联邦学习（Federated Learning,FL）作为一种新兴的机器学习范式,可以在边缘进行数据收集、训练和推理。因此,FL被认为是一种有前途且安全的学习机制,因为只有更新的权重会被上传,而原始私有数据是安全的。然而,在零信任环境中,恶意方仍然可以通过权重获得隐私数据,例如参数服务器和FL中的其他参与者。在通常假设参数服务器的半诚实模型下,实现完全的隐私保护并非易事。传统解决方案通常利用密码学方法对权重进行加密,但由于一系列新带来的问题,例如密钥分配、适当的访问控制策略等,这些问题尚未从根本上得到解决。在本文的工作中,本文利用区块链技术建立FL架构的隐私保护通信通道和便捷的访问控制机制。边缘设备通常在资源受限的环境中工作,包括不稳定的网络条件、有限的电池容量和计算性能。因此,减轻边缘设备的负担对于释放FL的真正潜力具有重要意义。即使在中等规模的模型训练过程中,承载更新权重的大量流量也会使训练过程相形见绌。先前的工作倾向于对权重应用各种压缩算法,但网络增益会受到压缩/解压缩过程引起的额外CPU周期开销的影响。本文提出一种趋势感知解决方案,以过滤掉那些偏离的权重更新。在训练过程中只上传符合训练趋势的“有效”更新。本文为超参数设计了一个简单而有效地适应算法,即阈值自适应更新训练过程。本文利用各种真实数据的边缘设备对架构进行了可靠的评估。结果证明了本文的架构的实用性以及本文的阈值自适应更新策略在减少跨设备训练流量方面的卓越效率。本文的架构性能与其他同类架构相当,同时实现了强大的隐私保护。