边缘计算作为一种缓解资源拥塞的策略,逐渐发展为满足物联网和本地计算需求的新范式。与传统云计算相比,边缘计算将大量的数据计算或存储迁移到网络边缘,可有效减少边缘或云服务器与用户间的传输延迟,避免网络中的流量高峰。但是,端边云设备自身的安全保障仍然是一个不可忽视的问题,端边设备大多是资源受限的设备,缺乏像云计算设备一样的保护措施,导致端边设备的防御性能更弱、被恶意设备攻击的可能性更高,其分布式特点使得传统的集中式安全机制无法直接应用于边缘计算架构。因此,本文针对设备安全与用户隐私问题,重点研究边缘计算环境下的攻击意图识别和抗攻击机制以保障端边云设备间的安全交互。本文提出了一种基于部分可观察马尔可夫决策（POMDP）的攻击意图识别方法,其综合考虑了序贯决策与历史状态之间的联系,通过设备的攻击行为识别和系统状态挖掘攻击者攻击背后的真实目的,为预测后续攻击行动和做出相应的防御措施奠定基础。通过引入动态决策网络将意图识别环境建模为一个有限的、顺序的决策过程,利用POMDP数学框架分析不同状态间的转移过程并预测下一步攻击行为及意图。然后设计基于深度Q学习的攻击意图识别（DQAR）算法,通过仿真实验对不同意图识别算法的准确性、检测率和假阳性率进行了评估比较,结果表明,本文提出算法在意图识别准确性等方面有较好的表现。接下来,本文设计了一种基于平均场博弈的抗攻击方法,通过寻求大规模端边云设备的最优抗攻击策略,最大限度降低恶意攻击的破坏程度。首先,设计端边云设备的攻防博弈过程并寻求纳什均衡策略及攻防双方的回报收益。然后结合平均场博弈设计抗攻击模型,将大规模设备的安全防御问题转化为平均场对策问题,并利用自组织神经网络近似求解平均场耦合方程组。在此基础上设计了一种分布式人工智能驱动的安全防御决策（AMSD）算法,得到设备安全交互的最优解决方案,从而提升端边云设备的抗攻击性。最后,通过数值仿真验证了自组织神经网络的有效性,并对不同安全防御算法的初始端边云设备数量、迭代次数等参数进行了评估,结果表明,AMSD算法更适合包含大规模端边云设备的边缘计算架构。