Verification of GossipSub in ACL2s
本文使用ACL2s形式化模型验证GossipSub协议，发现其评分机制无法有效剔除不良节点，并据此生成攻击，已获开发者确认并披露为CVE-2022-47547。
2023-11-15 cs.CY cs.DC cs.LO
Fair and Efficient Gossip in Hyperledger Fabric
被许可的区块链由已识别但单独不可信的节点支持，这些节点共同维护一个复制的分类账，其内容是可信的。Hyperledger Fabric许可的区块链系统以高吞吐量事务处理为目标。Fabric使用一组节点，负责使用共识对事务进行排序。其他同行签署和验证交易，并维护分类帐的副本。从排序节点向所有对等节点快速传播新事务块的能力对于性能和一致性都至关重要。广播是由一个八卦协议处理的，使用对等点之间的随机块交换。我们表明，目前在Fabric中实现的八卦导致块传播延迟的重尾分布，影响性能，一致性和公平性。我们贡献了一种新颖的设计，同时优化传播时间，尾部延迟和带宽消耗的结构中的流言。使用一个100个节点的集群，我们表明，我们增强的八卦允许块传播到所有同行超过10倍的速度比原来的实现，同时减少了40%以上的整体网络带宽消耗。对于高吞吐量和并发应用程序，这导致不同块大小的无效事务减少17%到36%。
2020-04-15 cs.DC cs.PF
SAGE: Optimal-Stopping Peer Selection for Decentralised Federated Learning
University of Glasgow（格拉斯哥大学）
针对去中心化联邦学习中对等节点选择的不确定性，提出基于最优停止的SAGE选择器，通过锚定证据认证优势，在有限阶段做出决策，证明其性能不劣于随机闲聊，并显著降低探测与通信开销。
2026-09-22 cs.DC cs.LG
Decentralized Personalization for Federated Medical Image Segmentation via Gossip Contrastive Mutual Learning
针对联邦医学图像分割中服务器故障风险与数据异构问题，提出去中心化个性化框架GCML，通过Gossip协议和深度对比互学习实现高效点对点知识交换，显著降低通信开销并优于现有FL方法。
2025-04-07 cs.DC
The Capacity of Smartphone Peer-to-Peer Networks
我们研究三个容量问题的移动电话模型，网络抽象模型的对等通信能力，在大多数商品智能手机操作系统。网络的容量表示对于一组通信需求可以维持多少持续吞吐量，因此是网络有用性的基本界限。由于这种重要性，无线网络容量在过去二十年中一直是研究的活跃领域。我们研究的三个能力问题在沟通需求的结构上有所不同。第一个问题是成对容量，其中需求是（源，目的地）对。成对容量是最经典的定义之一，因为它在Gupta和Kumar关于无线网络容量的开创性论文中进行了分析。我们研究的第二个问题是广播容量，其中单个源必须将数据包发送到网络中的所有其他节点。最后，我们将注意力转向所有节点对所有节点的容量，其中所有节点都必须将数据包发送到所有其他节点。在这三个问题中，我们描述了任何给定网络的最佳可达吞吐量，并设计了渐近匹配此性能的算法。我们还研究了由古普塔和库马尔引入的过程随机生成的网络中的这些问题，并充分描述了其可实现的吞吐量。有趣的是，我们为所有对所有容量开发的技术也允许我们设计一个一次性的八卦算法，该算法在每个图中的最优多项式因子内运行。这在很大程度上解决了一个悬而未决的问题，从以前的工作在这个模型中的一次性八卦问题。
2019-08-07 cs.DC
Distributed Slicing in Dynamic Systems
对等（P2P）系统正在从特定于应用程序的体系结构转向面向服务的设计理念。这提出了有趣的问题，提供有用的P2P中间件服务，能够处理资源分配和管理在一个大规模的，异构的和不可靠的环境。已经提出了一种这样的服务，即切片服务，以允许将P2P网络自动划分成组（切片），这些组表示可控量的某个资源，并且在面对流失和其他故障时，这些组相对于该资源也是相对同质的。在这份报告中，我们提出了两个算法来解决分布式切片问题。第一种算法改进了现有的算法，该算法是基于一组均匀随机数的基于流言的排序。我们加快收敛通过启发式的八卦同行选择。第二种算法是基于一种不同的方法：统计近似的排序中的节点的排名。这两种算法的可扩展性、效率和对动态的弹性都依赖于它们基于流言的模型。我们目前的理论和实验结果证明这些算法的可行性。
