云计算提供了许多服务资源，使得由服务组成的大规模云应用在许多关键领域得到广泛的应用。服务质量通常作为服务选择和组合的指标，以确保云应用的质量。为了促进服务的选择和组合，以往的研究使用协同过滤技术预测未知的服务质量值。然而，协同过滤技术在实际服务质量预测中存在着隐私泄漏的问题，用户可能不愿意通过共享数据进行协作。因此，解决隐私威胁成为实现服务质量预测方法的关键。本文从保护用户隐私的角度出发，提出了一种基于联邦学习的隐私保护的服务质量预测方法，且进一步提出改进技术，以显著降低系统的开销效率，使预测模型能够快速地，及时地提供预测结果。
