moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.58.7.003 2392 Метод блокчейн-консенсусной распределенной классификации изображений Method of blockchain-consensus distributed image classification 0000-0002-4685-8569 Конников Евгений Александрович Konnikov Evgenii Aleksandrovich konnikov_ea@spbstu.ru aff-1 0009-0009-4067-7458 Санду Никита Романович Sandu Nikita Romanovich sandu.nikita1997@yandex.ru aff-2 0000-0002-1179-3910 Файзуллин Ринат Василович Faizullin Rinat Vasilovich fayzullin-rv@ranepa.ru aff-3 Высшая инженерно-экономическая школа Института промышленного менеджмента, экономики и торговли, Санкт-Петербургский политехнический университет Петра Великого Научно-исследовательская лаборатория «Политех-Инвест» Graduate School of Industrial Economics, Institute of Industrial Management, Economics and Trade, Peter the Great St. Petersburg Polytechnic University Research Laboratory "Polytech-Invest" МИРЭА – Российский технологический университет MIREA – Russian Technological University МИРЭА – Российский технологический университет Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации MIREA – Russian Technological University The Russian Presidential Academy of National Economy and Public Administration 01 01 2026 1 1 10.26102/2310-6018/2026.58.7.003 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

The study focuses on inter-node aggregation methods for model updates and local visual representations in distributed image classification systems. The paper aims to develop and experimentally validate a blockchain-consensus distributed image classification method that improves the robustness of the global model under heterogeneous, noisy, and partially malicious data sources. The proposed approach combines local class atlases, audit-based utility estimation of client updates, robust anomaly scoring of local trajectories, and blockchain-backed consensus weighting of node contributions. The blockchain layer is implemented as a reproducible software ledger for update provenance and audit logging. The experimental evaluation relies on the open CIFAR-10 and Olivetti Faces datasets in four scenarios: iid_clean, noniid_clean, noniid_noisy, and noniid_adversarial. The method is compared with Distributed Mean, Distributed Proximal, Distributed Trimmed Mean, and Atlas Consensus using Accuracy, Macro-F1, Balanced Accuracy, convergence dynamics, consensus weights, and statistical testing. The results show that the proposed method is not universally superior on clean distributions; however, in the target adversarial scenario it achieves the best performance among distributed schemes. The findings confirm the practical value of blockchain-consensus filtering of node updates for distributed visual data processing.

 блокчейн распределенная классификация изображений межузловая агрегация визуальные данные неоднородные распределения вредоносные узлы робастная агрегация консенсус классовый атлас информационные процессы blockchain distributed image classification inter-node aggregation visual data heterogeneous distributions malicious nodes robust aggregation consensus class atlas information processes Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Кузьмицкий Н.Н. Свёрточная нейросетевая модель в задаче классификации изображений изолированных цифр. Доклады БГУИР. 2012;(7):65–71. 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 Федотов Д.В. Использование свёрточных нейронных сетей для решения задачи автоматического определения возраста. Актуальные проблемы авиации и космонавтики. 2015;1(11):377–379. Джуманов О.И. Адаптивная нейросетевая система визуализации изображений, распознавания и классификации микрообъектов. Вестник СибГУТИ. 2008;(2):76–85. 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. 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. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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. 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 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.

The authors declare that there are no conflicts of interest present.