拓冰网站定制 
简介这份资源是东北大学分布式系统导论课程中Gossip协议相关作业的完整实现包面向正在学习分布式系统、需要动手实践Gossip协议的学生与开发者。内容围绕Push、Pull及Push-Pull三种传播阶段展开涉及多线程并发通信、节点状态更新与收敛性分析适合具备一定Java与Python基础、希望深入理解去中心化信息传播机制的学习者。压缩包共13个文件约199KB包含3个Java源码文件、1个Python作图脚本、4个CSV实验数据、4张PNG图表及1个说明文本覆盖节点类、消息类、通信策略与结果可视化等模块。已有354人学习下载。读者可借助Java代码理解ExecutorService与Future在多线程Gossip通信中的用法通过CSV数据与图表分析不同K值和节点规模下的收敛轮数与误差变化并参考Python脚本复现节点交互可视化过程从而掌握协议参数调优与性能评估的完整思路。1. 从一份东北大学分布式作业说起Gossip 协议到底在算什么如果你正在搜「分布式 gossip 作业」大概率是两种情况要么课程实验要求你实现一个 Gossip 协议并跑出收敛曲线要么你拿到了这份东北大学分布式Gossip-难度5.zip打开一看有 Java 源码、有 Python 作图脚本、还有一堆 CSV 和 PNG但不知道从哪下手。这份资源的核心不是教你写一个能跑的 Gossip而是让你通过控制变量实验理解 K 值fanout每次随机选几个节点通信和节点规模 N 如何影响收敛轮数与误差。它适合正在做分布式系统导论课程设计的学生也适合想快速搭一个 Gossip 仿真环境验证参数的一线开发者。整个包的结构很直白src下是 Java 实现python作图.py负责把实验数据画成曲线out和图表 输出两个目录存放 CSV 和 PNG 结果。你不需要从零推导数学但需要理解为什么 K1.2 时收敛会变慢、为什么节点数到 1000 后误差曲线会出现拐点。2. 拆开 src 目录Node.java 与两个 Runner 的分工逻辑2.1 Node 类怎么存状态、怎么选邻居Node.java是整个仿真的最小单元。它通常持有三个关键字段节点 ID、当前轮次已知的信息版本号或感染状态、以及一个随机数生成器。Gossip 的核心动作是「每轮随机选 K 个其他节点交换信息」所以 Node 类里一般会有一个gossip(ListNode allNodes, int k)方法。我拆过不少类似作业最常见的实现是每个节点维护一个boolean infected或int version初始时只有一个节点是「感染源」其余都是未感染。每轮遍历所有节点对每个节点随机抽 K 个邻居如果对方版本更新就同步过来。这里有个容易翻车的点随机选邻居时如果直接用Math.random()去乘节点总数在 N1000 时会出现重复选中同一个节点的情况导致实际有效 fanout 小于 K。常见做法是用Collections.shuffle打乱一个副本再取前 K 个或者用ThreadLocalRandom配合IntStream去重。代码里如果没做去重你跑出来的收敛轮数会比理论值偏大而且 K 越小偏差越明显。// Node.java 核心片段一轮 gossip 的简化逻辑 public void gossip(ListNode allNodes, int k) { // 随机选 k 个邻居先去重再通信 ListNode candidates new ArrayList(allNodes); candidates.remove(this); // 不和自己通信 Collections.shuffle(candidates, random); int fanout Math.min(k, candidates.size()); for (int i 0; i fanout; i) { Node peer candidates.get(i); // push-pull 混合双方取版本号大的 if (peer.version this.version) { this.version peer.version; } else if (this.version peer.version) { peer.version this.version; } } }上面这段代码里k就是实验中的 K 值version可以理解为信息的新旧程度。Collections.shuffle保证了无放回抽样Math.min防止 K 大于节点数时越界。