BFTBrain：基于强化学习的自适应 BFT 共识
分布式、并行与集群计算
2024-08-14 v1
摘要
本文提出了 BFTBrain，一个基于强化学习（RL）的拜占庭容错（BFT）系统，提供了显著的运营优势：适用于广泛硬件和网络配置的即插即用系统，能够实时有效适应变化的故障场景和工作负载。BFTBrain 通过实时在一组 BFT 协议之间切换来适应系统条件和应用需求。BFTBrain 的敏捷性和性能主要得益于两个进展。首先，BFTBrain 基于对指标的系统、全面的建模，这些指标将所研究的 BFT 协议的性能与不同的故障场景和工作负载相关联。这些指标作为特征输入 BFTBrain 的 RL 引擎，以实时选择表现最佳的 BFT 协议。其次，BFTBrain 以去中心化方式协调 RL，对抗数据污染具有韧性，节点共享局部计量值并通过共识达成相同的学习结果。因此，除了提供显著的运营优势外，BFTBrain 在动态条件下将吞吐量相比固定协议提高了 18% 到 119%，并且相比最先进的基于学习的方法提高了 44% 到 154%。
引用
@article{arxiv.2408.06432,
title = {BFTBrain: Adaptive BFT Consensus with Reinforcement Learning},
author = {Chenyuan Wu and Haoyun Qin and Mohammad Javad Amiri and Boon Thau Loo and Dahlia Malkhi and Ryan Marcus},
journal= {arXiv preprint arXiv:2408.06432},
year = {2024}
}
备注
To appear in 22nd USENIX Symposium on Networked Systems Design and Implementation (NSDI), April 2025