边缘云已成为一种重要的架构，通过使计算能力更接近网络边缘的数据源和终端用户，彻底改变了数据处理和分析。尽管计算资源有限，但异常检测对于维护边缘系统和应用的可靠性和安全性至关重要。它在识别意外模式方面发挥着至关重要的作用，这些模式可能表明边缘云环境的分散性和实时性中存在安全威胁或性能问题。例如，在自动驾驶汽车、增强现实和智能医疗等关键边缘应用中，异常检测可确保这些系统的稳定安全运行，及时发现可能危及安全、性能或用户体验的异常情况。然而，在边缘云环境中采用异常检测存在诸多挑战。本论文旨在通过解决边缘云环境中的异常检测问题做出贡献。通过全面探索异常检测方法，利用机器学习技术和创新方法，本研究旨在提高边缘云环境中异常检测的效率和准确性。所提出的方法旨在克服资源限制、缺乏边缘云特有的标记数据以及需要准确检测异常情况所带来的挑战。通过专注于迁移学习、知识提炼、强化学习、深度序列模型和深度集合学习等机器学习方法，本论文致力于为边缘云环境建立高效、准确的异常检测系统。研究结果表明，采用机器学习方法对边缘云的异常检测进行改进。在真实世界的边缘环境中进行的广泛测试和评估表明，机器学习驱动的异常检测系统如何改进边缘云中异常的识别。结果凸显了这些方法在准确性和计算效率之间实现合理权衡的能力。这些发现说明了基于机器学习的异常检测方法如何有助于构建弹性和安全的边缘系统。

本论文的后续章节包括第 2 章，概述了边缘云环境、一般架构和相关挑战。第 3 章涵盖异常检测的基本背景和基本概念。本章探讨了专门用于边缘云异常检测的各种机器学习方法、边缘云异常解决策略，并深入讨论了此类环境中异常检测的注意事项。第4章详细介绍了用于验证边缘云中异常检测方法的实验设置，包括对评估指标、数据集和测试平台配置的全面讨论。这包括对容器编排平台和微服务基准应用程序套件的深入了解，从而全面了解我们为验证目的而使用的实验框架。第5章对每篇论文的详细贡献进行了深入介绍和分析，第6章概述了潜在的未来研究方向，为进一步研究边缘云环境中的异常检测领域提出了具有洞察力的途径。