Stellar Core提名领导者算法的优化与公平性改进
2025-06-25 17:51:10作者:范靓好Udolf
背景与问题分析
在分布式共识协议中,提名阶段领导者选举算法的公平性至关重要。Stellar Core当前实现中存在一个潜在问题:提名算法对拥有更多验证节点的机构(如Lobstr)存在偏好。这种偏好源于不同机构采用了不同的验证节点配置结构。
当前网络配置中,大多数机构采用"2/3"模式(3个验证节点中选择2个),而Lobstr机构则采用"3/5"模式(5个验证节点中选择3个)。这种差异导致在提名阶段,Lobstr机构节点被选为领导者的概率高于其他机构节点。
技术原理深入解析
Stellar Core的提名领导者选举算法基于IETF技术规范实现,核心机制包括:
- 权重计算函数
weight(v):表示节点v出现在法定人数切片中的比例 - 邻居节点集合
neighbors(n):通过哈希函数确定哪些节点可能成为邻居 - 优先级函数
priority(n,v):决定节点v在轮次n中的优先级
当前实现中,权重计算函数利用了法定人数集结构,但在处理不同阈值配置时存在计算偏差。特别是对于"5/7"这样的配置,计算结果与理论预期不符。
解决方案设计
为解决这一问题,我们提出以下改进方案:
-
权重分配策略:
- 相同质量级别的机构间平均分配权重
- 将低质量级别的验证节点组视为单个"虚拟机构"
-
实现优化:
- 将默认权重计算逻辑移至SCPDriver基类
- 在HerderSCPDriver中实现基于配置的质量级别感知权重计算
- 引入协议版本控制,平滑过渡到新算法
-
权重归一化处理:
- 针对权重总和为1.0导致单个权重值过小的问题
- 以最高质量级别的机构权重为基准进行归一化
实现细节与测试验证
改进后的算法实现考虑了多种配置场景:
-
对于当前7个机构的配置:
- SDF节点权重:UINT64_MAX/21
- Lobstr节点权重:UINT64_MAX/35
-
对于扩展配置(如4个中等机构+2个低质量机构):
- SDF节点权重:UINT64_MAX/24
- 中等机构节点权重:UINT64_MAX/96
- 低质量机构节点权重:UINT64_MAX/192
为确保算法正确性,我们进行了:
- 蒙特卡洛模拟测试,验证新算法在各种配置下的行为
- 超级集群测试,验证从旧算法到新算法的升级过程
- 文档更新,清晰说明新算法原理和配置方式
技术影响与未来展望
这一改进显著提升了Stellar网络提名阶段的公平性,消除了对特定机构的偏好。从技术架构角度看:
- 增强了系统的去中心化特性
- 提高了共识过程的抗操纵能力
- 为未来支持更复杂的机构结构和质量级别配置奠定了基础
未来可进一步优化本地节点权重的计算逻辑,使其更好地融入机构架构中,实现更对称的领导者选择机制。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust075- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
690
4.46 K
Ascend Extension for PyTorch
Python
547
671
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
955
930
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
427
75
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
326
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
564
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292