移动边缘计算（Mobile Edge Computation,MEC）通过将计算资源部署到网络边缘,在地理上缩短了与用户的距离,可以就近处理用户的请求,避免了漫长的网络传输,从而提高服务的响应速度。由于边缘节点部署在网络边缘,单个节点的覆盖范围相对有限,因此用户的移动就有可能导致用户离开当前节点的覆盖范围而进入另外一个节点的覆盖范围。当用户从一个节点的覆盖范围进入另外一个节点的覆盖范围时,为了保证终端用户的体验质量（Qo E）,则需要进行服务迁移。为了尽可能降低服务迁移对用户体验质量的影响,需要尽可能快地完成服务迁移。为此,本文从服务迁移方法、服务镜像缓存以及容器迁移三个方面做了以下工作。第一,本文提出了一种基于重现的服务迁移方法。该方法在进行数据迁移的同时,缓存迁移期间的用户输入数据,并在数据迁移结束后重新处理这些输入数据,从而达成状态同步。该方法对比起当前主流的基于迭代的方法,特别是针对计算密集型服务的迁移,能在更短的时间内完成用户服务的迁移,同时还拥有相对更短的服务中断时间。第二,本文采用机器学习方法来对已知活动规律的用户的请求进行预测。根据移动边缘计算的特殊环境,针对地理位置和时间两个要素对模型进行了优化,从而实现对用户访问需求的预测。通过对用户访问请求的预测,可以提前部署相关的应用镜像,从而有效地缩短区域内服务迁移所需要的平均时间。第三,本文结合Docker的相关特点设计实现了镜像快速迁移以及容器快速迁移方法。本文充分梳理了Docker所使用的联合文件系统以及Docker的分层存储思路,设计出了基于增量同步的镜像快速迁移方法,同时还实现了基于迭代和基于重现的容器迁移方法,并且对这两种容器迁移方法进行了对比。基于增量同步的镜像迁移方法可以有效地降低在进行镜像迁移需要传输的数据量,基于重现的容器迁移在对计算密集型容器进行迁移时,可以有效地缩短容器迁移需要的时间。本文针对MEC领域服务迁移的问题,从不同的层面和角度分别提出基于重现的服务迁移方法和采用机器学习方法的镜像预缓存方法,实现用户服务更快地在两个边缘节点进行迁移。同时,本文还将基于重现的迁移方法应用到当前主流的容器产品当中,实现了在更短的时间内进行容器迁移;此外还设计了基于增量同步的镜像迁移方法,作为仓库服务器不可用时的替代方案。