边缘计算是一种新兴的计算范式,将通信,计算,控制与存储等服务在网络边缘侧进行处置,在近移动设备,传感器,驱动器与终端设备等部位进行资源管理。在边缘节点进行数据处理过程中,涉及个人数据隐私保护与安全问题尤为突出,这可能会带来许多与安全和隐私相关的挑战。针对移动用户位置信息的泄露,需要解决如下问题。首先,边缘节点的覆盖范围较小,用户在数据处理过程中,通常是与距离自己最近的节点建立连接,因此攻击者能够通过节点位置预测用户的位置。其次,为了保护用户位置信息,需要对原始数据添加噪声,不可避免的造成原始数据的可用性降低,为了解决这两个问题,使得位置服务得到更好的应用,主要做了如下工作:通过上述分析,为了解决在边缘计算应用过程中,用户位置隐私泄露问题,提出了边缘数据分析的本地差分隐私位置模糊框架,主要由三个部分组成:(1)提出了边缘节点查询模型,主要作用是对数据处理过程中节点信息的连接进行查询,避免攻击者能够根据节点信息推测用户所在位置。根据边缘数据中心分布特性,本文考虑将其看作一个无向图,用户可以根据查询模型查询不同终端以及边缘节点之间的连接信息。最后,从算法执行效率与隐私保护度量两个方面对边缘节点的查询模型进行评估,结果表明,边缘节点的查询结构在一定程上可以保证节点之间连接信息的保护。(2)针对位置隐私泄露问题,提出了基于数据混淆与本地差分隐私框架,主要作用是能够保证传输数据的隐私,避免传输过程中的泄露。边缘节点覆盖区域一般较小,一些位置敏感的应用程序会有很大的偏差,因此不能很好的适应边缘辅助结构。以地理不可分辨差分隐私为基础,采用拉普拉斯分布生成噪声位置。(3)为了使得添加噪声之后的数据具有最大可用性,提出了数据重构思想,这一部分的主要作用是对来自扰动的数据进行重构,提高数据的可用性。建立查询之后,边缘节点需要根据历史数据生成概率模糊矩阵。由于考虑到地理不可分辨阈值的性质可以用线性约束来表示,提出把最优概率模糊机制K的选择问题简化为一个线性优化问题,然后用线性规划的标准方法来解决这个问题。利用压缩感知原理,对缺失矩阵数据值插入,重构数据矩阵。压缩感知一个前提条件就是满足低秩,因此需要将近似矩阵的秩最小化。但是秩界r和权衡系数λ两个参数对最终的估计质量影响很大,为了使算法在估计误差方面获得最佳性能,需要确定最优参数,利用基于遗传算法的排序和权衡系数最优参数的求解方法。结果表明,通过数据重构,可以在一定程度上提高数据精度。