随着传统互联网向移动互联网的迭代转变,移动宽带质量的提升,物联网、云计算等技术的发展,使得数据充斥整个世界并成为新的自然资源。个人或企业对数据的重视程度逐渐加深,最终使得数据壁垒问题显现。为了打破数据壁垒,充分发掘分散式存储数据的潜在价值,众多研究人员投身于数据共享解决方案中,其中联邦学习就是在人工智能领域实现数据共享的技术手段。经研究发现,诸如联邦学习等数据共享解决方案重点聚焦于保证数据不出库以实现数据的联合应用,但数据提供者在整个数据共享过程中缺乏有效管理能力,存在因数据脱离掌控而导致的安全性威胁。本文对面向联邦学习的分布式数据管理系统进行研究,首先对数据共享通用场景中的分布式数据管理进行研究并设计方案,继而针对联邦学习这一数据共享的特殊场景进行功能支撑,最后对系统进行了测试分析。主要研究工作如下:（1）分布式数据管理系统的架构设计。了解大数据背景下的数据孤岛困境,研究数据共享解决方案。针对联邦学习与数据管理的研究成果,分析在数据分散式存储的情况下,对共享数据进行有效可控管理的技术设计与优劣势。在上述研究的理论基础上,对分布式数据管理系统的进行需求分析并设计系统架构。（2）分布式数据管理系统各模块功能的设计与实现。从用户管理、节点管理、数据源管理这三个模块为切入点,按照将管理数据的权力最大程度交由数据提供者的思路,设计并实现分布式数据管理系统。（3）基于分布式数据管理系统的横向联邦学习子系统的设计与实现。在分布式数据管理系统的基础上设计横向联邦学习子系统的软件架构;通过联邦数据数据源管理、联邦任务训练这两部分描述了横向联邦学习子系统各功能模块的设计与实现,及分布式数据管理系统对横向联邦学习子系统的功能适配。（4）面向联邦学习的分布式数据管理系统的验证与测试。对所设计的系统进行业务功能性测试,并通过一个横向联邦学习的案例对系统联邦学习部分进行性能测试,以验证系统的可用性。