當參與方之間缺乏信任，或者缺乏安全的通訊通道來傳輸、更新機器學習(ML)模型。
通過建立聯邦學習(FL)框架結合區塊鏈身分驗證，可重新定義提升聯邦機器學習中的隱私安全，作為隱私保護技術的擴展，促進聯邦機器學習參與者之間的信任。

機器學習(ML)參與者在參與模型訓練之前，需要獲得來自可信賴第三方機構的認證，機器學習(ML)訓練過程與聯邦學習(FL)類似，在參與者之間主要區別在於模型更新是通過安全通訊端到端(End to End)加密通道發送。在學習開始之前，各方必須根據某些預先確定的策略進行身份驗證，並根據機器學習(ML)生態系統、訂定相關風險策略。

邊緣運算(Edge Computing, EC)

邊緣運算(Edge Computing, EC)用來處理來自無處不在的移動設備產生的大量資料，在人工智慧(AI)的幫助下實現智能服務。
傳統上機器學錫(ML)通常需要在單個實體中進行集中資料收集和訓練，但是邊緣運算(EC)伺服器由於資料隱私問題，傳輸大量資料通訊的成本卻難以估算。
而聯邦學習(FL)通過協調多個移動設備聯合訓練機器學習(ML)模型，而無需洩露私人的本地端資料。

為了提高聯邦學習(FL)的安全性和可擴展性，區塊鏈(Blockchain)的分佈式賬本(Distributed ledger Technology, DL)技術可以很好的代替聯邦學習的中瑛伺服器。
區塊鏈(Blockchain)和聯邦學習(FL)結合形成的聯邦鏈(FLChain)，可以轉換邊緣運算(EC)網路成為分佈式的，安全和隱私增強的系統。