如果你拿到的源码里用的是Random.nextInt且没有去重建议先改这里再跑实验否则后面 CSV 里的收敛轮数会整体偏大 10% 到 20%。2.2 Run_Size_Rounds_Error 与 Run_K_Rounds_Error 的变量控制两个 Runner 类分别对应两组实验。Run_Size_Rounds_Error.java固定 K 值从文件名和输出 CSV 看固定的是 K1.2 对应的整数 fanout通常是 1 或 2然后让节点数从一个小值逐步增加到 1000记录每个规模下的收敛轮数和最终误差。Run_K_Rounds_Error.java反过来固定节点数 N1000让 K 从 1 变到某个上限观察收敛轮数和误差的变化。这两个类的输出格式是一致的CSV 两列或三列第一列是自变量节点数或 K 值第二列是收敛轮数第三列是误差通常是未感染节点占比或信息不一致的比例。误差的定义很关键——如果误差算的是「最后一轮仍未收到信息的节点比例」那它应该随轮数增加单调下降如果算的是「不同节点版本号的标准差」那它会在收敛后趋近于零。你拿到 CSV 后先看误差列是否单调如果不是说明仿真里可能有节点在收敛后又被「重新感染」了旧版本这通常是版本号比较逻辑写反了。# 编译并运行两个实验的典型命令 javac -d out src/*.java java -cp out Run_Size_Rounds_Error out/size_experiment.log java -cp out Run_K_Rounds_Error out/k_experiment.log-d out把 class 文件输出到 out 目录-cp out指定运行时类路径。如果你在 Windows 下用;分隔路径Linux/macOS 用:。跑之前确认src下所有.java文件都在同一个包或默认包里否则javac会报找不到符号。我一般会先跑一次 N100 的小规模确认能在几秒内出结果再跑 N1000 的完整实验避免等半天发现逻辑错了。3. 用 python作图.py 把 CSV 变成能写进报告的曲线3.1 读取两个 CSV 并统一列名python作图.py的职责很明确读out或图表 输出目录下的两个 CSV用 matplotlib 画两张图。第一张是「K值与误差、收敛轮数的关系节点个数1000」第二张是「节点个数与误差、收敛轮数关系k1.2」。脚本里大概率用了pandas.read_csv加plt.subplots的双 y 轴画法因为收敛轮数和误差的量纲不同放在同一个 y 轴上误差会被压成一条直线。如果你拿到的脚本跑不起来先检查 CSV 的列名。Java 写出的 CSV 可能带表头也可能不带列名可能是中文也可能是英文。常见做法是在 Python 里手动指定names[x, rounds, error]然后header0或headerNone根据实际情况调整。下面是我改过的读取片段兼容带表头和不带表头两种情况。import pandas as pd import matplotlib.pyplot as plt # 读取 K 值实验数据兼容有无表头 k_df pd.read_csv(out/k值-收敛轮数、误差.csv, headerNone, names[k, rounds, error]) # 如果第一行是文字表头会变成 NaN直接丢掉 k_df k_df[pd.to_numeric(k_df[k], errorscoerce).notna()] k_df k_df.astype(float) fig, ax1 plt.subplots(figsize(8, 5)) ax1.plot(k_df[k], k_df[rounds], o-, colortab:blue, label收敛轮数) ax1.set_xlabel(K 值) ax1.set_ylabel(收敛轮数, colortab:blue) ax2 ax1.twinx() ax2.plot(k_df[k], k_df[error], s--, colortab:red, label误差) ax2.set_ylabel(误差, colortab:red) plt.title(K值与误差、收敛轮数的关系节点个数1000) plt.tight_layout() plt.savefig(图表 输出/k_vs_rounds_error.png, dpi150)headerNone配合names是最稳的写法因为 Java 的FileWriter经常不写表头。