随着网络技术不断发展,网络服务数量也越来越多,随着而来的是各种网络入侵行为。入侵检测系统就是一种针对入侵行为的防御方法,因为近些年深度学习技术的迅速发展,出现了大量基于深度学习的入侵检测方法,传统的集中式深度学习方法需要将大量数据集中起来用于训练模型,但是这种方法很容易让数据中包含的隐私信息泄漏,而用于训练入侵检测模型的数据往往包含着很关键的隐私信息。为了提升基于深度学习技术的入侵检测方法的安全性,本文提出了一种基于联邦学习和Intel SGX的入侵检测技术。本文通过将联邦学习技术引入到入侵检测中,避免了训练数据隐私信息直接泄露的问题,同时本文针对联邦学习过程中的客户端选择算法进行优化,提出了一种基于奖惩机制的动态客户端选择算法,从而降低了网络环境不稳定的客户端对整体模型训练过程的干扰。在联邦学习服务端的聚合算法实现中,本文还提出了一种基于SIMD指令集的优化方法,有效降低了聚合算法的运行时间。最后本文设计了实验来验证该方案的在客户端之间数据量分布不平衡以及数据不满足独立同分布的情况下的有效性。由于联邦学习训练模型的过程中仍然存在隐私泄漏的风险,为了进一步提升安全性,本文提出了一种基于Intel SGX的联邦学习隐私保护技术。该技术将联邦学习的服务端聚合算法和客户端的训练及推导过程保护在SGX Enclave中运行,并基于SGX的远程证明功能建立服务端和客户端Enclave之间的加密信道。本文调研了现有的针对联邦学习的攻击方法并建立了威胁模型,基于设定的威胁模型对本文提出的联邦学习隐私保护技术进行分析,得出了该技术可以有效防御各种针对联邦学习的攻击行为的结论。