مع التزايد المستمر لأهمية التعلم الآلي، أصبحت خصوصية وسلامة بيانات التدريب أمرًا بالغ الأهمية. وقد لاقت تقنية التعلم الموزع، التي تخزن البيانات في عقد موزعة وتشارك فقط معاملات النموذج، اهتمامًا كبيرًا في معالجة هذه المعضلة. ومع ذلك، ينشأ تحدي في إطار التعلم الموزع نتيجة لمشكلة الهجوم البيزنطي، حيث يمكن للنماذج المحلية الخبيثة أن تضر بأداء النموذج العالمي أثناء عملية التجميع. ويقترح هذا المقال نموذج التعلم الموزع المقاوم لهجوم البيزنطي المستند إلى تقنية البلوك تشين (BRLF)، والذي يدمج بين تقنية التعلم الموزع وتقنية البلوك تشين. ويتيح هذا الدمج تتبع النماذج الخبيثة، كما يوفر حوافز للمستخدمين المحليين الذين يقومون بتدريب النماذج. ويتمثل أسلوبنا في اختيار عقدة التجميع بناءً على معامل الارتباط لبييرسون، ثم إجراء تجميع طيفي (Spectral Clustering) وحساب المعدل التفاضلي داخل كل مجموعة، مع التحقق من دقة النتائج باستخدام مجموعة البيانات المحلية الخاصة بعقدة التجميع. وأظهرت النتائج التجريبية على مجموعات بيانات عامة كفاءة متفوقة للخوارزمية الآمنة للتجميع التي اقترحناها مقارنة بأساليب التجميع المقاومة لهجوم البيزنطي الأخرى، كما أثبتت فعالية النموذج المقترح في التغلب على مشكلة استهلاك الموارد.