物联网等新型业务的出现和发展,向网络提出了越来越高的要求,5G网络需要满足高带宽、低时延、海量连接的需求。移动边缘计算作为5G的一项核心技术,通过在移动网络边缘向用户提供云计算能力,有效降低了网络时延,改善了终端用户体验。然而在移动边缘计算环境中,用户移动性是一个不可忽视的因素,移动性管理是一个亟待解决的问题。服务迁移是一种有效的移动性管理方式。通过执行服务迁移,使得用户与服务的距离始终保持在一个较小的范围内,这对于时延敏感类服务是非常有用的。一个理想的情形是在用户移动过程中,一旦用户移出当前通信MEC的覆盖范围,就执行服务迁移。然而现实情况是,迁移开销无法忽视,所以过于频繁的迁移是不可取的。基于此,本文主要针对移动边缘计算场景下的服务迁移展开研究,主要工作如下:(1)设计了基于强化学习的服务迁移决策算法,使用马尔科夫决策过程来对服务迁移决策问题建模分析。该算法综合考虑了用户与服务之间的通信距离、服务的资源需求大小以及MEC服务器的资源可用情况,将这些因素综合起来作为强化学习的状态值,在考虑迁移开销和资源情况的前提下,以最大化服务质量为优化目标,定义了回报函数,并通过Q-learning算法进行策略的求解,最后通过仿真实验说明了算法的有效性。(2)研究了基于多指标优化的迁移路径选择算法。考虑到现有研究成果对服务迁移问题中的迁移路径选择研究较少,一般是随机选择迁移路径进行数据传输。而实际上由于移动边缘计算环境的异构性,在执行迁移时选择不同路径进行数据传输,带来的时延和成本往往有很大的差异,而这又会对服务质量产生一定影响。基于此,本文设计了一种基于多指标优化的迁移路径选择算法,首先对迁移路径选择问题进行建模,然后通过指标标准化,层次分析法确定了网络链路的权重,使用最短路径算法求解迁移路径。最后通过数值实验验证了提出的算法的有效性。