伴随着新一代信息通信技术的长足发展,车联网实现了车与车、车与人、车内网络、车路协同等全方位网络连接。基于车联网收集到的数据与来自控制中心的反馈信息,车辆的智能化驾驶水平将大幅度提高,驾乘感受与交通运行效率将大力度提升。尤其是无人驾驶汽车,其路径规划以及安全驾驶主要依赖于车联网收集到的数据。自收集到运用的整个过程,这些数据需要计算资源支持,鉴于云平台无法满足此类计算密集型任务的低时延需求,车辆边缘网络应运而生。然而,车辆边缘网络的通信资源、计算资源和存储资源受限,如何利用其受限资源,为车联网提供高效的计算支持成为研究热点之一。本文以车联网为应用背景,结合国家重点研发项目(低功耗、低时延、海量连接工业互联网应用示范【项目编号2018YFB1802400】)子课题“边缘计算技术研究”的需求,对边缘网络中信息新鲜度保障的数据采集策略和任务卸载策略进行了研究,主要的工作成果体现在以下几个方面:(1)剖析车联网数据采集的全面性、公平性与受限通信资源间的矛盾,引入信息新鲜度概念,提出了基于博弈论的信息新鲜度优化与数据采集算法。采用一种新颖的随机博弈模型,来建模车辆之间的竞争,同时考虑信道质量的不确定性对数据传输成功率的影响,最后基于?-贪婪搜索的纳什学习算法,获得车辆进行数据采集的最优策略,从而最大化其长期收益。仿真结果与性能分析验证了该算法在获得最佳采集策略的同时,能优化信息新鲜度。(2)综合权衡计算密集型任务的时延需求、计算节点能耗与受限系统资源,将时延需求细化为传输时延、计算时延与排队时延,基于多对一匹配理论,提出了最佳信息新鲜度与网络效用联合优化的两阶段计算协同算法。第一阶段对计算任务与服务资源进行预匹配。根据第一阶段的匹配结果,判断计算任务满足其完成时间的限制与否,再进行第二阶段的任务转移,提高计算任务的完成成功率。仿真结果与性能分析验证了该算法最大化网络效用值的同时,能提高任务完成的成功率。