A Logic for Repair and State Recovery in Byzantine Fault-tolerant Multi-agent Systems
本文提出含知识、hope及三类动态模态的认知逻辑，以模型更新刻画拜占庭容错多智能体系统的修复与状态恢复，并给出完备归约公理化。
2024-06-27 cs.DC
Byzantine Stable Matching
本文研究了分布式同步环境中存在拜占庭节点的稳定匹配问题，给出了两侧智能体数量相等且偏好全序时可解的充要条件，该条件取决于通信模型与密码学设置。
2025-05-30 cs.DC
Byzantine-Robust Decentralized Coordination of LLM Agents
Department of Computer Science and Engineering（计算机科学与工程系）；Pohang University of Science and Technology（波恩大学科学技术大学）
本文提出DecentLLMs，一种去中心化多智能体LLM共识方法，通过工作者并发生成答案、评估者独立评分排序，在存在拜占庭智能体时实现更快共识并选出更高质量答案。
2025-07-20 cs.AI cs.DC
Byzantine Gathering in Polynomial Time
我们研究的任务拜占庭收集在网络建模为一个图。尽管存在拜占庭代理，但所有其他（好）代理，从可能不同的节点开始并应用相同的确定性算法，必须在有限时间内在同一节点相遇并停止移动。对手选择代理的初始节点，并为每个代理分配不同的标签。代理在同步轮中移动，并且仅当位于同一节点时才相互通信。在团队中，有f个特工是拜占庭人。拜占庭代理以不可预测的方式行事：特别是它可能伪造另一个代理的标签或创建一个全新的标签。除了它的标签，这对应于一个本地的知识，一个代理被分配一些全球性的知识GK是共同的所有代理。在文献中，通过考虑GK=（n，f）和GK=f的情形，分析了任意n节点图中的拜占庭聚集问题.在第一个（resp。第二种情况下，已经表明，保证所有这些代理的确定性收集的良好代理的最小数量是f+1（resp. f+2）。对于这两种情况，所有现有的确定性算法，无论它们是否是最佳的所需数量的好代理，具有时间复杂度，是指数n和L，其中L是属于一个好的代理的最大标签。在本文中，我们试图设计一个确定性的解决方案，拜占庭收集，使一个让步的拜占庭代理的比例在团队中，但提供了一个显着降低的复杂性。我们还试图使用一个全球性的知识，其长度的二进制表示是小的。假设代理人在一个强大的团队中，即，一个团队中的好代理的数量至少是一些规定的值，是在F的平方，我们给出了积极和消极的结果。
2018-01-23 cs.DC cs.DS
Approximate Byzantine Fault-Tolerance in Distributed Optimization
针对分布式优化中的拜占庭故障，本文提出 (f,ε)-弹性近似容错概念，给出其充要条件，并分析可微代价下鲁棒梯度聚合分布式梯度下降的条件。
2024-05-21 cs.DC
Optimal Self-Stabilizing Mobile Byzantine-Tolerant Regular Register with bounded timestamp
本文提出了第一个实现的自稳定的定期寄存器仿真$n$服务器是宽容的移动拜占庭代理，和\emph{transient failures}在一个无轮同步模型。与现有的移动拜占庭容忍寄存器实现不同，本文考虑了一个更强大的对手，其中（i）消息延迟（即，$δ$）和移动拜占庭代理移动的周期（即，$Δ$）是完全解耦的，并且（ii）服务器不知道它们的状态，即，该协议允许\emph{(i)}和\emph{(ii)}直到$f$的移动Byzantine代理出现任意数量的瞬时故障。此外，我们的实现使用有界的时间戳从$\mathcal{Z}\_{13}$域，它是最佳的容忍$f$移动拜占庭代理在给定的模型中所需的服务器的数量。
2018-10-23 cs.DC cs.DS cs.NI
Tight Mobile Byzantine Tolerant Atomic Storage
本文提出了第一个实现的原子存储容忍移动拜占庭代理。我们的实现是专为基于轮的同步模型的拜占庭节点的变化，从一轮到一轮。在这个模型中，我们探讨了多写多读原子寄存器的可行性容易出现各种移动拜占庭行为。我们证明了在所有探索的模型中解决原子存储的上界和下界。我们的研究结果，显着不同的静态情况下，主张更深入的研究分布式计算的主要组成部分，而系统是容易移动拜占庭故障。
2015-05-26 cs.DC
Causality and Epistemic Reasoning in Byzantine Multi-Agent Systems
因果关系是分布式计算中证明不可能结果和合成有效协议的重要概念。对于异步代理在不可靠的通道上通信，因果关系得到了很好的研究和理解。然而，这种理解在很大程度上依赖于代理人本身是正确和可靠的假设。我们提供了第一个拜占庭代理人存在的因果关系的认识分析，即，代理人可以偏离他们的协议，因此，不能依赖。使用我们的新框架，在容错多智能体系统的认知推理，我们确定拜占庭式的类比的因果锥，并描述了一个通信结构，我们称之为多足动物，必要的验证先决条件，在此设置中的行动。
2019-07-22 cs.DC cs.LO cs.MA
Byzantine Multi-Agent Optimization: Part I
