随着物联网的广泛普及和车载通信技术的高速发展,基于边缘基础设施实现车辆的评估、选择以及大范围的数据分发逐渐成为常态,通过V2I和V2V两种模式的协作数据分发不仅有效地提升了交通效率、降低了道路交通事故率而且改善了用户驾驶体验。然而在协作数据分发过程中,由于车联网特殊的应用环境,如开放的网络通信环境、动态变化的网络拓扑结构等造成中继车辆不可靠、任务分配不合理以及协作数据传输不安全等问题。因此,在车联网V2X协作数据分发服务中,如何实现数据安全、高效地分发,保证多目标多中继场景下协作数据分发的安全性和可靠性,对于提高车联网服务质量具有重要的研究意义。对此,本文将对基于边缘计算的车联网协作数据安全分发技术进行研究。本文的主要研究内容如下:（1）为了避免由不可信车辆成为中继并执行协作数据分发任务的风险,研究一种基于强化学习的中继车辆动态风险评估方案,通过构建以要素权值配置为状态、权值向量调整为动作、传输成功率为奖励函数的动态风险评估模型,同时综合考虑车辆信誉可变性、异常行为、通信链路可靠性和车辆间相关性等多因素对中继风险的影响,根据不同任务的实时道路反馈数据,实现对车辆风险的更新和参数权值策略的动态调整,从而更好地适应高速动态变化的车联网环境。通过对仿真模拟实验的分析,证明了本研究能够准确地评估中继车辆的风险,为后续中继车辆选择和V2V协作数据安全分发提供重要支撑。（2）在多目标多中继协作数据分发场景中,为确保协作分发任务的最大匹配,提出了一种基于二分图的多中继选择策略,将协作数据分发的中继选择问题转换为带权二分图的最大匹配问题。首先将目标节点与待选择的中继节点建模为二分图的顶点,根据车辆的风险评估值、已连接节点数和链路稳定度等要素确定二分图的边集,然后根据不同协作组合产生的能效给各边赋权,最后引用通过改进的Kuhn-Munkres算法求解该带权二分图的最大匹配提升整体中继车辆选择效率。通过仿真软件SUMO对实际场景的模拟,分析并证明了本研究能够有效提高中继车辆选择的安全性和匹配效率。（3）为了确保车联网大规模协作数据分发中数据的机密性和车辆的身份隐私,构建了一种基于属性基加密的V2V协作数据安全分发方案,使用基于密钥策略的属性基加密算法保证了数据从移动边缘服务器到RSU再到车辆的协作分发过程中的机密性,并针对协作分发过程中继节点恶意收集目标车辆身份、轨迹等隐私信息的问题提出一种有条件的车辆隐私保护方法,通过车辆特征属性模糊用户身份和匿名技术实现隐私保护以及恶意节点追踪。通过安全性分析和仿真模拟实验证明了本研究能够有效保证数据的安全性、车辆的隐私以及提高车辆端接收数据的效率。