近年来,物联网设备（Internet of Things,IoT）发展迅速,时间敏感的应用如视频流、智能交通、数据共享和个性化多媒体等服务需求迅速增加。边缘计算应运而生,其核心思想是将一部分请求卸载到网络边缘节点进行处理,而不是将其上传到云服务器处理。但是,相比于拥有强大运算能力的云服务中心,在移动边缘计算架构中,边缘服务器的计算资源和存储资源通常是有限的,且分布比较分散。面对未来大规模增加的接入边缘计算架构的IoT设备,资源合理分配极为重要。基于此,本文以移动边缘设备提供的计算资源和存储资源出发,对多边缘单用户以及多边缘多用户场景下的联合服务备份与请求卸载问题进行研究。主要的研究内容总结如下:（1）针对多边缘单用户场景中,单个服务备份无法满足不同拓扑位置用户请求的问题,提出了最小化用户请求延时的冗余服务备份与请求卸载策略。本文首先将该问题作为一个帕累托最优化问题进行分析,针对边缘计算架构的边缘服务器异构性,考虑到冗余服务备份的必要性,将帕累托最优化问题规划为联合多服务备份与请求卸载的问题。然后建立了一个面向边缘计算的多服务副本备份模型,解决如何在边缘服务器上进行服务备份,以及如何在有备份的边缘服务器上卸载请求的问题。仿真结果表明,与随机卸载和最近边缘服务器卸载相比,所提出的基于增强贪心策略的启发式算法（Multireplicas Greedy Best,MGB）能够有效降低总体延迟。并且对于较大的问题实例只需要较小的执行时间做出决策。（2）针对多用户多边缘场景中,考虑移动边缘计算（Mobile Edge Computing,MEC）的服务器资源受限以及MEC网络复杂的现状,求解最小化系统能耗的联合服务备份与用户请求卸载问题。每个边缘服务器可以处理多个用户请求,并不意味着在MEC场景中所有请求都可以在同一边缘服务器进行处理,对此本文提出一种分而治之的方法来研究多用户多边缘场景中的服务备份与用户请求卸载策略。本文考虑了两种可能性,一种是用户请求在本地处理,另一种是用户请求卸载到边缘服务器处理,首先利用图划分方法将原始问题划分为几个平衡的子问题,然后提出了改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）。仿真结果表明,相比于其他算法,IPSO算法能明显降低系统总能耗。（3）针对多用户多边缘场景中,研究了用户可能隐藏真实报价以及服务提供商价格不断变动的现状,最大化边缘服务商收益的服务备份与用户请求卸载问题。首先,在MEC服务器能量有限、用户请求截止时间约束等条件下,提出以最大化边缘服务商收益为优化目标的联合服务备份与用户请求卸载问题。其次,根据用户报价和MEC服务商收益之间的相关性,将服务备份与用户请求卸载问题简化为帕累托最优化问题。最后,利用深度Q学习（Deep Q-Network,DQN）算法,实现满足MEC服务器能量、用户请求延迟的最大化服务商收益目标。仿真结果表明,本文所提出的算法在不依赖于网络状态先验知识的前提下,在保障用户请求延迟不超过最大截止时间、服务备份能耗不超过MEC服务器最大能量储备的基础上,能够有效地提高边缘服务商收益。