機械学習の重要性が高まる中、学習データのプライバシーおよびセキュリティはますます重要な課題となっている。分散ノードにデータを保存し、モデルパラメータのみを共有する「フェデレーテッドラーニング」は、こうした懸念に対処する手段として注目を集めている。しかし、フェデレーテッドラーニングでは、悪意あるローカルモデルが集約過程でグローバルモデルの性能を損なう「ビザンチン攻撃問題」が生じるという課題がある。本稿では、フェデレーテッドラーニングとブロックチェーン技術を統合した「ブロックチェーンベースのビザンチン耐性フェデレーテッドラーニング（BRLF）モデル」を提案する。この統合により、悪意あるモデルの追跡可能性が確保されるとともに、ローカルで学習を行うクライアントに対するインセンティブが提供される。本手法では、ピアソンの相関係数に基づいて集約ノードを選定し、スペクトルクラスタリングを実施して各クラスタ内での平均勾配を計算する。その精度は、集約ノードが保有するローカルデータセットを用いて検証している。公開データセットを用いた実験結果から、提案手法が他のベースラインとなるビザンチン耐性集約手法と比較して優れた耐性を示すことが明らかになった。さらに、リソース消費問題に対する有効性も実証された。