计算机应用研究

作者：王逸飞,胡颍,蔡婷,陈炜,吴雨芯,李晓丽,叶志伟,

单位：1.湖北工业大学a.计算机学院;b.绿色智能算力网络湖北省重点实验室,武汉430068；2.湖北文理学院计算机学院,湖北襄阳441053；

关键词：个性化联邦学习,区块链分片,安全,激励机制,智能交通系统,

基金：国家自然科学基金资助项目(62302154,U23A20318,62306108,62376089)；湖北省自然科学基金资助项目(2024AFB882)；湖工大博士科研启动基金资助项目(XJ2022006701)；智能感知系统与安全教育部重点实验室开放基金资助项目(KLISSS202404)；湖北省教育厅科研重点项目(D20242602)；湖北省高等学校优秀中青年科技创新团队计划资助项目(T2023007)；；

区块链与联邦学习的融合为智能交通系统提供了一种去中心化、隐私保护的数据协同方案。然而终端设备类型多样、数据分布呈非独立同分布（Non-IID），且传统单链结构难以满足高并发训练的吞吐与延迟需求。为此，提出一种安全高效的个性化联邦学习框架（SCPFL），利用区块链分片按节点地理区域划分网络，实现分片内并行训练与聚合以提升可扩展性和吞吐率；同时，引入基于余弦相似度的个性化方法，在支持个性化模型生成的同时促进跨分片知识共享；并设计筛选与激励双重机制，以抵御恶意节点并提升设备参与度。实验表明，SCPFL在CIFAR-10、MNIST和交通标志数据集GTSRB上的模型性能均优于基线方法，其中相较主流个性化方法（如Ditto）最高可提升18.3%的精度，收敛速度最快提高50%；在系统效率上，相较传统基于主子链的联邦学习架构，系统吞吐量提高约53%，同时处理时间、CPU和内存消耗分别降低33.3%、17.7%和19.7%。

来源：2026年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第3期