本文提出了一种名为 DFL-C 的新型拜占庭鲁棒去中心化联邦学习（DFL）架构，旨在解决去中心化场景下全局模型一致性问题。传统的去中心化联邦学习允许各节点在没有中央服务器的情况下协同训练 AI 模型，但现有方案无法保证全局模型一致性，这在任务关键型协作场景中会导致决策不统一和安全隐患。此外，缺乏一致性还会放大拜占庭攻击者的威胁，攻击者可利用去中心化网络拓扑和弱同步性，对单个受害者实施双花（equivocation）和模型投毒攻击。DFL-C 的核心创新在于将异步公共子集（ACS）共识协议集成到 DFL 工作流中，确保所有节点聚合统一的模型更新集合，从而在存在个别拜占庭节点双花行为的情况下仍能建立全局模型一致性。同时，DFL-C 实现了双域信任评分机制，用于抵御数据域拜占庭操纵（包括模型投毒攻击），该机制与共识协议互补，显著降低了共识协议的整体运行时开销。实验结果表明，DFL-C 在应对拜占庭行为时能保持模型精度，并以适中的共识开销实现全局模型一致性。与当前不提供模型一致性的最先进 DFL 方案 BALANCE（Fang 等人）相比，DFL-C 在针对非定向模型投毒攻击时表现出更高的模型精度，在后门攻击下具有相当的鲁棒性，且这一优势在非独立同分布（non-IID）场景下更为明显。该研究适合关注分布式机器学习安全性、联邦学习鲁棒性、共识协议与 AI 系统融合的研究人员和工程师阅读。