Метод блокчейн-консенсусной распределенной классификации изображений

Предметом исследования являются методы межузловой агрегации обновлений и локальных визуальных представлений в распределенных системах классификации изображений. Цель работы состоит в разработке и экспериментальной проверке метода блокчейн-консенсусной распределенной классификации изображений, ориентированного на повышение устойчивости глобальной модели в условиях неоднородных, шумных и частично вредоносных источников данных. Предлагаемый подход сочетает локальные классовые атласы признаков, аудит-проверку полезности клиентских обновлений, робастную оценку аномальности локальных траекторий и блокчейн-фиксируемое консенсусное взвешивание вклада узлов. Для экспериментальной проверки использованы открытые наборы изображений CIFAR-10 и Olivetti Faces, а сравнение выполнено в сценариях iid_clean, noniid_clean, noniid_noisy и noniid_adversarial. Сопоставление проведено с методами Distributed Mean, Distributed Proximal, Distributed Trimmed Mean и Atlas Consensus по метрикам Accuracy, Macro-F1 и Balanced Accuracy, а также по траекториям сходимости, консенсусным весам и статистической проверке отличий. Показано, что предлагаемый метод не является универсальным лидером на чистых распределениях, однако в целевом вредоносном сценарии обеспечивает лучший результат среди распределенных схем. Полученные результаты подтверждают целесообразность применения блокчейн-консенсусной фильтрации обновлений в задачах распределенной обработки визуальных данных при наличии недоверенных участников и конфликтных межузловых воздействий.

1. Кузьмицкий Н.Н. Свёрточная нейросетевая модель в задаче классификации изображений изолированных цифр. Доклады БГУИР. 2012;(7):65–71.

2. Фирсов Н.А., Подлипнов В.В., Ивлиев Н.А. и др. Ансамбли спектрально-пространственных свёрточных нейросетевых моделей для задачи классификации типов почв на гиперспектральных изображениях. Компьютерная оптика. 2023;47(5):795–805. https://doi.org/10.18287/2412-6179-CO-1260

3. Федотов Д.В. Использование свёрточных нейронных сетей для решения задачи автоматического определения возраста. Актуальные проблемы авиации и космонавтики. 2015;1(11):377–379.

4. Джуманов О.И. Адаптивная нейросетевая система визуализации изображений, распознавания и классификации микрообъектов. Вестник СибГУТИ. 2008;(2):76–85.

5. Ташков Д.Ю., Ежов И.Е. Применение нейросетевых алгоритмов распознавания объектов по изображению в системах охранного телевидения. Альманах Пермского военного института войск национальной гвардии. 2025;(1):95–106.

6. Кузнецов А.С., Семёнов Е.Ю., Матросова Л.Д. Кластеризация изображений при использовании предобученных нейронных сетей. International Journal of Open Information Technologies. 2019;7(7):42–47.

7. Nazir S., Kaleem M. Federated Learning for Medical Image Analysis with Deep Neural Networks. Diagnostics. 2023;13(9):1532. https://doi.org/10.3390/diagnostics13091532

8. Touhami M., Ahmad Fauzi M.F., Ur Rehman Z., et al. Federated Learning for Histopathology Image Classification: A Systematic Review. Diagnostics. 2026;16(1):137. https://doi.org/10.3390/diagnostics16010137

9. Lee Sh.-M., Wu J.-L. FedUA: An Uncertainty-Aware Distillation-Based Federated Learning Scheme for Image Classification. Information. 2023;14(4):234. https://doi.org/10.3390/info14040234

10. Tang J., Ding X., Hu D., et al. FedRAD: Heterogeneous Federated Learning via Relational Adaptive Distillation. Sensors. 2023;23(14):6518. https://doi.org/10.3390/s23146518

11. Lv Y., Ding H., Wu H., et al. FedRDS: Federated Learning on Non-IID Data via Regularization and Data Sharing. Applied Sciences. 2023;13(23):12962. https://doi.org/10.3390/app132312962

12. Hsu H.-Y., Keoy K.H., Chen J.-R., et al. Personalized Federated Learning Algorithm with Adaptive Clustering for Non-IID IoT Data Incorporating Multi-Task Learning and Neural Network Model Characteristics. Sensors. 2023;23(22):9016. https://doi.org/10.3390/s23229016

13. Cha N., Chang L. Addressing Non-IID with Data Quantity Skew in Federated Learning. Information. 2025;16(10):861. https://doi.org/10.3390/info16100861

14. Khan K. FedEmerge: An Entropy-Guided Federated Learning Method for Sensor Networks and Edge Intelligence. Sensors. 2025;25(12):3728. https://doi.org/10.3390/s25123728

15. Ning W., Zhu Y., Song C., et al. Blockchain-Based Federated Learning: A Survey and New Perspectives. Applied Sciences. 2024;14(20):9459. https://doi.org/10.3390/app14209459

16. Lee J., Kim W. DAG-Based Blockchain Sharding for Secure Federated Learning with Non-IID Data. Sensors. 2022;22(21):8263. https://doi.org/10.3390/s22218263

17. Alghamdi A., Zhu J., Yin G., et al. Blockchain Empowered Federated Learning Ecosystem for Securing Consumer IoT Features Analysis. Sensors. 2022;22(18):6786. https://doi.org/10.3390/s22186786

18. Chen Zh., Li D., Zhu J., et al. DACFL: Dynamic Average Consensus-Based Federated Learning in Decentralized Sensors Network. Sensors. 2022;22(9):3317. https://doi.org/10.3390/s22093317

19. Zhao S., Zheng X., Chen J. Efficient Adversarial Training for Federated Image Systems: Crafting Client-Specific Defenses with Robust Trimmed Aggregation. Electronics. 2025;14(8):1541. https://doi.org/10.3390/electronics14081541

20. Yin X., Wu X., Zhang X. A Trusted Federated Learning Method Based on Consortium Blockchain. Information. 2025;16(1):14. https://doi.org/10.3390/info16010014

21. Zhu F., Hu F., Zhao Y., et al. A Secure and Fair Federated Learning Framework Based on Consensus Incentive Mechanism. Mathematics. 2024;12(19):3068. https://doi.org/10.3390/math12193068

22. Афанасьева Д.В., Абидарова А.А., Плахина Е.А. Применение технологии «блокчейн» для цифровой идентификации пользователей. Известия Тульского государственного университета. Технические науки. 2019;(9):351–354.

23. Тюрин А.В., Тюляндин И.В., Мальцев В.С. и др. Обзор языков для безопасного программирования смарт-контрактов. Труды Института системного программирования РАН. 2019;31(3):157–176. (На англ.). https://doi.org/10.15514/ISPRAS-2019-31(3)-13

24. Афанасьев М.Я., Фёдосов Ю.В., Крылова А.А. и др. Организация киберфизических производственных систем с использованием технологий блокчейн и смарт-контрактов. Известия высших учебных заведений. Приборостроение. 2019;62(3):226–234.