数字经济的到来加速了信息一体化的建设进程。联邦学习作为有效的分布式数据挖掘技术被广泛应用于大数据服务中。然而,产生大数据资源的云计算、边缘计算、物联网以及工业控制系统等多种复杂系统具有分散性、开放性、移动性、多安全性、异质性等特点,使得与之伴生的联邦学习技术面临着新的数据安全性和服务质量的双重挑战。为了实现高效安全的大数据服务,提升当前联邦学习中的隐私性、模型可验证性、模型完整性和模型可用性,本文亟需解决围绕联邦学习的隐私泄露、隐私计算开销沉重、聚合结果无法验证、恶意攻击以及数据不均匀分布等关键问题,主要工作和贡献可概括如下:（1）研究轻量级的隐私保护联邦学习框架。大数据分布环境中联邦学习训练过程承载数据隐私,并且训练参数的泄露也会造成信息泄露。针对现有典型隐私保护联邦学习系统在安全性和效率性方面的缺陷与不足,研究分布式环境下大规模密文存储开销大、密文数据挖掘计算负荷重、单一密钥安全泄露的问题。因此,本文提出一种轻量级的隐私保护联邦学习方案,设计XGBoost模型的联邦学习训练算法,构建基于多密钥结构的安全聚合机制,并将部分密文计算过程迁移至本地明文,确保模型分享和聚合过程的高效性和隐私性。实验表明隐私保护训练过程满足轻量级的需求。与现有隐私保护方案相比,训练时间提升多个数量级。（2）研究面向异质数据的无偏隐私保护联邦学习框架。广域大数据的复杂结构使得在不同域间异质数据（非独立同分布,Non-IID）分布偏差较大。为此,本文提出面向异质数据的隐私保护联邦学习,基于生成式网络设计隐私保护的数据增强机制,解决现有Non-IID数据分布下的联邦学习模型更新存在局部偏差、模型精度损失大,收敛速度慢等问题。实验结果表明所该方案可以应用于现有的多种典型联邦学习方案中,在多种Non-IID数据场景下对联邦学习的性能有显著提升,能够提升约70%的收敛速度,满足Non-IID数据处理过程快速收敛训练和高精度需求。（3）研究可验证隐私保护联邦学习方案。联邦学习通常在存储小样本数据的用户间协作训练,而用户间未建立信任机制。联邦学习的隐私计算通常在不可信的环境下执行,存在不诚实计算（主动攻击）的可能。为了防止恶意计算,本文提出支持主动安全的可验证隐私保护联邦学习机制,设计支持主动安全的可验证隐私计算方法,构建安全可验证的聚合机制,用以实现在联邦学习中对中间参数和训练结果的验证。基于实际数据集的实验表明该方案由可验证机制引入的开销在实际场景中是可接受的。（4）研究防御安全的联邦学习机制。现有攻击者利用联邦学习自身漏洞发起模型投毒攻击破坏模型完整性。联邦学习的隐私保护机制为模型投毒提供了隐蔽性,使得攻击难以被察觉和识别。为此本文提出一种具有抗模型投毒攻击的隐私保护联邦学习方案,在加密的参数上基于隐私保护的余弦相似度机制识别恶意参数以抵御攻击,确保模型的可用性,且基于隐私计算的防御过程不泄露敏感信息。基于实际数据集的实验表明该方案能够抵御多种典型的模型投毒攻击,具有强鲁棒性。