2006-12-06 cs.DC
Publish-Subscribe Systems via Gossip: a Study based on Complex Networks
本文分析了采用非结构化P2P覆盖网络来构建网络订阅系统。我们考虑一个非常简单的分布式通信协议，基于八卦和本地知识，每个节点有关于其邻居的订阅。特别地，在接收（或生成）新事件时，节点将其发送到订阅与该事件匹配的那些邻居。此外，该节点将该事件传播给其“不感兴趣”的邻居，使得该事件可以通过覆盖层传播。提供了一种数学分析，以估计接收事件的节点的数量，基于网络拓扑结构，用户的数量和八卦概率。将这些结果与通过模拟获得的结果进行比较。结果表明，即使当订阅者的数量代表一个非常小的（但不可忽略的）网络节点的一部分，通过调整八卦概率的事件可以渗透通过覆盖。因此，使用非结构化网络。与简单的传播协议相结合，代表了一种构建对等网络订阅应用程序的可行方法。
2012-06-20 cs.DC cs.NI
Network Coded Gossip with Correlated Data
我们设计并分析了具有相关数据的网络的八卦算法。在这些网络中，要分发的数据、节点上已经可用的数据或两者都是相关的。该模型适用于各种现代网络，如传感器网络、对等网络和内容分发网络。虽然相关数据的编码方案已被广泛研究，但重点一直是表征静态无记忆网络中的速率区域。然而，在基于流言的方案中，节点通过根据一些底层通信模型连续地交换分组来在彼此之间通信。此设置的主要优点是停止时间--节点成功解码所需的时间。虽然Gossip方案是实用的，分布式的和可扩展的，但它们只针对不相关的数据进行了研究。我们希望通过提供技术来分析具有相关数据的（动态）网络中的网络编码八卦来缩小这一差距。我们给出了一个干净的框架不经意的网络模型，适用于众多的网络和通信场景，指定一个通用的设置为分布式相关数据，并给出严格的界限在这个广泛的情况下的网络编码协议的停止时间。
2012-02-08 cs.DC cs.DS cs.IT
Secure Decentralized Federated Learning via Gossip and Virtual Voting
Columbia University（哥伦比亚大学）
研究如何实现安全的去中心化联邦学习，提出gspDAG-FL框架，通过八卦历史达成共识，结合多种验证方法提高弹性，经实验验证其在减少协调瓶颈、提高吞吐量及检测无效起源等方面效果良好，学习质量接近基于验证的账本FL。
2026-07-10 cs.DC cs.LG
Discovery through Gossip
我们研究了动态网络中基于随机流言的过程，这些过程的动机是大规模分布式网络（如对等网络或社交网络）中的发现过程。对等网络中的一个研究得很好的问题是资源发现问题。在那里，节点（具有IP地址的主机）的目标是发现所有其他主机的IP地址。在社交网络中，节点（人）通过与邻居（朋友）交换联系人来发现新的节点。在这两种情况下，新节点的发现都会改变底层网络-新的边被添加到网络中-并且该过程在改变的网络中继续。严格分析这种动态（随机）过程与连续的自我变化的拓扑结构仍然是一个具有挑战性的问题，具有明显的应用。本文研究和分析了两种基于流言的自然发现过程。在推送过程中，每个节点重复地选择两个随机邻居并使它们接触（即，将它们的互信息“推”给彼此）。在拉发现过程中，每个节点重复地从随机邻居请求或“拉”随机联系。这两个过程都是轻量级的，本地的，并且由于它们的随机性而自然健壮。我们的主要结果是这两个随机过程收敛所需的时间几乎紧的分析。我们证明了在任何无向n节点图中，这两个过程都需要O（n log^2 n）轮以高概率将每个节点连接到所有其他节点，而Omega（n log n）是一个下界。在有向情况下，我们给出了强连通有向图的O（n^2 log n）上界和Omega（n^2）下界。我们克服的一个关键技术挑战是分析一个随机过程，这个过程本身会导致一个不断变化的网络，从而导致每一轮都有复杂的依赖关系。
2012-02-09 cs.DC cs.DM cs.DS
Delta Sum Learning: an approach for fast and global convergence in Gossip Learning
