Mit der zunehmenden Bedeutung des maschinellen Lernens sind Datenschutz und Sicherheit von Trainingsdaten von entscheidender Bedeutung geworden. Federated Learning, bei dem Daten auf verteilten Knoten gespeichert und lediglich Modellparameter ausgetauscht werden, hat aufgrund dieser Herausforderung erhebliche Aufmerksamkeit erfahren. Ein zentrales Problem ergibt sich jedoch im Rahmen des federierten Lernens durch das sogenannte Byzantinische Angriffsproblem: Schädliche lokale Modelle können während der Aggregation die Leistung des globalen Modells beeinträchtigen. In diesem Artikel wird das Blockchain-basierte byzantinisch robuste federierte Lernmodell (BRLF) vorgestellt, das federiertes Lernen mit Blockchain-Technologie kombiniert. Diese Integration ermöglicht die Rückverfolgbarkeit schädlicher Modelle und bietet Anreize für lokal trainierte Clients. Unser Ansatz basiert auf der Auswahl des Aggregationsknotens anhand des Pearson-Korrelationskoeffizienten. Anschließend wird eine Spektralclustering-Analyse durchgeführt, und innerhalb jeder Clustergruppe wird der Durchschnittsgradient berechnet. Die Genauigkeit wird mittels lokaler Datensätze der Aggregationsknoten validiert. Experimentelle Ergebnisse auf öffentlichen Datensätzen zeigen die überlegene byzantinische Robustheit unseres sicheren Aggregationsalgorithmus im Vergleich zu anderen basalen byzantinisch robusten Aggregationsmethoden. Zudem bestätigen die Ergebnisse die Wirksamkeit unseres vorgeschlagenen Modells zur Lösung des Problems der Ressourcenbelastung.