联邦学习中，安全聚合是防止梯度泄露的关键组件，但其通信成本通常与梯度维度成正比，对于大型模型和带宽有限、节点不可靠的分散式联邦学习场景尤其高昂。Top-K梯度稀疏化通过仅传输完整梯度的少数重要条目来降低通信开销，同时保持模型精度，但每个用户选择的Top-K条目不可预测且因用户而异，给高效的稀疏安全聚合带来挑战。本文研究了在用户掉线和用户合谋情况下的信息论安全聚合与Top-K稀疏化问题，提出了一种通信高效的稀疏安全聚合方案。该方案将维度相关的开销转移至离线阶段，利用随机掩码和排列保护私有梯度，在线阶段仅需传输稀疏梯度及其索引。实验结果表明，即使梯度稀疏率仅1%，方案也能实现与全梯度聚合相当的模型精度，同时显著降低通信成本。该方法适用于分散式联邦学习，兼顾了隐私、效率和鲁棒性。