近年来,分布式计算技术在数据聚合、智能电网、机器学习和社交网络等领域得到了广泛应用。作为分布式计算领域的一种常用方法,平均一致性算法主要是通过分布式的方式对一组数据进行计算并获取该组数据的平均值。此外,随着物联网技术的快速发展,人们对网络安全的需求逐渐提高,隐私泄漏风险问题引起了越来越多的关注,如何设计具有隐私保护特性的一致性算法成为了热门研究课题并具有极大的工程应用背景。基于此,本文设计了几类新的具有隐私保护功能的平均一致性算法,并进一步分析了算法的收敛性。本文的主要研究内容概述如下。现有基于数据扰动的隐私保护平均一致性算法只能保证在期望条件下的收敛,实际应用中可能导致聚合结果产生较大偏差。为提高算法的收敛精度,本文利用随机响应扰动结点初始值,并提出了基于随机响应的隐私保护平均一致性算法。在具体算法设计中,网络中所有结点都设置两个状态。其中,一个状态带有随机扰动,并与邻居进行交互更新;另一个状态保存在本地,利用本地数据进行更新。通过理论分析证明了,在此架构下网络中每个结点的两个状态都可以收敛到网络中所有结点初始状态的平均值;此外,利用本地化差分隐私作为隐私保护效果的度量方式,分析了在一致性实现过程中的数据隐私保护效果。最后,通过数值仿真验证了所提出算法的合理性和有效性。针对加权平均一致问题,本文提出了一种基于随机噪声来扰动结点初始值的隐私保护加权平均一致性算法。利用安全多方计算的思想设计了一种特定结构的噪声生成机制,使得噪声既能对隐私数据进行有效的扰动,又能够在收敛时相互抵消,进而实现结点状态的精确收敛。通过理论分析证明了在此架构下网络中每个结点的状态最终都可以在实现隐私保护的基础上精确收敛到网络中所有结点初始状态的加权平均值。最后,利用数值仿真验证了所提出的算法的合理性和有效性。