Ghent University - imec, IDLab（根特大学 - imec，IDLab）
Delta Sum Learning通过改进Gossip学习的聚合操作，实现更快的全局收敛和更低的准确率下降，适用于边缘计算环境。
2025-12-01 cs.AI cs.DC
GRANITE : a Byzantine-Resilient Dynamic Gossip Learning Framework
CEA, List, Université Paris-Saclay Palaiseau（CEA、List、巴黎-萨克雷大学帕莱索分校）；INRIA, INSA Lyon, CITI, UR3720（INRIA、里昂INSA、CITI、UR3720）；LIRIS, INSA Lyon, CNRS Lyon（LIRIS、里昂INSA、里昂CNRS）
针对动态八卦学习中拜占庭节点通过毒化模型和操纵节点采样发起的双重攻击，提出GRANITE框架，通过累积节点标识知识并动态调整聚合阈值，实现鲁棒学习，理论证明拜占庭节点在局部邻域呈指数衰减，实验表明在30%拜占庭节点下精度接近非拜占庭场景，且通信成本降低9倍。
2026-06-01 cs.AI cs.DC cs.LG
Distributed Slicing in Dynamic Systems
对等（P2P）系统正在从特定于应用程序的体系结构转向面向服务的设计理念。这提出了有趣的问题，在连接提供有用的P2P中间件服务，能够处理资源分配和管理在一个大规模的，异构的和不可靠的环境。已经提出了切片服务，以允许将P2P网络自动划分为表示可控量的某个资源并且相对于该资源也是相对同质的组（切片）。在本文中，我们提出了两个基于gossip算法来解决分布式切片问题。第一个算法加快了现有的算法排序一组均匀的随机数。第二个算法统计近似排序中节点的排名。这两种算法的可扩展性、效率和对动态的弹性都依赖于它们基于流言的模型。理论和实验证明了这些算法的可行性。
2007-12-26 cs.DC
Sustainable Cooperation in Peer-To-Peer Networks
针对点对点网络中自私节点获取不公平优势的问题，本文提出一种聚合局部合作评价的奖励协议，通过限制自私节点无代价收益来抵御 Sybil 和虚假报告攻击，并在大规模部署和区块链仿真中验证其能以极小开销维持合作。
2023-08-14 cs.DC
Time- and Communication-Efficient Overlay Network Construction via Gossip
本文提出一种基于 Gossip 的分布式覆盖网络构建协议，可在 polylog n 轮内仅用 Õ(n) 条消息将任意连通图重构为常数度扩展图，并利用图草图实现时间与通信双重高效。
2023-11-28 cs.DC
Optimal Gossip-Based Aggregate Computation
我们提出了第一个可证明几乎最优的基于流言的聚合计算算法，是时间最优和消息最优的。给定一个$n$ -节点网络，我们的算法保证所有的节点都能计算公共的聚合（如Min，Max，Count，Sum，Average，Rank等）。在最佳$O(\log n)$时间内并使用$O(n \log \log n)$消息来计算它们的值。我们的结果改进了Kempe等人的算法。\cite{kempe}是时间最优的，但使用$O(n \log n)$消息，以及Kashyap等人的算法。\cite{efficient-gossip}使用$O(n \log \log n)$消息，但不是时间最优的（需要$O(\log n \log \log n)$时间）。此外，我们表明，我们的算法可以用来提高基于流言的聚合计算在稀疏通信网络，如对等网络。我们的算法的主要技术成分是一种技术，称为{ \em分布式随机排名（DRR）}，可以在其他应用程序中也是有用的。DRR给出了一个有效的分布式过程划分成一个森林的（不相交）树的小尺寸的网络。我们的算法是非地址无关的。相比之下，我们显示了一个下界的$Ω(n\log n)$的消息复杂性的任何地址无关算法计算聚合。这表明，非地址不经意算法需要获得显着更好的消息复杂度。我们的下限保持不变，无论所用的轮数或消息大小如何。我们的下界是第一个非平凡的基于流言的聚合计算的下界，也给出了第一个正式的证明，…
