本文提出了一种面向联邦驾驶员监控场景的隐私保护框架 SecureDrive-FL，核心解决联邦学习中梯度更新在传输过程中易被中间人（MitM）窃听以及模型投毒攻击破坏全局收敛的问题。作者首先提出 GASHE（梯度感知选择性同态加密）策略，该策略不再像传统静态分层或全参数 CKKS 方案那样对所有梯度统一加密，而是动态识别并仅加密超过 DP 校准敏感度阈值的梯度分量，从而显著降低加密开销。在此基础上，SecureDrive-FL 将 DP-SGD 与 GASHE 耦合，形成首个闭环的 DP+HE 隐私流水线：DP-SGD 的校准参数直接推导出 GASHE 的加密掩码，将训练时隐私与通信时机密性统一起来。实验基于十类分心驾驶员分类任务，在非独立同分布（non-IID）联邦划分下评估，结果表明 SecureDrive-FL 在与仅 DP-SGD 相当的抗投毒能力（准确率 73.6% vs 74.0%，攻击成功率均为 3.9%）的同时，还能抵御 MitM 窃听，而仅 DP-SGD 在窃听下准确率从 78.2% 骤降至接近随机的 10.4%。此外，相对仅 DP-SGD，SecureDrive-FL 仅引入约 8%-10% 的额外运行开销，且实验在 DP-SGD 噪声注入下每轮隐私参数 epsilon_0=4 进行。该研究适合隐私计算、联邦学习安全、边缘智能监控系统方向的研究者与工程师阅读。