移动边缘计算中动态服务部署技术可为移动用户提供连续、无缝的通信服务,但该技术会导致额外的时延和迁移代价。为降低时延,可采取两个关键举措:一是对用户移动性提前预测;二是提高园区内基站连接负载的均衡性。为降低迁移代价,可根据园区内用户请求分布情况进行动态服务部署决策,计算最佳部署位置及最短迁移路径。因此如何提升用户移动性预测准确率、提高网络的负载均衡性能及降低服务迁移代价成为了动态服务部署技术研究的主要问题。针对提升用户移动性预测准确率和网络负载均衡性能问题,本文提出了基于用户移动性预测的基站选择算法,该算法包含KALMAR用户移动性预测子算法和基于基站负载预测分级的接入基站选择策略。KALMAR子算法将Kalman Filter模型与马尔可夫链模型相结合,与Kalman Filter模型和马尔可夫链模型相比分别提升了 30%和26.7%的预测准确率。基于基站负载预测分级的接入基站选择策略利用基站的历史负载信息对基站负载进行预测并分级决策。与NCRA算法相比具有更低的负载均衡因子,负载均衡性能更优。针对降低迁移代价问题,本文提出了 SMDQN算法,SMDQN算法对DQN算法中行为选择和Q-network更新步骤进行了改进,确定了最佳服务部署位置及最短迁移路径。实验显示SMDQN算法的迁移代价、迁移跳数均优于其他相关算法。本文首先介绍了研究背景及研究现状,接着进行了移动边缘计算相关技术的概述,并通过需求分析确定了本文的技术思路,接着对基于用户移动性预测的基站选择算法和动态服务部署及迁移路径优化算法进行了详细介绍,通过实验验证了这两个算法的性能在评价指标上优于其他对比方法。