万物互联应用服务快速发展催生了移动边缘计算(Mobile Edge Computing,MEC),其是万物互联背景下边缘式大数据处理时代的软硬件关键支撑平台。万物互联时代下,边缘设备的数据量较大,数据的实时性处理要求较高,在现有云计算架构下,数据处理给传输带宽、计算负载等方面提出新的挑战。而边缘计算架构地提出,弥补了云计算的不足,边缘计算中新型数据处理模式不仅可以保证较短的响应时间和较高的可靠性,同时,利用特征感知技术,实现越来越多的应用服务从云计算中心迁移到网络边缘设备端。如果大部分数据能在边缘上被处理而不用上传到云计算中心,这样就大大节省了传输带宽、数据传输的电能消耗、减缓云中心负载、提高数据的隐私保护等。首先,本文介绍了当今时代移动通信的特点,并通过传统的云计算技术引出了移动边缘计算的基本概念,进一步介绍了它具有代表性的特征、应用场景和热点问题,并从任务调度角度出发简要分析了当前的现有策略。其次,本文提出一种社会属性及服务器可用资源感知的边缘计算任务调度策略。针对传感器节点中的计算密集型任务,允许通过设备到设备通信(Device-toDevice,D2D)链路复用蜂窝用户的通信资源进行辅助任务调度。具体地,通过强化Q学习的方法选择出每个任务所对应的最佳服务器,通过终端的活跃度和与目标服务器的亲密度来量化社会属性,作为终端选择的一个标准.通过功率控制,在避免对蜂窝用户造成干扰的同时保证任务地有效传输。数值结果表明,本文所提策略能有效地对传感器节点的任务进行合理调度并最大程度地实现网络的负载均衡。进一步,本文提出一种软件定义的边缘计算任务协作调度结构。首先,设计基于空闲用户和过载用户的双向选择成簇算法,结合空闲用户的历史信息和与过载用户的兴趣相似度从而形成稳定的协作簇。然后提出基于时延最优的子任务划分算法,在保证子任务同时完成的情况下,达到整体时延最优。数值结果表明,所提策略不仅能够显著节省数据的传输带宽,而且在保证协作簇稳定的情况下实现时延的最优。