边缘计算是一种能够支持时延敏感型应用需求的新型网络计算解决方案。然而,由于用户移动的高度动态性与不稳定性,动态服务迁移问题成为边缘计算系统中的一个重要挑战。由此,本文针对动态服务迁移策略设计展开研究。首先,本文定义并形式化建模多用户动态服务迁移问题,优化目标是最小化系统长期服务延迟,包括累计用户计算延迟、通信延迟与迁移延迟。然而,该问题存在网络环境复杂、用户移动频繁且具有不确定性、用户数量多导致的决策空间大等挑战,系统难以实时做出最优迁移决策。针对上述挑战,本文提出一种用户移动感知的服务迁移方案MSM（Mobility-Aware Service Migration scheme）,通过数据驱动的方式对移动用户分组管理,并设计基于深度强化学习的组服务迁移策略,在复杂网络环境下实时做出最优组服务迁移决策。具体而言,MSM方案包含以下两部分内容:1)基于移动用户网络关联模式的分组管理机制设计。服务迁移问题牵涉到多用户决策,是一种高维0-1整数非线性决策问题,难以得到有效求解。此外,现实世界中用户数量日益增多,以用户个体为调度粒度的多用户服务迁移问题随着网络规模的增大,求解复杂度呈现爆炸式增长,系统负担剧烈加重。针对上述挑战,本文首先基于细粒度、长期的用户历史网络关联轨迹,结合用户行为、使用多维度指标对移动用户网络关联模式进行全面分析与挖掘,以发现用户移动规律。随后,基于上述网络关联模式,本文提出一种移动用户分组管理机制,以筛选出具有潜在迁移价值的用户,并对其分组。进而,系统得以按照组别对用户进行服务调度管理,用户服务迁移问题被简化为组服务迁移问题。2)基于深度强化学习算法的组服务迁移策略设计。网络环境变化、用户移动轨迹等未来信息不可预知,导致组服务迁移问题难以得到长期优化。针对上述挑战,本文在分组管理机制的基础上,设计一种基于深度强化学习算法的服务迁移策略,通过智能体与环境之间的交互挖掘用户位置变动、网络环境与长期最佳的服务迁移决策三者之间的对应关系。其中,为了克服组服务迁移问题带来的大规模离散动作空间困境,本文将智能体观测信息拓展到二维空间,并对深度强化学习算法的网络结构进行改进,有效地提升了智能体的学习效率。由此,该策略能够为所有移动用户组作出最佳服务迁移决策,有效地降低系统服务延迟。最后,大量真实轨迹数据驱动的实验表明MSM方案与传统迁移方案相比至少降低了14.6%的系统服务延迟。此外,在计算资源越紧缺或单位迁移延迟越大的情况下,MSM方案的优越性会更明显。图35幅,表7个,参考文献100篇