云边环境中最为核心的问题是如何管理资源和接受任务,即资源调度问题。在边缘站点的分布式构架中,大量用户无规律地移动和发起业务请求,在网络的汇接层存在着大量的业务到达,业务波动,安全的不确定,边缘站点间资源分配与部署的不均衡,以及边缘资源的有限性。业务到达的不确定性,引出了MECC（Mobile edge cloud computing）环境中的动态多工作流卸载和调度问题,且对边缘的关键性能评估指标有优化要求。而业务负载波动的不确定,边缘站点间资源分配与部署的不均衡,以及有限的边缘资源数量,引出了资源部署和资源池周期调整的需求。更进一步的,MECC环境中大量安全不确定因素,将加剧因边缘算力不足和授权机制不完备等造成的本已严峻的边缘隐私保护难度;计算卸载规避了一部分数据上传远程云导致的信息泄露,但仍然有被侧信道攻击的风险,引出了计算卸载中的隐私保护需求。这几方面的问题来源于实际广泛的科学计算等应用场景,构成了MECC环境的资源调度科学研究课题内容。在综合敏捷连接、内容优化、安全与隐私保护等方面的计算需求的基础上,本文考虑工作流在基于工作负载预测的边缘资源部署下的卸载和调度问题,并用基于安全熵约束的优先级设定和隔离方法增强了卸载用户的数据隐私保护,并保证整体解的低风险性。优化目标考虑工期和成本,约束包括:软截止期约束,任务偏序关系约束,任务关联性约束,熵约束和整体风险约束,重点考虑动态的多工作流。论文的创新工作主要体现在:（1）处理动态多工作流的卸载和调度:考虑卸载和调度处理耦合的需求,提出启发式算法逐一卸载工作流,构建每个工作流内部任务的任务优先序列;当在特定的云边平台上调度多个工作流的任务时,结合任务的紧急程度,提出改进的公平算法定义工作流的优先顺序。考虑边缘任务到达的不确定,提出对动态到达的多工作流采取逐一卸载发送到目标平台的方式,在调度中接收和允许新到达的工作流加入,以确保工作流的处理符合截止期。考虑关键性能评估指标,采用工期和成本作为优化目标。这样的计算卸载和资源调度耦合的形式在更细粒度上提升了优化程度,通过大量实验验证,它适应和消除了工作流动态到达的不确定,能够至少节省23.8%的工期,8.14%的费用,减少28.7%截止期错过率。（2）基于动态调整分布式单元资源池的关联任务计算卸载:考虑边缘的资源有限,资源部署和分配也不均衡,提出动态周期性地调整边缘周期部署的方案:MECC环境中的业务到达数量存在不确定,当业务稀少时,需要关闭分布式单元节约能源,当业务拥挤井喷时,提前打开资源池中的部分分布式单元计算资源及时响应。资源硬件的启动需要一定时间,引入周期性资源预测判断未来工作负载和对资源的需求。预测可采取多种方法,但是精度很重要,也要应对初始数据集不大的情况,作者利用长短期记忆和动态贝叶斯网络（LSTM-DBN）模型预测周期性负载数据并据此调整相应计算资源。特定场景产生了特殊类型的关联任务,由于任务特征可以被控制器感知到,因此作者引入基于内容感知的卸载,通过对关联任务的特定卸载策略,降低卸载的传输成本,提高并行度,降低资源竞争度。这个解决方案覆盖了资源部署,计算卸载,资源分配,是资源调度的关键子问题,有效应对了资源分配和部署的不均衡,业务量波动的不确定,以及边缘资源的有限性,并填补了以往的研究空白。LSTM-DBN可以用更少的数据进行预测,使用概率推理和最优估计提高预测性能。深度强化学习卸载算法配合资源调整（松弛了资源约束）与现有方法比较,最多节省了36.3%-48.2%的工期和费用,验证了所提算法的有效和高效。（3）基于安全熵约束的隐私保护和边缘卸载:以往的边缘卸载方案遵循一定的策略规则,容易泄露用户的个体特征,而面临着侧信道攻击的风险,作者采用确定安全级别的熵约束和整体解满足低风险约束的隐私保护方案,消除个体特征的卸载来避免该风险。数据面与控制面在一起的系统架构中容易存在攻击或者安全漏洞,作者引进集中式控制器的全局指派系统架构让数据面与控制面分离,减少了边缘服务器的负担,增强卸载策略安全性。边缘产生海量的任务,如果由用户自己确定优先级是不合理的（所有用户都认为自己的优先级最高）,人工确定大数据的安全级别也是一个艰巨的过程,因此作者将用户任务特征上传给控制器,由控制器根据任务到达泊松分布的指数概率确定安全优先级。终端被中央控制器告知哪些任务卸载到云,需要加密,哪些任务卸载到边缘,不需要加密。考虑隐私保护与优化任务的成本/工期的卸载操作之间需要取得平衡,作者提出了基于MOEA/D的智能优化方法用于工作流卸载。中央控制器通过对大量工作流的卸载与整体解符合低风险约束,以及对安全级别符合泊松分布指数概率熵约束的处理,寻找优化目标和隐私保护之间的平衡。作者的研究结合了计算卸载的优化和隐私保护,经过大量实验验证可以高效应对安全不确定性。