Στόχος του έργου είναι να αναπτύξει καινοτόμες ερευνητικές και τεχνολογικές λύσεις για τη βελτιστοποίηση της κατανομής υπολογιστικών πόρων σε πλατφόρμες υπολογιστικού νέφους που τρέχουν στο Edge (άκρη του δικτύου) με στόχο τόσο τη βελτίωση της επίδοσης των εφαρμογών (επίπεδο υπηρεσίας, προβλεψιμότητα) που εκτελούνται σε μια πλατφόρμα, όσο και τη βελτίωση της λειτουργίας της ίδιας της πλατφόρμας (χρησιμοποίηση, ενέργεια). Η ερευνητική καινοτομία του έργου έγκειται στην ανάπτυξη αλγορίθμων μηχανικής μάθησης για την βελτιστοποίηση και πρόβλεψη κατανομής πόρων που θα μπορούν να κλιμακώσουν και να είναι αποδοτικοί σε ένα υψηλά δυναμικό περιβάλλον όπως είναι οι συσκευές που τρέχουν στο edge. Σε τέτοιες εγκαταστάσεις, η κατανομή πόρων έχει πολλές προκλήσεις και o χρόνος απόκρισης πρέπει να είναι μικρός, πρώτον διότι οι εφαρμογές δημιουργούνται και τερματίζουν σε κάθε server με πολύ υψηλότερους ρυθμούς από ότι στο κεντρικοποιημένο Cloud, λόγω της παροδικής και κινούμενης φύσης τους (π.χ. εφαρμογές σχετιζόμενες με την κινητικότητα των οχημάτων), και δεύτερον διότι θα πρέπει να υποστηριχθούν κατηγορίες εφαρμογών που έχουν αυστηρές απαιτήσεις για πολύ μικρή καθυστέρηση (κάτω από millisecond). Και για τους δύο αυτούς λόγους, ο χρόνος εύρεσης και εφαρμογής της βέλτιστης κατανομής πόρων θα πρέπει να ελαχιστοποιηθεί κατά δύο με τρεις τάξεις μεγέθους. Το έργο θα δοκιμάσει πιλοτικά τις μεθόδους σε 2 σενάρια χρήσης: Το πρώτο σχετίζεται με εφαρμογές διασυνδεδεμένων οχημάτων (π.χ. αυτόνομα οχήματα), όπου ο διαμοιρασμός των πόρων στο edge γίνεται από κινούμενες συσκευές , ενώ το δεύτερο σχετίζεται με την εξοικονόμηση ενέργειας σε data centers που χρησιμοποιούνται σαν edge orchestrators.