本发明公开了一种基于端边云架构的分布式联邦学习的安全防御方法及应用，该方法包括以下步骤：边缘服务器接收端设备上传的更新的本地模型，其中，所述更新的本地模型为端设备基于私有数据对云服务器下发的全局模型训练所得；所述边缘服务器对所述更新的本地模型进行过滤，以获得安全本地模型；以及所述边缘服务器将过滤后的安全本地模型进行聚合，并将生成的边缘聚合模型上传至所述云服务器。该方法能够通过模型过滤算法将恶意模型排除，聚合成安全模型，在线持续防御针对全局模型的间接的投毒攻击(例如针对数据集的标签翻转攻击)。