AI-Driven Blockchain-based Federated Learning for Edge Devices

Abstract

The rapid development of the Internet of Vehicles (IoV) has created unprecedented demands for secure, scalable, and privacy-preserving edge computing solutions. While Federated Learning (FL) offers a promising approach to collaboratively train machine learning models across distributed devices without exposing raw data, traditional FL frameworks remain dependent on centralized aggregators, introducing single points of failure, data poisoning attacks, and trust issues in dynamic vehicular environments. To address these challenges, we propose an AI-driven blockchain-based FL framework for IoV that integrates decentralized consensus mechanisms, cryptographic validation, and robust aggregation techniques to enable secure and efficient collaborative learning among untrusted edge devices. The framework leverages a Hyperledger Fabric-based permissioned blockchain network to manage tamper-resistant records of model updates, enforce dynamic reputation systems, and distribute incentives for participation. By combining differential privacy and Byzantine-resilient aggregation, our method significantly reduces the risks of data leakage and model poisoning. Experimental evaluations in a simulated IoV environment demonstrate that the proposed approach achieves comparable accuracy to centralized learning (92.4\% mAP vs. 93.1\% mAP) while reducing attack success rates from 78.5\% to 3.2\% and preserving strong privacy guarantees. This work advances the state of the art in decentralized machine learning and provides a practical foundation for privacy-preserving, trustworthy intelligence in intelligent transportation systems. While existing approaches, such as differential privacy and secure multi-party computation, offer partial protection, they often introduce high computational costs or rely on unrealistic trust assumptions. Blockchain technology, though promising for decentralizing FL workflows, is still challenged by trade-offs between security and scalability—especially in highly mobile, intermittently connected IoV settings. Sõidukite interneti (IoV) kiire areng on toonud esile enneolematu vajaduse turvaliste, skaleeritavate ja privaatsust hoidvate servtöötluslahenduste järele. Föderatiivne masinõpe (FL) võimaldab treenida mudeleid hajusatel seadmetel ilma toorandmeid jagamata, kuid traditsioonilised FL-raamistikud sõltuvad endiselt tsentraliseeritud agregeerijatest, mis loob ühe riknepunkti, soodustab andmemürgitust ja tekitab usaldusprobleeme dünaamilistes sõidukikeskkondades. Nende väljakutsete lahendamiseks pakume välja plokiahelapõhise FL-raamistiku IoV-le, mis ühendab hajusad konsensusmehhanismid, krüptograafilise valideerimise ja robustsed agregeerimisvõtted, et võimaldada turvalist ja tõhusat koostööpõhist õppimist usaldamata servseadmete vahel. Raamistik kasutab Hyperledger Fabricil põhinevat lubadega plokiahelavõrku, et hallata võltsimiskindlaid mudeliuuenduste kandeid, jõustada dünaamilisi maine-süsteeme ja jaotada osalemisstiimuleid. Kombineerides diferentsiaalprivaatsuse ja Bütsantsi-taluvate agregeerimismeetoditega, vähendab lahendus oluliselt andmelekkete ja mudelimürgituse riski. Simuleeritud IoV-keskkonnas tehtud katsed näitavad, et pakutud lähenemine saavutab tsentraliseeritud õppimisega võrreldava täpsuse (92,4\% mAP vs 93,1\% mAP), vähendab ründe edukuse määra 78,5\%-lt 3,2\%-ni ning säilitab tugevad privaatsusgarantiid. Töö viib hajusa masinõppe taset edasi ja pakub praktilise aluse privaatsust hoidvale ja usaldusväärsele tehisarukusele nutikates transpordisüsteemides. Kuigi olemasolevad meetodid, nagu diferentsiaalprivaatsus ja turvaline mitmepoolne arvutus, annavad osalise kaitse, kaasnevad nendega sageli suured arvutuskoormused või ebarealistlikud usaldus-eelduse. Plokiahel aitab küll FL-töövooge detsentraliseerida, kuid jääb endiselt tasakaalustama turvalisuse ja skaleeritavuse vahelisi kompromisse—eriti väga mobiilses ja katkendliku ühenduvusega IoV-seadetes.