CN110866546B - 一种共识节点的评估方法及装置 - Google Patents
一种共识节点的评估方法及装置 Download PDFInfo
- Publication number
- CN110866546B CN110866546B CN201911044256.1A CN201911044256A CN110866546B CN 110866546 B CN110866546 B CN 110866546B CN 201911044256 A CN201911044256 A CN 201911044256A CN 110866546 B CN110866546 B CN 110866546B
- Authority
- CN
- China
- Prior art keywords
- consensus
- evaluated
- node
- characteristic
- consensus node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种共识节点的评估方法及装置，涉及区块链技术领域，方法包括：获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；根据区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。根据实际联盟链需求的不同侧重维度，进行节点类别数据的评估，完成共识节点分类评估工作，为之后正式的联盟链搭建和动态评估共识节点提供解决样例方案。
Description
技术领域
本发明实施例涉及区块链技术领域，尤其涉及一种共识节点的评估方法及装置。
背景技术
区块链也称为分布式账本技术，它是一个可以协同运转的数据库存储系统，参与者通过某种共识算法来保证各个节点的账本信息保持一致。根据准入机制的不同，区块链可分为公有链、联盟链和私有链等三种类型。其中，联盟链只为某个特定群体的成员和有限的第三方服务，成员在获取权限后才可对区块链进行读写记账操作。拜占庭共识算法(Byzantine Fault Tolerance，BFT)是联盟链的常用共识算法，它是一种状态机副本复制算法，状态机在分布式系统的不同节点进行副本复制。分布式网络中的所有节点都参与共识，每个节点通过多次的消息确认来保证账本的一致性。
尽管拜占庭共识算法具有容错性、去币化等优势，但因性能太低而难以在具有较高性能需求的区块链系统中使用。因此，当前联盟链多选用部分节点参与共识，期望通过减少参与共识节点的数量来提高共识效率以及联盟链的性能。目前，区块链共识节点选择研究还处于初步试验阶段，理论依据和工程实践仍在探索中，还没有一种有效的共识节点评估选择算法。
发明内容
本申请实施例提供一种共识节点的评估方法及装置，能够有效评估基于拜占庭共识算法的区块链中的各待评估共识节点。
一方面，本申请实施例提供一种共识节点的评估方法，所述方法包括：
获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；
根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；
根据区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
可选的，所述根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，包括：
根据各待评估共识节点的共识属性信息确定各待评估共识节点的共识特征，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，所述第一特征用于表征待评估共识节点在共识过程中的网络特性，所述第二特征用于表征待评估共识节点在共识过程中的共识特性，所述第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
可选的，所述根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类，包括：
根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵；
根据所述ISODATA算法对所述节点特征矩阵进行分类。
可选的，所述根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵，包括：
对各待评估共识节点的第一特征、第二特征以及第三特征进行数据清洗；
将清洗后的每个待评估共识节点的第一特征、第二特征以及第三特征作为一列构成节点特征矩阵；
针对所述节点特征矩阵中的每一列进行归一化处理，得到归一化后的节点特征矩阵；
确定所述归一化后的节点特征矩阵中的每一列的相关性以及显著性，并将满足设定相关性以及显著性的各列构成待评估共识节点的节点特征矩阵。
可选的，所述根据所述区块链的构建需求对各待评估集合中的各待评估共识节点进行评估，包括：
根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，并将评估结果作为各待评估集合中的各待评估共识节点的评估结果。
可选的，所述区块链的构建需求至少包括节点特征阈值，所述根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，包括：
根据所述节点特征阈值以及各待评估集合中的分类中心的特征值确定评估结果。
一方面，本申请实施例提供一种共识节点的评估装置，包括：
获取单元，用于获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；
分类单元，用于根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的节点特征对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；
评估单元，用于根据所述区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
