为了将移动通信与互联网融合,网络、计算和存储功能逐渐下沉到无线网络边缘。因此,增强无线网络边缘能力将是发挥5G最大潜能的重要研究领域。然而,由于边缘网络环境下用户随机移动和资源动态时变,如何考虑这种随机性和不确定性对资源分配和决策的影响仍然是一个挑战。本文首先面向基础设施层,由于用户移动性,导致移动设备与移动边缘计算(Mobile Edge Computing,MEC)服务器间连接不确定,采用多阶段随机规划(MultiStage Stochastic Programming,MSSP)模型来解决随机连接和可能迁移问题,依次制定卸载、计算资源分配和迁移三阶段策略。首先,MSSP模型考虑所有可能的不确定场景,最小化期望成本函数获得最优策略;接下来,由于MSSP计算复杂度高,本文引入样本平均近似(Sample Average Approximation,SAA)方法,从场景树中随机采样场景获得样本平均函数和近似策略(SAA-MSSP);最后,仿真结果表明,与静态或准静态环境下以及基于均值的卸载策略相比,所提出的MSSP和SAAMSSP方案在总成本和能耗方面都能获得较好的卸载性能.接着,在移动边缘系统层,MEC协调者为虚拟网络请求(Virtual Network Request,VNR)分配一系列资源,并将其映射到底层基础设施上。然而,由于请求随机到达和基础设施资源动态时变,将VNR立即资源映射并不总是最优的,特别是基础设施资源高负载时。考虑到动态环境对策略的影响,本文提出了两种机会虚拟化策略,该策略决定VNR在每个阶段立即资源映射还是等待。首先,为了应对请求的随机性和资源的动态时变,将此映射决策和资源分配策略定义为一个马尔可夫决策过程(Markov Decision Process,MDP)问题,以最大化整体回报获得最优的虚拟化策略,并设计基于MDP的集中式机会虚拟化策略;在此基础上,考虑到MDP问题的复杂性,进一步提出一种基于买卖博弈的激励机制最大化个体回报,设计一种分布式机会虚拟策略;最后,仿真结果表明,与基于现有的资源映射策略相比,所提出的策略在回报、成本、资源利用率和失败概率上获得了更优的性能。