车联网中各个节点间海量数据的传输和共享,使得保障数据传输的高效安全以及车辆用户的信息隐私成了不容忽视的问题。针对这些问题,现有的车联网研究中,一部分基于数据加密验证或是车辆用户的信任评估,另一部分基于机器学习的模型训练。加解密以及评估的过程往往涉及大量的计算,而边缘侧的车辆节点往往资源有限,因此在考虑数据隐私的同时,车辆节点难以兼顾对数据有效地计算分析与共享。机器学习可以在数据中提取出关键信息,以模型的形式进行共享,但数据的集中处理会带来单节点资源开销大、车辆用户隐私泄露的风险。当攻击者借助正常的车辆用户加入车联网并发起攻击时,数据的有效性及安全性会受到威胁。面对不诚实的中心服务器时,车辆用户的信息隐私存在泄露的风险。为了解决这些缺陷,本文致力于研究如何结合联邦学习技术和秘密共享技术,设计车联网数据共享架构,以提高车联网数据共享的高效性,保障车辆用户的数据安全和信息隐私。本文的主要研究内容如下:（1）针对当前车联网中,车辆节点在保护数据隐私的同时难以对数据有效的计算分析与共享的问题,本文提出了基于联邦学习的车联网数据共享架构,包括车辆用户层、边缘计算层和中心层。该方案参照车联网中网络和各实体的特点,为每一层实体设计联邦学习架构中的训练参与策略,保障车联网中数据传输共享的可靠性。车辆用户负责模型的局部训练,边缘服务器负责模型的中转和聚合,设计数据集下发方案,增强车辆局部训练模型的性能。设计聚合的加权分配方案,提高全局模型收敛速度和准确度。中心服务器层,设计全局聚合方案,加速各节点全局模型的同步。训练的最终模型作为数据信息传输的载体,以减少原始数据的信息冗余,增强接收节点关键信息的应用效率。（2）针对将联邦学习技术引入到车联网中后,在中心服务器不诚实、恶意用户参与并发起攻击的场景下,数据安全和车辆用户隐私保护的问题,本文提出了一种基于秘密共享的攻击缓解和隐私保护方案。本方案中,对于车辆用户,设计隐私保护训练,加强车辆用户信息隐私保护。对于中心服务器,设计中毒攻击缓解方案,检测并筛除恶意攻击者,提高数据安全和准确度。此外,分析中毒攻击缓解方案中检测算法的计算开销,提出优化算法,进一步降低系统计算开销。