随着物联网（Internet of Things,IoT）和5G通信技术的飞速发展,大量的网络用户与计算密集型的新兴应用让无线接入网络、核心网、云基础设施的负载越来越严重。移动边缘计算（Mobile Edge Computig,MEC）以其低延迟、快速响应的优势,为解决高负载问题提供了有效的途径。然而,边缘计算分布式部署和复杂服务模式的特点为智能应用带来的安全问题,也给边缘计算的进一步发展带来了技术瓶颈。因此,移动边缘计算的数据安全传输问题已成为了当前边缘计算的研究热点之一。本文结合全同态加密（Fully Homomorphic Encryption,FHE）技术与联邦学习（Federated Learning,FL）研究边缘计算的数据安全传输方案。针对资源受限的多用户多MEC服务器网络中用户任务安全卸载问题,本文结合全同态加密技术,提出了一种MEC网络中用户任务安全卸载方案。该方案中每个MEC服务器通过任务卸载帮助移动用户执行任务。当用户卸载任务执行时,本文采用FHE技术来保护传输过程中数据的安全。边缘服务器收到任务数据之后,在密文上进行任务处理,无法得到明文,以保障用户的数据安全。同时,考虑到资源受限的问题,结合资源分配策略,将用户卸载执行任务相对于本地执行任务带来的收益定义为系统卸载效益,将问题建模为最大化系统卸载效益。由于优化问题的非凸性,本文将优化问题分解为资源分配问题（RA）与卸载决策问题（OD）,来降低问题的求解难度。采用拟凸与凸优化求解RA问题,提出一种基于模拟退火的联合资源分配的用户任务卸载算法来解决OD问题。实验表明,该方案在保障了用户数据安全的同时,比基线算法具有更高的系统效益。针对密集网络中边缘客户机数据无法安全共享的问题,本文提出了一种基于分层联邦学习的边缘客户机数据安全共享方案。该方案中,客户机与服务器交互的是模型的参数值,而不是数据本身,以此保障边缘计算中客户机的数据隐私安全。数据在客户机本地进行指定次数的模型更新之后,将模型参数上传到MEC服务器进行第一次模型参数的局部聚合;经过了指定次数的边缘服务器的局部聚合之后,最终上传到云中心进行第二次参数全局聚合。由此达到处理更多客户机信息,并降低开销成本。进而,在该方案中,根据无线信道的条件与客户机的计算能力进行客户机的挑选,并进行通信资源的分配,降低客户机的能耗。实验结果表明,该方案能在保障客户机本地数据安全的同时,达到比原FL更短的训练时长和更低的能耗。