随着大数据时代的到来和人工智能应用需求的不断增长,机器学习展现出来的优势使它成为不同领域智能发展的重要工具。然而,由于其集中式的训练模式,“数据孤岛”和数据隐私问题成为机器学习重大挑战。联邦学习（Federated Learning,FL）作为一种新兴的人工智能技术,通过终端分布式地在本地进行训练,避免了隐私数据直接上传,保障了大数据交换时的信息安全和隐私。尽管如此,传统的FL还面临着长通信距离带来的被篡改问题,某些参数的更改会导致模型精度改变或者不收敛,从而导致训练错误甚至系统崩溃。本文基于区块链网络将传统的FL去中心化,通过区块链网络搜集汇聚各个终端的模型参数。区块链作为一种安全可靠的分布式数据交易系统,其信任机制和可追溯性保证了数据正确和隐私,可以有效地解决联邦学习系统的防篡改问题。但是,考虑到分布式终端的差异以及区块链复杂的成块方式可能导致单轮联邦学习产生巨大的等待时延,影响FL的学习效率。因此,如何基于区块链优化联邦学习时延是本文的重点研究内容。本文考虑在终端计算资源和通信环境差异较大的情况下,将所有终端上传的模型信息进行整体合并会导致等待时延巨大;而当差异较小时,对各个终端上传的模型信息分开认证成块,会产生额外的网络传输时延和挖矿时延。因此,本文设计了组合终端成块的机制,在两种合并方式之间做了折中。本文主要研究了在单轮联邦学习过程中,考虑终端资源、数据分布和网络资源的区块链最优成块策略以最小化单轮联邦学习的时延,建立了混合整数非凸优化模型。通过数值结果对比,本文设计的成块模型和算法可以给出最优的成块策略,减少训练时延。考虑到区块链节点是具有一定计算资源的边缘节点,论文引入模型分拆机制,通过计算卸载的方式来减少终端之间的差异并减少终端计算能耗。由于计算卸载将给终端带来额外的通信能耗和时延,且终端能量有限。为了在保证时延的条件下减少终端的能耗,本文考虑时延和计算资源约束,设计资源分配策略以最小化系统能耗,建立了混合整数非凸优化模型。本文设计启发式算法进行模型求解,通过将模型拆分为三个子问题:计算资源分配、终端模型分拆和区块链成块节点选择,经过多次迭代得到最终解。仿真结果显示,本文给出的资源分配策略可以有效地得到网络的资源分配策略,以达到在保证时延的条件下减少终端的能耗,提高资源利用率。