随着人工智能的高速发展,越来越多的领域关注于此并实现落地产业,然而人工智能的发展与模型精准性依赖于大量的数据。实际生活中,除了少数的公司能满足数据量需求外,绝大多数公司数据量少而且数据质量低,无法支撑构建精准的模型。而且国内外制定相关法律法规限制数据的流动,以加强对数据隐私的保护。为了解决“数据孤岛”的情况,联邦学习应运而生。当前已经有许多横向联邦学习的商业落地应用案例,间接扩大模型训练的数据量。然而横向联邦学习的发展仍处于初级阶段,尤其是数据传输过程中的隐私保护方面仍存在许多技术挑战。而认证及会话密钥协商是保证通信实体之间安全传输、可靠通信的关键技术,本文选择单服务器的应用场景,针对横向联邦学习数据聚合协议安全性进行研究,主要研究内容如下:（1）本文结合单服务器环境下横向联邦学习训练场景以及数据特征,采用基于身份的无证书密码体制,设计一个无双线性对的两方认证及会话密钥协商协议。在该协议中参与方不依赖密钥生成中心,利用公共参数计算临时密钥和长期密钥,而且在交互过程中引入新鲜随机数,保证协商的会话密钥新鲜性。协议的安全性证明中引入eCK模型,在满足基本安全性的同时,还具备前向安全性、抗未知密钥共享攻击、密钥泄露攻击和双向认证等安全属性,而且本文提出的协议中先认证再协商,避免不必要的计算开销。因此综合分析本协议具有完备的安全属性和合理的计算开销和通信开销,适用于单服务器横向联邦学习训练环境。（2）本文重点分析横向联邦学习数据聚合协议的安全要求,改进现有的平均聚合算法,设计一种新的聚合模式——联邦加权聚合Fed WAvg。该模型中考虑用户的数据质量参差不齐,根据本地计算与全局模型差异计算参数权重,并采用Paillier同态加密算法,对权重参数加密上传。聚合服务器根据每个用户上传情况,选择部分用户参与本次聚合,在密文状态下完成全局模型参数计算。通过实验仿真与现有的联邦平均聚合训练架构和未加密训练情况对比,本文提出的数据聚合协议在平衡计算开销和精确率的同时,实现数据的隐私保护,保证数据聚合协议的安全性。