为了增强网络的安全性,入侵检测技术被广泛关注。随着机器学习和深度学习在入侵检测领域的广泛应用,其在识别网络中的恶意行为有着明显的成效。但由于网络流量的复杂性,基于机器学习和深度学习的网络入侵检测也面临着各种各样的挑战,主要的挑战之一就是缺少足够的带有标记的训练数据,可能无法训练出对网络入侵检测任务具有良好预测准确性的高质量模型。理想情况下,如果不同参与方能够将数据合并起来,协同训练机器学习模型（即集中式学习）,那么参与方就可以从中受益。然而,由于各种政策和法规,这些数据不能直接在不同参与方之间共享。联邦学习就是一种很好的解决方式——联邦学习可以在保护参与者敏感数据不被泄露的前提下进行分布式机器学习,所有的敏感数据都保存在参与者本地,参与者既可以保护敏感数据又能够训练效果更好的模型。联邦学习现已应用于医疗,社交网络,物联网等领域,也为网络入侵检测领域提供了新的发展方向,但将联邦学习应用到网络入侵检测领域仍存在一些挑战,现实场景下的网络入侵检测系统通常需要得到及时反馈,其训练过程中的通信和计算开销不能过大。因此需要在联邦学习过程中选择的合适的隐私保护机制,在不影响最终模型预测准确率的前提下,安全高效的进行模型训练。本文在网络入侵检测领域下,设计了一个快速高效的隐私保护联邦学习系统。具体来说,首先使用卷积神经网络设计了一种基于深度学习的网络入侵检测模型。其次,开发了一个联邦学习框架,允许多个参与方以保护隐私的方式共同构建一个全面的网络入侵检测模型,在训练阶段使用了Fed AVG方法来减小参与方与服务器的通信开销。此外,设计了一个基于加法同态加密的隐私保护机制,在训练过程保护模型参数的安全性和隐私性。并提出了一种量化方案和批处理来加速同态加密,以降低应用传统同态加密所带来的通信和计算上的开销。最终通过使用该系统分别在KDD99数据集,NSL-KDD数据集,UNSW-NB15数据集上训练CNN模型,在保证隐私的前提下,同集中式学习相比训练模型的性能几乎没有损失,验证了联邦学习在网络入侵检测领域的有效性和可用性。针对本文中提出的基于联邦学习的同态加密优化方案,通过对参与方和服务器的详细训练时间和交换数据量的评估对比。可以发现,相较于传统同态加密,随机统计了一轮迭代过程后,训练时间加快了近25倍,通信量减小了近7倍。此外本文还评估了不同参数对于系统的影响以及将系统应用到不同机器学习算法并进行实验对比。