我们研究拜占庭容错分布式优化的凸（成本）函数与实值标量输入/输出的总和。特别地，目标是优化全局成本函数$\frac{1}{|\mathcal{N}|}\sum_{i\in \mathcal{N}} h_i(x)$，其中$\mathcal{N}$是非故障代理的集合，并且$h_i(x)$是代理$i$的局部成本函数，其最初仅为代理$i$所知。一般来说，当一些代理可能是拜占庭故障时，上述目标是无法实现的，因为故障代理的身份不一定为非故障代理所知，并且故障代理可能会任意行事。由于上述全局成本函数不能在拜占庭代理的存在下精确优化，我们定义了一个较弱版本的问题。较弱的问题的目标是生成一个输出，这是一个最佳的功能形成为一个凸组合的本地成本函数的非故障代理。更准确地说，对于$i\in \mathcal{N}$的权重$α_i$的某些选择，例如$α_i\geq 0$和$\sum_{i\in \mathcal{N}}α_i=1$，输出必须是成本函数$\sum_{i\in \mathcal{N}} α_ih_i(x)$的最优值。理想情况下，我们希望所有$i\in \mathcal{N}$都使用$α_i=\frac{1}{|\mathcal{N}|}$--然而，由于存在错误代理，这一点无法得到保证。事实上，我们表明，非零权重（$α_i$的）的最大可实现的数量是$|\mathcal{N}|-f$，其中$f$是拜…
2015-07-31 cs.DC math.OC
Byzantine Fault-Tolerance in Decentralized Optimization under Minimal Redundancy
研究了多智能体分散优化中的拜占庭容错问题。在这个问题中，每个代理都有一个局部成本函数。分散优化算法的目标是允许代理合作计算其总成本函数的公共最小点。我们考虑的情况下，一定数量的代理可能是拜占庭式的故障。这种错误的代理可能不遵循规定的算法，并且他们可能与其他非错误代理共享任意或不正确的信息。这种拜占庭代理的存在使得典型的分散式优化算法无效。我们提出了一个分散的优化算法与可证明的精确容错对有限数量的拜占庭代理，提供了非故障代理有一个最小的冗余。
2020-09-30 cs.DC cs.MA cs.SY
A Sufficient Condition for Gaining Belief in Byzantine Fault-Tolerant Distributed Systems
本文针对拜占庭容错分布式系统，提出智能体从自身历史推断正确信念的充分条件及有限时间检查过程，为高效协议开发与正确性证明奠定基础。
2023-07-11 cs.DC cs.MA
Byzantine Fault-Tolerant Multi-Agent System for Healthcare: A Gossip Protocol Approach to Secure Medical Message Propagation
Nihir Chadderwala（独立研究者）
本文提出一种基于 gossip 协议的拜占庭容错多智能体系统，用于医疗领域，通过加密验证和共识协议保障信息安全与系统容错性。
2025-11-27 cs.AI cs.DC
Who Needs Consensus? A Distributed Monetary System Between Rational Agents via Hearsay
我们提出了一种新的分布式货币系统，称为传闻，容忍拜占庭和理性的行为，而不需要代理达成共识执行的交易。最近的工作[5，10，15]表明，分布式货币系统不需要共识，并且可以使用具有较弱保证的广播原语（例如可靠广播）进行操作。然而，这些协议假设一些代理可能是拜占庭的，其余的代理是完全正确的。在货币体系中，代理人是具有经济利益的真实的人，对于这种货币体系的应用，代理人完全正确的假设可能过于强烈。我们扩大这一思路，削弱假设的正确性，而是采用容错模型，允许多达$t < \frac{N}{3}$代理拜占庭和其余的代理是合理的。一个理性的代理人是一个会偏离协议，如果它是在自己的最佳利益。在这个容错模型下，Hearsay实现了一个货币系统，在这个系统中，所有理性的代理人都能就已执行的交易达成一致。此外，Hearsay只要求每笔交易进行一次广播。为了激励理性的代理人在传闻中正确地行为，代理人因参与协议而获得交易费，并因明显偏离协议而受到惩罚。此外，Hearsay使用了一种名为RationalReliableBroadcast的新颖的广播原语，以确保代理可以在Hearsay的容错模型下广播消息。Rational Reliable Broadcast实现了与Byzantine Reliable Broadcast [7]等同的保证，但可以容忍理性代理的存在。为了表明这一点，我们证明，以下的理性可靠广播协议…
2021-04-15 cs.DC
Byzantine Fault-Tolerance in Federated Local SGD under 2f-Redundancy
EPFL（洛桑联邦理工学院）；Virginia Tech（弗吉尼亚理工大学）；Georgetown University（乔治城大学）
