【作者单位】苏州大学计算机科学与技术学院;江苏省网络空间安全工程实验室;
【摘要】针对异构集群中Raft共识算法的投票分裂和领导者频繁更换造成的吞吐量低、共识时延高和安全性低等问题，提出了一种基于联邦学习模型的Raft选举共识方案FL＿Raft。首先，联邦学习聚合运行于每轮领导者迭代后，调用节点的本地特征数据，通过联邦学习训练模型筛选高性能节点组；其次，建立基于行为的权益计算模型，对集群中每个节点的权益值进行动态调整；最后，建立权益选举模型，由队列选举准领导者节点，选取出的节点经全体节点投票选举后成为最终领导者节点。实验结果表明，在保证各节点数据隐私性的前提下，相比Raft，FL＿Raft的选举时延降低了50%，领导者可靠性达到95%以上，共识时延缩短了20%，吞吐量提高了13%。FL＿Raft共识算法保证了选举的效率和安全，提高了集群的稳定性和领导者的可用性。
【关键词】共识算法;;联邦学习;;模型选举;;数据隐私;;异构集群
评论