pd.to_numeric那行用来过滤掉可能的文字行errorscoerce会把无法转数字的值变成 NaN再用notna()筛掉。twinx()创建共享 x 轴的第二个 y 轴这样收敛轮数和误差能画在同一张图里而不互相压扁。dpi150保证导出 PNG 足够清晰写进 Word 报告不会糊。3.2 双 y 轴图的参数怎么调才不误导双 y 轴图有个经典坑两条曲线的交叉点看起来像「收敛轮数等于误差」但实际上它们量纲不同交叉点没有物理意义。如果你要在报告里放这张图建议在 caption 里写清楚左右轴分别代表什么或者干脆把误差取对数后和轮数画在同一轴上。我一般会加一条水平虚线标出误差降到 1% 的位置这样读者能直接看出 K 增大到多少时误差进入可接受范围。另外python作图.py里可能用了plt.show()而不是savefig。在服务器或无图形界面的环境里跑会报TclError或直接卡住。把show()改成savefig()是标准操作输出路径建议用相对路径图表 输出/避免 Windows 和 Linux 路径分隔符不一致导致找不到目录。如果目录不存在savefig不会自动创建需要先os.makedirs(图表 输出, exist_okTrue)。4. 避坑与排查跑这份 Gossip 作业时最容易翻车的五件事4.1 现象收敛轮数始终等于节点数曲线是一条直线原因通常是每轮只感染一个节点也就是 fanout 实际为 1 且没有 push-pull 混合。检查Node.gossip里选邻居的逻辑如果 K 传进来是 1.2 这种浮点数而代码里直接int k截断成 1那 K1.2 的实验和 K1 没区别。解决方法是把 K 定义为浮点数在每轮里用概率决定是否多选一个邻居或者干脆把 K 的实验点改成整数序列 1、2、3、4、5。4.2 现象误差列出现负数或大于 1 的值误差的定义如果是「未感染节点数 / 总节点数」那它天然在 0 到 1 之间。出现负数说明代码里用了「已感染数 - 总节点数」之类的反向减法或者浮点除法时分子分母搞反了。打开Run_Size_Rounds_Error.java找到计算 error 的那一行确认是(double) uninfected / total而不是(double) total / uninfected。大于 1 的情况通常是整数除法被截断后又乘了 100但没除以 100.0。4.3 现象N1000 时程序跑了几分钟没输出Gossip 仿真是 O(N * K * rounds) 的复杂度N1000、K5、rounds50 就是 25 万次操作正常应该在秒级完成。如果卡住先看是不是每轮都new了大量临时对象导致 GC 频繁或者用了synchronized把整个 gossip 方法锁住多线程反而比单线程慢。常见做法是把allNodes做成ArrayList并在循环外创建循环内只做 shuffle 和版本比较不要每轮重新建列表。4.4 现象Python 画图时报KeyError: kCSV 的列名和脚本里写的列名不一致。Java 写出的 CSV 可能第一行是k,rounds,error也可能直接是1,5,0.8。用head -3 out/k值-收敛轮数、误差.csv看一眼实际内容然后决定header0还是headerNone。如果列名是中文「K值」「收敛轮数」「误差」那names参数要对应改成中文或者用df.columns [k, rounds, error]强制重命名。4.5 现象两张图的趋势和理论预期相反理论上 K 越大收敛越快、误差越小节点数越多收敛越慢。如果图里出现 K 增大收敛轮数反而上升先检查Run_K_Rounds_Error.java里是不是把 K 和节点数两个变量搞混了比如循环里 K 在增加但节点数也在变。另一个可能是随机种子固定了导致某些 K 值恰好抽到不利的邻居组合。解决办法是每个 K 值跑 10 次取平均或者在 Runner 里用System.nanoTime()做种子让每次运行结果有微小波动但趋势稳定。5. 进阶技巧用收敛轮数的对数拟合验证 Gossip 的传播下界Gossip 协议在完全图上的理论收敛轮数是 O(log N)当 fanout 为 K 时感染扩散的期望轮数大约是log_{K1} N加上一个与误差容忍度相关的常数。你可以用这份资源里的 CSV 做一件很有说服力的事把节点数 N 取对数把收敛轮数也取对数做线性回归看斜率是否接近 1。如果斜率明显大于 1说明你的实现里存在重复通信或版本比较失效导致信息传播效率低于理论值。