近年来,移动数据流量以指数速率增长,这对未来的蜂窝网络构成了严重挑战。另外,随着无线通信技术和物联网的快速发展,越来越多的移动设备,如智能手机,可穿戴设备,对带宽和计算都有不同的无线网络接入要求。未来,移动设备将变得更加智能化,部署在其上的应用程序将需要大量的计算能力和持久的数据访问。然而,这些新应用程序和服务的开发受到这些设备计算能力,存储空间和电池寿命的限制,不能很好的被广泛应用。为了解决这些问题,移动边缘计算(mobile-edge computing,MEC)顺势而生。MEC可以在网络边缘端布置计算节点或服务器,为用户提供短延迟和高性能计算服务,以满足用户对延迟敏感任务的计算需求。另外,在边缘端进行协作缓存,可以有效地避免峰值回程网络的拥塞,减轻了回程流量负载和传输时延。本课题研究基于MEC构架下的缓存与任务卸载策略设计,具体研究内容概况如下:首先,为了激励用户之间的数据共享,本文提出了基于物理-社交关系的协作缓存方案。具体来说,首先定义了一种新的物理-社交映射关系,然后在直接和间接的物理-社交关系下,得到社交组效用最大化的最优缓存策略。当直接的物理-社交关系的用户不能满足用户的数据需求时,利用六分离度理论来分析用户间的间接物理-社交关系。然后,我们设计一种间接的社交组形成算法以实现最优的间接社交组下的最优缓存方案。最后,仿真结果显示,所提出的基于物理-社交关系的缓存方案优于其他缓存方案,能有效满足用户的数据需求。其次,为了在计算和通信资源受限的情况下提高任务的处理效率,提出了联合优化计算卸载和通信资源分配。我们首先提出了一种用于移动任务的协作计算架构,其中,任务可以被卸载到终端,边缘节点和云中心上处理。然后,按照设备和边缘节点的计算和通行能力,提出了流水线式卸载策略,将任务卸载到特定的边缘节点和云中心。基于提出的卸载策略,联合考虑了卸载策略,传输速率和功率分配优化,最小化网络总计算和传输时延。由于该问题是非凸问题,利用连续凸近似法(successive convex approximation,SCA)将非凸优化问题转化为凸问题。最后,仿真结果显示提出的协作卸载方案优于其他卸载方案,能有效降低总的计算和传输时延。