在万物互联的新时代背景下,智能家居、智慧医疗、自动驾驶和智慧城市等新应用场景快速涌现,随之而来的是持续增加的算力需求以及爆炸式增长的数据规模。这对于终端设备的计算能力、存储性能、续航性以及中心网络提出了更高的要求。为满足这些激增的需求,边缘计算模式应运而生,其核心功能是将原本属于云中心的功能和服务下沉到网络的边缘,对于实现低延迟、高带宽和灵活的服务至关重要。但边缘计算模式为终端设备和用户带来了多样化交互方式和全新使用体验的同时也带来了新的隐私安全问题。在边缘计算模式中,终端将计算任务和数据卸载到边缘服务器来获取相应的服务支持。然而,在这种开放的服务提供模式中,我们很难完全杜绝边缘系统中恶意节点的存在,这些恶意节点严重威胁系统的安全。除此之外,诚实且好奇的边缘服务节点同样值得我们给予足够关注。这些不可信节点从用户终端上传的数据包以及任务卸载日志中分析提取用户的信息(如身份信息、敏感数据、位置信息和背景知识等)从而对用户的隐私造成威胁。同时由于终端设备的硬件资源受限,一般难以执行复杂的安全加密算法,这使得边缘模式中的隐私安全问题更为突出。本文深入研究了边缘计算模式中的隐私安全问题和边缘系统卸载模型。针对边缘计算中的多用户二进制卸载模型以及单用户多应用数据卸载场景,分别提出了一种基于二次规划的多用户匿名二进制卸载方案和一种基于马尔可夫决策的隐私感知卸载方案。主要的工作如下:1.针对边缘计算模式的开放性特点所引发的恶意终端或者不可信节点入侵边缘系统的问题,设计了一种匿名身份认证机制,从而实现对系统的安全性和终端隐私性的加强。之后,针对边缘计算中的多用户二进制卸载模式以及最优卸载决策的求解问题,设计了一种基于二次规划的多用户二进制卸载方案。在该方案中,将边缘系统中的卸载决策问题建模为一个非凸的二次约束二次规划问题,并针对模型中的NP-hard问题,采用半定松弛方法求得近似最优解,之后设计一种低复杂度的决策提取方法来进行最终决策的提取。特别的,在模型求解过程中提出了一种卸载决策和资源分配分步迭代方法降低了决策求解的算法复杂度。最后实验结果表明我们的方案与基准方案相比在保证了用户隐私性的基础上依然有更优的系统性能。2.针对智慧医疗物联网场景下的单用户多应用数据卸载过程以及卸载所引发的隐私安全问题,提出一种基于马尔科夫决策的隐私感知卸载方案,该方案将卸载过程进行时隙分解并建模成一个马尔可夫决策过程,之后通过在系统的值函数中添加隐私函数来优化卸载策略从而保护终端设备的隐私。在最优策略求解过程中,针对状态空间中的卸载数据大小是复杂的连续函数以及系统状态转移模型未知的问题,我们采用了强化学习中无模型的Double Deep Q-Network(DDQN)算法来学习系统环境并得到最优的卸载策略,从而实现了在保证用户隐私的基础上最小化终端设备的延迟和能耗。特别的,在DDQN算法学习迭代过程中,我们对算法中的?-greedy策略进行了改进。实验表明,获得了比基准方案更优的收敛结果。