随着5G通信技术的蓬勃发展,人工智能和物联网技术与其相互融合,交织出许多新型的智能应用,移动边缘计算（MEC）被提出来解决智能应用的时延问题。但是大量的设备接入会造成MEC的繁忙,而基于MEC架构的Device-to-Device（D2D）协同方案可以利用用户附近的空闲资源设备计算任务,该协同方案能够减轻MEC的压力,并提高空闲设备的利用率。首先,本文提出了考虑失效的D2D卸载系统中收益最大化的卸载方案。本文对卸载系统下的社交收益进行建模,在考虑设备随机失效的同时,使用Page Rank算法挖掘出用户间的社交感知度并量化处理,以保证卸载系统收益的最大化。对于随机失效的场景,提出了最大似然取样算法以保证解的质量和效率。对形成的零一规划问题,采取基于匈牙利算法的卸载框架做出最优的卸载决策。其次,本文在考虑失效机制的同时引入了社交亲密度和社交相似度的概念以挖掘用户间的社交影响力,并提出了按照用户社交影响所占比例大小的资源分配策略,以保证数据在更可靠的用户间传输,同时考虑多个失效场景,建模形成整数规划的风险中性模型。对于存在的失效机制采用最大似然算法进行取样,对整数规划采用改进的离散鲸鱼优化算法（DWOA）获取近似解,并提出了启发式的任务卸载算法（HTOS）与DWOA进行对比,结果表明DWOA能够获得质量更高的解。最后,本文基于风险中性模型使用CVa R技术提出风险规避模型,对卸载系统进行风险评估。实验结果表明,风险规避模型能够提高解的鲁棒性,并且规避一些风险状况。