联邦学习支持用户在本地使用数据对模型进行训练,由联邦学习服务器聚合本地模型参数。但是相关研究表明用户上传的本地梯度参数或模型参数存在隐私泄露的风险。相关工作提出差分隐私、安全多方计算、同态加密等技术来保护用户的数据隐私。但是,安全多方计算与同态加密一般需要大量的通信开销和计算开销,并且要求传输密钥的通信信道是安全的,因此不适用于大规模联邦学习场景;差分隐私技术往往带来额外噪声,影响模型精度和训练速度。因此,本文设计了基于CDH（Computational Diffie-Hellman）的保护数据隐私和保证模型精度的轻量级联邦学习框架。首先,基于CDH问题,利用数学模块化特性,设计了轻量级数据加密协议。参与用户与联邦学习服务器根据协议生成轻量级密钥,参与用户使用密钥加密本地模型参数;联邦学习参数服务器则使用密钥解密得到所有用户的本地模型参数和,但无法解密每个参与用户的本地模型参数。任何潜在的敌手,包括半诚实的其他用户、不可信的服务器以及恶意的第三方,通过不安全的通信信道或其他方式获得用户的密文后,都会面临CDH问题而无法解密密文。因此本文算法能够保护每个用户的本地模型参数不被除该用户以外的其他各方所获得,进而防御了一切基于用户本地模型参数的攻击。此外,本文设计的数据加密协议是轻量级的,只产生少量的计算开销和通信开销,且同时能够保证全局模型的准确性和训练速度。然后,在上述轻量级数据加密协议基础上,本文进一步考虑了用户中途恶意退出攻击以及串通攻击的情况,拓展式设计了抵御恶意退出攻击和串通攻击的参数加密算法,保证用户的本地模型参数在有用户恶意退出或者相互串通的情况下仍不会泄露,同时能够保证全局模型的准确性。最后,本文在MNIST、Fashion-MNIST、CIFAR-10三个数据集上做了大量的验证实验,并将本文工作与基于差分隐私的相关工作、基于同态加密的相关工作,以及常规的联邦平均算法（Baseline）作对比。大量仿真实验结果表明了本文设计的基于CDH问题的联邦学习框架能够保护用户的参数隐私、保证模型精确度以及产生较低的计算开销和通信开销。