Numerosas obras se centran en el problema de privacidad de datos de Internet de las Cosas (IoT) al entrenar un clasificador de Aprendizaje Automático (ML) supervisado. La mayoría de las soluciones existentes asumen que los datos de entrenamiento del clasificador pueden obtenerse de forma segura de diferentes proveedores de datos de IoT. La principal preocupación es la privacidad de los datos al entrenar un clasificador de -Vecinos más Cercanos (-NN) con datos de IoT de diversas entidades. Este documento propone -NN seguro, que proporciona un entrenamiento de -NN que preserva la privacidad sobre datos de IoT. Emplea la tecnología Blockchain con un criptosistema homomórfico parcial (PHC) conocido como Paillier para proteger la privacidad de todos los participantes (es decir, el analista de datos de IoT y el proveedor de datos de IoT). Al analizar los datos de IoT de , surge el problema de privacidad de ambos participantes y se requiere un tercero de confianza. Para proteger la privacidad de cada candidato y eliminar la dependencia de un tercero, ensamblamos bloques de construcción seguros en -NN seguro basados en la tecnología Blockchain. En primer lugar, se desarrolla una plataforma de intercambio de datos protegida entre varios , donde los datos de IoT encriptados se registran en un libro mayor compartido. En segundo lugar, se diseñan la operación polinómica segura (SPO), las operaciones de sesgo seguro (SBO) y la comparación segura (SC) utilizando la propiedad homomórfica de Paillier. Se muestra que -NN seguro no necesita ningún tercero de confianza en el momento de la interacción, y un riguroso análisis de seguridad demuestra que -NN seguro protege la privacidad de datos sensibles para cada y . El -NN seguro logró , y precisiones en los conjuntos de datos BCWD, HDD y DD. El rendimiento de -NN seguro es precisamente similar al -NN general y supera a todos los métodos anteriores del estado del arte.