我们考虑联邦机器学习中的拜占庭容错问题。在这个问题中，该系统包括多个代理，每个代理具有本地数据，以及可信的集中式协调器。在无故障设置中，代理与协调员合作，以找到一个最小的聚合的本地成本函数定义在他们的本地数据。我们考虑的情况下，一些代理（$f$出$N$）是拜占庭故障。这样的代理不需要正确地遵循规定的算法，并且可以将任意的不正确的信息传递给协调器。在拜占庭代理人的存在下，一个更合理的目标，为非故障代理人是找到一个最小的总成本函数只有非故障代理人。这个特定的目标通常被称为精确容错。最近的工作表明，精确的容错是可以实现的，如果只有当非故障代理满足属性的$2f$ -冗余。现在，在此属性下，已知的技术赋予精确的容错的经典随机梯度下降（SGD）算法的分布式实现。然而，我们不知道联邦本地SGD算法的任何此类技术-联邦机器学习更常用的方法。为了解决这个问题，我们提出了一种新的技术命名为比较消除（CE）。我们表明，在$2f$冗余下，联邦本地SGD算法与CE确实可以获得精确的容错在确定性设置时，非故障代理可以准确地计算其本地成本函数的梯度。在一般的随机情况下，当代理只能计算无偏噪声估计的局部梯度，我们的算法实现了近似容错近似误差成正比的方差的随机梯度和拜占庭代理的分数。
2021-08-26 cs.DC cs.LG
Perpetual Exploration of a Ring in Presence of Byzantine Black Hole
本文研究了同步智能体在存在拜占庭黑洞（可擦除节点信息）的环拓扑中的永久探索问题，探讨了多种初始位置与通信模型，并证明了在同址且带白板条件下仅需3个智能体即可实现目标。
2024-11-14 cs.DC
Byzantine Fault-Tolerant Distributed Machine Learning Using Stochastic Gradient Descent (SGD) and Norm-Based Comparative Gradient Elimination (CGE)
EPFL（洛桑联邦理工学院）；Georgetown University（乔治城大学）
本文研究了分布式随机梯度下降（D-SGD）方法中的拜占庭容错问题，D-SGD是分布式多智能体机器学习的一种流行算法。在这个问题中，每个代理独立于某个数据生成分布对数据点进行采样。在无故障的情况下，D-SGD方法允许所有代理学习最适合所有代理集体采样的数据的数学模型。我们考虑的情况下，当一小部分的代理可能是拜占庭式的故障。这种错误的代理可能不会正确地遵循规定的算法，并且可能通过共享任意不正确的随机梯度而使传统的D-SGD方法无效。我们提出了一个基于范数的梯度过滤器，命名为比较梯度消除（CGE），robustifies D-SGD方法对拜占庭代理。我们表明，CGE梯度过滤器保证容错对拜占庭代理的有界分数在标准的随机假设下，是计算上更简单的许多现有的梯度过滤器，如多KRUM，几何平均值，和频谱过滤器。我们的经验表明，通过模拟分布式学习神经网络，CGE的容错性与现有的梯度过滤器。我们还经验表明，随机梯度的指数平均提高了通用梯度滤波器的容错性。
2021-04-18 cs.DC cs.LG stat.ML
Byzantine Gathering in Networks
本文研究了文献[14]中提出的一个开放问题。两个或多个移动代理从网络的不同节点开始，并且必须完成收集任务，该任务包括在同一时间在同一节点聚集在一起。对手选择代理的初始节点，并为每个代理分配一个不同的正整数（称为标签）。最初，每个代理知道它的标签，但不知道其他代理的标签或它们相对于自己的位置。代理在同步轮中移动，并且只有当位于同一节点时才能相互通信。多达f个代理人是拜占庭人。拜占庭代理可以在移动时选择任意端口，可以向其他代理传递任意信息，并且可以在每一轮中更改其标签，特别是通过伪造另一个代理的标签或创建一个全新的标签。什么是最小数量M的好代理，保证所有的确定性收集，与终止？我们提供确切的答案，这个开放的问题，考虑的情况下，当代理最初知道的网络的大小和情况下，他们不。在前一种情况下，我们证明M=f+1，而在后一种情况下，我们证明M=f+2。更确切地说，对于已知规模的网络，我们设计了一个确定性算法，收集所有好的代理在任何网络中提供的好代理的数量至少是f+1。对于未知规模的网络，我们还设计了一个确定性的算法，确保收集所有好的代理在任何网络，但提供的好代理的数量至少是f+2。我们的两种算法在所需的好代理数量方面都是最优的，因为它们中的每一个都完美地匹配[14]中所示的M的各自下限，当网络的大小已知时，M的下限为f+1，当网络的大小未知时，M的下限为f+2。
2015-04-27 cs.DC cs.DS
The Honest Quorum Problem: Epistemic Byzantine Fault Tolerance for Agentic Infrastructure
研究智能基础设施中因推理错误导致的诚实仲裁问题，定义认知拜占庭容错（EBFT）模型，用两个量增强传统拜占庭故障界限，推导相关仲裁阈值条件及校准方法，指出添加代理提高容错的条件。
2026-07-20 cs.DC cs.LG cs.MA
Byzantine-Robust Online and Offline Distributed Reinforcement Learning
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Princeton University（普林斯顿大学）；Massachusetts Institute of Technology（麻省理工学院）