可选的，所述分类单元具体用于：
根据各待评估共识节点的共识属性信息确定各待评估共识节点的共识特征，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，所述第一特征用于表征待评估共识节点在共识过程中的网络特性，所述第二特征用于表征待评估共识节点在共识过程中的共识特性，所述第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
可选的，所述分类单元具体用于：
根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵；
根据所述ISODATA算法对所述节点特征矩阵进行分类。
可选的，所述分类单元具体用于：
对各待评估共识节点的第一特征、第二特征以及第三特征进行数据清洗；
将清洗后的每个待评估共识节点的第一特征、第二特征以及第三特征作为一列构成节点特征矩阵；
针对所述节点特征矩阵中的每一列进行归一化处理，得到归一化后的节点特征矩阵；
确定所述归一化后的节点特征矩阵中的每一列的相关性以及显著性，并将满足设定相关性以及显著性的各列构成待评估共识节点的节点特征矩阵。
可选的，所述评估单元具体用于：
根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，并将评估结果作为各待评估集合中的各待评估共识节点的评估结果。
可选的，所述区块链的构建需求至少包括节点特征阈值，所述评估单元具体用于：
根据所述节点特征阈值以及各待评估集合中的分类中心的特征值确定评估结果。
一方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述任一种共识节点的评估方法的步骤。
一方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述任一种共识节点的评估方法的步骤。
本申请实施例提供的共识节点的评估方法，根据各待评估共识节点在共识过程中的网络特性以及共识特性来确定各待评估共识节点的节点特征，并根据ISODATA算法对应以及各待评估共识节点的节点特征对各待评估共识节点进行分类，正在进行分类后，根据区块链的构建需求对分类后的各待评估共识节点进行评估。在本申请实施例中，根据实际联盟链需求的不同侧重维度，进行节点类别数据的评估，完成共识节点分类评估工作，为之后正式的联盟链搭建和动态评估共识节点提供解决样例方案。并且，在本申请实施例中，使用了ISODATA算法，可以在运算过程中动态更改聚类类别的数量，使得待评估共识节点的聚类结果更加准确。在进行评估是，通过特征阈值划分来区分和定义每个节点分组的类别，从而可以选择出适合搭建联盟链的节点群组。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需求使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用场景示意图；
图2为本发明实施例提供的一种共识节点的评估方法的流程示意图；
图3为本发明实施例提供的一种数据清洗的流程示意图；
图4为本发明实施例提供的一种数据归一化以及显著性计算的流程示意图；
图5为本发明实施例提供的一种根据ISODATA算法进行待评估共识节点分类的流程示意图；
图6为本发明实施例提供的一种评估装置的结构示意图；
图7为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
需要说明的是，本申请的文件中涉及的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
区块链(Blockchain)：是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。也是比特币的一个重要概念，它本质上是一个去中心化的数据库，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。目前来说，根据不同的应用场景以及用户需求，区块链大致可以分为公有链(PublicBlockchain)、私有链(Private Blockchain)以及联盟链(Consortium Blockchain)三大类。
公有链：指全世界任何人都可读取、发送交易且交易能获得有效确认的、也可以参与其中共识过程的区块链。主要特点是访问门槛低、去中心化、用户行为不受控制。
私有链：是完全私有的区块链，在某些应有场景下，并不希望这个链被所有人参与，写入权限由某个公司或机构控制，只有被允许的节点才可以参与并查看所有数据。私有链最大的好处就是加密审计和公开身份信息，也就是相当于有了监控，就算发生错误也能找到来源，机构或公司内部开发系统一般会采用私有链。私有链的特点是交易速度快、交易成本低、发生错误可以纠正。
联盟链：指N个机构共同参与管理某个区块链，每个机构都运行着一个或多个节点，其中的数据只允许系统内不同的机构进行读写与发送交易，并且共同记录交易数据。联盟链每个节点的权限都完全对等，大家在不需要完全互信的情况下就可以实现数据的互换。联盟链的特点是交易速度快、运行成本低、可多方合作。
拜占庭共识算法：区块链的分布式网络中可能会有多个人提出打包区块的请求，通过拜占庭共识算法；
k-means算法：k均值聚类算法，是一种迭代求解的聚类分析算法，k-means算法中的k代表类簇个数，means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述)，因此，k-means算法又称为k-均值算法。k-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。
ISODAT算法：ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
脏数据(Dirty Read)，是指源系统中的数据不在给定的范围内或对于实际业务毫无意义，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑。
