El aprendizaje federado (FL) se ha utilizado ampliamente tanto en la academia como en la industria en todo el mundo. FL tiene ventajas desde la perspectiva de la seguridad de datos, diversidad de datos, aprendizaje continuo en tiempo real, eficiencia de hardware, etc. Sin embargo, plantea nuevos desafíos de privacidad, como ataques de inferencia de membresía y ataques de envenenamiento de datos, cuando se asume que partes de los participantes no son completamente honestos. Además, los participantes egoístas pueden obtener datos colaborativos de otros pero no contribuyen con sus datos locales reales o incluso proporcionan datos falsos. Esto viola la equidad de los esquemas de FL. Por lo tanto, se han integrado técnicas avanzadas de privacidad y equidad en los esquemas de FL, incluidos blockchain, privacidad diferencial, prueba de conocimiento cero, etc. Sin embargo, la mayoría de los trabajos existentes aún tienen margen para mejorar la practicidad debido a nuestra exploración. En este documento, proponemos un protocolo de Generación de Números Pseudoaleatorios basado en Blockchain (BPNG) basado en Funciones Aleatorias Verificables (VRFs) para garantizar la equidad en los esquemas de FL. A continuación, proponemos un protocolo de Adición de Ruido Aleatorio de Gradiente (GRNA) basado en privacidad diferencial y pruebas de conocimiento cero para proteger la privacidad de los datos en los esquemas de FL. Finalmente, implementamos ambos protocolos en Hyperledger Fabric y analizamos su rendimiento. Los experimentos de simulación muestran que el tiempo promedio que lleva la generación de pruebas es de 18.993 s y el tiempo promedio de verificación en cadena es de 2.27 s bajo la configuración de nuestro entorno experimental, lo que significa que el esquema es práctico en la realidad.