城市智能化的持续、高速发展,无线传感设备被大量部署,从而使感知数据获得了爆炸式地增长。与此同时,由于物联网的部署环境复杂,因此针对数据收集方案仍然面临安全威胁。传统的物联网已经不能满足海量数据处理和管理的要求。因此,针对延时敏感型和计算密集型任务,如何在保证数据安全的前提下高效率地收集数据,从而达到安全、高效的数据收集以及计算任务处理的目标已经成为了研究热点。本文针对当前数据收集方案在探索空时相关性、观测矩阵的优化、数据隐私保护以及计算迁移等方面存在的突出问题,主要的创新性贡献包括如下三个方面:1)雾辅助的感知大数据高效隐私保护数据收集研究:针对当前数据收集所存在的效率低下问题,本文的设计了一个分层感知雾计算体系结构为探索数据之间的时空相关性提供了有效支持,该雾计算辅助的网络体系避免了本地设备与云中心进行远程通信,从而降低了网络开销与通信成本和延时;其次,提出了一种采样扰动加密方法,使得在不牺牲数据相关性的前提下,保护了数据的隐私,使得窃听者和主动攻击者无法获得原始采样数据,该方法对加密采样数据的解密和解压缩操作的同时执行提供了支撑;构建的观测矩阵优化模型,通过降低观测矩阵与字典的互相关性,使得字典最适配当前的观测矩阵,从而保证了数据重建的高精度。通过仿真表明,该方法是一种高效的数据收集方法,并具有很强的隐私保护特征。2)雾辅助并行多任务时延最小化计算迁移研究:针对传统的雾计算辅助方法中,单个雾节点有限的计算资源无法满足大规模任务计算的不足,本文在雾计算辅助的网络结构中引入计算迁移机制,构建了一个并行计算模式下的任务完成时间最小化问题,通过联合优化计算与通信资源的分配提高计算与网络资源的利用率,从而使得任务的完成时间最小;基于上述优化问题,提出了一种基于梯度下降的计算迁移决策算法,该算法通过联合优化分配本地CPU计算资源、外部CPU计算资源和信道带宽资源,确定最优的任务迁移比例,从而使得在有限的计算和网络资源场景下任务的完成时间最短。最后,通过仿真结果表明,本部分所构建的计算迁移方法是一种高效的任务完成时间最小化方法,与其它方法相比具有明显的性能优势。3)基于深度学习的能量与延时协同感知计算迁移研究:当前传统的计算迁移方法均需要实时地获取信道和计算等信息数据,但是在实际情况中,这类数据往往很难及时获取,因此本文提出了一种基于深度学习能量和延迟协同感知的雾计算迁移机制。首先,为了实现高效的任务计算,构建了一个雾辅助的任务完成时间和本地雾节点能耗的加权和最小化问题;基于上述构建的优化问题,提出了一种基于深度学习的联合迁移决策与资源分配(Deep learning-based joint offloading decision and resource allocation algorithm,DL-JODRA)算法,该算法利用经验数据训练深度神经网络,并通过训练好的深度神经网络得出最优迁移决策;在获得最优迁移决策后,通过联合优化本地CPU、带宽和外部CPU资源占用率来进一步降低任务完成时间与能耗。最后,大量的仿真结果表明,与基准方法相比,所提出的DL-JODRA算法能够在较低的计算资源需求下快速获得最优的迁移决策,并能显著降低任务处理成本(如时延和能耗)。