用户设备的普及以及手机应用的多样化带来了移动云计算,而对任务更高延迟和能量的要求引出了边缘计算。移动边缘计算把计算任务的服务器带到了用户设备周围。通过卸载任务到边缘服务器,用户设备可以降低任务延迟并且节省能量。但是为了解决第五代移动通信网络(5G)数据流量爆炸性增长的挑战,需要增加数据容量,提升用户体验。密集部署低功率小基站就形成了超密集组网(ultra dense network,UDN),这是第五代移动通信网络的主要技术之一。由于基站之间频繁的切换,传统的带有单独移动性管理单元的卸载策略已经不足够胜任。随着用户设备的移动,网络环境快速变化,在开始任务时做的决策变得远离最优值。而由于在做决策时会假设后面的条件都不会变化,简单的不断调整卸载方案也不能完全解决问题。针对这个问题,本文提出了一种考虑移动性的卸载策略和资源分配方案。本文首先建立了卸载模型并形式化的描述了卸载决策和资源分配目标。文中用函数表示了本地计算和卸载任务消耗时间随着本地计算任务大小的变化,并绘制出了函数图。从图中可以直观的获得卸载策略在不同情况下的最优值。同时,本文对卸载的目标进行了形式化描述,用更严谨的语言描述了满足延迟的最小化能耗这个目标,以便找到让计算机理解且可以求得最优解的方法。本文抽象表达了移动边缘计算的架构模型。架构分为三层(数据层、控制层、软件定义服务层)以及三个角色(用户设备、微基站、控制器)。控制器负责收集基站和计算资源的信息以及决定卸载方案;移动基站是卸载任务计算的地方也是用户设备直接连接的地方;用户设备管理它自己的任务。控制层是用户设备与控制器沟通进行卸载决策的层,而数据层则是用户设备卸载数据到基站进行任务计算的层。控制层和数据层的分离达到了集中控制的目的,减轻了控制器的压力。本文在卸载策略和资源分配方法中集成了移动性预测。与普通卸载决策方法不一样,这里的卸载策略和移动性管理模块相结合。文中提出的方法会根据用户移动预测把任务尽可能的分配到未来经过的更好网络条件的位置执行。也就是说,本技术方案预测未来一个时间周期内的用户移动,并为这段时间分配要处理的任务大小,这样可以选择更适合的地方进行任务卸载。通过把移动性预测结合进卸载决策和资源分配,本策略可以在做解决方案的时候考虑到网络条件的变化,以达到满足延迟的情况下尽量减小能耗的目标。由于网络环境的变化和移动性预测的不准确性,本文技术方案决策的结果只是未来一小段时间内接近最优的卸载策略。但是由于卸载策略会在整个过程中动态的调整,本技术方案在整个任务过程中可以达到一个很好的效果。为了验证技术方案的有效性,本文把该技术方案与两种传统的方法进行了对比:带有移动性管理的部分卸载策略以及带有移动性管理的动态部分卸载策略。本文通过比较用户设备移动时不同参数下的延迟需求满足率和节能率,验证了方法的可行性和有效性。结果表明本文的技术方案在非极端运动情况下,可以比对比方法有更好的延迟要求满足率的同时节省更多能量,尤其是当时间要求不严格且运动预测准确率较高时。