隐私保护是数字经济的安全底座，如何在保障用户数据隐私的同时提供高质量连通服务，成为数字经济时代的重要技术课题。为破解隐私保护与数据应用的两难，以“数据不动模型动”为理念的联邦学习框架应运而生，其通过用户数据不出本地的方式完成云端模型训练，实现了“数据可用不可见”。近年来，联邦学习成为隐私保护计算主流技术之一。然而，随着需应用隐私保护计算的场景和行业日趋多元，涉及到的数据类型日趋丰富，已有联邦学习框架难以灵活高效地满足现实中越来越复杂的计算需要，需从注重“可用”到注重“好用”。为解决上述挑战，达摩院智能计算实验室研发了新型联邦学习框架FederatedScope，该框架使用事件驱动的编程范式来构建联邦学习，即将联邦学习看成是参与方之间收发消息的过程，通过定义消息类型以及处理消息的行为来描述联邦学习过程。通过这一方式，FederatedScope实现了支持在丰富应用场景中进行大规模、高效率的联邦学习异步训练。