联邦学习作为一种新提出的协作式学习方式,可以实现客户端在本地进行机器学习训练,保护本地数据不泄露,打破各组织或各个节点间的数据屏障。但是随着新应用场景的出现,例如车载自组织网络,物联网等,传统的具有服务器的同步联邦学习架构面临着单点故障等问题,不能满足现有新应用场景下的群组动态性需求。为解决上述问题,本文提出了新的无服务器异步联邦学习框架,在此框架上研究了联邦学习的模型质量与隐私保护问题,以满足车载网、物联网等应用的安全需求,并具体分析了模型质量与隐私保护方案的设计目标。本方案的研究目标是需要设计适用于无服务器异步联邦学习的隐私保护和异步聚合方案,解决在异步联邦学习环境下的数据安全和低质量更新问题。本文主要工作如下:1.提出了差分私有的动态异步联邦学习聚合方案。联邦学习可有效解决数据孤岛问题,可结合孤立的客户端进行多方智能学习,同时保持数据本地化。但现有基于联邦学习的方案未考虑部分新应用场景中客户端动态性（如车联网等）,无服务器的异步联邦学习在客户端聚合过程中可能会接收到低质量模型更新,降低模型质量。针对动态异步联邦学习的模型性能易受到低质量更新影响等问题,具体分析了动态异步联邦学习聚合方案的设计目标。我们设计了基于数据集和模型精度验证的异步聚合方案,利用临时聚合、相似度比较等方法,能够在聚合过程中根据验证结果识别和舍弃低质量更新,提高最终训练模型的性能表现,同时利用差分隐私保护模型更新的隐私。该方案能有效满足在动态环境下进行异步聚合的需求,避免低质量更新攻击,并通过性能评估和实验分析证明了该差分私有的动态异步联邦学习聚合方案的有效性。2.提出了隐私保护的群组动态异步联邦学习方案。异步联邦学习依赖大量客户端间的数据交互,模型更新的交换,存在客户端之间传输信道易受攻击、来自半/不可信客户端通过模型获取诚实客户端数据隐私等问题,为保护数据隐私,需要考虑通信数据的保密与认证性。群组内客户端的数据通常具有私密性,不希望被其他实体获取;另一方面,为保证数据来源的可信性,需对群组内客户端进行认证,以防止未授权节点的参与而带来风险。需要研究符合异步联邦学习特点的动态可控保密与认证信道建立,提出了利用贡献广播加密结合差分隐私、数字签名技术对模型更新等数据隐私进行保护,抵抗推理攻击、重构攻击等相关攻击。同时参与异步联邦学习的参与者通常会随着时间而快速变化,在一些情况下,如移动智能车群组内成员的变动将会非常频繁。针对此问题,对贡献广播加密方案进行相应扩展,实现学习过程中群组成员和接收者的动态可控,群组之间成员消息的互通,保证联邦学习客户端间数据交互的保密性与认证性。最后与已有隐私保护方案特征进行分析对比,通过实验模拟评估此方案的可行性和效率。