近年来,物联网(Internet of Thing)接入终端的数量激增,使得传统的云计算不足以支撑海量衍生数据的存储与处理。边缘计算作为IoT一种可能的计算范式,具有提供点对点服务以及帮助分担云端的计算任务等特性,因而受到了广泛的关注和研究。然而,边缘计算环境中多层级协同涉及资源请求与访问以及数据传输,资源通常动态变化,数据类型彼此不同,而边缘计算分布式的特点使得建立类似于云计算的信任机制异常困难。因此,本文考虑边缘计算对实时安全服务的需求,重点研究合理的边缘计算架构以及相应的信任评价方法,为后续的任务选择与分配、资源调度与优化等提供合理依据。本文提出一种基于应用服务和资源协作场景的边缘计算架构,对其中涉及的概念进行了定义,并在定义的基础上提出了相应的信任评价方法。该方法从描述设备的多个属性中选择身份、行为、能力三个关键属性对设备进行信任评价,将设备的综合信任属性表示为一个特征向量,之后对相关属性进行了量化并给出了相应的计算方法,讨论了该方法的计算复杂度。随后,本文提出了一种基于胶囊神经网络的信任预测算法(TPCN),将设备的信任特征向量作为网络的输入,进而预测当前环境下整体的信任值。算法利用胶囊网络层级浅、训练过程短的特点,可以在小规模的边缘计算环境中快速预测信任值。仿真实验结果显示了该预测算法在全局收敛时间、恶意设备检测率和任务失败率等方面具有较好的性能。针对大规模边缘计算环境动态性和分布式的特点,本文提出了一种分布式动态信任评价方法。对终端设备的信任评价通常涉及两个过程:终端设备对边缘服务器的选择以及边缘服务器对终端设备的信任评价,该方法主要从以上两个角度考虑影响信任评价的因素,给出的计算方法可以根据环境的动态变化调整信任权重。之后提出了一种基于全连接神经网络的随机梯度下降算法(FCNSGD)用于预测整体环境的信任值,仿真实验结果显示了该算法在大规模分布式环境下,在全局收敛时间、恶意设备检测率和任务失败率等方面性能较优,但相比于一般算法需要一定时间模型才能达到较快的收敛速度,该问题是后期研究的主要方向。本文提出的两种算法均用于解决边缘计算的信任评价问题,TPCN适用于小规模集中式的网络环境,FCNSGD适用于大规模分布式的网络环境。实验结果验证了两种算法在处理各自问题上均有良好的表现。