联邦学习（Federated Learning）能够使用来自大规模节点的本地数据集进行分布式模型训练,由于联邦学习在解决“数据孤岛”问题和保护数据隐私方面具有巨大优势,近年来迅速成为安全机器学习领域的研究热点。联邦学习的成功离不开分布式节点的积极参与,而长期机制的目的在于增加系统中用户节点的粘性,确保用户能够长期参与到系统中来,因此针对联邦学习系统中长期机制的研究与设计必不可少。在本文中,我们针对跨设备联邦学习和跨组织联邦学习的不同特点分别设计了长期激励机制和长期合作机制。基于动态重复博弈的跨设备联邦学习长期激励机制。在跨设备联邦学习任务中,模型的训练和更新通常是长期的重复过程,因为移动设备（员工）和任务发布者之间的模型训练过程需要经过多轮重复迭代才能使全局模型达到良好精度。然而,移动设备通常会自私地节省其本地资源,即使在模型训练开始时部署有激励机制,也无法保证员工会诚实地参与完成所有轮次的训练,这种“搭便车”行为会导致全局模型最终表现不佳。在推动我们工作的现有文献中,很少考虑在跨设备联邦学习中实现长期激励。本文将多轮次的联邦学习过程建模为一个动态重复博弈,为了获得长期收益,我们采用通用的触发策略作为对“搭便车”的惩罚,并推导出重复博弈的子博弈精练纳什均衡。基于博弈理论分析,我们设计了一个由纳什均衡状态驱使的长期激励机制,该机制能够引导任务发布者选择最有效的工资,激励移动设备进行长期合作,并避免移动设备在联邦学习过程中途“搭便车”。通过仿真分析,表明了该方案的有效性。基于重复博弈的跨组织联邦学习长期合作机制。跨组织联邦学习能够让具有相同利益的组织在保持其本地数据隐私的情况下合作训练一个全局机器学习模型。良好的全局模型精度离不开许多组织的积极参与,并且由于组织的本地数据集通常是时变的,因此可能会重复执行多个联邦学习过程来使全局模型适应不断变化的本地数据集。然而,跨组织联邦学习的参与者旨在通过自私地选择他们的参与水平来优化他们的长期收益。在本文中,我们将跨组织联邦学习中异构组织的长期自私参与行为建模为一个无限时间范围内的重复博弈,其中单个时段组织的自私参与博弈构成了阶段博弈。对于阶段博弈,我们推导出唯一的纳什均衡,并表明在均衡状态下,可能存在为了节约自身成本而不进行本地模型训练的“搭便车”者,而“搭便车”者的存在对实现良好的全局模型和维持其他组织的长期参与都有着不利的影响。为了实现组织之间的长期积极合作,我们提出了一个长期合作机制,该机制能够在增加模型训练本地数据量的同时,最小化“搭便车”者的数量。长期合作策略在惩罚策略的强制下,构成了重复博弈的子博弈精练纳什均衡,在这种情况下,一部分阶段博弈纳什均衡中的“搭便车”者就会转变为部分数据贡献者。我们进一步提出了跨组织联邦学习最优合作参与策略的长期合作机制算法,该算法在最大限度地增加模型训练的本地数据量的同时,使“搭便车”者的数量最小。仿真结果表明,我们的方案具有有效性。