该研究探讨了联邦学习中的信任度评估，提出了六个支柱和30多个度量标准，并设计了算法FederatedTrust来计算信任度得分。实验验证了其在不同配置下的实用性。此外，研究还提出了基于区块链的可信边缘学习方法和公平客户选择策略，以提高联邦学习的可靠性和公平性。

本文介绍了多种联邦学习的创新方法，包括基于容器的客户端部署、信任度评估算法FederatedTrust、区块链隐私保护框架和动态用户选择方案FairFedCS。这些方法旨在提高模型准确性、减少延迟，并解决数据异构性和信任问题，展示了在不同实验中的有效性和优势。