传统的机器学习一般是在单机或者集群上集中处理数据、训练模型,然后云端下发模型。算法的准确率高度依赖于海量数据的训练分析,虽然大规模的收集数据极大的提高了机器学习算法的性能,但也给个人隐私数据保护带来更大的挑战,尤其是在移动终端,个人隐私数据安全问题进一步凸显。针对以上背景,本文基于安卓系统提出了一种横向联邦学习策略,并根据该横向联邦学习策略,本文设计并实现了基于安卓端的联邦学习平台。系统在各个安卓端根据用户提供的数据进行模型的训练,产生个性化模型。通过服务端融合安卓端上传的个性化模型,最终得到共享模型。本文详细阐述了系统所设计的理论基础、设计思路、实现方案以及测试与分析。本文主要完成工作如下:(1)提供安卓端模型推理、模型训练、模型更新。本文移植TensorFlow.js到安卓平台,通过TensorFlow.js实现模型推理、模型训练。安卓端下载云端最新的共享模型,并根据安卓端的本地用户数据来改进和训练模型。系统将改进后的模型提取为一个小的更新文件并将该更新文件上传到云端。(2)提供安卓端调度管理、训练数据管理。系统根据设备的状态提出了细致的调度策略,保证手机用户体验不会因为联邦学习而降低。训练数据管理负责在合适的条件下删除、添加数据。(3)服务端设计联邦学习模型共享策略并下发模型。服务端接收模型更新文件,并根据模型更新文件来加权平均模型参数,同时设计损失函数来评估模型性能。(4)本文对基于安卓端的联邦学习平台进行了功能和性能测试。并对测试结果做了详细的分析。