這篇論文的工作方法是提出了SafeTail框架，這是一個基於獎勵的深度學習框架，旨在通過計算冗餘管理來優化邊緣服務調度中的尾部延遲。SafeTail通過選擇性地在多個邊緣伺服器上複製服務來滿足目標延遲，使用基於獎勵的深度學習框架來學習最優的服務放置策略，平衡實現目標延遲和最小化額外資源使用的需要。通過追蹤驅動的模擬，SafeTail展示了在三種不同服務中接近最優的性能，並在大多數基線策略上表現更好。