我们考虑一个分布式的强化学习设置，多个代理分别探索环境，并通过中央服务器交流他们的经验。然而，$α$ -分数的代理是敌对的，可以报告任意的假信息。至关重要的是，这些敌对代理可以勾结，他们的假数据可以是任何大小。我们希望在这些对抗性代理存在的情况下，为底层马尔可夫决策过程鲁棒地确定一个接近最优的策略。我们的主要技术贡献是加权团，一种新的算法的强大的平均估计批量问题，可以处理任意批量大小。在此基础上，在离线环境下，设计了一个拜占庭鲁棒分布式悲观值迭代算法;在在线环境下，设计了一个拜占庭鲁棒分布式乐观值迭代算法.这两种算法都获得了接近最优的样本复杂度，并实现了比以前的作品更好的鲁棒性保证。
2022-06-01 cs.DC cs.LG stat.ML
Utilizing Redundancy in Cost Functions for Resilience in Distributed Optimization and Learning
Georgetown University（乔治城大学）
本文研究了基于服务器架构的弹性分布式优化和随机机器学习问题。该系统包括服务器和多个代理，其中每个代理具有本地成本函数。代理与服务器协作以找到它们的聚合成本函数的最小值。我们考虑的情况下，当一些代理可能是异步和/或拜占庭故障。在这种情况下，分布式梯度下降（DGD）的经典算法变得无效。我们的目标是设计技术，提高效率的DGD与拜占庭式的失败。要做到这一点，我们首先提出了一种方法来模拟代理的成本函数的通用概念的$(f, \,r; ε)$冗余，其中$f$和$r$是参数的拜占庭故障和冗余，分别和$ε$表征代理的成本函数之间的接近度。这使我们能够量化代理成本函数之间存在的冗余水平，对于任何给定的分布式优化问题。我们从理论和经验上证明了我们提出的冗余模型在提高DGD针对异步和拜占庭代理的鲁棒性方面的优点，以及它们对分布式随机梯度下降（D-SGD）的扩展，以实现具有异步和拜占庭代理的鲁棒分布式机器学习。
2021-10-21 cs.DC cs.LG
Byzantine Fault Tolerant Distributed Linear Regression
Georgetown University（乔治城大学）
研究了多智能体系统中分布式线性回归的拜占庭容错问题。然而，所提出的算法给出了更一般的一类分布式优化问题，其中分布线性回归是一个特例。该系统由一个服务器和多个代理组成，其中每个代理持有一定数量的数据点和满足线性关系的响应（可能是噪声）。服务器的目标是确定这种关系，假设系统中的一些代理（最多已知数量）是拜占庭故障（又名。积极对抗）。我们表明，服务器可以实现这一目标，在一个确定性的方式，鲁棒性的原始分布式梯度下降方法使用基于范数的过滤器，即“范数过滤”和“范数帽过滤”，在每次迭代中产生额外的对数线性计算成本。所提出的算法在三个层次上改进了现有的方法：i）不需要对数据点的概率分布进行假设，ii）系统可以部分异步，iii）计算开销（为了处理拜占庭故障代理）在代理数量和数据点维度上是对数线性的。所提出的算法在为它们的正确性所做的假设以及它们使用的梯度滤波器方面彼此不同。
2019-04-04 cs.DC cs.LG stat.ML
Decentralized Federated Policy Gradient with Byzantine Fault-Tolerance and Provably Fast Convergence
ETH Zürich（苏黎世联邦理工学院）；National University of Singapore（新加坡国立大学）
针对联邦强化学习缺乏容错保证或依赖中心节点的问题，提出首个去中心化拜占庭容错策略梯度算法，结合鲁棒聚合与弹性协议消除中心依赖，并验证其加速效果与抗攻击能力。
2024-01-07 cs.AI cs.DC cs.LG
On the Hardness of Decentralized Multi-Agent Policy Evaluation under Byzantine Attacks
University of Wisconsin-Whitewater（威斯康星大学怀特沃特分校）；University of Louisville（路易斯维尔大学）；North Carolina State University（北卡罗来纳州立大学）；The Ohio State University（俄亥俄州立大学）
本文研究了拜占庭攻击下去中心化多智能体策略评估问题，证明了理想共识目标不可实现且正权重存在理论上界，并提出一种拜占庭容错的去中心化时序差分算法以保证渐近共识。
2024-09-22 cs.CR cs.DC cs.LG
Byzantine Game Theory: Sun Tzus Boxes
本文提出拜占庭选择问题，在对手控制至多 $t$ 个智能体真实技能为0时设计团队选择机制，并给出最大化期望团队价值的线性时间随机化算法。
2025-02-20 cs.DC cs.DS cs.GT
Distributed Statistical Min-Max Learning in the Presence of Byzantine Agents
University of Pennsylvania（宾夕法尼亚大学）
近年来，人们对最小-最大优化的兴趣越来越大，这是因为它与生成对抗网络（GANs）、鲁棒控制和优化以及强化学习的相关性。受这方面工作的启发，我们考虑了多代理的最小-最大学习问题，并专注于在这样的设置中与最坏情况的拜占庭对抗代理竞争的新挑战。通过借鉴最近的结果，从强大的统计，我们设计了一个强大的分布式变种的额外梯度算法-一个流行的算法方法，最小-最大优化。我们的主要贡献是提供一个清晰的分析所提出的强大的额外梯度算法光滑凹凸和光滑强凸强凹函数。具体来说，我们建立近似鞍点的统计收敛率。我们的利率接近最优，并揭示了对抗性腐败的影响和非错误代理人之间合作的好处。值得注意的是，这是第一篇为存在对抗代理的大规模分布式最小-最大学习提供正式理论保证的论文。
