为了保护移动平台中的用户隐私敏感信息（如联系人列表、私人照片、刷脸支付等）,Arm公司提出了Trust Zone,将涉及用户隐私信息的程序运行在可信执行环境（Trusted Execution Environment,TEE）中,隔离普通执行环境（Rich Execution Environment,REE）里的应用,使其无法访问TEE区域。当REE中的用户需要获取TEE内的服务时,将通过特定接口与TEE建立连接,同时,TEE进行安全验证。这一过程在保证应用程序安全性的同时,也带来了许多额外的通讯和加载开销。因此,本文首先设计并实现基准测试集,分析了移动设备中常见操作在TEE环境下的能效表现。进一步,针对可信应用程序（Trusted Application,TA）在不同应用场景下的能效低下问题,分别提出了基于等待队列的单TA优化策略以避免移动系统在REE与TEE间频繁切换而损失性能,以及针对多TAs任务共置导致资源分配不均而造成浪费的情况,提出面向边缘计算的多TAs自适应调度模型,该模型可根据设备所处网络环境动态地调度到本地或边缘端执行,降低移动设备计算压力。本文的主要工作如下:1.设计基准测试集,分别对TEE中的数值计算、线程调度、内存分配及文件操作的四个移动设备中常见操作进行性能测试,了解不同任务负载在TEE中的表现。并采用GP-TEE标准API开发该基准测试集,在OP-TEE可信环境下测试通过。2.提出基于等待队列的TA优化策略。通过在客户端应用程序（Client Application,CA）与TA通信的共享内存中建立等待队列保存调用参数的方式,有效解决移动系统在REE与TEE间频繁切换而损失性能的问题。并且,若CA调用的可信方法所属同一个TA,则能避免该TA的重复加载。实验结果表明,相比默认调用方式,本文所提出的基于等待队列的TA调用策略平均降低30.87%的运行时间和平均33.04%的能耗,有效提高系统能效。3.提出面向边缘计算的TAs自适应调度模型。通过将准确率较高的复杂机器学习模型部署在计算资源丰富的边缘服务器上,以减轻移动设备的资源压力。再通过设备当前所处网络环境和TA任务复杂度,在本地移动端和边缘端进行动态调度,最终预测出符合用户目标的最佳任务调度模式。实验结果表明,与直接使用系统默认调度策略相比,本文提出的面向边缘计算的自适应调度模型所推理出的调度策略能够平均降低11.43%的时延,同时能量消耗平均减少5.30%。