联网车辆作为一种移动信息的载体,可以通过V2I(Vehicle-to-Infrastructure)或V2V(Vehicle-to-Vehicle)进行数据交互。随着车联网技术的发展,车载应用对高速计算和快速通信的需求日益突出,并且对时延十分敏感,而当前车联网系统无法满足日益增长的车载应用对时延的要求。基于移动边缘计算(Mobile Edge Computing,MEC)的车联网被设想为潜在的满足应用需求的解决方案。MEC将云服务下沉至无线网络边缘,在靠近用户的位置提供计算服务,弥补了远程云计算所带来延迟波动并且提高了车辆的Qo S(Quality of Service)。但是MEC计算资源有限,且车辆高速移动时网络不断变化,随着车辆用户数目的增加,网络性能受到极大的影响。因此,本文在基于MEC的车联网场景中,研究了任务卸载时能耗与时延之间的折衷问题和车辆高速移动时的移动性管理问题,主要贡献如下:1.研究车联网中任务卸载时能耗与时延之间的折衷问题,用剩余能量率重新定义权重因子,实时感知车辆的能耗来进行任务卸载。构建一个基于MEC的卸载框架,车辆可以将任务卸载到MEC服务器或在本地进行计算。首先采用双层优化算法将原始问题解耦成资源分配的低级问题和任务卸载的高级问题。考虑到车辆用户的移动性与云资源的可用性,利用基于深度Q学习网络(Deep Q-Learning Network,DQN)的卸载方案使用户做出接近最优的卸载决策。仿真结果表明所研究的机制在时延约束下降低了系统的总开销,并且所提出的DQN方案使获得的卸载策略更优。2.整合MEC和内容分发网络(Content Distribution Network,CDN)形成一个合理的架构来管理云资源,包括中心云、边缘云和车载云资源,允许车辆灵活地选择云服务。考虑到车辆的高速移动,制定小区间切换和虚拟机(Virtual Machine,VM)迁移的联合优化方案,优化用户的总时延。首先采用开销选择的动态信道分配算法避免乒乓效应,减少车辆在小区间的切换时间;其次采用基于路边单元(Road Side Unit,RSU)调度的合作博弈算法进行VM迁移,并研究基于学习的价格控制机制,以有效地处理MEC的计算资源。仿真结果表明,所提出的算法相比于现有的算法能够提高资源利用率。