边缘计算技术在数据隐私保护领域内有十分重要的应用。边缘计算可以通过将服务部署在边缘节点上的方式,对云中心等服务调用者隐藏原始数据,仅返回处理后的统计数据和结果数据,从而使数据中的敏感信息得到了保护。然而当任务涉及到多个边缘节点的上的原始任务数据时,任务便成为边缘计算场景下的多数据源任务。多数据源任务在执行过程中,异构性因素使得个别子任务执行时间过长,造成整个任务执行时间过长。任务卸载是解决上述问题的有效方法。然而,现在有关任务卸载的研究成果中,缺少适用于的边缘计算场景下多数据源任务的任务卸载模型和卸载策略。针对这一问题,本文研究了多数据源任务卸载技术的相关内容,包括多数据源任务卸载模型、多数据源任务卸载策略和自适应任务控制机制。本文的具体研究内容如下:首先,本文分析了多数据源任务的场景,形式化描述了多数据源任务卸载问题,提出了适用于多数据源任务卸载的卸载模型。多数据源任务卸载场景中,计算资源竞争、通信资源的竞争等因素均会对任务卸载产生影响。本文借鉴现有边缘计算中任务卸载的相关基础模型,针对上述因素,对相关基础模型进行了改进,得到了适用于多数据源任务卸载的卸载模型,包括计算模型、通信模型和卸载决策模型。其次,本文描述了启发式多数据源任务卸载策略（HMSTOS）。在多数据源任务卸载中,单个节点最佳任务卸载决策的累加并不一定能得到多数据源任务的最佳卸载决策。多数据源任务卸载需要从全局的角度去进行卸载决策。本文针对多数据源任务卸载中的要点分别给出了详细的算法描述,包括如何划分卸载节点和卸载目标节点,计算任务卸载量并建立卸载关系。然后,本文在HMSTOS中引入了自适应任务控制机制（AHMSTOS）多数据源任务卸载方案对环境条件有较强的依赖性,为了减少条件变化对任务卸载的影响,AHMSTOS定期收集各节点上的相关信息,并根据这些信息生成新的方案,然后依据一定的准则决定是否替换旧方案。AHMSTOS还通过设置超时响应的方式,避免出现任务执行时间过长或任务无法完成的情况。最后,本文通过实验分别验证了本文技术方案中HMSTOS正确性与自适应任务控制机制的有效性。实验结果表明,使用本文的启发式多数据源任务卸载策略在静态环境下要优于本地执行策略,在动态环境其效果受到环境条件变化的影响。而AHMSTOS能够根据环境条件变化,调整任务卸载方案,在动态环境下能够节省更多的时间。自适应任务控制机制还验证了任务的超时响应机制,实验证明超时响应机制能够按时终止任务执行。