Uma Arquitetura Descentralizada para Aprendizado Federado Baseada em Blockchain: Um Estudo de Caso sobre Mecanismos de Consenso

• Francinaldo Barbosa UFPI
• Luis Guilherme Silva UFPI
• Iure Fé UFPI
• Israel Cardoso UFPI
• Alex Vieira UFJF
• Geraldo P. Rocha Filho UESB
• Francisco Airton Silva UFPI

DOI: https://doi.org/10.5753/sbrc.2026.19318

Resumo

O Aprendizado Federado tem se consolidado como alternativa aos modelos centralizados ao mitigar riscos de privacidade, enquanto sua integração com Blockchain busca eliminar pontos únicos de falha e aumentar a confiança no treinamento distribuído. Contudo, experimentos reais são onerosos e arquiteturas inadequadas podem introduzir ineficiências e vulnerabilidades com impactos significativos em desempenho e segurança. Este trabalho avalia, por meio de simulações no framework FLEX, o impacto dos mecanismos de consenso Proof-of-Work (PoW) e Proof-of-Federated-Learning (PoFL) em sistemas de Aprendizado Federado baseados em Blockchain. Os resultados indicam que o PoFL, orientado ao desempenho do modelo, alcança acurácia superior a 80%, acelera a convergência e reduz o número de rodadas de treinamento, à custa de maior custo computacional por rodada e menor throughput quando comparado ao PoW. Por sua vez, o PoW apresenta validação mais rápida da rede, porém resulta em um processo de aprendizado mais lento e instável. A análise evidencia os trade-offs entre qualidade do modelo, estabilidade do treinamento e custos operacionais.

Referências

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Fernandez-Marques, J., Gao, Y., Sani, L., Li, K. H., Parcollet, T., De Gusmão, P. P. B., et al. (2020). Flower: A friendly federated learning research framework. arXiv preprint arXiv:2007.14390.

Caldas, S., Duddu, S. M. K., Wu, P., Li, T., Konečnỳ, J., McMahan, H. B., Smith, V., and Talwalkar, A. (2018). Leaf: A benchmark for federated settings. arXiv preprint arXiv:1812.01097.

Chen, H., Asif, S. A., Park, J., Shen, C., and Bennis, M. (2021). Robust blockchained federated learning with model validation and proof-of-stake inspired consensus. CoRR, abs/2101.03300.

Herrera, F., Jiménez-López, D., Argente-Garrido, A., Rodríguez-Barroso, N., Zuheros, C., Aguilera-Martos, I., Bello, B., García-Márquez, M., and Luzón, M. V. (2025). Flex: Flexible federated learning framework. Information Fusion, 117:102792.

Issa, W., Moustafa, N., Turnbull, B., Sohrabi, N., and Tari, Z. (2023). Blockchain-based federated learning for securing internet of things: A comprehensive survey. ACM Computing Surveys, 55(9):1–43.

Kairouz, P., McMahan, H. B., Avent, B., Bellet, A., Bennis, M., Bhagoji, A. N., Bonawitz, K., Charles, Z., Cormode, G., Cummings, R., et al. (2021). Advances and open problems in federated learning. Foundations and trends® in machine learning, 14(1–2):1–210.

Li, Q., Wen, Z., Wu, Z., Hu, S., Wang, N., Li, Y., Liu, X., and He, B. (2021). A survey on federated learning systems: Vision, hype and reality for data privacy and protection. IEEE Transactions on Knowledge and Data Engineering, 35(4):3347–3366.

Li, T., Sahu, A. K., Talwalkar, A., and Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3):50–60.

Li, Y., Xia, C., Lin, W., and Wang, T. (2024). Ppbfl: A privacy protected blockchain-based federated learning model. arXiv preprint arXiv:2401.01204.

Liu, H., Zhu, F., and Cheng, L. (2025). Proof-of-data: A consensus protocol for collaborative intelligence. arXiv preprint arXiv:2501.02971.

Liu, L., Hu, Y., Zhao, Y., Zhang, X., Ma, Y., and Chang, G. (2024). A novel federated learning system with privacy protection and blockchain consensus incentive mechanisms in cloud-edge collaboration scenarios. In 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pages 3111–3118.

Qu, X., Wang, S., Hu, Q., and Cheng, X. (2021). Proof of federated learning: A novel energy-recycling consensus algorithm. IEEE Transactions on Parallel and Distributed Systems, 32(8):2074–2085.

Ro, J. H., Suresh, A. T., and Wu, K. (2021). Fedjax: Federated learning simulation with jax. arXiv preprint arXiv:2108.02117.

Rosano, B., Bittencourt, L., Anjos, J., Técnico-IC-PFG, R., and de Graduação, P. F. (2022). Aprendizado federado hierárquico.

Tian, Y., Guo, Z., Zhang, J., and Al-Ars, Z. (2023). Dfl: High-performance blockchain-based federated learning. Distributed Ledger Technologies: Research and Practice, 2(3):1–25.

Wang, Y., Peng, H., Su, Z., Luan, T. H., Benslimane, A., and Wu, Y. (2022a). A platform-free proof of federated learning consensus mechanism for sustainable blockchains. IEEE Journal on Selected Areas in Communications, 40(12):3305–3324.

Wang, Y., Zhou, J., Feng, G., Niu, X., and Qin, S. (2022b). Blockchain assisted federated learning for enabling network edge intelligence. IEEE Network, 37(1):96–102.

Xin, W., Jiaqian, L., Xueshuang, D., Haoji, Z., and Lianshan, S. (2024). A survey of differential privacy techniques for federated learning. IEEE Access.

Yuan, J., Liu, W., Shi, J., and Li, Q. (2025). Approximate homomorphic encryption based privacy-preserving machine learning: a survey. Artificial Intelligence Review, 58(3):82.

Zhao, Y., Qu, Y., Xiang, Y., Chen, F., and Gao, L. (2024a). Context-aware consensus algorithm for blockchain-empowered federated learning. IEEE Transactions on Cloud Computing, 12(2):491–503.

Zhao, Y., Qu, Y., Xiang, Y., Chen, F., and Gao, L. (2024b). Long-term proof-of-contribution: An incentivized consensus algorithm for blockchain-enabled federated learning. IEEE Transactions on Services Computing, 17(5):2558–2570.

Zhu, J., Cao, J., Saxena, D., Jiang, S., and Ferradi, H. (2023). Blockchain-empowered federated learning: Challenges, solutions, and future directions. ACM Computing Surveys, 55(11):1–31.