随着移动互联网、5G网络和智能移动设备技术的快速发展,时空众包（Mobile Crowdsourcing,MCS）技术已广泛应用于现实世界,极大地便利了人们的生活。然而,MCS在给人们带来便利的同时,人们也面临着不可忽视的隐私泄露风险。此外,随着MCS中交互数据量的俱增,传统云计算已难以满足数据的高实时性和处理效率,边缘计算技术的提出和应用为该问题提供了新的求解思路。但边缘计算通常需要边缘服务器完成计算服务,边缘计算服务器作为一个半可信角色,仍可能泄露众包工人的隐私。现有的大多数MCS都基于可信第三平台完成数据的交互,通过服务器端完成数据的处理,并未考虑第三方平台和服务器对众包工人隐私的威胁。根据时空众包的时空特性和任务需求特性,众包工人接受和提交任务会暴露工人位置轨迹信息,提交的任务数据也会涉及工人敏感信息。因此,众包工人的隐私主要分为位置轨迹隐私和任务数据隐私。本文重点研究边缘云环境下的时空众包中两种隐私的保护问题,分别提出不同的隐私保护机制,实现众包工人多种隐私信息的安全保护。本文的主要研究内容如下:1.针对位置轨迹隐私泄露问题,本文提出一种基于边缘计算和区块链的三重实时位置轨迹隐私保护机制。利用本地化差分隐私技术,阻止外部攻击者和第三方角色直接获取众包工人的位置轨迹信息;利用高斯分布特性,结合众包工人当前位置状态和隐私需求,设计多重概率延伸算法,概率延伸轨迹中的敏感位置,提高轨迹中敏感位置的识别难度;利用动态假名算法和隐私时空特性,设计时空动态假名算法,通过动态假身份的随机无关性,降低众包工人与轨迹的关联关系;通过区块链实现分布式分发任务和数据上传,避免不可信第三方平台参与任务交互,保证众包工人的隐私安全。2.针对任务数据隐私泄露问题,本文提出一种基于边缘计算和区块链的可验证联邦学习隐私保护机制。利用边缘计算技术,完成数据近端计算,提高系统运行效率;结合区块链技术,通过广播方式完成数据传输,实现去中心化的众包任务交互;利用联邦学习算法框架,通过模型交互完成任务需求分配与提交,保证众包工人数据不出本地;基于随机响应机制和本地化差分隐私技术,设计双重局部扰动本地化差分隐私算法,完成众包工人数据隐私的本地化处理,保证数据隐私安全;通过众包工人历史任务评分,设计信誉计算算法,利用信誉值选择众包工人集合,保证众包工人质量;结合预测思想与联邦学习算法,构建可验证联邦学习算法框架,筛选众包工人的本地模型数据,保证整体服务质量。