边缘计算作为一种新兴的计算模式,可由移动用户将复杂应用程序产生的计算任务卸载到邻近的边缘服务器以降低本地资源开销的同时提高任务计算效率,满足用户对应用的服务体验质量需求。然而,在进行任务卸载的过程中,攻击者可以通过监测用户的任务卸载比例推测出用户的位置信息,同时,攻击者可以通过持续监测用户的卸载任务量推断出用户的设备使用模式,进而推测出用户的个人敏感信息（年龄、性别、职业等）。任务卸载中隐私保护机制的缺失将严重影响用户参与边缘计算的意愿。目前有工作开始关注任务卸载过程中的隐私保护问题,但他们通常忽略了任务卸载比例与用户位置的相关性,难以满足用户关于位置的隐私保护需求。此外,现有的保护用户设备使用模式信息的工作缺乏严格的隐私保护理论证明,无法实现对用户敏感信息的有效保护。本文从保护用户的位置信息隐私和设备使用模式信息两个角度出发,研究任务卸载中可证明的隐私保护关键技术,在满足用户隐私保护需求的同时,最大化用户在边缘计算系统中任务卸载的效益。本文的基本思想是利用差分隐私技术分别对用户的位置信息和任务信息进行混淆,在最大化用户任务卸载效益的同时为用户提供可证明的隐私保护。具体而言,针对任务卸载比例与用户位置相关性导致的位置隐私泄露问题,提出一种位置隐私保护的任务卸载优化方法,用户利用混淆后的位置进行新的任务卸载比例决策,同时通过无线信道状态和隐私保护需求自适应确定混淆范围,实现隐私保护和用户任务计算资源开销之间的平衡。针对设备使用模式信息泄露导致的个人敏感信息泄露问题,本文提出一种设备使用模式隐私保护的任务卸载优化方法,通过无线信道状态自适应确定卸载任务量的扰动分布情况,用户将混淆后的卸载任务量上传至边缘服务器,在最小化任务计算资源开销的同时避免设备使用模式信息泄露。最后,本文通过理论分析和大量在真实数据集上的实验证明了所提机制的合理性、隐私性和有效性。