随着移动端海量低时延应用的爆发式增长,将计算与存储下沉至边缘侧的移动边缘计算(Mobile Edge Computing,MEC)成为了一个研究热点。在MEC场景下,用户任务的执行效率取决于该任务的数据传输速率和任务处理过程中的运算速率,能否将任务的所需数据资源进行边缘缓存并将任务进行计算卸载是MEC的重要内容。当前,MEC场景下存在的问题主要有:(1)边缘节点缓存空间和处理能力有限;(2)用户设备计算资源有限。因此,本文利用MEC场景中的边缘节点或用户设备数量众多的特点,在现有研究的基础上增加了设备间通信(Device-to-Device,D2D)的方式,提出了一种多节点分层协作缓存策略和分布式计算卸载策略,充分发挥MEC的特性。主要工作进展如下:第一,针对边缘节点缓存空间和处理能力有限,且未充分利用用户设备的缓存空间的问题,提出了一种多节点分层协作缓存策略。基于现有MEC协作式缓存框架,本文将边缘协作缓存分为本地缓存域和协作缓存域,考虑到MEC边缘服务器和用户设备的缓存空间,同时兼顾用户设备的移动性,以最小化系统的平均传输时延为优化目标建立分层协作缓存最优化模型。接着,将该最小化系统平均传输时延的缓存策略问题转换为非线性的0-1背包问题,通过采用改进的遗传算法对所提目标函数进行优化。最后,通过设置模拟仿真实验进行详细参数及缓存效果验证。仿真实验的结果表明,该基于改进的遗传算法的缓存策略与当前的缓存策略相对比,获取数据资源的平均传输时延得到了有效降低。第二,针对用户设备计算资源有限导致计算密集型任务处理时延较长的问题,提出了一种分布式计算卸载策略,对当前的MEC场景下单小区内多用户设备的计算卸载策略进行了研究。首先,分别对该场景下的通信资源和计算资源进行建模,并建立了兼顾考虑用户设备的任务处理时延和能耗的计算代价模型。接着,通过将单小区内用户设备产生的计算任务卸载到其接入的MEC边缘服务器和D2D协作设备,形成一个以最小化单小区中用户设备的计算总代价为目标的优化问题,通过博弈论方法使优化问题达到纳什均衡。最后通过仿真实验,分别对比了完全本地计算处理、完全MEC卸载处理和随机卸载处理的计算卸载策略,证明了本文所提策略与其他策略对比具有较优的性能。