来源：期刊VIP网 时间：
作者：陈玉玲;杨宇项;谭伟杰;欧阳智;晏福;
单位：贵州大学省部公共大数据国家重点实验室;贵州大学计算机科学与技术学院;
摘要：联邦学习（Federated learning,FL）通过分布式协同训练实现多车辆联合建模，在保护数据隐私的同时，有效支持车联网（Internet of vehicles,IoV）中的交通优化、拥堵治理等应用。然而，传统FL在动态异构的IoV环境中面临中心化架构脆弱和网络不稳定等挑战。区块链技术的去中心化共识和不可篡改特性为IoV-FL提供了理想的解决方案。围绕区块链赋能下的IoV-FL展开综述，介绍IoV、区块链与IoV-FL的基础概念，分析IoV-FL的系统架构与关键应用场景，并梳理传统方法在隐私安全、系统鲁棒性与可扩展性等方面的局限；从模型更新验证、系统可扩展性、激励机制和知识共享4个维度，系统整理已有研究工作中区块链赋能IoV-FL的关键技术方案，探讨IoV-FL在隐私与安全、存储开销、网络吞吐率、设备与数据异构等方面仍面临的关键挑战；最后，从隐私保护增强、资源利用优化以及系统协同等方面展望未来研究方向。
关键词：车联网;;区块链;;联邦学习
基金资助：国家自然科学基金项目（U24A20241,62202118,62361010）;; 贵州省重大专项（黔科合重大专项字[2024]014）;贵州省重大专项（黔科合重大专项字[2024]003）;; 贵州省教育厅“揭榜挂帅”科技攻关项目（黔教技[2023]003号）;; 贵州省科技厅百层次创新人才项目（黔科合平台人才GCC[2023]018）;; 贵州省算力网络安全防护科技创新人才团队项目（黔科合人才CXTD[2025]029）
