针对在边缘计算（EC）场景下进行的联邦学习（FL）过程中存在的模型参数隐私泄露、不可信服务器可能返回错误的聚合结果以及参与训练的用户可能上传错误或低质量模型参数的问题，提出一种边缘计算下基于区块链的隐私保护联邦学习算法。在训练过程中，每个用户首先使用全局模型参数在其本地数据集上进行训练，并将训练得到的模型参数以秘密共享的方式上传至附近的边缘节点，从而实现对用户本地模型参数的保护；然后由边缘节点在本地计算它们所收到的模型参数的份额之间的欧氏距离，并将结果上传至区块链；最后由区块链负责对模型参数之间的欧氏距离进行重构，进而在去除有毒的更新后，再进行全局模型参数的聚合。通过安全分析证明了所提算法的安全性：即使在部分边缘节点合谋的情况下，用户的本地模型参数信息也不会泄露。同时实验结果表明该算法具有较高的准确率：在投毒样本比例为30%时，它的模型准确率为94.2%，接近没有投毒样本时的联邦平均（FedAvg）算法的模型准确率97.8%，而在投毒样本比例为30%时FedAvg算法的模型准确率下降至68.7%。

针对现有隐私保护k-means聚类方案迭代效率不高，中心化差分隐私保护k-means聚类方案中服务器会遭受攻击，以及本地化差分隐私保护k-means聚类方案中服务器会返回错误聚类结果的问题，提出了一种基于区块链的多方隐私保护k-means聚类方案（M-PPkCS/B）。利用本地化差分隐私技术的优势及区块链公开透明、不可篡改的特性，首先，设计一种多方k-means聚类中心初始化算法（M-kCCIA），在保护用户隐私的同时，提高聚类的迭代效率，并确保用户联合产生初始聚类中心的正确性；然后，设计一种基于区块链的隐私保护k-means聚类算法（Bc-PpkCA），并构建聚类中心更新算法的智能合约来在区块链上迭代更新聚类中心，从而保证各个用户都能得到正确的聚类结果。在数据集HTRU2和Abalone上进行实验的结果表明，在确保各个用户得到正确聚类结果的同时，两个数据集的准确率分别能达到97.53%和96.19%，M-kCCIA的平均迭代次数与随机化初始聚类中心算法RS的平均迭代次数相比，在两个数据集上分别减少了5.68次和2.75次。