연합 학습 (Federated Learning, FL)은 지능형 교통 시스템 (Intelligent Transportation Systems, ITS)에서 전기차 (Electric Vehicle, EV) 배터리 데이터를 관리하기 위한 유망한 패러다임으로 부상하였으며, 이상 탐지 (Anomaly Detection) 및 용량 추정 (Capacity Estimation)과 같은 프라이버시 보호 작업을 가능하게 합니다. 그러나 기존의 대부분의 프레임워크는 중앙 집중식 집계 방식 (Centralized Aggregation Schemes)에 의존하며, 이는 보안 및 신뢰 측면에서 심각한 한계를 가집니다. 이러한 문제를 해결하기 위해, 본 논문에서는 커넥티드 EV를 위한 자동화된 비잔틴 내성 클러스터형 분산 연합 학습 (Byzantine-resilient Clustered Decentralized Federated Learning, C-DFL) 프레임워크인 ABC-DFL을 제안합니다. 제안된 인센티브 기반 C-DFL 시스템은 중앙 서버를 오픈 허가형 블록체인 (Open-permissioned Blockchain)으로 대체하며, 신뢰성, 보안성 및 자동화를 강화하기 위해 새로운 동적 쿼럼 비잔틴 장애 허용 (Dynamic Quorum Byzantine Fault Tolerance, QBFT) 프로토콜과 오라클 기반 집계 계층 (Oracle-based Aggregation Layer)을 특징으로 합니다. ABC-DFL의 핵심에는 FLECA (Filtered Layered Enhanced Clustering Aggregation)가 있으며, 이는 각 EV가 자신의 참조 모델 업데이트 (Reference Model Update)로부터의 편차를 기반으로 한 적응형 임계값 (Adaptive Threshold)을 사용하여 악성 업데이트를 필터링함으로써 비잔틴 공격 (Byzantine Attacks)을 완화하는 견고한 계층적 집계 프로토콜입니다. 그룹 간 집계를 담당하는 오라클 노드 (Oracle Nodes)는 신뢰할 수 있는 EV 그룹의 모델 업데이트를 격리하고 집계하기 위해 견고한 클러스터링 (Robust Clustering)을 채택합니다. 종합적인 실험 평가 결과, FLECA는 양호한 조건 (Benign Conditions) 하에서 FedProx의 수렴 성능과 일치하며, 적응형 적대적 시나리오 (Adaptive Adversarial Scenarios)에서 공격 영향 점수 (Attack Impact Scores) 0.10 미만을 기록하며 기존 방어 기제들을 크게 능가함을 입증했습니다. 또한, 멀티태스크 모델 (Multitask Models)을 이용한 여러 학습 실험을 통해 인센티브 메커니즘의 효과성과 공정성을 확인했습니다. 마지막으로, 온체인 (On-chain) 및 오프체인 (Off-chain) 벤치마크를 통해 ABC-DFL의 실용성을 검증했습니다.