信息与通信产业的飞速发展,促进社会总体结构和人们生活方式发生了全面变革,也为交通运输行业带来了新的机遇,以构建“人-车-路-云”协同为目标的智能交通系统应运而生。而车联网移动云服务迁移作为一种可有效扩展车辆终端计算能力和存储能力的重要手段,是保障未来智能交通应用高效稳定运行的核心技术。为了保证移动云服务迁移的有效性及稳定性,从而提升公路交通系统的事故避免率、道路畅通性及运行智能化水平,研究适用于车联网的移动云服务迁移机制具有重要意义。本论文在实际、具体的车载网络环境下,从解读车辆移动性对于移动云服务迁移机制和相关通信性能所产生各类影响的本质出发,构建了动态环境下移动云服务迁移机制的设计体系。论文的创新性工作主要包括如下几个方面:1)针对无中心车联网的数据迁移,提出了基于车辆移动性感知的数据迁移机制,解决了同时满足高迁移公平性和大数据吞吐量两方面要求的问题。综合考量了车辆密度、移动性以及无线信道模型等各类影响因素,提出了用户车辆与移动云服务器无线链路持续时间预测方法,量化表征了数据吞吐量和多用户迁移公平性的影响,提出了联合考量车辆移动性及车辆间链路持续时间的数据迁移机制。仿真验证了所提出的数据迁移机制在保证迁移公平性的条件下提升了数据迁移吞吐量,且具有可扩展性。2)针对车联网协作计算迁移,提出了基于中继车辆辅助的协作计算迁移机制,解决了用户车辆与单个移动云服务器链路持续时间短暂带来的计算迁移性能下降的问题。综合考虑了车辆移动性及任务执行逻辑顺序,建立了动态网络拓扑条件下多移动云服务器计算中继条件,提出了基于链路持续时间感知的移动云服务器分类算法,从而实现移动云服务器之间的协作迁移,分别针对单移动云服务器场景及多移动云服务器场景提出了最小化应用完成时间的计算迁移机制。理论推导和仿真结果表明,所提出的计算迁移机制有效地降低了应用任务完成时间和用户能耗。3)针对车联网应用中存在不同的任务逻辑结构,提出了多样应用任务结构和动态随机车辆移动模型条件下的计算迁移机制,解决了在车辆未来移动轨迹不能完全确定条件下各类任务结构应用的计算迁移决策问题。利用马尔科夫决策过程刻画了车辆运动状态随机变化过程,构建了线性任务结构迁移决策问题的数学模型,针对问题求解过程中出现的维数灾难问题,考虑了状态转移特性以及状态空间可分解特性,提出了基于局部信息的计算迁移机制。在线性结构任务的研究基础上,分别对并发性任务结构及树状任务结构提出了相应的启发式计算迁移机制。理论推导和仿真结果表明,所提出的计算迁移机制能够提升系统迁移性能,在降低问题求解复杂度的同时,提高了迁移效率。4)针对车联网准确完整网络信息难以获知的特性,提出了基于不完整车联网网络信息的计算迁移机制,解决了网络拓扑信息不完全可知条件下需要同时满足不同任务对于完成时间要求的挑战。基于描述车联网的随机先验信息,建立了基于半马尔科夫决策过程的移动云计算资源分配与迁移决策的数学模型,并通过该模型得到了适用于多用户车辆多移动云服务器复杂场景的计算迁移机制。该机制在综合考量了计算迁移即时收益和成本的基础上,对任务进行动态迁移决策及对计算资源进行分配,从而获得了系统最大期望收益。