FLRaft:基于联邦学习模型的选举共识方案

作者：荣宝俊; 郑朝晖^*

来源：计算机科学, 2023, 50(11): 364-373.

• 共识算法
• 联邦学习
• 模型选举
• 数据隐私
• 异构集群

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。

• 单位
  苏州大学