物联网（Io T）技术已经融入我们当今生活的各个方面。随着移动物联网设备和传感器设备的大量出现,以及通讯技术的不断进步,更复杂、低延迟和计算密集型的物联网应用激增。这些应用通常会产生和处理大量数据,而处理这些数据需要消耗大量的计算和存储资源。然而,移动物联网设备的电池容量有限,限制了数据密集和计算密集型应用程序在此类设备上运行。为了克服上述限制并满足通信和处理延迟的要求,考虑将复杂的计算任务从物联网设备卸载到具有更丰富资源的设备上。移动云和边缘计算被认为是最有前途的解决方案,可在减少能源消耗的同时提供灵活的计算、存储和服务功能。然而,通过无线信道卸载数据会使云边计算系统的脆弱性和安全性受到影响。因此,有效分配无线资源,选择合适的卸载决策参数,在边缘服务器上缓存计算任务以及平衡不同基站之间的计算负载在计算卸载模型中起着至关重要的作用。本文通过为云边计算系统提出有效而安全的计算卸载方法,主要解决云边系统资源分配,云边系统安全性,以及数据压缩传输,任务缓存和负载平衡等问题。此外,本研究工作对云边系统能耗成本有重大影响的技术进行了研究。论文的主要贡献概括如下:首先,提出了一个新的安全框架,通过一个基于内存使用、CPU使用、能量消耗和执行时间的整数问题公式来动态地卸载密集型计算任务。此外,还引入了基于AES加密技术的安全层来保护传输的数据。此外,利用三种不同类型的移动应用来检验框架在选择合适的卸载决策方面的效率。其次,提出了一种高效安全的多用户、多任务计算卸载模型,该模型在延迟、能量和安全性方面都有保证。该模型不仅研究了卸载策略,而且考虑了资源分配、压缩和安全问题。首先,为了保证多用户场景下共享资源的有效利用,对无线资源和计算资源进行了联合处理。此外,使用JPEG和MPEG4压缩算法来减少传输开销。为了满足安全需求,在数据传输过程中引入了安全层,保护数据不受网络攻击。第三,针对多用户、多任务的MEC架构同时将任务缓存和计算卸载用于建模,将完成任务的应用程序代码和相关库缓存在边缘服务器上,以减少延迟和能量开销。然后,建立了一种基于所有可能的解定义状态空间,和不同状态之间的移动定义动作的等效的强化学习形式。随后,基于Q-Learning和Deep-Q-Network两种算法来求解该问题的近似最优决策。第四,我们将研究工作扩展到考虑多层的边缘-云计算环境。在本研究中,除了提出了一种用于边缘-云计算系统的联合负载均衡和计算卸载技术外,还引入一个新的安全层来规避潜在的安全问题。首先,提出了一种在基站间有效分配物联网设备的负载均衡算法。此外,还提出了一种新的高级加密标准（AES）加密技术,该技术结合了基于心电图（ECG）信号的加密和解密密钥,以保护传输期间数据的脆弱性。最后,本文在不同的场景和方法上进行了测试实验。详细的仿真结果表明,我们的模型与其他基准解决方案相比,在添加和不添加安全层的情况下都更加节省系统消耗,具有更好的性能。