2022-04-07 cs.DC cs.LG cs.SY
Ubiquitous Distributed Deep Reinforcement Learning at the Edge: Analyzing Byzantine Agents in Discrete Action Spaces
University of Turku（图尔库大学）
边缘计算在下一代移动网络中的集成正在为无数的网络物理系统带来低延迟和高带宽的无处不在的连接。这将进一步推动嵌入各种类型的自治系统边缘的日益增长的智能，其中协作机器学习有可能发挥重要作用。本文讨论了多智能体分布式深度强化学习中的一些挑战，这些挑战可能会在存在拜占庭或故障智能体的情况下发生。随着模拟与现实之间的差距得到弥合，必须考虑故障或错误的可能性。我们展示了错误的离散行为如何显着影响协作学习努力。特别是，我们分析的影响，有一小部分的代理，可能会执行错误的行动与给定的概率。我们研究的能力，系统收敛到一个共同的工作政策，通过协作学习过程的基础上，从每个代理的经验，以聚合为每个政策更新的数量，以及从代理遇到故障的错误动作的分数。我们的实验是在一个模拟环境中进行的，使用Atari测试平台的离散动作空间，和优势演员评论家（A2C）的分布式多智能体训练。
2020-08-18 cs.DC cs.LG cs.RO
Optimal Eventual Byzantine Agreement Protocols with Omission Failures
针对遗漏故障，提出基于知识的最优最终拜占庭协议程序，分离信息交换与行动协议，实现高效且最优的FIP，解决开放问题。
2023-05-10 cs.DC
BARD-MARL: Byzantine-Agent Detection for Learned Communication in Multi-Agent Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）；Carnegie Mellon University Department of Electrical（卡内基梅隆大学电气与计算机工程系）
针对多智能体强化学习中的通信信任问题，提出BARD-MARL方法，结合策略图特征和贝叶斯信任统计，在自适应交通信号控制中有效检测拜占庭攻击。
2026-06-23 cs.DC cs.LG cs.MA
Beyond Byzantine: An Organizational Consensus Algorithm for Self-Interested Agents Under Information Asymmetry
Purdue University（普渡大学）；JD Logistics, JD.com（京东物流，京东集团）
针对信息不对称下自利智能体的组织架构问题，提出组织共识算法（OCA），通过机制设计框架在Python模拟中验证其可降低协调开销、提升信息报告率。
2026-08-03 cs.DC cs.GT cs.MA
Defending Non-Bayesian Learning against Adversarial Attacks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-尚佩恩分校）
本文讨论了多智能体网络上的非贝叶斯学习问题，其中智能体反复收集关于世界未知状态的部分信息观测，并尝试协作学习真实状态。我们专注于对抗代理对基于共识的非贝叶斯学习性能的影响，其中非故障代理将局部学习更新与共识原语相结合。特别是，我们考虑的情况下，一个未知的子集的代理遭受拜占庭故障-代理遭受拜占庭故障的行为任意。提出了两种不同的学习规则。
2016-06-28 cs.DC cs.LG
Perpetual exploration in anonymous synchronous networks with a Byzantine black hole
本文研究了在无网络规模先验知识且存在拜占庭黑洞（BBH）的匿名同步网络中，移动代理如何永久探索未知图，提出了两种探索变体，并给出了在无环网络和一般图中解决该问题所需的最优及上下界代理数量。
2025-08-11 cs.DC cs.MA
Iterative Approximate Byzantine Consensus in Arbitrary Directed Graphs - Part II: Synchronous and Asynchronous Systems
本报告包含两组相关的结果，对同步性有不同的假设。第一部分是关于同步系统中的迭代算法。根据我们以前的工作同步迭代近似拜占庭共识（IABC）算法，我们提供了一个更直观的紧的必要和充分条件，这样的算法在同步网络1的存在。我们相信这个条件和以前的结果在部分异步算法模型中也成立。在报告的第二部分中，我们将探讨异步网络中的问题。虽然传统的拜占庭共识在异步系统中是不可解的，但近似拜占庭共识可以使用迭代算法来解决。
2012-03-16 cs.DC
Fault-Tolerant Multi-Agent Optimization: Part III
