随着海量连接物联网时代的到来,在物联网场景下基于移动边缘计算的无线资源管理的研究已经引起了广泛的关注,这是未来无线通信发展的主要方向之一。在海量连接物联网的时代,必然会出现海量的数据,如果这些海量数据全部卸载到云核心网上,会导致云计算网络传输负载量急剧增加,造成较长的网络延迟,大大降低用户的体验。移动边缘计算(Mobile Edge Computing,MEC)作为未来5G网络提高用户体验度的关键技术,通过将计算能力下沉到移动边缘节点,有效地降低了网络传输延迟和能耗。但是移动边缘服务器的计算资源有限,同样不能将海量的数据都卸载到移动边缘服务器上。如果周围有空闲且计算资源丰富的终端设备,可以通过设备到设备(Device-to-Device,D2D)通信方式,和MEC服务器进行联合卸载和缓存来进一步提升蜂窝网络的计算和缓存能力。因此,本论文针对海量连接物联网场景下,如何有效提升移动边缘计算的无线资源管理的问题进行了研究,主要创新点如下:1)针对单MEC服务器多用户场景提出了一种任务卸载策略。针对计算密集型或延迟敏感型应用,提出空闲且具有计算资源的终端通过D2D通信和MEC服务器进行联合卸载,将系统模型建立成一个势博弈,通过合作-傀儡模型,得出势函数,随后利用最佳响应算法得出最优的卸载策略。仿真分析表明,所提出的基于最佳响应的MEC-D2D联合卸载算法有很好的收敛性,明显提升了传输的数据量并降低了任务能耗。2)针对单MEC服务器多用户场景提出了一种任务缓存策略。针对目前不同的流行视频流文件,提出空闲且具有计算资源的终端通过D2D通信帮助MEC服务器协作缓存,MEC服务器利用不同的流行度视频文件价格和设定的总报酬提出一个斯坦克尔伯格博弈(Stackelberg Game,SG)模型,建立领导者和追随者的双层博弈模型。3)同时,设立一定的激励机制,去激励D2D设备帮助MEC服务器进行协作缓存。在SG模型的基础上,利用逆向归纳分析法,对SG模型进行均衡分析,并分别对领导者MEC服务器的成本函数和追随者终端的成本函数进行求解,最后,通过仿真验证,本文提出的方案提高了 D2D设备参与协作缓存的积极性。