随着5G时代的来临以及物联网的迅猛发展,可穿戴设备、人脸识别以及各种新型终端接连涌现。然而新型终端的计算能力与能量受限,使得云计算成为目前时代的重要应用产物,但云计算存在着高时延、网络带宽占用过高等问题,为缓解网络负载和云端压力,边缘计算以及云边一体化架构被广泛采用。边缘计算能够提供资源以改善用户服务质量,因此任务卸载与资源分配优化方案的研究是目前的热点问题。此外,由于开放环境容易引发设备实体信任与数据隐私泄露等安全性问题,可信机制的研究也是当前边缘计算领域中的热门方向。本文针对资源分配和安全性能问题展开研究,在资源有限且复杂变化的环境中,构建了适用于边缘计算体系的数据隐私与实体信任机制。针对多用户多小区完全卸载与多用户单小区部分卸载两种动态环境,分别提出了高可信环境中的任务卸载与资源分配的自适应优化算法,有效提升了用户体验和系统安全性。本文创新工作主要包括如下几个方面:（1）针对多小区多用户的场景中用户终端与边缘服务器实体间不信任问题,构建了轻量级的信任评估机制,并引入时变的信任系数作为激励项使得用户终端能够快速区分恶意服务器。考虑到计算资源有限且动态变化的情况,将多用户的任务完全迁移问题转化为计算资源分配问题以最小化系统总能耗。针对集中式单智能体算法随着用户数量增多容易出现动作空间爆炸、收敛困难等问题,将系统建立为马尔科夫博弈模型,提出了一种集中式训练与分布式实施的基于信任模型与多智能体的分布式资源分配算法DRATMMA。仿真结果表明该算法能够抵御恶意攻击,可根据不同系统状态迅速做出合理的任务迁移决策,有效降低了系统总能耗,提供较好的用户体验。（2）针对单小区多用户的场景中任务卸载过程可能遭受窃听导致隐私泄露的问题,根据用户终端的安全需求级别,采用物理层安全技术制定相应的保密措施。同时面对系统无线信道状态与用户所需计算能力处于动态变化的情况,将多用户的任务部分迁移问题建模为保密设置和能量受限约束下的计算资源与功率资源联合优化问题,以尽可能减小任务平均处理时延为优化目标,并将系统建立为马尔科夫决策过程模型,提出了基于物理层安全和深度确定性策略梯度的资源分配算法RAPLSDDPG。仿真结果表明该算法能够接近最优性能,并具有自适应性与更低的计算复杂度,能够在可信环境中做出较优的卸载策略和资源分配方案,有效降低任务平均处理时延,提高了系统的稳健性。论文最后系统总结了本文的主要内容与研究成果,并针对可优化改进之处进行展望。正文中共使用图25幅,表7个,参考文献48篇。