我们研究容错分布式优化的凸（成本）函数的总和与实值标量输入/输出的崩溃故障或拜占庭故障的存在。具体地，目标是优化全局成本函数$\frac{1}{n}\sum_{i\in \mathcal{V}} h_i(x)$，其中$\mathcal{V}=\{1, \ldots, n\}$是代理的集合，并且$h_i(x)$是代理$i$的局部成本函数，其最初仅为代理$i$所知。由于上述全局成本函数不能在崩溃故障或拜占庭故障的存在下精确地优化，我们分别定义了崩溃故障和拜占庭故障的问题的两个较弱版本。当某些代理可能崩溃时，较弱问题的目标是生成作为形成为$$C(\sum_{i\in \mathcal{N}} h_i(x)+\sum_{i\in \mathcal{F}} α_i h_i(x)),$$的函数的最优输出，其中$\mathcal{N}$是非故障代理的集合，$\mathcal{F}$是故障代理（崩溃的代理）的集合，每个$i\in \mathcal{F}$的$0\le α_i\le 1$和$C$是归一化常数，使得$C(|\mathcal{N}|+\sum_{i\in \mathcal{F}} α_i)=1$。我们提出了一个迭代算法，其中每个代理只需要执行本地计算，每次迭代发送一个消息。当一些代理可能是拜占庭式的时，系统不能充分利用由非故障代理保存的数据。相关联的较弱问题的目标是生成作为形成为$$\s…
2015-09-06 cs.DC math.OC
Byzantine Agreement with Unknown Participants and Failures
一组相互不信任的参与者想要就共同的观点达成一致，必须解决拜占庭协议问题的一个实例。这些问题已在文献中得到广泛研究。然而，大多数现有的解决方案假定参与者知道$n$ --系统中参与者的总数--和$f$ --拜占庭参与者数量的上限。在本文中，我们表明，即使参与者不知道（可能会改变）$n$和$f$的值，大多数的基本协议问题可以得到解决，而不影响弹性。具体来说，我们考虑一个同步系统中的参与者有唯一的，但不一定是连续的标识符，并给出拜占庭协议算法的可靠广播，近似协议，转子协调员，提前终止共识和总订购在静态和动态系统中，所有的最佳弹性$n> 3f$。此外，我们表明，同步是必要的，因为在半同步或异步系统中，如果参与者不知道$n$和$f$的概率终止协议是不可能的。
2021-02-20 cs.DC
Robust Distributed Optimization With Randomly Corrupted Gradients
Rice University（莱斯大学）
在本文中，我们提出了一个一阶分布式优化算法，可证明是强大的拜占庭故障任意和潜在的敌对行为，其中所有参与的代理都容易失败。我们模型每个代理的状态随着时间的推移，作为一个两个状态的马尔可夫链，表明拜占庭或值得信赖的行为在不同的时刻。我们对任何给定时间的拜占庭代理的最大数量没有限制。我们设计了基于三层防御的方法：1）时间鲁棒聚合，2）空间鲁棒聚合，3）梯度归一化。我们研究了两种随机最优化的设置，即样本平均近似和随机逼近。我们提供了强凸和光滑的非凸费用函数我们的方法的收敛保证。
2022-06-17 cs.DC cs.LG math.OC
Iterative Byzantine Vector Consensus in Incomplete Graphs
这项工作解决了拜占庭向量共识（BVC），其中每个过程的输入是实数的d维向量，并且每个过程都期望在无故障过程的输入向量的凸包中决定决策向量[3，8]。每个过程的输入向量也可以被视为d维欧几里得空间R^d中的一个点，其中d > 0是有限整数。最近的工作[3，8]已经解决了可以通过完整图建模的系统中的拜占庭向量共识。本文研究不完全图中的拜占庭向量一致性。特别是，我们解决了一类特殊的迭代算法在不完全图，并证明了一个必要条件，一个充分条件，为图形能够迭代地解决向量共识问题。提出了一种迭代拜占庭向量共识算法，并在充分条件下证明了该算法的正确性.本文提出的向量共识的必要条件与d > 1的充分条件不匹配;因此，较弱的条件可能足以满足拜占庭向量共识。
2013-07-09 cs.DC
Generalization Error Analysis for Attack-Free and Byzantine-Resilient Decentralized Learning with Data Heterogeneity
School of Computer Science and Engineering, Sun Yat-Sen University（中山大学计算机科学与工程学院）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）
本文针对异构数据下的无攻击与拜占庭容错去中心化学习建立细粒度泛化误差分析，揭示数据异构性、初始化、梯度噪声及拜占庭攻击的影响，并通过凸与非凸实验验证理论。
2025-06-11 cs.DC cs.LG
Shielding Federated Learning: Mitigating Byzantine Attacks with Less Constraints
