经过多年的发展和建设,移动通信网络目前已成为重要的社会基础设施,面向人们生产生活的各个方面提供了丰富便捷的移动服务。通过将资源、内容和网络功能广泛地部署在邻近用户或数据源的边缘网络节点,移动边缘计算（Mobile Edge Computing,MEC）架构保障了低时延高效率的移动服务交付性能,对仅依赖核心云服务器的传统移动云计算服务模式带来了补充与革新,为在边缘网络节点实现数据收集、内容存储和任务运行提供了系统支撑。移动边缘网络中海量实时数据的产生与交互,以及智能终端设备的性能增强,进一步促进了边缘感知、边缘缓存、边缘计算等数据驱动型移动网络技术的产生与成熟,更推动了人工智能任务在移动网络中的边缘化部署,为智慧化移动通信系统注入了新的活力。然而,这些新型网络技术的实施将给移动边缘网络中有限的系统资源带来巨大压力,使得通信、计算和存储等多维异构资源高度耦合且互相影响。此外,提升系统资源管理的定制化水平通常依赖于对实际用户数据的分析与使用,而海量高价值用户数据的收集与转移过程也极易诱发隐私泄露的风险。因此,本文面向移动边缘计算赋能的大数据移动边缘网络,关注分别以边缘感知、边缘缓存、边缘计算和边缘智能为支撑技术的四种典型移动服务系统及其业务需求,聚焦系统资源管理和数据隐私保护的关键问题,以期达到降低系统运营开销、提升系统能量效率、增强系统鲁棒性和保障系统安全性的目的,旨在推动四种技术在新一代移动通信系统中得到高效、可靠和泛在的部署和实施。本文具体研究内容和主要贡献概括如下:1.针对数据的感知与收集,研究了如何基于终端位置分布数据组建具有空间覆盖需求的边缘网络群智感知系统,同时保护参与用户位置隐私。首先,基于本地化差分隐私技术,设计了一种能够对抗“贝叶斯推理”和“最优推理”两种攻击的两阶段位置隐私保护机制,使参与者可以在上报位置信息之前依据自身隐私需求执行位置扰动,而无需暴露真实位置信息。其次,考虑位置扰动引起的感知数据偏差,以最大化整体感知覆盖为目标构建了一个具有高鲁棒性的参与者选择优化问题。最后,基于次模优化理论,给出了具有性能和复杂度约束的问题求解算法,使得在一定的招募预算下可以获得能够有效对抗位置偏差的高鲁棒性用户招募策略。基于真实位置数据集的仿真结果验证了所提位置扰动机制和用户招募策略在保护用户位置隐私以及提升决策鲁棒性和实际感知效用方面的有效性。2.针对数据的边缘化存储,研究了如何根据本地用户偏好数据进行无线缓存网络的内容决策,同时保护用户偏好数据隐私。首先,针对随机的用户内容请求,考虑具有码率版本偏好的内容流行度和边缘缓存的容量约束,以提升系统能效和克服用户偏好的不确定性为目标构建了高鲁棒性文件缓存优化模型。其次,基于集中式差分隐私技术实现了对用户历史请求数据的隐私保护,并依据隐私化的信息给出了对用户实际偏好分布的刻画方法。最后,提出了一种数据驱动的分布鲁棒优化方法,通过挖掘历史数据分布特征给出了能够克服用户请求不确定性的缓存内容定制策略。基于真实视频点播数据集的仿真结果表明,所提方法能够在保护用户偏好隐私的前提下有效规避由于内容请求的不确定性引入的风险,且在提升系统能效和缓存命中率方面均呈现出性能增益。3.针对数据的边缘化处理,研究了如何利用历史服务轨迹数据实现对分布式边缘计算资源的高效部署,同时保护历史服务数据隐私。首先,针对随机的计算任务到达量,以提升移动应用服务商的收益和克服服务需求的不确定性为目标,构建了具有风险规避能力的边缘计算资源部署优化模型。其次,基于有限的系统历史可观测数据,研究了刻画服务需求的不确定性的方法;最后,以保护各边缘节点的历史服务数据隐私为出发点,提出了一种数据驱动的高鲁棒性分布式资源部署优化方法,实现了在不泄露边缘节点私有数据的前提下给出最佳资源部署策略。基于真实服务轨迹数据集的仿真结果表明,所提方法能够在保护本地服务数据隐私的前提下有效规避由服务需求的不确定性而引入的收益风险,从而显著提升系统鲁棒性和服务交付效用。4.针对数据的本地化训练,研究了如何以贴合无线网络特性为导向利用终端感知数据实现机器学习任务的高效执行,同时保护终端训练数据隐私。首先,以降低通信负载为导向,融合现代通信压缩技术,对具有数据隔离和隐私保护特征的联邦训练算法进行了改进设计,并给出对算法收敛性和通信复杂度的理论分析。其次,表征了压缩参数对终端设备的通信/计算负载及能耗之间的影响关系,以最小化执行联邦训练任务的长期能耗为目标,构建了面向参与终端的压缩控制优化问题。最后,基于Benders分解和内凸近似方法,设计了一种低复杂度的压缩参数控制算法,为各参与终端实施灵活的通信压缩提供了指导。仿真结果验证了理论分析的正确性和优化算法的高效性,并显示了所提联邦训练算法和压缩控制算法在适应异构参与设备和提高系统能效方面的潜力。