《新一代人工智能发展规划》中指出智能物联网产业重点建设方向: 基于互联网大规模协作的知识资源管理与开放式共享工具，形成面向实际应用和产学研创新的共享平台和服务环境。 智能物联网（AIoT）追求的是形成一个智能化生态体系，以实现不同智能终端设备之间、不同系统平台之间、不同应用场景之间的互融互通。其中，数据作为最重要的生产要素，其高流通性是智能互联的必然要求。然而由于数据安全和隐私保护隐患重重，现阶段的数据流通仍然存在着难以打通的壁垒。 联邦学习凭借“数据不动，模型动”的思想受到了广泛关注，在保障个体数据隐私的前提下分布式联合建模，为打破数据流通壁垒提供了有效支撑。现有的联邦学习平台（例如FATE，TensorFlow Federated，PaddleFL，Pysyft等）受限于物联网终端的计算资源与移动性，难以直接应用于智能物联网。为应对上述挑战，我们首次提出AIoT环境下的联邦学习开源平台FedAIoT，实现资源受限的物联网设备之间的中心化/去中心化的联邦学习，对智能物联网的动态拓扑与多维情境自适应，并加入安全可信机制保证联邦学习模型可信运行。 FedAIoT开放平台简介 面向智能物联网的联邦学习开放平台FedAIoT由西北工业大学计算机学院和网络空间安全学院的教师学生共同研发。该平台旨在实现面向智能物联网的联邦学习的关键技术开源，为用户提供具有更高灵活性、自适应性、自组织性和安全性的联邦学习平台的同时，打造开源讨论和发布的良好社区环境，共同推动边缘网络中隐私计算系统的生态发展。 FedAIoT开放平台支持用户下载核心模块代码进行二次开发及上传，促进开放平台快速发展。开放资源社区实现智能物联网下联邦学习关键技术的开源，同时为用户打造开源讨论和发布交流的良好社区环境。平台将为开发人员全面介绍面向智能物联网下联邦学习关键技术的概念及可用开源资源，其中开源资源包括平台自研资源 、第三方汇集资源及开发者贡献资源等。各关键技术模块的简要介绍如下： 域自适应，计算场景自适应以及适配多种终端形态，智能化处理物联网中的海量多样化数据。 针对终端的移动特性以及可能出现跨域或者跨边缘等情况，通过对终端状态的感知，制定节点行为策略，并针对行为制定相应激励策略，实现动态演化的联邦学习。 提供中心化和去中心化的训练范式，灵活满足实际计算需求，支持异构群智的协作组队，并对终端自适应模型压缩以提高计算效率。实现智能终端的自组织协同训练。 FedAIoT引入可信管理机制，通过降低聚合权重或拒绝低可信度的参与方来保证学习结果的可靠性，实现快速、稳定的模型训练，有效抑制节点自私及恶意行为。