联邦学习是一种新出现的分布式学习框架，它可以在分布式参与者之间协同训练共享的全局模型，并保护他们的隐私。然而，联邦学习系统容易受到恶意参与者的拜占庭攻击，他们可以上传精心制作的本地模型更新，以降低全局模型的质量，甚至留下后门。虽然这个问题最近受到了极大的关注，目前的防御计划严重依赖于各种假设，如一个固定的拜占庭模型，参与者的本地数据的可用性，少数攻击者，IID数据分布等，为了放松这些限制，本文提出了Robust-FL，第一个预测为基础的拜占庭强大的联邦学习计划，没有任何的假设被利用。Robust-FL的核心思想是利用历史全局模型来构造一个估计器，在此基础上通过相似性检测来过滤局部模型。然后，我们聚类本地模型，以自适应地调整本地模型和估计器之间的可接受的差异，从而可以识别拜占庭用户。在不同数据集上的大量实验表明，该方法同时具有以下优点：（i）独立于参与者的本地数据，（ii）容忍多数攻击者，（iii）对可变拜占庭模型的推广。
2022-10-13 cs.DC
Epistemic Model Checking of Atomic Commitment Protocols with Byzantine Failures
Halpern和Fagin提出的基于知识的程序的概念为设计、分析和优化分布式系统提供了一种有用的形式主义。本文将两阶段提交协议描述为一个基于知识的程序，然后通过模型检验和反例引导精化的迭代过程，找到了在拜占庭故障背景下具有同步可靠通信的完美召回语义的程序的具体实现。我们模拟了几种不同类型的拜占庭故障，并验证了不同的策略来对抗和减轻它们。我们解决了一些在以前的文献中没有考虑过的问题，即，在什么情况下发送者可以知道它的传输已经成功，以及在什么情况下代理可以知道协调者正在欺骗，并且找到这些问题的具体答案。本文还介绍了一种基于时间-认知模型检验技术的方法，该方法可以用来验证分布式协议的最短和最长执行时间以及导致它们的场景。
2017-05-10 cs.DC cs.LO
Efficient Byzantine-Resilient Stochastic Gradient Desce
分布式学习经常遭受拜占庭失败，并且已经有许多研究拜占庭失败下的分布式随机优化问题的工作，其中只有一部分工人，而不是分布式学习系统中的所有工人，在每次迭代时计算随机梯度。这些方法虽然在拜占庭故障下是可行的，但具有次优收敛速度或高计算成本的缺点。为此，我们提出了一个新的拜占庭弹性随机梯度下降算法（简称BrSGD），这是可证明的强大对拜占庭故障。BrSGD同时获得了最优的统计性能和高效的计算。特别是，BrSGD可以实现强凸损失函数的阶最优统计出错率。BrSGD的计算复杂度为O（md），其中d是模型维数，m是机器数。实验结果表明，BrSGD可以获得竞争力的结果相比，非拜占庭机器的有效性和收敛性。
2021-08-15 cs.DC
Detectable Quantum Byzantine Agreement for Any Arbitrary Number of Dishonest Parties
在存在任意故障的情况下达成协议是分布式计算中的一个基本问题，如果三分之一的进程失败，除非使用签名消息，否则这个问题是无法解决的。在本文中，我们提出了一个解决方案，原来的BA问题的变化，称为可检测的拜占庭协议（DBA），不需要使用签名的消息。所提出的算法使用我们称之为$Q$ -相关列表，它是由量子源设备生成的。一旦每个进程都有了这些列表中的一个，它们就可以使用它们以经典的方式达成协议。虽然一般来说，协议是通过使用$m+1$回合（其中$m$是可能失败的进程数）来达成的，但如果少于三分之一的进程失败，则只需要一个回合就可以达成协议。
2021-12-17 cs.DC
Iterative Approximate Consensus in the presence of Byzantine Link Failures
本文探讨了在同步点对点网络中达成近似共识的问题，其中底层通信图的每个有向链路表示一对节点之间的通信信道。我们采用瞬时拜占庭链路故障模型[15，16]，其中无所不知的对手控制有向通信链路的子集，但假设节点是无故障的。最近的工作已经解决了在具有Byzantine节点的不完全图中达到近似consen- sus的问题，该问题使用了一类受限的迭代算法，该迭代算法在迭代中仅保持少量的内存[22，21，23，12]。然而，据我们所知，我们是第一个考虑近似的共识，在拜占庭的链接存在。我们扩展了我们过去的工作，提供了图的精确表征，其中存在拜占庭节点故障的迭代近似一致性问题是可解的[22，21]。特别地，我们证明了在瞬时Byzantine链路模型下，迭代近似共识算法存在的一个关于底层通信图的紧的充分必要条件.该条件回答了[16]中所述的开放问题（部分）。
2014-01-26 cs.DC
Resilience in Collaborative Optimization: Redundant and Independent Cost Functions
本文研究了多智能体协同优化中的拜占庭容错问题。在这个问题中，每个代理都有一个局部成本函数。协同优化算法的目标是计算代理成本函数的最小值。我们考虑的情况下，一定数量的代理可能是拜占庭式的故障。这种错误的代理可能不遵循规定的算法，并且它们可能发送关于其本地成本函数的任意或不正确的信息。一个合理的目标，在存在这样的故障代理是最小化的总成本的非故障代理。在这份报告中，我们表明，这一目标可以实现，当且仅当成本函数的非故障代理有一个最小的冗余属性。我们提出了不同的算法，实现这种宽容对故障代理，并证明了算法的复杂性和代理的成本函数的属性之间的权衡。此外，我们还考虑的情况下，成本函数是独立的或不满足最小冗余属性。在这种情况下，我们通过引入一个称为弱弹性的度量来量化对错误代理的容忍度。我们提出了一个算法，达到弱弹性时，有故障的代理人是少数和成本函数是非负的。
2020-03-31 cs.DC cs.MA
Fire!
