本发明公开了一种基于模型权重更迭的联邦学习搭便车防御方法和装置，首先初始化联邦学习训练环境；服务器将初始的全局模型下发给各个客户端，开始联邦学习训练；各个客户端进行联邦训练，并生成本地模型，训练结束后保存模型参数并计算更新变化频率F矩阵；各个客户端将本地模型参数和权重变化频率矩阵上传至服务端；服务端通过聚合算法得到全局模型，并计算各个客户端间的欧式距离和计算各自权重的平均变化频率，并对欧式距离和平均频率异常的客户端进行标记；服务端下发给各个客户端更新后的全局模型；重复上述步骤客户端每上传一次参数，服务端进行一次筛查，当某客户端被异常标记3次，则认为其是搭便车攻击者，将其踢出联邦学习训练。