随着移动互联网和物联网(Internet of Things,Io T)的快速发展和融合,促使移动终端数量和面向云计算的应用业务不断增加。而传统的云计算和移动云计算架构由于面临着高延迟、低覆盖、可扩展性差等缺点,依然不能满足未来Io T时代超低时延和超高数据容量的计算需求。尤其是计算密集型和时延敏感型应用(如增强现实、虚拟现实和无人驾驶等)的出现,驱使数据的计算和存储逐渐推向网络边缘。移动边缘计算(Mobile Edge Computing,MEC)作为一种新的计算范式应运而生,有效提升了用户服务体验,并得到了大量关注和研究。然而,在分布式MEC环境下,不同任务类型在计算时延方面通常具有差异化需求,同时由于复杂时变的流量特征,对高效的任务卸载及资源分配构成严峻挑战。本文通过分析时变MEC环境中异构任务卸载时延和计算资源需求的差异性,建立了多样化任务卸载模型,为实现对任务卸载和计算资源分配的弹性控制和按需分配,运用买卖博弈理论与Lyapunov优化理论,在用户卸载收益与时延之间进行折中,并设计了一种计算资源的动态按需报价方法,提出了一种面向异构任务的资源按需分配算法。仿真结果表明,所提的算法可以满足异构任务的差异化计算需求,并在保证网络稳定性的前提下降低系统的平均时延。此外,由于移动终端任务请求的突发性以及MEC服务器排队时间的不确定性,对于时延敏感型应用,对MEC服务器排队等待时间的不准确预测,将会造成任务的卸载失败。针对此问题,本文在上述面向异构任务的资源按需分配算法的基础上,进一步考虑了MEC服务器排队时间不确定性,利用买卖博弈理论和多阶段随机规划理论,分别建立了基于多阶段随机规划的移动终端和MEC服务器的分布式买卖博弈模型,提出了一种不确定环境下基于随机博弈的资源分配算法,并证明了斯塔克尔伯格均衡(Stackelberg Equilibrium,SE)的存在性。最后,通过仿真验证了所提算法在最大化系统卸载长期收益的同时,可有效提高任务卸载的成功率。