随着移动设备和互联网技术的发展,分布在不同地区和不同设备之间的数据联系也越来越密切。在分布式系统中,最常见的两类就是分布式计算系统和分布式信息系统,其中分布式计算系统着重于使用分布式的方式为数据提供计算能力;分布式信息系统则主要关注以分布式的方式进行数据的存储和处理。分布式计算打破了数据之间的物理边界,使数据的所有权与处理权分离,产生严重的数据隐私泄露问题,这使得隐私保护计算问题受到了越来越多研究者的关注。联邦学习框架由每个客户端经过本地训练后将更新的模型参数发送给服务器,服务器通过对更新后的模型参数进行聚合操作从而得到最终的整体模型。由于不需要客户端将自己的输入上传到云服务器,在一定程度上可以保护用户输入数据的隐私性,但存在更新参数泄露输入数据隐私的风险,以及恶意输入攻击威胁。分布式信息系统中首先要解决的就是如何保持各节点存储数据的一致性问题,区块链技术是一种典型的分布式数据共享场景,利用共识机制使所有的诚实节点保存一致的区块链视图。现有的共识机制（如工作量证明机制,权益证明机制等）并没有对于获得记账权以后的各节点之间的收益分配给出相应的合理公平的分配方案,大节点垄断多数收益从而使整个区块链产生中心化的趋势。从面向分布式数据的隐私计算问题和数据共享过程中的数据一致性问题出发,本文研究了分布式计算场景下联邦学习中的安全聚合问题和分布式数据存储结构区块链中的共识机制的设计问题,具体涵盖的研究内容如下:·分布式雾计算场景下的安全聚合协议.本文将高效的加法秘密分享方案与联邦学习相结合,设计了一种基于雾计算场景下的安全聚合协议,借助雾计算环境中的雾节点作为中间处理单元,为输入数据提供了一部分的计算服务,并协助云服务器进行最终安全聚合,从而减少了云服务器的通信和计算开销。针对训练过程中存在客户端中途掉线的问题,本文还设计了一种轻量级的Request-then-Broadcast方法来解决这个问题。在大规模客户端场景下的模拟实验中,与之前的安全聚合协议相比,本协议的通信时间和计算能力都有所提高。·防止客户端作弊的安全聚合协议.针对大量客户端在联邦学习场景下进行聚合计算的情况,本文设计了雾计算场景下一种快速高效且能防止客户端输入非法数据的安全聚合协议。此协议假设作为中间层的雾节点由于经济利益或信誉以及相关法律法规的约束,没有合谋的动机。因此,借助这些不合谋雾节点的帮助,在收到用户上传的秘密份额以后,借助安全多方计算协议中常见的乘法三元组进行简单的验证操作后可以剔除掉非法数据,使得服务器最终可以得到正确的聚合结果。此外,考虑到在联邦学习的场景中只有一部分客户端在训练开始之前被选中参与训练的情况,本文还根据云服务器不同的训练要求,给出了两种不同的选择客户端的方式。·基于沙普利值的PoS共识机制的改进.针对区块链共识协议中存在的大节点垄断化发展趋势,本文借助博弈论中沙普利值的收益分配原理对权益证明协议PoS中的收益分配方式进行改进,使得PoS机制中参与生成区块的节点的收益分配更加公平合理,在一定程度上提高了新参与挖矿小节点所获得的收益,减缓系统中心化的趋势,促进系统安全稳定的运行。此外还将相同的思想应用到了 Ouroboros协议中,对其收益分配算法进行了改进,使其依旧满足存活性和持久性。