基于区块链的联邦学习系统方案研究综述

来源：计算机工程与应用杂志2025年第15期北京时间：

作者：郭思昀, 李雷孝, 杜金泽, 林浩

单位：1.内蒙古工业大学 数据科学与应用学院，呼和浩特 010080；2.内蒙古自治区北疆网络空间安全重点实验室，呼和浩特 010080；3.内蒙古自治区基于大数据的软件服务工程技术研究中心，呼和浩特 010080；4.天津理工大学 计算机科学与工程学院，天津 300384

摘要：联邦学习允许多个参与方在保护数据隐私的同时共同训练模型，并广泛应用于如医疗健康、智能城市等诸多领域，为打破“数据孤岛”现象做出了重要贡献。然而，在实际应用中联邦学习存在单点故障、易受恶意攻击和数据隐私泄露等问题。为此，以具有去中心化、不可篡改和高透明度特点的区块链技术为联邦学习提供安全的数据交换平台，但集成后的架构仍然存在缺乏有效激励机制、计算存储成本高、缺乏恶意模型检测机制等问题。通过深入调研与探索基于区块链的联邦学习体系的潜力与挑战，从现有的不同框架与技术存在的问题入手，阐述了为提高整个系统的效率、安全性和公平性，对架构中的共识机制、隐私保护方案、网络安全措施、激励机制、安全聚合方法等方面的优化和改进；阐述了智能合约在自动化执行、贡献评估和奖励分配中的关键作用。最后，总结在客户端选择、数据异质化处理、隐私保护、奖励分配和区块链痛点等方面的挑战，并对未来的研究方向进行了展望。

关键词：去中心化联邦学习,区块链,隐私保护,激励机制,智能合约