计算机科学与探索

作者：刘义, 吴世伟, 蒋澄杰, 董慧婷, 吴银淼, 管新如, 蒋胜, 张磊

单位：1. 佳木斯大学 信息电子技术学院，黑龙江 佳木斯 1540072. 佳木斯大学 信息电子技术学院 黑龙江省自主智能与信息处理重点实验室，黑龙江 佳木斯 1540073. 佳木斯市卫星导航技术与装备工程技术重点实验室，黑龙江 佳木斯 154007

关键词：共识机制,区块链,联邦学习

基金：黑龙江省省属本科高校基本科研业务费科研项目（2024-KYYWF-0564）；佳木斯大学国家基金培育项目（JMSUGPZR2022-014）；黑龙江省自主智能与信息处理重点实验室开放课题（ZZXC202302）；佳木斯大学“东极”学术团队项目（DJXSTD202417）；黑龙江省省属本科高校优秀青年教师基础研究支持计划（YQJH2024239）；黑龙江省外国专家项目（G2024020）；佳木斯大学博士专项科研启动项目（JMSUBZ2024-07）；黑龙江省自然科学基金联合基金培育项目（PL202

联邦学习的快速发展带来了分布式数据协同训练的新机遇。区块链为联邦学习的中心化信任、数据隐私保护、系统安全及通信开销优化等关键挑战带来了解决思路，成为联邦学习的一个重要组成部分。而共识机制作为区块链在联邦学习中的重要组成，可以对模型更新进行验证，实现去中心化聚合，使用激励确保参与者积极参与等。针对联邦学习中共识机制的差异，本文从联邦学习中的经典共识、表现共识、协议共识与协同共识四个角度对现有的联邦学习中使用的共识方案进行了比较，经典共识侧重于区块生成与基础一致性保障；表现共识根据节点本地训练表现进行参与度调节；协议共识面向联邦任务设计专属策略，实现定制化高效聚合；协同共识则支持多链多域环境下的跨链验证与一致性维护。通过对比联邦学习中不同共识的代表算法、优缺点以及适用环境，分析出当前共识机制存在隐私嵌入困难、通信负担重、异构适应性差等问题。最后提出机制融合、轻量设计、隐私集成等未来优化方向，为共识机制与联邦学习的深度融合提供理论支撑与方法参考。

来源：2025年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第11期