随着新型车载服务的涌现,如自动驾驶、增强现实等服务,对车联网边缘的计算能力要求越来越苛刻。车联网边缘计算应运而生,通过在车联网边缘引入移动边缘计算和雾计算等技术,增强用户周边的计算环境,更好地支持用户移动性,降低服务时延和带宽消耗,从而有效提高服务质量。本文介绍车联网边缘计算概念和系统模型,结合本实验室自主研发的原型系统,聚焦以下四种代表性应用场景:计算迁移、停车协同、群智感知和数据共享。然后,围绕这四种应用场景中的性能优化问题展开讨论分析。本文的主要内容如下:1.研究计算迁移场景中基于信誉值的资源分配方法。在计算迁移场景中,MEC服务器综合考虑任务要求和车辆信誉值,将有限的计算资源分配给需要迁移计算任务的车辆。通过建模分析不同类型的计算任务要求,以讨价还价博弈方法解决基于信誉值的资源分配问题。2.研究停车协同场景中基于停泊车辆的协同计算问题。为克服MEC服务器超负荷问题,服务提供商把部分计算任务从MEC服务器迁移至停车场中的停泊车辆,使其协同执行计算任务。为激励停泊车辆协同执行计算任务,设计一个基于契约论的激励方案,不仅最大化服务提供商的效用,同时满足停泊车辆的效用。3.研究群智感知场景中基于公交车的车载群智感知方案。数据提供商通过雾计算服务器指派公交车采集城市数据,然后批量处理所采集的数据,并发送给数据用户赚取利润。在方案中,分别利用贪婪法解决数据提供商对公交车的任务分配问题,和利用斯坦克尔伯格博弈理论解决数据提供商与数据用户之间的数据交易问题。4.设计数据共享场景中的车载数据存储联盟链,实现车载数据的安全存储与共享。阐明数据存储联盟链的系统组成成分,理清内部系统运行的机理,并做出相关的安全性分析,表明所设计的数据存储联盟链系统的性能优越性。