具体操作是读节点个数-收敛轮数、误差.csv取前两列用numpy.polyfit拟合log(rounds) a * log(N) b。理想情况下 a 应该在 0.5 到 1 之间K 越大 a 越接近 0.5。如果 a 接近 1.5那基本可以确定每轮实际只感染了一个新节点需要回去检查 fanout 的去重逻辑。import numpy as np import pandas as pd df pd.read_csv(out/节点个数-收敛轮数、误差.csv, headerNone, names[n, rounds, error]) df df[pd.to_numeric(df[n], errorscoerce).notna()].astype(float) log_n np.log(df[n]) log_r np.log(df[rounds]) coeff np.polyfit(log_n, log_r, 1) print(f拟合斜率 a {coeff[0]:.3f}截距 b {coeff[1]:.3f}) # 理论预期K1 时 a 接近 1K5 时 a 接近 0.5这段代码里polyfit做最小二乘线性拟合coeff[0]就是斜率。如果斜率在 0.8 到 1.2 之间说明你的 Gossip 实现基本符合对数传播规律报告里可以直接写「实验验证了收敛轮数随节点数呈对数增长」。如果斜率小于 0.5反而要警惕——可能是误差还没收敛就提前终止了轮次导致大 N 下的轮数被低估。还有一个更细的验证把误差降到 1% 所需的轮数单独拎出来和log N做拟合。很多作业只记录了「全部感染」的轮数但实际系统里允许 1% 的节点未同步。你会发现误差容忍度从 0 放宽到 1% 时收敛轮数会下降 20% 到 30%这个差值在 K 较小时尤其明显。我一般会在报告里放一张表列出 N100、500、1000 三档下误差 0% 和 1% 的轮数对比这样能直观说明「牺牲一点一致性换来的速度提升」。从那以后我每次拿到 Gossip 相关的实验数据都会先跑一遍对数拟合再画图因为双 y 轴图只能看趋势拟合斜率才能告诉你实现有没有偏离理论下界。希望帮到你。本文还有配套的精品资源点击获取 东北大学分布式Gossip作业实战：K值与节点规模对收敛轮数的影响分析
简介这份资源是东北大学分布式系统导论课程中Gossip协议相关作业的完整实现包面向正在学习分布式系统、需要动手实践Gossip协议的学生与开发者。内容围绕Push、Pull及Push-Pull三种传播阶段展开涉及多线程并发通信、节点状态更新与收敛性分析适合具备一定Java与Python基础、希望深入理解去中心化信息传播机制的学习者。压缩包共13个文件约199KB包含3个Java源码文件、1个Python作图脚本、4个CSV实验数据、4张PNG图表及1个说明文本覆盖节点类、消息类、通信策略与结果可视化等模块。已有354人学习下载。读者可借助Java代码理解ExecutorService与Future在多线程Gossip通信中的用法通过CSV数据与图表分析不同K值和节点规模下的收敛轮数与误差变化并参考Python脚本复现节点交互可视化过程从而掌握协议参数调优与性能评估的完整思路。1. 从一份东北大学分布式作业说起Gossip 协议到底在算什么如果你正在搜「分布式 gossip 作业」大概率是两种情况要么课程实验要求你实现一个 Gossip 协议并跑出收敛曲线要么你拿到了这份东北大学分布式Gossip-难度5.zip打开一看有 Java 源码、有 Python 作图脚本、还有一堆 CSV 和 PNG但不知道从哪下手。这份资源的核心不是教你写一个能跑的 Gossip而是让你通过控制变量实验理解 K 值fanout每次随机选几个节点通信和节点规模 N 如何影响收敛轮数与误差。它适合正在做分布式系统导论课程设计的学生也适合想快速搭一个 Gossip 仿真环境验证参数的一线开发者。整个包的结构很直白src下是 Java 实现python作图.py负责把实验数据画成曲线out和图表 输出两个目录存放 CSV 和 PNG 结果。你不需要从零推导数学但需要理解为什么 K1.2 时收敛会变慢、为什么节点数到 1000 后误差曲线会出现拐点。2. 拆开 src 目录Node.java 与两个 Runner 的分工逻辑2.1 Node 类怎么存状态、怎么选邻居Node.java是整个仿真的最小单元。它通常持有三个关键字段节点 ID、当前轮次已知的信息版本号或感染状态、以及一个随机数生成器。