随着物联网的飞速发展,终端设备数量呈现出爆炸式增长,由此产生的海量数据对移动边缘计算（MEC）网络提出了更高要求。移动边缘计算网络作为一种全新物联网计算模式应运而生,它利用边缘节点间的相互协作机制将计算能力从云端下沉到网络边缘侧,来处理大规模复杂计算问题,进而实现网络互联、协同合作、边缘智能和安全卸载。相比于传统云计算网络,在动态复杂网络环境以及多样化服务下,移动边缘计算网络具备节点数量海量化、类型多元化、范围广泛化等特点,同时在计算处理协同性、资源配置优化性以及安全需求可信性等方面存在巨大挑战,如何应对这些挑战并将其应用到移动边缘计算网络中,成为学术界和工业界都关注的焦点问题。在此背景下,本文研究移动边缘计算网络中的任务卸载调度与资源优化配置的理论与方法。本文的主要研究成果如下:（1）基于随机在线学习的任务卸载调度与资源配置优化。为提高移动设备的计算体验质量,MEC通过在支持传统通信和MEC服务的切片无线接入网（RAN）内提供紧密的计算能力而成为一种很有前途的范例。然而,虚拟MEC系统的计算卸载策略的设计仍然具有挑战性。本文考虑了切片RAN中具有代表性的移动用户的MEC,其中可选择多个BSs进行计算卸载。将最优计算卸载策略的求解问题建模为马尔可夫决策过程（MDP）,其目标是最大化基于任务队列状态、能量队列状态以及移动用户与基站之间信道状态的长期收益。为克服状态空间的维度灾难问题,本文将MDP分解为一系列具有简化状态空间的单代理MDP,并推导出一种在线本地学习算法来学习状态值函数。数值实验表明,与基准策略相比,本文提出的学习算法在计算卸载性能上有显著提高。（2）基于区块链的任务卸载调度与资源配置优化。车载自组织网络（VANETs）在智能交通中起着不可替代的作用。然而,在大规模动态VANETs中,不同车辆之间的通信安全面临实时、高速和连续数据流的挑战。为此,本文建立卸载决策、共识机制以及无线带宽分配的联合优化卸载模型,提出一种分布式软件定义的VANETs架构和基于区块链的可信赖访问机制,从而对VANETs进行动态编排以保证联网车辆的通信安全,同时使云服务器免受非法卸载行为的侵害。此外,为了实现联网车辆的最佳卸载策略,引入了一种基于深度增强学习（DRL）的卸载方案。实验结果表明本文提出的方法在访问控制和卸载性能方面优于现有的其他方案。（3）基于边缘计算的耦合资源管理调度与资源配置优化。智慧城市是由众多赋予不同智能等级的网络物理系统（CPS）构成,随着CPS与云计算的融合,传感器云系统在许多领域都很流行,物理节点可被多个用户共享,从而实现高性能计算。然而,当物理传感器节点同时接收到多个服务命令时,会出现一些服务冲突,即耦合资源管理问题,这会导致服务失败。为此,提出了一种边缘计算模型,并将匈牙利算法扩展到能够获得较小延迟的耦合资源管理,从而实现有效和可持续的服务。边缘计算层充当CPS和云之间的缓冲区和控制器,可以处理恶意攻击,构建高度可持续的系统。实验结果和理论分析表明,该方法可以减少耦合计算,提高资源利用率,使系统更加高效。（4）基于策略合成的巡逻管理调度与资源配置优化。在MEC系统中,将任务卸载到边缘服务器很容易受到诸如篡改、监听等具有策略性的攻击问题。为此,设计一种在MEC环境下的有效巡逻调度策略算法来保护网络中的边缘节点,其中巡逻程序是能够检测/预防边缘节点上不良活动的软件代理。由于在对抗安全博弈中,存在实际攻击者能力未知且需要强大防御者策略的最坏情况的一种假设。基于此,通过策略合成方法,本文构建巡逻博弈中防御者策略模型。该方法将给定博弈拆分为不相交的子博弈,然后分别递归求解它们,接下来将获得的解决方案组合到原始博弈策略中。实验结果表明本文的方法相比之前方法,可扩展到更通用的模型,有助于推动适用于安全问题的所有分解技术的发展。