在未来的移动网络中,数据流量的大小不仅产生于移动设备,还产生于低功耗的设备,如可穿戴设备、传感器和机器类型通信设备。这些数据中的大部分需要通过与数据源很远的集中式移动云进行计算资源的分配。随着海量数据的产生和集中式移动云的远程分配需求,可能会导致回程通信负载和长延时。在工业界和学术界的建议下,现有文献提出的许多技术虽然能在一定程度上解决这些问题,但都差强人意,特别是在海量数据产生的领域。本文充分利用了移动设备在从功能机到智能机的演变过程中,在功能和性能上的优势。第一,本文提出了批量延迟更新的方案,即智能手机用户对数据进行收集聚合,并应用诸如数据清理、冗余和整合等预处理过程,然后发送给移动运营商。通过使用呼叫数据记录来验证所提方案的性能。结果表明,本文所提的方案在每一次更新时的通信开销更少,性能更优。第二,低功率设备,特别是机器类型通信设备(MTC)所收集的数据需要远离数据源的计算资源,本文认为智能手机用户具有能够满足MTC设备所需的计算资源的计算能力,并提出了智能手机用户选择技术,即MTC设备选择一个可以满足其需求计算资源的用户。然而,智能手机用户的计算资源有限,有时所选用户无法满足MTC设备所需的计算资源,基于此我们提出了效用函数卸载策略,以选择能够满足完成时间和计算资源的要求的最近的智能手机用户。评估结果表明,与其他技术相比,本文所提出的技术最小化了MTC设备的执行时间和能量损耗。第三,由于MTC设备的海量计算需求,智能手机设备会损耗更多的能量。不仅如此,由于MTC设备还经常通过部署以共同执行特定的任务,从每一台设备中手机到的数据并不是完全独立的而是相关的。通过检查MTC设备之间是否存在相关性,我们提出了三种分组技术k-均值,k-中心点划分和分层算法去统一处理相关的MTC设备。为了最小化智能手机的能量损耗,本文提出了被称为移动边缘计算的卸载技术,该技术通过将需要较高计算资源的数据卸载给由基站分配的较强的服务器以减小能耗。MTC设备具有检测能力,并使用功率指数模型来计算MTC设备之间的相关系数。基于本架构,本文计算出将所有数据都分配给智能手机和将部分数据卸载至移动边缘计算服务器这两种场景的能耗并与通过穷举法获得的最优解做比较。仿真结果表明本文所提出的分组算法在保证完成时间的基础上减小了智能手机的能耗。本文的研究工作证明了使用智能手机来进行数据聚合和计算方面的优势,可以应用于未来的移动网络。事实上,研究结果验证了本文的研究工作在现实生活场景中是具有实用价值的。