Al descargar tareas de computación a satélites visibles para su ejecución, la arquitectura de computación de borde de satélite resuelve efectivamente el problema de alta demora en redes remotas (por ejemplo, montañas y desiertos) cuando las tareas se transfieren a la nube terrestre urbana (TC). Sin embargo, los trabajos existentes suelen estar limitados a la transferencia de tareas en redes de satélites puras y toman decisiones de transferencia basadas en modelos predefinidos. Además, el consumo de tiempo de ejecución para las decisiones de transferencia es bastante alto. Además, la información de privacidad puede ser interceptada maliciosamente ya que las tareas de computación se transmiten a través de redes de satélites vulnerables. En este documento, estudiamos el problema de transferencia de tareas en redes de computación de borde satélite-terrestre, donde las tareas pueden ser ejecutadas por satélites o TC urbano. Se describe un escenario de fuga de privacidad, y consideramos preservar la privacidad enviando tareas aleatorias adicionales para confundir a los adversarios. Luego, se modela el costo de transferencia con consideración de protección de privacidad, y la decisión de transferencia que minimiza el costo de transferencia se formula como un problema de programación entera mixta (MIP). Para acelerar la resolución del problema MIP, proponemos un algoritmo de transferencia de tareas basado en aprendizaje profundo (DRTO). En este caso, la ubicación de transferencia y la asignación de ancho de banda dependen únicamente de los estados actuales del canal. Los resultados de la simulación muestran que la sobrecarga de transferencia se reduce en un 17,5% y un 23,6% en comparación con la computación pura de TC y la computación pura de SatEC, mientras que el consumo de tiempo de ejecución de DRTO se reduce en al menos un 42,6%. Las tareas ficticias se muestran para mitigar efectivamente la fuga de privacidad durante la transferencia.