移动边缘计算是一种新颖的移动计算范式,通过在移动通信网络的边缘布置具有计算能力的边缘服务器来为移动用户提供高带宽、低时延的服务环境,从而有效地改善用户的使用体验。在边缘服务器的协助下,移动边缘计算让计算能力和设备容量都比较有限的用户设备能够顺利地运行计算密集型的应用软件。但需要注意的是,虽然用户设备通过把计算任务卸载到附近的边缘服务器进行处理,从而极大地降低了用户设备的计算时延和工作负载,但由于一部分的边缘服务器是由第三方提供的,其可信任度无法得到充分的保障。甚至存在一些恶意的边缘服务器,一旦当它们接收到了来自用户设备的计算任务,就可以通过进一步的数据分析来窃取用户的一些隐私信息,比如用户的位置隐私和使用模式隐私,这就极大地提高了用户在任务卸载过程中隐私泄露的风险。也就是说,用户在选择把任务卸载到边缘服务器以减少计算时延和能耗时,就需要面临自己的隐私信息被敌手窃取的风险。因此,如何在利用边缘服务器减少用户设备的时延和能耗的同时,有效地维护用户的隐私安全是一个值得研究的问题。本文主要针对移动边缘计算中的任务卸载和隐私保护问题,对移动边缘计算系统中能耗-时延和隐私的联合优化问题展开研究。本文的主要研究工作和创新点总结如下:第一,本文考虑了一个多用户的边云协同MEC系统,该系统由多个具有能量收集装置的用户设备、一个边缘服务器和一个云服务构成,其中的能量收集装置能够吸收周围的射频能量并将其转换成电能来给设备供电以维持设备的正常运行。用户设备可以选择在本地完成计算任务,也可以选择把任务卸载到附件的边缘服务器或者更远的云服务器上进行处理。在整个任务卸载的过程中,主要关注以下几个性能指标:用户设备产生的计算时延和传输时延、计算能耗和传输能耗以及隐私等级等指标。本文把其中的时延和能耗这两个性能指标的加权和叫为卸载成本,然后把卸载成本和隐私等级之间的权衡问题定义成一个联合优化问题。最后,定义每个用户的状态、动作和奖励函数,把上述的联合优化问题进一步转化成一个马尔可夫决策过程问题。第二,本文基于深度强化学习算法,提出了一种多用户边云协同MEC系统中能耗-时延和隐私保护的联合优化算法。该优化算法利用深度强化学习中的深度Q网络算法来求解上述的马尔可夫决策过程,利用神经网络来近似拟合决策函数,并基于决策函数来帮助用户设备选择最优的任务卸载决策,从而让用户设备在任务卸载过程中降低计算和传输时延、减少计算和传输能耗以及提高隐私等级。在仿真实验中针对时延、能耗、隐私等级和有效性等性能指标,对该优化算法进行了性能评估。此外,通过与现有文献中的算法和两种基本的卸载策略进行比较,进一步验证了本文提出的算法能够在提高隐私等级的情况下有效降低任务卸载的成本。