车载自组织网络（VANETs）作为智能交通系统（ITSs）的关键技术受到了学术界和工业界的广泛关注。随着车辆应用和数据的爆炸式增长对当前数据通信、算力、存储资源、网络延迟以及无线网络容量都提出了更高的性能需求。为了应对新的性能需求挑战,车载边缘计算（VEC）被认为是一种解决当前矛盾的新型计算范式,它将计算能力下沉到车辆网络的边缘,允许车辆中的路边单元（RSU）和车载单元（OBU）等节点执行具有位置感知和低延迟需求的服务。此外,车载边缘计算还能有效地缓解网络上大量数据请求造成的网络拥塞。车载边缘任务卸载是实现车载边缘任务处理这一美好愿景的关键技术问题。然而,由于车辆节点的强移动性及拓扑的频繁变化给车载任务卸载和任务处理带来新的技术挑战。文章的主要工作如下:首先,采用博弈论方法设计了一种任务卸载决策模型以优化VEC环境下的任务处理能力。在这种场景下,移动节点通过测试连接一组边缘计算服务器,在本地自主地决定应该选择哪台边缘服务器节点进行卸载,以便优化执行计算任务的序列。鉴于此,将任务卸载决策过程建模为一个博弈模型。其次,VEC与VANET中的设备到设备（D2D）任务卸载相结合,以受益于邻近增益并优化计算卸载。开发了软件定义车载边缘计算网络（SD-VEN）,通过感知全局网络状态信息实现对网络的全局优化。SD-VEN中的控制器能够协调端边云之间的资源优化部署和处理,协调D2D配对和通信,以实现车辆节点与移动用户之间灵活分配计算资源。对该模型的研究可以优化车辆网络在通信和计算受限制情况下资源分配。在此,将任务卸载和相关的资源分配联合优化问题形式化为一个混合策略的博弈问题。第三,采用资源池的概念,通过将车辆及其乘客设备可用的边缘计算资源集中在一起,来增强系统的容量。数值评估讨论了所提出模型与随机卸载、均匀卸载、边缘任务卸载和最近邻对等任务卸载等情形下的模型性能差距。定性和定量分析了任务卸载对参与者效用的影响。实验结果表明,如果卸载的任务数保持不变,则可以有效地达到平衡。此外,在动态任务卸载的仿真实验中,实验结果表面博弈仍然能够收敛到均衡,一旦博弈达到接近稳定的状态,只需进行少量的策略更改。综上所述,文章将任务卸载决策过程建模为一个博弈模型,首次提出将D2D引入到车载边缘计算网络中,在不增加额外成本的情况下,增强了网络系统的容量且提高边缘资源的利用率。之后,还将SDN网络引入到该场景下,通过SDN控制器感知网络交互状态实现全局网络的最优任务卸载和全局资源的最优化管理。理论和实验结果均表明,文章提出的基于博弈的车载任务卸载策略可以在优化任务卸载决策方面发挥重要的作用。数值仿真结果显示所提出的模型实现的平均处理时间比现有方法提高了25%。