Los fabricantes de Internet de las Cosas para el Consumidor (CIoT) buscan la retroalimentación de los clientes para mejorar sus productos y servicios, creando un ecosistema inteligente, como un hogar inteligente. Debido a preocupaciones de seguridad y privacidad, los ecosistemas de aprendizaje federado basados en blockchain (BCFL) permiten a los fabricantes de CIoT actualizar sus modelos de aprendizaje automático (ML) utilizando datos de usuarios finales. El aprendizaje federado (FL) utiliza técnicas de ML que preservan la privacidad para prever las necesidades y hábitos de consumo de los clientes, y la blockchain reemplaza al agregador centralizado para proteger el ecosistema. Sin embargo, la tecnología blockchain (BCT) lucha con la escalabilidad y la rápida expansión del libro mayor. En BCFL, la generación de modelos locales y la agregación segura son otros problemas. Esta investigación introduce una arquitectura novedosa, enfatizando el par de puerta de enlace (GWP) en la red blockchain para abordar problemas de escalabilidad, optimización del libro mayor y transmisión segura del modelo. En la arquitectura, reemplazamos el agregador centralizado con la red blockchain, mientras que GWP limita el número de transacciones locales a ejecutar en BCN. Considerando la seguridad y privacidad de los procesos de FL, incorporamos privacidad diferencial y técnicas avanzadas de normalización en los procesos de ML. Estos enfoques mejoran la ciberseguridad de los usuarios finales y promueven la adopción de estándares de innovación tecnológica por parte de los proveedores de servicios. El enfoque propuesto ha sido sometido a pruebas exhaustivas utilizando el respetado conjunto de datos de Stanford (CARS). Demostramos experimentalmente que la arquitectura propuesta mejora la escalabilidad de la red y optimiza significativamente el libro mayor. Además, la técnica de normalización supera a la normalización por lotes cuando las características están bajo protección de DP.