基于区块链赋能云基础设施的联邦学习

物联网设备的兴起和云计算的普及预示着一个数据驱动智能的新时代。因此，需要将大量数据存储在单一位置的传统集中式机器学习模型变得更容易受到数据泄露、隐私侵犯和监管不合规的影响。本报告全面审视了联邦学习（FL）与区块链技术在云-边缘环境中的融合，论证了它是解决上述问题的有效方案。我们提出了一种详细的四维架构分类法，该分类法细致地评估了对这些集成系统至关重要的协调框架、共识算法、数据存储实践和信任模型。本文对两个前沿框架进行了全面的比较分析：为智能交通系统设计的“多目标强化联邦学习区块链”（MORFLB），以及用于可持续医疗系统的“联邦区块链-物联网框架”（FBCI-SHS），阐明了它们独特的贡献和固有的局限性。最后，我们对文献进行了全面评估，整合了对当前框架的比较视角，以辨别本研究在现有知识体系中的独特性质。本文最后概述了主要挑战，并为未来的研究轨迹提供了一个战略框架，强调了在不同应用领域中推进自适应、弹性且标准化的 BCFL 系统。