这篇论文的工作方法是提出了SafeTail框架，这是一个基于奖励的深度学习框架，旨在通过计算冗余管理来优化边缘服务调度中的尾部延迟。SafeTail通过选择性地在多个边缘服务器上复制服务来满足目标延迟，使用基于奖励的深度学习框架来学习最优的服务放置策略，平衡实现目标延迟和最小化额外资源使用的需要。通过追踪驱动的模拟，SafeTail展示了在三种不同服务中接近最优的性能，并在大多数基线策略上表现更好。