近日，我院教师王洋洋的4篇论文被国际权威会议INFOCOM 2026、ICDE 2026、DASFAA 2026、IWQoS 2026录用，论文主要研究分布式共识协议和分布式系统，南昌大学为唯一署名单位，相关成果为大数据高效处理提供理论支撑与技术参考。

论文题目：CD-Raft: Reducing the Latency of Distributed Consensus in Cross-Domain Sites

作者：Yangyang Wang, Ziqian Cheng, Yucong Dong and Zichen Xu*

会议：INFOCOM 2026，CCF A类

论文概述：随着数据中心向多地域、多域部署发展，跨域数据处理和跨域容灾需求不断增加，传统基于 Leader 的一致性协议在处理跨域请求时，往往需要经历较长的跨域 RTT，导致系统响应延迟明显升高。为解决这一问题，我们提出了面向跨域场景的优化 Raft 协议 CD-Raft。该协议引入 Domain Leader 和 Global Leader 两类角色，并结合 Fast Return 与 Optimal Global Leader Election 两项核心机制：Fast Return 通过让客户端所在域的 Domain Leader 在满足安全条件后快速返回，将请求响应路径压缩到约一个跨域 RTT；Optimal Global Leader Election 则根据各域请求分布和域间时延，选择能够降低全局延迟的 Global Leader 位置。我们基于 Go 实现了 CD-Raft 原型系统，并使用 RocksDB、gRPC 和 Protocol Buffers 构建存储与通信模块，在华为云真实跨域网络环境中进行了 YCSB 实验。结果表明，在典型读写均衡负载下，CD-Raft 相比 Raft 将平均延迟降低了 32.90%，99 分位尾延迟降低了 49.24%，说明 CD-Raft 能够有效减少跨域一致性协议的请求处理延迟，并提升系统在跨域场景下的整体性能。

2，论文题目：Nezha: A Key-Value Separated Distributed Store with Optimized Raft Integration

作者：Yangyang Wang, Yucong Dong, Ziqian Cheng and Zichen Xu*

会议：ICDE 2026，CCF A类

论文概述：随着大数据应用、云原生服务和分布式数据库系统的快速发展，分布式键值存储已成为支撑现代数据密集型应用的重要基础设施。为保证多副本环境下的数据一致性，现有系统通常采用 Raft 等共识协议，并结合 LSM-tree 存储引擎实现高可靠的数据持久化。然而，本文通过系统分析发现，在传统 Raft-based 分布式键值存储系统中，一次写请求往往需要同时经历 Raft 日志持久化、存储引擎 WAL 写入以及 MemTable 刷盘等多次磁盘写操作，导致共识层与存储层之间存在明显的重复持久化开销，成为限制系统吞吐和延迟表现的重要瓶颈。为解决这一问题，本文提出 Nezha，一种键值分离的分布式存储系统，通过将键值分离机制与 Raft 共识协议进行深度融合，在保持强一致性保证的同时显著降低写放大和冗余 I/O。具体而言，Nezha 设计了面向键值存储优化的 KVS-Raft 协议，将 value 数据统一持久化到 Raft ValueLog 中，而状态机仅维护轻量级 offset 信息，从而将传统系统中 value 的多次持久化减少为一次。同时，针对键值分离与Raft结合带来的垃圾回收和读性能下降问题，Nezha 进一步设计了 Raft-aware 垃圾回收机制和三阶段请求处理流程，在 GC 前、GC 中和 GC 后分别采用不同的数据访问策略，确保系统在优化存储布局的同时仍能正确处理 Put、Get 和 Scan 请求。实验结果表明，相比传统 Raft-based 键值存储系统，Nezha 在 put、get 和 scan 操作上分别取得了平均 460.2%、12.5% 和 72.6% 的吞吐提升，验证了共识层与存储层协同优化在高性能分布式存储系统中的有效性。

3，论文题目：P-Raft: Distributed Consensus with Predictive Optimization Under Cross-Domain Sites

作者：Yangyang Wang, Ziqian Cheng, Yucheng Ji and Zichen Xu*

会议：DASFAA 2026，CCF B类

论文概述：随着数据中心不断向多地域、多区域扩展，跨域数据处理已成为分布式数据库中的常见场景。传统基于 Leader 的一致性协议在处理跨域请求时，通常需要等待跨域副本复制与确认，导致请求响应路径受到跨域通信时延的显著影响；同时，系统中的网络状态和请求负载会动态变化，固定或被动的 Leader 选择方式难以及时适应热点迁移。为解决这些问题，我们提出了面向跨域场景的 Raft 变体协议 P-Raft。该协议结合 Fast Commit、最优 Leader 域评估模型和基于预测的 Leader 迁移机制：Fast Commit 将提交路径压缩到 Leader 所在域内，减少跨域通信对响应路径的影响；评估模型综合域间时延和各域读写负载，计算更优的 Leader 所在域；预测机制则利用机器学习预测未来负载变化，提前完成 Leader 迁移。我们基于 ETCD 实现了 P-Raft 原型系统，并使用 YCSB 进行实验评估。实验结果表明，在读写均衡负载下，P-Raft 相比 Raft、EPaxos 和 GeoLM 分别降低了 75.19%、72.61% 和 63.89% 的平均延迟，说明 P-Raft 能够有效降低跨域一致性系统的访问延迟并提升动态负载下的系统性能。

4，论文题目：Semantic Raft: A Fault-Tolerant Multi-Agent Inference Framework for Reliable LLM Services

作者：Yidong Su, Yangyang Wang*, Yucong Dong and Zichen Xu

会议：IWQoS 2026，CCF B类

论文概述：随着大语言模型逐渐应用于金融审计、代码生成和复杂逻辑推理等关键场景，其在长链路推理中的可靠性问题日益突出。现有单模型链式推理方法容易受到早期幻觉影响，导致错误中间状态在后续推理中不断累积和放大；而多智能体辩论方法虽然引入了冗余推理，但由于缺乏严格的状态一致性约束，智能体之间容易出现盲目附和和相关性失败。为解决上述问题，本文提出 Semantic Raft，一种面向大语言模型服务的容错型多智能体推理框架。该框架借鉴分布式系统中 Raft 共识协议的思想，将多步推理过程建模为语义复制状态机，并通过信誉加权 Leader 选举、原子推理提案、Prompt 驱动的盲验证以及多数共识提交机制，在每一步推理中构建逻辑防火墙。具体而言，系统首先根据智能体历史可靠性和当前任务置信度选出 Leader 生成候选推理步骤，随后其他智能体在逻辑隔离的条件下独立推理并验证该步骤是否成立，只有通过多数验证的结果才会写入全局推理日志。通过这种“提案—验证—提交”的结构化协议，Semantic Raft 能够有效阻断错误状态传播，缓解幻觉、盲从和级联失败问题。实验结果表明，该方法在高失败率数学推理和长链路逻辑推理任务上显著优于现有基线方法，为构建可靠的大语言模型服务提供了一种新的系统化思路。

此次4篇论文的录用，是我院在大数据研究方向上的一次重要突破。未来，学院将继续鼓励师生瞄准国际前沿、深耕基础方法、拓宽交叉应用，力争在大数据及人工智能相关领域产出更多高水平研究成果，不断夯实学科科研底蕴，持续提升学院的学术影响力与国际竞争力。

审校：曾勍炜、徐子晨、甘丽娇