本研究提出了基于区块链的分散式联邦学习框架 VBFL，通过利用区块链架构中的两种机制，即引入一种新的去中心化验证机制以验证本地模型更新的合法性，以及设计专用的权益证明共识机制，在稳定性上达到了更高的精度。在 MNIST 分类的仿真结果中，当有 15% 的恶意设备存在时，VBFL 可以实现 87％的准确率，比 Vanilla FL 高 7.4 倍。

Jan, 2021

本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

Sep, 2020

提出了基于区块链的分布式联邦学习（BDFL），利用区块链进行分散化模型验证和审计，包括审核委员会、激励机制、信誉模型和动态网络更新协议。评估结果表明，BDFL 在存在 30％恶意客户端的系统中，通过信誉机制实现了快速模型收敛和高准确性。

Oct, 2023

通过整合区块链技术来提供更强的安全性、公平性和可扩展性，本文对最近关于区块链与联邦学习整合的研究进行了综述，并分析了相关的好处和挑战，同时提供了对未来研究方向的见解。

Mar, 2024

本研究使用一款模拟工具，研究了使用区块链技术达到去中心化的联邦学习（FLchain）所带来的影响，并探究了信息时效性和账本不一致性这两点对 FL 性能的影响。

May, 2022

区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

Mar, 2024

本文全面评估了基于区块链和联邦学习的 Blockchained Federated Learning (BlockFL)，并在四个物联网应用场景中比较了现有 BlockFL 模型的安全性、隐私性、可靠性、效率和数据异构性等特征，结果表明去中心化和透明度使 BlockFL 成为分布式模型训练的安全有效解决方案，但其额外成本和兼容性仍需要进一步研究。

May, 2023

我们设计并开发了一个嵌入以太坊网络的基于区块链的联邦学习框架，该框架提出了一种 FL 与区块链结合的代码实践范例，并且与普通的 FL 训练任务兼容。此外，我们还提出了基于区块链的模型所有权认证架构和模型水印技术来保护模型的知识产权。这些机制在区块链上为联邦学习提供了可验证的训练、聚合和激励分配过程，并将此框架命名为 VeryFL（嵌入区块链的验证联邦学习框架）。

Nov, 2023

提出了一个针对联邦学习的安全可信的区块链框架（SRB-FL），以应对由于不可靠参与设备、大量训练模型和匿名性等方面导致的挑战，建立一个基于区块链分片的安全联邦学习，确保数据可靠性、可扩展性和可信度，并引入一种激励机制提高 FL 设备的可靠性。实验表明，SRB-FL 框架高效可扩展，是实现联邦学习的一种可行解决方案。

Jan, 2022

使用变色龙哈希技术，通过重新设计区块链结构，我们提出了具有通用性的区块链联合取消学习框架 Blockchained Federated Unlearning (BlockFUL)，以减少模型更新的复杂性、计算和共识成本，并支持多种取消学习方法，确保模型更新的完整性和可追溯性。我们对梯度上升和重新训练这两种典型的取消学习方法进行了全面研究，证明了在这两个类别中以最少的变色龙哈希和区块更新操作实现高效的取消学习流程，并进一步比较了这些方法的计算和通信成本。

Feb, 2024