随着物联网技术及其相关应用的飞速发展,物联网终端用户对于计算和传输的需求也呈现指数级的增长趋势,此种发展趋势推动了新型计算范式——边缘计算的发展。在边缘计算中,边缘计算运营商将具有一定计算能力的边缘服务器部署于靠近终端用户的位置,用户将其计算密集型任务上传至边缘服务器,任务经过边缘服务器处理后,相关结果再返回至终端用户。通过这样的过程,任务的完成时间和终端用户的能耗都能得到显著降低。在此过程中,用户任务卸载、边缘网络资源分配和终端设备任务分配是影响边缘计算执行效率的三个关键因素,引起了国内外学者的广泛关注和研究。用户任务卸载所需解决的核心问题是用户何时将任务通过什么样的方式卸载至哪个边缘服务器中,以此降低用户服务的总时延。但是在现有关于任务卸载的工作中,往往没有考虑任务的拓扑结构以及子任务在服务器中的时序调度等影响的因素,从而导致现有任务卸载效率的降低;边缘网络资源分配所需解决的核心问题是优化服务功能部署位置以及每个功能所分配资源的大小,以此提高边缘网络资源利用率。但是在现有边缘网络资源管理研究工作中,大多没有考虑用户地理位置分布、无线信道时变性以及无线节点覆盖范围等影响的因素,从而造成边缘计算资源和传输资源不能得到充分的利用;终端设备任务分配问题是D2D网络中所需解决的核心问题,其旨在通过合理的任务分配策略,提高D2D边缘网络的整体服务效率。但是在现有D2D边缘网络中的任务分配研究工作中,往往没有考虑到任务所需处理时间的不确定性对于任务分配策略的影响,从而造成导致D2D边缘网络整体处理能力的下降。为此,本文将针对现有工作中存在的上述问题展开研究。1.用户任务卸载策略。现有任务卸载策略往往忽略了任务的拓扑结构,而将任务当做一个整体进行卸载,此种策略将会错失任务内部细粒度的子任务卸载调度的可能,并且其不能充分挖掘边缘网络资源,从而降低了任务卸载的效率。为此,本文通过综合考虑1)任务的拓扑结构中子任务的相互依赖关系,2)边缘服务器的异构性,3)边缘网络中无线信道的干扰,提出了一种轻量且高效的多用户卸载策略,其可将子任务卸载至最合适的边缘服务器中以降低任务的总体完成时间。该工作已发表在JCR一区期刊IEEE Internet-of-Things Journal和CCF B类会议IEEE SECON 2019上。2.边缘网络资源分配策略。现有关于边缘资源分配策略的研究往往忽略了边缘用户的地理位置分布和无线传输信道时变性对资源分配的影响,从而不能实现高效的边缘资源利用率。为此,我们提出了一种基于深度强化学习的边缘网络资源分配策略,其有两个显著的特征:1)我们首先利用深度强化学习方法降低了无线信道时变性对边缘网络中资源分配的影响。2)我们利用边缘网络多接入的特点,调整用户的接入策略,提高边缘网络资源利用率。以上两个工作已发表在JCR一区期刊IEEE Internet-of-Things Journal与IEEE Transactions on Computational Social Systems上。考虑到大规模物联网中的终端设备地理位置较为分散,且随着网络通信速度的进一步提高以及无线接入节点覆盖范围的降低,现有的移动计算框架不再适用。为解决此问题,我们提出了一种利用移动边缘服务器提供高效资源共享的框架。该框架通过分离任务接收和任务回传过程,使得服务器任务处理和服务器移动并行化,以此提高了所有任务的执行效率和边缘服务器的资源利用率。3.终端设备任务分配策略。在现有D2D边缘网络中的任务分配问题中,通常假设任务处理时间是已知或者可以准确估计的,但实际上任务的处理时间在任务处理完成前往往是未知的,更重要的是,同一任务在不同的场景中的处理时间也存在差异,此种差异将会导致卸载策略性能的下降。为了解决这一问题,我们提出了一种在D2D边缘网络中考虑任务处理时间不确定性的任务概率卸载策略,其中我们首先通过分析影响任务处理时间的因素,使用概率模型表征了边缘网络中典型应用处理时间的不确定性。随后我们将此概率模型应用至多用户卸载博弈中,提高了D2D网络中的任务完成率。并通过分析此博弈过程的结构特征,从理论上证明其收敛性和收敛速度。