随着第五代移动通信（5th-Generation,5G）中车联网规模的日益增大,传统的云集中式方法已不能满足低延迟的业务需求。移动边缘计算（Mobile Edge Computing,MEC）将计算平台从集中式云端下沉到更接近车辆的网络边缘,与蜂窝车联网（Cellular Vehicle-to-Everything,C-V2X）通信技术结合可以进一步满足车联网的低延迟需求。另一方面,基于车联网快速增长的海量数据,通过运用人工智能（Artificial Intelligence,AI）技术可以实现一系列智能服务。联邦学习作为一种新型的分布式机器学习方法,可以将车辆设备与边缘服务器之间共享的海量数据转换成模型参数,有效解决数据隐私、传输延迟及资源存储等问题。然而,传统联邦学习（Vanilla Federated Learning,VFL）在车联网场景中的应用面临着一些挑战。例如,VFL易受本地模型中毒攻击,影响全局模型的准确性。同时,VFL缺乏奖励机制,数据样本多的车辆节点可能不愿意与其他节点共享学习结果。近年来的研究表明,区块链作为一种新型的分布式数据存储系统,与联邦学习进行结合可用于促进MEC车联网场景中安全互信的数据共享。因此,本文提出一种C-V2X车联网中基于区块链的鲁棒性联邦学习方案——BC＿FL,首先对BC＿FL应对本地模型中毒攻击以及奖励机制设计等方面进行研究,最后应用该方案帮助车辆进行资源优化。本文的研究工作主要分为三个方面:1.针对车联网场景中运用联邦学习时,全局模型易受本地模型中毒攻击问题,设计并提出一种基于实用拜占庭容错机制（Practical Byzantine Fault Tolerance,PBFT）的本地模型精确度验证方案,用于选择和存储合法本地模型,保障全局模型性能。在车辆将本地模型上传至路边单元后,由路边单元作为验证节点运行该方案,步骤如下:（1）根据本地模型验证投票机制,实现对本地模型的验证和投票;（2）考虑存在拜占庭验证节点,基于PBFT共识达成投票结果一致性;（3）根据一致性投票结果判断本地模型合法性,并将合法本地模型存储至区块链中。最后,各路边单元从区块链上下载合法本地模型进行全局聚合,产生全局模型下发给车辆。仿真结果表明,该验证方案能够帮助BC＿FL选择合法本地模型进行聚合,从而有效应对本地模型中毒攻击。当存在15%的故障车辆节点时,BC＿FL的全局模型精确度达到88%,比VFL高7.5倍。2.针对联邦学习缺乏奖励机制这一问题,设计并提出一种基于权益证明（Proof of Stake,PoS）机制的BC＿FL区块生成方案,方案由奖励机制和区块生成机制两部分组成。首先,根据BC＿FL节点工作任务的不同设计奖励机制并按其进行奖励分配,奖励记录在区块事务中,不能正常执行工作任务的故障车辆节点和拜占庭验证节点,会被限制参与BC＿FL,从而难以获得持续的奖励;然后,通过查验区块事务中的奖励记录,随机选择累积权益较大的路边单元作为矿工节点,将合法本地模型及相关投票信息、奖励记录进行打包,生成区块。仿真结果表明,该方案能够为BC＿FL中的车辆以及路边单元进行有效地奖励分配,并且区块生成时延明显低于工作量证明机制（Proof of Woke,Po W）。3.将BC＿FL方案应用至基于分布式多智能体深度Q网络（Multi-Agent Deep Q Network,MADQN）的车联网资源优化。首先,车辆节点作为智能体基于本地信道状态信息（Channel State Information,CSI）训练DQN模型并上传至路边单元;然后通过BC＿FL选择来自合法车辆节点的合法本地模型进行全局聚合产生全局模型,并下发给智能体进行资源管理,以最大化系统信道容量。仿真结果表明,使用BC＿FL方案排除故障车辆节点后,系统信道容量有效提升。