Gossip 的核心动作是「每轮随机选 K 个其他节点交换信息」所以 Node 类里一般会有一个gossip(ListNode allNodes, int k)方法。我拆过不少类似作业最常见的实现是每个节点维护一个boolean infected或int version初始时只有一个节点是「感染源」其余都是未感染。每轮遍历所有节点对每个节点随机抽 K 个邻居如果对方版本更新就同步过来。这里有个容易翻车的点随机选邻居时如果直接用Math.random()去乘节点总数在 N1000 时会出现重复选中同一个节点的情况导致实际有效 fanout 小于 K。常见做法是用Collections.shuffle打乱一个副本再取前 K 个或者用ThreadLocalRandom配合IntStream去重。代码里如果没做去重你跑出来的收敛轮数会比理论值偏大而且 K 越小偏差越明显。// Node.java 核心片段一轮 gossip 的简化逻辑 public void gossip(ListNode allNodes, int k) { // 随机选 k 个邻居先去重再通信 ListNode candidates new ArrayList(allNodes); candidates.remove(this); // 不和自己通信 Collections.shuffle(candidates, random); int fanout Math.min(k, candidates.size()); for (int i 0; i fanout; i) { Node peer candidates.get(i); // push-pull 混合双方取版本号大的 if (peer.version this.version) { this.version peer.version; } else if (this.version peer.version) { peer.version this.version; } } }上面这段代码里k就是实验中的 K 值version可以理解为信息的新旧程度。Collections.shuffle保证了无放回抽样Math.min防止 K 大于节点数时越界。如果你拿到的源码里用的是Random.nextInt且没有去重建议先改这里再跑实验否则后面 CSV 里的收敛轮数会整体偏大 10% 到 20%。2.2 Run_Size_Rounds_Error 与 Run_K_Rounds_Error 的变量控制两个 Runner 类分别对应两组实验。Run_Size_Rounds_Error.java固定 K 值从文件名和输出 CSV 看固定的是 K1.2 对应的整数 fanout通常是 1 或 2然后让节点数从一个小值逐步增加到 1000记录每个规模下的收敛轮数和最终误差。Run_K_Rounds_Error.java反过来固定节点数 N1000让 K 从 1 变到某个上限观察收敛轮数和误差的变化。这两个类的输出格式是一致的CSV 两列或三列第一列是自变量节点数或 K 值第二列是收敛轮数第三列是误差通常是未感染节点占比或信息不一致的比例。误差的定义很关键——如果误差算的是「最后一轮仍未收到信息的节点比例」那它应该随轮数增加单调下降如果算的是「不同节点版本号的标准差」那它会在收敛后趋近于零。你拿到 CSV 后先看误差列是否单调如果不是说明仿真里可能有节点在收敛后又被「重新感染」了旧版本这通常是版本号比较逻辑写反了。# 编译并运行两个实验的典型命令 javac -d out src/*.java java -cp out Run_Size_Rounds_Error out/size_experiment.log java -cp out Run_K_Rounds_Error out/k_experiment.log-d out把 class 文件输出到 out 目录-cp out指定运行时类路径。如果你在 Windows 下用;分隔路径Linux/macOS 用:。跑之前确认src下所有.java文件都在同一个包或默认包里否则javac会报找不到符号。我一般会先跑一次 N100 的小规模确认能在几秒内出结果再跑 N1000 的完整实验避免等半天发现逻辑错了。3. 用 python作图.py 把 CSV 变成能写进报告的曲线3.1 读取两个 CSV 并统一列名python作图.py的职责很明确读out或图表 输出目录下的两个 CSV用 matplotlib 画两张图。