این پژوهش، یک سیستم نوین تشخیص نفوذ ترکیبی درجهت افزایش امنیت اینترنت اشیا (IoT) طراحی کرده است. هسته سیستم پیشنهادی بر تلفیق بلاکچین، یادگیری فدرال و الگوریتم تکاملی کلاغ استوار است. رویکرد پیشنهادی ضمن بهبود امنیت، حفظ حریم خصوصی داده ها را نیز تضمین می کند. بدین منظور، چارچوبی مبتنی بر یادگیری فدرال برای تشخیص ناهنجاری‌ها توسعه یافته است. در فرآیند اجرا، داده ها ابتدا به بلوک‌های مستقل تقسیم می‌شوند. سپس نمونه ها با ترکیب یادگیری فدرال و بلاکچین، جهت آموزش مدل و شناسایی استخراج می‌گردند. ارزیابی سیستم با استفاده از مدل‌های یادگیری عمیق نظارت شده و نظارت‌نشده انجام شده است. عملکرد چارچوب پیشنهادی در مقایسه با روش های غیر‌فدرال، برتری دارد. همچنین کارایی مدل‌ها در ارتقای امنیت شبکه IoT مقایسه گردید. استحکام رویکرد پیشنهادی در برابر بردارهای حمله متنوع و سطوح مختلف مقیاس‌پذیری سنجیده شد. به منظور کاهش بار محاسباتی و هزینه های ارتباطی، الگوریتم های یادگیری فدرال با نمونه های کارآمد جایگزین شدند. نتایج شبیه سازی نشان می دهد که ترکیب آستانه گذاری پویا با یادگیری فدرال، دقت طبقه‌بندی ترافیک شبکه را برای تشخیص حملات DDoS افزایش می دهد.بر پایه نتایج ارزیابی، سیستم پیشنهادی به دقت ۹۸.۷٪ دست یافته است. نرخ مثبت واقعی (TPR) و فراخوانی(Recall) برابر با ۰.۹۸۷ و نرخ مثبت کاذب (FPR) برابر با ۰.۰۲۶ محاسبه شد، که این مقادیر در مقایسه با پژوهش های مرتبط، نشان‌دهنده عملکرد برتر سیستم پیشنهادی است.