2010-01-19 cs.CC cs.DC cs.DS
Decentralized Gossip Mutual Learning (GML) for automatic head and neck tumor segmentation
本文提出去中心化Gossip互学习框架GML，通过点对点通信和互学习优化各中心本地模型，在HECKTOR21头颈部肿瘤分割任务上相比集中池化训练、FedAvg和单独训练分别提升DSC 3.2%、4.6%和10.4%，并将通信开销降至FedAvg的16.67%。
2024-01-11 cs.DC cs.LG eess.IV
Local Thresholding on Distributed Hash Tables
我们提出了一个二叉路由树协议的分布式哈希表覆盖。使用这个协议，每个对等体可以独立地将消息路由到它的父节点和两个动态的后代节点，而不需要任何维护、全局上下文和同步。该协议，然后扩展到支持树的变化通知具有类似的效率。生成的树几乎是完全稠密和平衡的，如果分布式哈希表是对称Chord，则具有O（1）拉伸。我们使用树路由协议，以克服在对等网络系统中的本地阈值算法的实施的主要障碍-他们的要求，无循环路由。直接比较基于流言的算法和相应的局部阈值算法上的多数表决问题表明，后者获得优越的精度使用一小部分的通信开销。
2013-01-14 cs.DC
Gossip Learning with Linear Models on Fully Distributed Data
University of Szeged（塞格德大学）；Hungarian Academy of Sciences（匈牙利科学院）
完全分布式数据上的机器学习是对等网络（P2P）应用中的一个重要问题。在这个模型中，我们在每个网络节点上都有一个数据记录，但由于隐私考虑，不可能移动原始数据。例如，用户简档、评级、历史或传感器读数可以表示这种情况。这个问题是困难的，因为不可能学习本地模型，系统模型几乎不能保证可靠性，但通信成本需要保持较低。在这里，我们提出了gossip学习，一种通用的方法，它基于多个模型在网络上并行随机游走，同时应用在线学习算法来改进自己，并通过集成学习方法进行组合。我们提出了一个实例，这种方法的情况下，分类与线性模型。我们的主要贡献是集成学习方法-通过网络中的模型的连续组合-实现了一个虚拟的加权投票机制在指数数量的模型，几乎没有额外的成本相比，独立的随机游走。我们从理论上证明了该方法的收敛性，并在基准数据集上进行了大量的实验。我们的实验分析表明，所提出的方法的性能和鲁棒性。
2012-06-06 cs.DC cs.LG
Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging
Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Inria Paris（法国国家信息与自动化研究所巴黎分部）；PSL Research University（巴黎文理研究大学）
本文提出成对网络差分隐私及 Muffliato 方法，分析 gossip 平均并设计去中心化优化算法，证明隐私保证随图中节点距离放大。
2024-06-11 cs.CR cs.DC cs.LG
Duet: Co-Optimizing P2P Message Propagation and Rotating-Leader Consensus
Shanghai Jiao Tong University（上海交通大学）；Shanghai Academy of Future Internet Technology（上海未来互联网技术研究院）；Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院）；Fudan University（复旦大学）
该研究针对区块链中P2P网络与共识层相互不透明问题，利用区块链可抽象为状态机的特点，提出加速领导者轮转、引入可靠广播范式和构建延迟感知传播树三项改进，集成到相关系统并评估，使峰值吞吐量提升7.26倍。
2026-07-27 cs.DC
On Democracy in Peer-to-Peer systems