第一张是「K值与误差、收敛轮数的关系节点个数1000」第二张是「节点个数与误差、收敛轮数关系k1.2」。脚本里大概率用了pandas.read_csv加plt.subplots的双 y 轴画法因为收敛轮数和误差的量纲不同放在同一个 y 轴上误差会被压成一条直线。如果你拿到的脚本跑不起来先检查 CSV 的列名。Java 写出的 CSV 可能带表头也可能不带列名可能是中文也可能是英文。常见做法是在 Python 里手动指定names[x, rounds, error]然后header0或headerNone根据实际情况调整。下面是我改过的读取片段兼容带表头和不带表头两种情况。import pandas as pd import matplotlib.pyplot as plt # 读取 K 值实验数据兼容有无表头 k_df pd.read_csv(out/k值-收敛轮数、误差.csv, headerNone, names[k, rounds, error]) # 如果第一行是文字表头会变成 NaN直接丢掉 k_df k_df[pd.to_numeric(k_df[k], errorscoerce).notna()] k_df k_df.astype(float) fig, ax1 plt.subplots(figsize(8, 5)) ax1.plot(k_df[k], k_df[rounds], o-, colortab:blue, label收敛轮数) ax1.set_xlabel(K 值) ax1.set_ylabel(收敛轮数, colortab:blue) ax2 ax1.twinx() ax2.plot(k_df[k], k_df[error], s--, colortab:red, label误差) ax2.set_ylabel(误差, colortab:red) plt.title(K值与误差、收敛轮数的关系节点个数1000) plt.tight_layout() plt.savefig(图表 输出/k_vs_rounds_error.png, dpi150)headerNone配合names是最稳的写法因为 Java 的FileWriter经常不写表头。pd.to_numeric那行用来过滤掉可能的文字行errorscoerce会把无法转数字的值变成 NaN再用notna()筛掉。twinx()创建共享 x 轴的第二个 y 轴这样收敛轮数和误差能画在同一张图里而不互相压扁。dpi150保证导出 PNG 足够清晰写进 Word 报告不会糊。3.2 双 y 轴图的参数怎么调才不误导双 y 轴图有个经典坑两条曲线的交叉点看起来像「收敛轮数等于误差」但实际上它们量纲不同交叉点没有物理意义。如果你要在报告里放这张图建议在 caption 里写清楚左右轴分别代表什么或者干脆把误差取对数后和轮数画在同一轴上。我一般会加一条水平虚线标出误差降到 1% 的位置这样读者能直接看出 K 增大到多少时误差进入可接受范围。另外python作图.py里可能用了plt.show()而不是savefig。在服务器或无图形界面的环境里跑会报TclError或直接卡住。把show()改成savefig()是标准操作输出路径建议用相对路径图表 输出/避免 Windows 和 Linux 路径分隔符不一致导致找不到目录。如果目录不存在savefig不会自动创建需要先os.makedirs(图表 输出, exist_okTrue)。4. 避坑与排查跑这份 Gossip 作业时最容易翻车的五件事4.1 现象收敛轮数始终等于节点数曲线是一条直线原因通常是每轮只感染一个节点也就是 fanout 实际为 1 且没有 push-pull 混合。检查Node.gossip里选邻居的逻辑如果 K 传进来是 1.2 这种浮点数而代码里直接int k截断成 1那 K1.2 的实验和 K1 没区别。解决方法是把 K 定义为浮点数在每轮里用概率决定是否多选一个邻居或者干脆把 K 的实验点改成整数序列 1、2、3、4、5。4.2 现象误差列出现负数或大于 1 的值误差的定义如果是「未感染节点数 / 总节点数」那它天然在 0 到 1 之间。出现负数说明代码里用了「已感染数 - 总节点数」之类的反向减法或者浮点除法时分子分母搞反了。打开Run_Size_Rounds_Error.java找到计算 error 的那一行确认是(double) uninfected / total而不是(double) total / uninfected。