随着移动通信技术与智能终端的不断发展,网络数据流量呈指数型增长,计算需求越来越大。移动边缘计算(MEC,Mobile Edge Computing)技术可以改善本地计算资源短缺现状,满足大计算量需求。然而随着应用场景的不断丰富,有限的MEC计算资源将无法满足进一步增长的计算需求,借助D2D(Device-to-Device)通信将任务卸载给邻近设备可以解决MEC资源有限的问题。因此,本文研究了如何选择合适的D2D卸载节点以及如何解决该场景下的卸载策略和资源分配问题,分为以下两个方面:(1)考虑到在MEC系统中D2D卸载方式的卸载节点选择问题,本文提出边缘计算下基于移动用户社交感知的D2D用户选择策略。首先,结合终端用户的物理连接属性和接触度、亲密度等社交属性,衡量用户之间的社交关系,结合社交关系提出D2D用户的租用定价策略;然后,基于D2D用户的移动性概率分布,得到用户移动性评估模型,并与用户的效益函数相结合,提出以系统效益最大化为目标的D2D选择策略;最后,将重要用户作为竞争资源,引入了匈牙利算法寻找最优匹配,并分析针对用户不平衡分配问题的解决方案。通过仿真对提出的策略进行了性能评估,证明了所提策略可以为系统带来明显的增益。(2)为解决新场景下的卸载策略和资源分配问题,本文提出了联合D2D协同卸载策略和资源分配的优化算法。在该算法中,针对用户请求的可分割任务,对卸载策略、任务分割比例、MEC资源分配、D2D卸载节点选择进行了联合优化。根据任务完成奖励和资源消耗提出时延限制下系统收益最大化问题。由于该问题是非凸的,将其分解为两个子问题:MEC资源分配和卸载策略优化。前者是凸问题,采用拉格朗日乘子法解决;后者在证明纳什均衡存在的前提下,通过多次迭代求解。仿真结果证明了该方案的有效性和普适性。