P2P网络中的信息流高度依赖于网络结构。为了简化相关数据向感兴趣的对等体的扩散，许多P2P协议通过将相似的节点置于直接联系中来收集它们。通过这种方法，节点之间的相似性是以点对点的方式计算的：每个对等体单独识别与它共享相似兴趣的节点。这导致了一种“私人”社区的创建，仅限于每个对等体的邻居列表。这种“私人”知识不允许识别发现和表征在更广泛的组中收集类似对等体的相关性所需的特征。为了让这些相关性出现，必须利用同行的集体知识。一个共同的问题，以克服，以避免网络的“私人”的愿景，是如何分布式确定社区的代表性，以及如何节点可能会决定属于it.We建议使用一个八卦样的方法，以让同行选举和识别领导人的利益社区。一旦选出领导人，他们的个人资料就被用作社区代表。同伴们通过选择他们所知道的最相似的代表来决定是否加入一个社区。
2011-06-16 cs.DC cs.NI
AetherWeave: Sybil-Resistant Robust Peer Discovery with Stake
Princeton University（普林斯顿大学）；The Hebrew University（希伯来大学）
AetherWeave通过质押机制提高P2P网络的抗Sybil能力，同时保障隐私，采用加密承诺方案限制发现请求，并通过链上惩罚机制确保网络鲁棒性。
2026-03-24 cs.CR cs.DC
Simulation of Dissemination Strategies on Temporal Networks
在分布式环境中，例如分布式账本技术和其他点对点架构，通信是一个至关重要的主题。有效传播内容的能力受到系统架构类型、用于在网络上传播此类内容的协议以及通信链路的实际动态性（即静态网络与临时网络）的强烈影响。特别是，传播策略要么专注于实现最佳覆盖，最大限度地减少网络流量，要么提供匿名保证（这是许多加密货币的基本要求）。在这项工作中，多个传播协议的行为进行了讨论和研究，通过模拟。的性能评估已经进行了时间网络的帮助下，LUNES时间，离散事件模拟器，允许测试算法运行在分布式环境中。实验表明，一些八卦协议允许保存相当数量的消息或提供更好的匿名性保证，在实现和/或一点增加的交付时间的覆盖率较低的成本。
2021-07-14 cs.DC
Pear2Pear (On Wifi): A Data Sharing Protocol Over Wifi through a Peer to Peer Network
对等系统是一个分布式系统，其中平等的节点（在角色和使用方面）直接交换信息和服务。本文描述了一种分布式对等协议，允许启用WiFi的智能设备（特别是Android智能手机）仅使用WiFi交换数据。该协议的目的是允许自动建立一个分布式对等网络的任何规模，没有地理限制。它适用于设备之间的文件共享，但可以很容易地进行调整，以支持任何数据共享。该协议定义了两层：（1）内核层，负责创建、路由、建立和维护节点（对等体）之间的链路，寻址节点以及添加和移除节点;以及（2）应用层，用于支持数据共享（在这种情况下为文件共享）。对等网络的结构是混合的。关于文件共享用例，应用允许节点（i）在其子网的目录中搜索由根结点保存的文件，以及（ii）下载文件：如果文件不在子网中，则根结点委托节点在相邻子网中制作凭证以获得文件并使其可用。在Android上进行了概念验证。
2019-03-15 cs.DC cs.MA cs.NI
Honeybee: Byzantine Tolerant Decentralized Peer Sampling with Verifiable Random Walks
Honeybee提出一种基于可验证随机游走和表一致性检查的去中心化节点采样算法，在存在大量拜占庭节点时仍能保证安全性，采样质量优于现有方法，适用于区块链网络的全节点和轻节点设计。
2025-04-24 cs.CR cs.DC cs.DS
Push-Pull Gradient Methods for Distributed Optimization in Networks
在本文中，我们专注于解决一个分布式凸优化问题的网络中，每个代理有自己的凸成本函数，目标是最小化的总代理的费用函数，同时遵守网络的连通性结构。为了最小化的费用函数的总和，我们考虑新的分布式基于梯度的方法，每个节点保持两个估计，即，最优决策变量的估计和代理的目标函数的平均梯度的估计。从智能体的角度来看，关于梯度的信息被推到邻居，而关于决策变量的信息则从邻居中提取，因此命名为“推拉梯度法“。该方法利用两种不同的图形代理之间的信息交换，因此，统一的算法与不同类型的分布式架构，包括分散式（对等），集中式（主从），和半集中式（领导者-追随者）架构。我们表明，所提出的算法和它们的许多变种在同步和异步随机八卦设置强凸和光滑的目标函数在网络上（可能与单向数据链路）线性收敛。特别地，在随机八卦设置下，“推拉”是有向图上的分布式优化的第一类算法。此外，我们数值评估我们提出的算法在这两种情况下，并表明，他们优于其他现有的线性收敛计划，特别是病态的问题和网络，是不平衡的。
