使用去中心化的基于区块链的安全可靠的 FLock 系统，采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户，并提供激励以确保 FLock 系统中的模型参数上传的诚实性和模型质量

Nov, 2022

本文介绍了基于区块链的联邦学习（BFL）框架 FAIR-BFL，该框架采用模块化设计，具有更好的灵活性和激励机制，可以解决现有框架中的许多问题，例如节点不诚实、数据隐私和动态调整等。

Jun, 2022

BlockFLow 是一个全面去中心化，隐私保护，有意义的联邦学习系统，它采用差分隐私、智能合约等技术来奖励合理的贡献行为，并防止一半以下的恶意攻击，使得恶意行为分数远低于合法行为分数，从而实现账户责任联邦学习。

Jul, 2020

本论文旨在探究如何采用区块链技术，本地差分隐私和零知识证明等前沿技术，构建一个公平、透明、保护隐私的分散式机器学习系统，以有效解决实践中的公正、完整性和隐私问题。

Nov, 2021

本文研究了将 FL 的协调工作外包到区块链等民主网络中所造成的模型陈旧和不一致对异步设备训练过程的影响，并通过仿真评估了区块链的 FL 运作在著名的 CIFAR-10 数据集上的准确性和及时性。结果表明，模型不一致对模型的准确性有很大影响（预测准确性降低了约 35%），这凸显了根据基本 FL 应用特性来合理设计区块链系统的重要性。

Oct, 2023

利用区块链和差分隐私技术，提出一种隐私保护的基于区块链的联邦学习模型（PPBFL），以增强联邦学习的安全性并促进节点在模型训练中的积极参与。通过将模型参数存储在 IPFS 中，区块链确保模型参数不会被篡改，并同时采用一种新颖的自适应差分隐私添加算法来保护本地模型和全局模型的隐私，以防止大量本地模型对全局模型安全性的影响。此外，引入了一种新的混合交易机制，以更好地保护本地训练客户的身份隐私。安全分析和实验结果表明，PPBFL 在模型性能和安全性方面优于基线方法。

Jan, 2024

提出了一个可验证的分散式联邦学习系统，结合区块链和零知识证明，可以在工作者之间验证本地学习和全局聚合的计算完整性。通过引入两步证明和验证的方法，实现了数据和计算的端到端完整性和真实性验证，解决了机密性和透明性之间的冲突。在一个原型实现上的评估表明，与最先进的解决方案相比，技术上是可行的，并且只有较小的性能开销。

Apr, 2024

基于零知识证明的聚合器 (zkDFL) 使用区块链技术管理聚合算法，以验证进程正确性、增强隐私保护和可扩展性，同时显著降低了燃气成本。

Dec, 2023

该研究论文提出了一个综合框架，结合了区块链、智能合约和星际文件系统，通过在联邦学习中整合数据信任，以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为，实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性；论文还介绍了一种分散化的联邦学习平台，成功地使用区块链技术在 MNIST 数据集上训练了一个 CNN 模型，这个平台使多个工作器能够同时训练模型，同时保护数据的隐私和安全性，分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作，该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。

Jul, 2023

本文综述了科学界在采用区块链增强的联邦学习场景下定义隐私解决方案所做的研究工作，包括对联邦学习和区块链的背景进行全面总结，评估现有的整合架构以及确保隐私的主要攻击和可能的对策，最后回顾了应用联邦学习增强的区块链在主要应用场景中取得的成果，为学术界和工业界的从业者提供了有助于提升联邦学习性能的理论和技术，同时指出了在这个新颖且尚未充分开发的领域中的主要挑战和未来方向。

Jan, 2024