增强分布式网络中的信任与隐私：基于区块链的联邦学习综合综述

虽然中心化服务器存在单点故障风险，但区块链等去中心化方法通过在多个实体间实施共识机制提供了极具吸引力的解决方案。去中心化技术将分布式计算与密码学技术相结合，引入了一种新颖的计算范式。区块链通过网络节点间的共识来验证和记录交易，确保了安全、透明且防篡改的数据管理。联邦学习（FL）作为一种分布式机器学习框架，通过避免直接交换原始数据来保护数据隐私，使参与者能够协作训练模型。尽管对去中心化方法的兴趣日益浓厚，但其在 FL 中的应用仍待深入探索。本文对基于区块链的联邦学习（BCFL）进行了全面调查，重点关注区块链安全特性与 FL 隐私保护模型训练能力之间的协同作用。首先，我们从去中心化网络、分离网络和基于声誉的架构三个方面提出了 BCFL 的分类法。然后，我们总结了 BCFL 系统的通用架构，提供了基于区块链的 FL 架构的全面视角。随后，我们分析了 BCFL 在医疗保健、物联网及其他隐私敏感领域的应用。最后，我们指出了 BCFL 的未来研究方向。