기계 학습의 중요성이 점점 증가함에 따라, 학습 데이터의 개인정보 보호 및 보안 문제가 핵심 과제로 부상하고 있다. 분산된 노드에 데이터를 보관하고 모델 파라미터만 공유하는 연합 학습(federated learning)은 이러한 문제를 해결하기 위해 주목받고 있다. 그러나 연합 학습에서는 악성 로컬 모델이 집계 과정에서 전역 모델의 성능을 저해할 수 있는 '비잔틴 공격 문제(Byzantine Attack Problem)'라는 도전 과제가 존재한다. 본 논문은 연합 학습과 블록체인 기술을 결합한 블록체인 기반의 비잔틴 저항성 연합 학습(Branchchain-based Byzantine-Robust Federated Learning, BRLF) 모델을 제안한다. 이 통합 구조는 악성 모델의 추적 가능성을 보장하고, 로컬로 학습한 클라이언트에게 인센티브를 제공함으로써 시스템의 신뢰성을 높인다. 제안된 방법은 피어슨 상관 계수(Pearson's correlation coefficient)를 기반으로 집계 노드를 선정하고, 스펙트럴 클러스터링(spectral clustering)을 수행한 후 각 클러스터 내에서 평균 기울기(average gradient)를 계산하며, 집계 노드의 로컬 데이터셋을 활용하여 정확도를 검증한다. 공개 데이터셋을 대상으로 수행한 실험 결과, 제안한 안전한 집계 알고리즘이 기존의 다양한 비잔틴 저항성 집계 기법에 비해 뛰어난 비잔틴 저항성을 보였으며, 자원 소비 문제 해결 측면에서 제안 모델의 효과성도 입증하였다.