled the cost-effective performance optimization problem in robust edge-cloud application systems and proved the convexity of the approximated problem so that they can be solved in tractable ways with existing solvers to generate the resource allocation strategies. Meanwhile, we carried out a series of experiments to evaluate our approach. The experiment results showed that our approach was powerful in managing the performance, cost and robustness compared with representative baselines.

物联网 (IoT) 应用的快速增长使我们在日常生活中感知和收集现实世界的信息变得很方便。为了确保这些物联网应用的性能，研究人员建立了一个基于多访问边缘计算（MEC）范式的边缘云协作应用系统，物联网数据不仅可以在云端处理，还可以在附近的边缘服务器上处理。但是，由于边缘服务器是资源有限的，我们应该更加小心地将边缘资源分配给应用程序，尤其是当它由多个微服务组成时。在本文中，我们考虑了边缘云合作如何帮助运行这些基于服务组合的物联网应用程序，并提出了一种有效的资源分配方法来平衡性能、鲁棒性、物联网应用在 MEC 环境中的成本效益。我们对健壮的边缘云应用系统中的成本效益性能优化问题进行了数学建模，并证明了近似问题的凸性，以便可以使用现有求解器以易于处理的方式求解它们，从而生成资源分配策略。同时，我们进行了一系列实验来评估我们的方法。实验结果表明，与代表性基线相比，我们的方法在管理性能、成本和鲁棒性方面非常强大。我们对健壮的边缘云应用系统中的成本效益性能优化问题进行了数学建模，并证明了近似问题的凸性，以便可以使用现有求解器以易于处理的方式求解它们，从而生成资源分配策略。同时，我们进行了一系列实验来评估我们的方法。实验结果表明，与代表性基线相比，我们的方法在管理性能、成本和鲁棒性方面非常强大。我们对健壮的边缘云应用系统中的成本效益性能优化问题进行了数学建模，并证明了近似问题的凸性，以便可以使用现有求解器以易于处理的方式求解它们，从而生成资源分配策略。同时，我们进行了一系列实验来评估我们的方法。实验结果表明，与代表性基线相比，我们的方法在管理性能、成本和鲁棒性方面非常强大。