随着移动设备数量的飞跃式增长以及许多新兴的应用程序不断涌现,移动网络的流量呈指数级增长,导致移动用户对数据内容和计算应用程序的需求空前增加。传统的集中式网络架构由于回程链路负载过重、时延较长,无法满足移动用户的需求。因此,提出了将网络能力从核心网开放至边缘网的新体系结构,即移动边缘计算(Mobile Edge Computing,MEC)。移动边缘计算能够在移动蜂窝网络的边缘提供能力不大的云计算和存储功能,以满足移动设备端能够运行延迟敏感型应用程序的需求。但是,边缘服务器上的计算/存储资源有限,并且只有重要的应用程序数据可以缓存在边缘服务器中。因此,有必要找出最优的缓存决策,以最大程度地减少移动设备的执行延迟和能耗。如何将任务卸载与数据缓存结合在一起,有效合理地利用边缘服务器的计算能力和存储资源来满足移动用户的高质量体验要求,仍然是一个迫在眉睫的问题。本文的主要研究目的是在移动边缘计算网络中实现多用户协作的联合计算任务卸载和数据缓存。MEC数据缓存的关键问题是如何在MEC服务器的有限存储容量与海量数据库之间进行权衡。本文考虑了多个移动设备将重复的计算任务迁移到边缘服务器并共享计算任务所需的数据内容。另外,本文提出了一种有效的Lyapunov在线算法,该算法可以执行联合调度任务卸载和动态数据内容缓存策略。本文主要贡献阐述如下:1.研究在D2D(device-to-device,设备到设备)辅助的移动边缘网络中基于Lyapunov优化的任务卸载策略。首先,本文提出了一种基于D2D辅助的移动设备排队任务分担方法,通过将计算任务迁移到MEC服务器或者相邻的移动设备端执行,将任务卸载优化建模为最小平均总能耗问题。其次,在任务队列稳定的条件下,采用Lyapunov优化算法解决了优化问题。所提出的方法根据当前任务的权值参数动态地调整所有任务的卸载决策,并判断它是移动设备端还是在MEC服务器上执行。仿真结果表明,与最短排队等待时间算法和MEC的全部卸载算法相比,该算法可以有效降低任务执行的平均总能耗,并大大提高卸载效率。2.研究在移动边缘网络中基于用户协作联合任务卸载和数据缓存策略。首先,本文根据排队论,获得了移动设备的计算任务在本地计算延迟和在边缘服务器的计算延迟,以及计算任务从移动设备卸载到MEC服务器的传输延迟。其次,在满足移动设备能耗约束和时间约束条件下,将任务卸载和数据缓存策略问题建模为最小化移动设备的平均总执行延迟问题。最后,提出一种基于Lyapunov优化的实时协作在线算法,该算法可以有效地在线执行任务卸载和数据缓存决策,而无需将来的信息。特别地说明,本文提出了以遗传算法作为在线算法的关键子程序,该算法有效地解决了最优的任务卸载和缓存策略,实现了移动设备之间的协作。仿真结果表明,本文提出的方案在联合任务卸载和数据缓存方面优于传统策略,可在满足长期能量约束的同时有效降低移动设备的平均总执行延迟。