随着5G与物联网的快速发展,边缘计算在现实应用中发挥着越来越重要的作用。边缘节点通过采集大量的用户数据为用户提供了丰富的个性化服务,但同时也存在着泄露用户隐私信息的风险。另外,因为用户对数据有不同的隐私保护需求,在云计算中对多级隐私数据进行有效统计成为一个难题。因此,如何保证用户的个性化隐私需求以及充分利用多级隐私数据进行有效估计成为了云边协同计算场景中的热点问题之一。本文介绍了目前常见的隐私保护技术和攻击问题,重点研究了差分隐私保护模型中的均值估计与直方图估计算法存在的问题。传统的1-Bit差分隐私没有明确概率区间的选择对最终隐私保护效果的影响,并且1-Bit差分隐私在压缩较大信息量的情况下仍然使用严格的差分隐私,使得数据量的减少会造成较大的均值估计误差;传统的基于数据派生的个性化本地差分隐私没有考虑编码对直方图估计误差的影响,而且数据派生算法具有较高的算法复杂度。本文在云边协同的场景下解决了以上问题,其主要工作如下:（1）本文通过分析1-Bit差分隐私中概率区间以及区间长度的选择对均值估计效果的影响,提出并证明了三条具有指导性意义的推论:概率区间是否对称对隐私等级的影响;概率区间的偏移距离对隐私等级的影响;概率区间长度对隐私等级和估计结果的影响。（2）为优化均值估计的精度与1-Bit差分隐私的灵活性,本文根据推论结果提出了基于最佳隐私预算的松弛1-Bit差分隐私保护模型,该模型使用少量的隐私预算就可以大大增加1-Bit差分隐私模型的稳定性与估计准确度。（3）本文为云边协同的隐私保护场景建立了分布式个性化本地差分隐私保护模型。在满足不同边缘节点下数据的个性化隐私需求的前提下,使用优化的一元编码（Optimized Unary Encoding,OUE）降低了直方图估计的均方误差。以取得最小误差为目的,提出了基于优化的一元编码的优化个性化隐私数据派生（Optimized Data Recycle with Personalized Privacy based Optimized Unary Encoding,OUE-ODRPP）算法,通过先验计算获得最小误差的隐私等级,在优化的个性化隐私数据派生ODRPP（Optimized Data Recycle with Personalized Privacy）算法中只需派生一个隐私等级的数据,大大减少了数据派生算法的算法复杂度。本文随之对提出的推论、模型和算法进行了仿真分析和比较,仿真结果验证了论文中理论的正确性以及优化性能。最后论文对研究成果进行了总结和展望。本文共使用图16幅,表9个,参考文献51篇。