大于 1 的情况通常是整数除法被截断后又乘了 100但没除以 100.0。4.3 现象N1000 时程序跑了几分钟没输出Gossip 仿真是 O(N * K * rounds) 的复杂度N1000、K5、rounds50 就是 25 万次操作正常应该在秒级完成。如果卡住先看是不是每轮都new了大量临时对象导致 GC 频繁或者用了synchronized把整个 gossip 方法锁住多线程反而比单线程慢。常见做法是把allNodes做成ArrayList并在循环外创建循环内只做 shuffle 和版本比较不要每轮重新建列表。4.4 现象Python 画图时报KeyError: kCSV 的列名和脚本里写的列名不一致。Java 写出的 CSV 可能第一行是k,rounds,error也可能直接是1,5,0.8。用head -3 out/k值-收敛轮数、误差.csv看一眼实际内容然后决定header0还是headerNone。如果列名是中文「K值」「收敛轮数」「误差」那names参数要对应改成中文或者用df.columns [k, rounds, error]强制重命名。4.5 现象两张图的趋势和理论预期相反理论上 K 越大收敛越快、误差越小节点数越多收敛越慢。如果图里出现 K 增大收敛轮数反而上升先检查Run_K_Rounds_Error.java里是不是把 K 和节点数两个变量搞混了比如循环里 K 在增加但节点数也在变。另一个可能是随机种子固定了导致某些 K 值恰好抽到不利的邻居组合。解决办法是每个 K 值跑 10 次取平均或者在 Runner 里用System.nanoTime()做种子让每次运行结果有微小波动但趋势稳定。5. 进阶技巧用收敛轮数的对数拟合验证 Gossip 的传播下界Gossip 协议在完全图上的理论收敛轮数是 O(log N)当 fanout 为 K 时感染扩散的期望轮数大约是log_{K1} N加上一个与误差容忍度相关的常数。你可以用这份资源里的 CSV 做一件很有说服力的事把节点数 N 取对数把收敛轮数也取对数做线性回归看斜率是否接近 1。如果斜率明显大于 1说明你的实现里存在重复通信或版本比较失效导致信息传播效率低于理论值。具体操作是读节点个数-收敛轮数、误差.csv取前两列用numpy.polyfit拟合log(rounds) a * log(N) b。理想情况下 a 应该在 0.5 到 1 之间K 越大 a 越接近 0.5。如果 a 接近 1.5那基本可以确定每轮实际只感染了一个新节点需要回去检查 fanout 的去重逻辑。import numpy as np import pandas as pd df pd.read_csv(out/节点个数-收敛轮数、误差.csv, headerNone, names[n, rounds, error]) df df[pd.to_numeric(df[n], errorscoerce).notna()].astype(float) log_n np.log(df[n]) log_r np.log(df[rounds]) coeff np.polyfit(log_n, log_r, 1) print(f拟合斜率 a {coeff[0]:.3f}截距 b {coeff[1]:.3f}) # 理论预期K1 时 a 接近 1K5 时 a 接近 0.5这段代码里polyfit做最小二乘线性拟合coeff[0]就是斜率。如果斜率在 0.8 到 1.2 之间说明你的 Gossip 实现基本符合对数传播规律报告里可以直接写「实验验证了收敛轮数随节点数呈对数增长」。如果斜率小于 0.5反而要警惕——可能是误差还没收敛就提前终止了轮次导致大 N 下的轮数被低估。还有一个更细的验证把误差降到 1% 所需的轮数单独拎出来和log N做拟合。很多作业只记录了「全部感染」的轮数但实际系统里允许 1% 的节点未同步。你会发现误差容忍度从 0 放宽到 1% 时收敛轮数会下降 20% 到 30%这个差值在 K 较小时尤其明显。我一般会在报告里放一张表列出 N100、500、1000 三档下误差 0% 和 1% 的轮数对比这样能直观说明「牺牲一点一致性换来的速度提升」。从那以后我每次拿到 Gossip 相关的实验数据都会先跑一遍对数拟合再画图因为双 y 轴图只能看趋势拟合斜率才能告诉你实现有没有偏离理论下界。希望帮到你。本文还有配套的精品资源点击获取