在互联网中每天都有数以亿计的庞大数据产生,借助云计算(Cloud Computing),企业可以更便捷地存储和分析这些数据,为用户提供服务。随着物联网(IoT,Internet of Things)的兴起,越来越多的硬件设备接入网络并产生海量数据。这些数据需要依托云计算来进行集中的数据处理和分析,然而急剧增长的数据量已经远超出云计算的网络吞吐能力,导致了严重的性能问题。边缘计算(Edge Computing)通过在本地网络的边缘部署计算节点,允许设备在本地网络中完成数据采集和预处理,从而克服云计算对于海量原生数据处理效率低,传输延迟大等问题。然而,由于边缘计算属于异构网络,其数据安全问题涉及不同软硬件介质,企业并未对其安全问题给予足够的研究和重视,如何保护边缘网络的数据安全成为企业乃至政府大力推进边缘计算前最应重视的问题。本文重点研究了云计算与边缘计算领域的隐私数据安全问题,综合分析了现有云计算与边缘计算数据安全模型的不足,旨在研究面向边缘计算的端云融合安全数据存储和应用模型。本文的主要研究工作可以概括为:(1)提出一种基于混合云的安全高可用云数据存储模型(SHAMC,Secure and Highly Available Multi-cloud Database),使用同态加密和秘密共享算法,使数据以密文存储在云端并直接在密文上执行数据查询。采用混合云结构保证了加密数据库的高可用性和数据完整性,在应用层面避免了服务中断和服务提供商封锁问题,实验表明了SHAMC模型相比于现有的其它安全数据库模型拥有更高的数据查询效率和数据可用性。(2)设计一种面向边缘计算的数据分层存储和应用模型,并在该模型基础上实现了一个完整的跨越多摄像头人物轨迹追踪应用(EaTP,Edge-Assisted Realtime Trajectory Prediction),采用人物再识别技术和人物轨迹预测算法,使得系统支持复杂环境下的人体轨迹追踪和轨迹预测。实验部分证明了该数据模型在应用层面的可行性和可伸缩性。(3)提出一种面向边缘计算的端云融合分层安全集成模型,针对边缘计算网络属于异质网络的特点,根据数据结构将网络分层。采用同态加密算法,使得数据以密文形式传输和存储在边缘网络和云端。加密模型保证了设备数据不受恶意攻击者的窥视。此外设计了应用层系统模型,令服务提供商能够整合自身硬件资源,针对不同用户群(数据拥有者)提供统一的边缘计算解决方案。实验评估了其加密性能和系统可用性。