2020-02-06 cs.DC cs.MA cs.SI
In-Network Estimation of Frequency Moments
我们考虑的问题，估计函数的分布式数据使用分布式算法在网络上。现有的关于有线和无线传感器网络和对等网络等分布式网络中计算函数的文献涉及当数据值的字母大小较小时计算分布式数据的线性函数，O（1）。本文提出了一种分布式随机化算法来估计分布数据的一类非线性函数。我们考虑三种类型的网络：点对点网络与八卦为基础的通信，随机平面网络的连接制度和随机平面网络的连接制度，这两个都使用时隙Aloha通信协议。对于每种网络类型，我们估计$k \geq 2$的缩放的$k$阶频率矩。具体地说，对于每个$k \geq 2,$，我们给出了一个分布式随机算法，该算法计算，概率$(1-δ),$的$ε$ -近似的缩放的$k$ -th频率矩，$F_k/N^k$，使用时间$O(M^{1-\frac{1}{k-1}} T)$和$O(M^{1-\frac{1}{k-1}} \log N \log (δ^{-1})/ε^2)$比特的传输每个通信步骤。这里，$N$是网络中的节点数，$T$是信息扩展时间，而$M=o(N)$是字母表大小。
2012-10-23 cs.DC cs.NI
Decentralized Collaborative Learning of Personalized Models over Networks
INRIA
本文研究了在协作对等网络中，如何通过与其他具有相似目标的代理通信来改进本地训练模型，提出两种异步 gossip 算法并基于 ADMM 实现去中心化算法。
2017-02-15 cs.AI cs.DC cs.LG
Hydra: A Peer to Peer Distributed Training & Data Collection Framework
世界需要多样化和无偏见的数据来训练深度学习模型。目前，数据来自各种来源，在很大程度上未经审核。用未经验证的数据训练神经网络的结果产生了带有各种同性恋恐惧症、性别歧视和种族主义的偏见模型。在深度学习领域观察到的另一个趋势是分布式训练的兴起。虽然云计算公司以GPU与低延迟网络连接的形式为训练模型提供高性能计算，但使用这些服务的成本很高。我们提出了九头蛇，一个系统，旨在解决这两个问题，在一个新的方式，提出了一个分散的分布式框架，利用大量的空闲计算的日常电子设备，如智能手机和台式计算机的培训和数据汇集的目的。Hydra将这些低功耗设备网络上的专用分布式训练框架与奖励计划相结合，该计划激励用户提供高质量的数据，以释放此训练框架上的计算能力。这样的系统能够从各种各样的不同来源捕获数据，这在当前的深度学习场景中是一个问题。Hydra在低功耗设备上的训练中引入了几项新的创新，包括All Reduce算法的容错版本。此外，我们引入了一个强化学习的政策，以决定不同的机器上的异构集群的设备具有不同的网络时延同步SGD的训练作业的大小。这种网络的新颖之处在于，每台机器都能够在任何时间点关闭并恢复训练能力，而无需重新启动整体训练。为了实现这样的异步行为，我们提出了一个通信框架的灵感来自Bittorrent协议和Kademlia DHT。
2018-11-24 cs.CR cs.DC cs.LG
$\textbf{A}^2\textbf{CiD}^2$: Accelerating Asynchronous Communication in Decentralized Deep Learning
Concordia University（康考迪亚大学）；Mila（米拉研究所）；Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）
本文提出 $\ extbf{A}^2\ extbf{CiD}^2$，一种带连续局部动量的异步随机 gossip 优化算法，通过并行点对点平均减少空闲与通信成本，并在理论和 ImageNet 多拓扑实验中验证其加速效果。
2023-12-06 cs.AI cs.DC cs.LG
