万物互联时代,海量数据在网络边缘产生,使得数据传输压力急剧增大。同时,新型应用的实时性、可靠性和隐私保护需求也逐步提高,采用传统集中式云计算,难以满足应用需求。针对该问题,边缘计算提出利用更接近数据产生端的网络节点,提供分布式计算、存储和控制服务,从而减少数据传输量,为用户提供高实时、高可靠和安全的服务。近年来,边缘计算的发展过程提出了诸多挑战。本文围绕边缘计算的资源分配与数据访问两方面进行研究,其工作归纳如下:首先,设计应用可执行性感知的边缘数据中心资源分配策略PARA。面向边缘数据中心资源受限的场景,针对现有资源分配策略过于粗粒度化的不足,提出利用应用服务的可降级性,感知在不同降级方式下的可执行性,以最大化整体可执行性作为优化目标,构建以微服务作为分配粒度的资源分配模型,实现资源细粒度分配,进而设计求解算法。实验证明相比于以应用作为分配粒度的方案,PARA可提升竞选应用的整体可执行性14.21%,提升应用获取资源的满意度33.36%。其次,设计长时效可执行性感知的边缘数据中心资源分配策略LPARA。在PARA的基础上,进一步针对现有资源分配策略对资源分配动态性考虑的欠缺,提出分析资源重新分配对后续应用可执行性的影响,以优化长时效的可执行性作为优化目标,将资源分配模型扩展为多个时段,并设计算法进行求解。实验结果证明相比于静态资源分配策略,LPARA可提升竞选应用的长时效可执行性12.11%-19.45%,减少资源重新分配开销46.4%-52.3%。进而,设计基于边缘计算的高效可搜索加密机制ENSURE。面向移动终端的数据访问,针对传统可搜索加密机制的不适用性,提出从架构上进行优化,将可搜索加密过程中终端执行的计算密集型任务、云端执行的隐私敏感任务卸载给可信的边缘服务器。通过理论和实验分析,ENSURE可以在数据访问过程中隔绝云服务器获取关键词信息,缩短访问延时15%-49%和降低移动终端能耗38%-69%。最后,设计基于边缘计算的联邦学习隐私保护机制EPFL。面向医疗场景数据的不可访问,提出构建适应医疗场景需求的系统模型,其中基于边缘计算的理念,降低医疗终端设备参与训练的资源占用;基于联邦学习的理念,使医疗数据不可见但可用;基于差分隐私的理念,强化这种协作式学习场景下的隐私保护,有效降低外部攻击者逆向获取用户样本数据。