在本文中，我们提供了一个简单的变形拜占庭容错异步分布式系统的基本一致广播原语的认识分析。我们的Fireing Rebels with Relay（FRR）原语使具有局部偏好的代理能够以全有或全无的方式在所有正确的代理上触发动作（FIRE）。通过使用我们的TARK'19论文中介绍的拜占庭式多智能体系统的认知推理框架，我们开发了需要由代理获得的知识的必要和充分状态，以消防。它涉及最终的共同希望（一种与信仰相关的模态），我们在FRR案例中通过实现最终的共同希望已经证明了这一点。我们还确定了微妙的变化的必要和充分的知识状态FRR的不同假设的本地偏好。
2021-06-22 cs.DC cs.LO cs.MA
A Byzantine Fault Tolerant Distributed Commit Protocol
在本文中，我们提出了一个拜占庭容错分布式提交协议的事务运行在不可信的网络。传统的两阶段提交协议通过复制协调器和在协调器副本之间运行拜占庭协议算法来增强。我们的协议可以容忍拜占庭故障的协调副本和一个子集的恶意故障的参与者。一个决策证书，其中包括一组注册记录和一组投票的参与者，是用来促进协调副本，以达到拜占庭协议的结果，每一个交易。该证书还限制了错误副本可以用于非原子终止事务或语义上不正确的事务结果的方式。
2007-08-01 cs.DB cs.DC
PBFT-Backed Semantic Voting for Multi-Agent Memory Pruning
FPT University Sun Asterisk（FPT大学Sun Asterisk）
本文提出Co-Forgetting Protocol框架，通过结合上下文感知语义投票、多尺度时间衰减和PBFT共识机制，实现多智能体系统中的同步记忆剪枝，有效减少内存占用并保证容错性。
2025-06-24 cs.AI cs.DC cs.MA
Byzantine-Robust Distributed Online Learning: Taming Adversarial Participants in An Adversarial Environment
Sun Yat-Sen University（中山大学）；George Mason University（乔治梅森大学）
该研究分析拜占庭攻击下的分布式在线学习，证明完全对抗环境中遗憾只能线性且紧，并提出在诚实损失 i.i.d. 时实现次线性随机遗憾的鲁棒动量算法。
2023-12-05 cs.DC cs.LG
Byzantine Convergence in Robots Networks: The Price of Asynchrony
Université Pierre et Marie Curie - Paris 6（巴黎第六大学（皮埃尔和玛丽·居里大学））；CNRS（法国国家科学研究中心）
我们研究了完全异步的，一维的机器人网络，容易拜占庭（即恶意）故障的收敛问题。在这些设置中，具有任意初始位置的不经意的匿名机器人需要最终收敛到一个先验未知的位置，尽管它们中的一个子集表现出拜占庭式的行为。我们的贡献是双重的。我们提出了一个确定性的算法，解决了这个问题，在最通用的设置：完全异步的机器人，在非原子CORDA模型。我们的算法在5f +1大小的网络中提供收敛，其中f是拜占庭机器人数量的上限。此外，我们证明了5f +1是一个下界时，机器人调度是完全异步的。这与以前的结果在部分同步机器人网络，其中3f +1机器人是必要的和充分的约束。
2009-08-04 cs.DC cs.RO
Communication Modalities
本文针对拜占庭分布式系统中消息不可信的问题，提出 hope 和 creed 两种新模态来表示消息的信息内容，以扩展认知逻辑对不可靠通信场景的分析能力。
2024-05-04 cs.DC cs.LO cs.MA
Byzantine Robustness and Partial Participation Can Be Achieved at Once: Just Clip Gradient Differences
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出首个支持客户端采样且可证明容忍拜占庭节点的分布式学习方法，通过梯度裁剪控制方差缩减中的梯度差，并结合通信压缩，在部分参与场景下达到与现有最先进方法相匹配的收敛速率。
2024-06-07 cs.AI cs.DC cs.LG
