该论文针对联邦学习（FL）中梯度更新面临的两类安全威胁：传输过程中的中间人（MitM）窃听，以及恶意客户端发起的模型投毒攻击。传统方案要么对所有参数统一加密（如静态分层或全参数CKKS），计算开销大且不区分敏感度；要么仅依赖差分隐私（DP）但无法防止传输窃听。论文提出了一种新型选择性加密策略GASHE（Gradient-Aware Selective Homomorphic Encryption），其核心思想是：利用DP-SGD校准后的敏感度阈值，动态识别那些超过阈值的梯度分量，仅对这部分高敏感梯度执行同态加密，而不是对所有参数一致处理。在此基础上，作者构建了SecureDrive-FL框架，将DP-SGD与GASHE结合，形成首个闭环的DP+HE隐私流水线——即DP-SGD的校准参数直接用于生成GASHE的加密掩码，从而统一了训练时的隐私保护与通信时的机密性。实验基于十类分心驾驶分类任务，使用非独立同分布（non-IID）联邦划分进行评估。结果表明，SecureDrive-FL在抵抗投毒攻击方面与单独使用DP-SGD基本持平（准确率73.6%对74.0%，攻击成功率均为3.9%），但额外抵御了MitM窃听；在MitM场景下，单独DP-SGD准确率骤降至近随机水平（10.4%），而SecureDrive-FL仍保持78.2%。同时，相比单独DP-SGD，SecureDrive-FL仅增加约8%-10%的运行时开销（在每轮隐私参数epsilon_0=4的DP噪声注入条件下）。该研究的贡献在于提出了一种梯度感知的选择性加密机制，将DP与HE的计算开销集中在真正敏感的数据上，为资源受限的联邦驾驶监控场景提供了实用方案。适合对隐私保护联邦学习、同态加密与差分隐私结合感兴趣的机器学习安全研究者和系统设计者阅读。