归一化：将数据的值缩放到0与1之间。
在具体实践过程中，本申请的发明人发现，在构建联盟链时，由于有众多的节点，而这些节点的性能不同，在区块链中的执行能力也不同，所以需要从众多节点中选择部分节点构建联盟链。
基于上述问题，本申请的发明人首先构思了一种共识节点的评估方法，对构成基于拜占庭共识算法的区块链的各共识节点，可以根据各共识节点的性能进行分类，在进行分类时，首先想到的分类算法是k-means算法，k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。并且k-means算法的原理简单，实现方便，并且算法的收敛速度快，参数调节简单，所以可以通过k-means算法将性能相似度高的共识节点归为一类，实现了共识节点的分类。
但是在实践过程中，本申请的发明人发现，在使用k-means算法进行分类时，必须给定需要分类的数目，也就是说，给定分类的数目会影响分类结果，对于各共识节点，给定不同的需要分类的数目，会得到不同的共识节点分类结果。但是有时候我们并不知道应该聚成多少个类，而是希望算法可以给出一个合理的聚类数量，所以使用k-means算法时不能很好的给定聚类个数这个参数。
基于上述缺点，本申请的发明人还构思了另一种对各共识节点的分类方法，首先使用ISODATA算法对各共识节点进行分类，然后在进行分类后，还需要对分类后的各类别的共识节点进行评估。本申请的发明人认为，分类后的共识是节点是用于构建区块链的，所以根据区块链的构建需求来对分类后的各类别的共识节点进行评估，所以本申请的发明人提出一种共识节点的评估方法。
在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需求说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需求灵活地应用本申请实施例提供的技术方案。
本申请实施例的应用场景参见图1所示，本申请中的共识节点的评估方法可以由评估装置101执行，评估装置获取图1中的各待评估共识节点102，各待评估共识节点102具有各自的处理设备1021，并且各待评估共识节点102的各自的处理设备1021可以通过有线或者无线网络与网络连接。
在本申请实施例中，评估装置101可以是服务器，也可以是其它多个终端设备，终端设备可以是便携设备(例如：手机、平板、笔记本电脑等)，也可以是个人电脑(PC，Personal Computer)等。服务器可以是任何能够提供互联网服务的设备，服务器可以是一台设备也可以是多台设备。
在本申请实施例中，评估装置101获取各待评估共识节点102的共识属性信息，然后利用ISODATA算法进行分类，并根据区块链的构建需求对分类后的各待评估共识节点进行评估。同时可以输出评估结果，或者可以输出符合构建需求的各待评估共识节点，构建对应的区块链。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
本申请实施例提供了一种业务流量控制方法，具体如图2所示，包括：
步骤S201，获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链。
在本申请实施例中，拜占庭共识算法是一类分布式计算领域的容错技术。拜占庭共识算法假设是对现实世界的模型化，由于硬件错误、网络拥塞或中断以及遭到恶意攻击等原因，计算机和网络可能出现不可预料的行为。拜占庭共识算法被设计用来处理这些异常行为，并满足所要解决的问题的规范要求。
在区块链中，某些节点可能由于各种原因而产生错误的信息传递给其他节点。通常这些发生故障的节点被称为拜占庭节点，而正常的节点即为非拜占庭节点。在假设分布式系统拥有n个节点，并假设整个系统的拜占庭节点不超过m个(n≥3m+1)，拜占庭共识算法需要满足如下两个条件：
第一、所有非拜占庭节点使用相同的输入信息，产生同样的结果。在区块链系统中，可以理解为，随机数相同、区块算法相同、原账本相同的时候，计算结果相同。
第二、如果输入的信息正确，那么所有非拜占庭节点必须接收这个消息，并计算相应的结果。在区块链系统中，可以理解为，非拜占庭节点需要对客户的请求进行计算并生成区块。
另外，拜占庭共识算法需要达成如下两个指标：第一是安全性：任何已经完成的请求都不会被更改，它可以在以后请求看到。在区块链系统中，可以理解为，已经生成的账本不可篡改，并且可以被节点随时查看。第二个是活性：可以接受并且执行非拜占庭客户端的请求，不会被任何因素影响而导致非拜占庭客户端的请求不能执行。
由于拜占庭共识算法可以处理计算机和网络中出现的不可预料的行为，所以本申请中的联盟链是基于拜占庭共识算法的。由于可以构成区块链的节点的个数较多，所以需要从众多的节点中选择节点作为基于拜占庭共识算法的区块链的节点，众多的节点就是本申请中的待评估共识节点。
在本申请实施例中，各待评估共识节点具有共识属性信息，共识属性信息至少能够用来表征各待评估共识节点在共识过程中的性能。可选的，在本申请实施例中，由于各待评估共识节点在共识过程中通常会涉及处理过程、信息验证的过程等过程，所以各待评估共识节点在共识过程中表现的性能就是共识属性信息。
例如，在本申请实施例中，针对一个待评估共识节点，在单位时间内可以处理的信息的个数，可以认为是该待评估共识节点的性能；同时，在本申请实施例中，待评估共识节点在处理信息的过程中的设备占用率或者内存占用率也可以是该待评估共识节点的性能。
可选的，在本申请实施例中，可以通过各待评估共识节点的共识特征来表征共识属性信息，例如上述例子中的可处理信息个数可以认为是一种共识特征，同时，设备占用率以及内存占用率也可以是一种共识特征。
一种可选的实施例中，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，第一特征用于表征待评估共识节点在共识过程中的网络特性，第二特征用于表征待评估共识节点在共识过程中的共识特性，第三特征用于表征待评估共识节点在共识过程中的机器特性。
可选的，在本申请实施例中，第一特征至少可以包括待评估共识节点在共识过程中的网络特性，例如网络延迟、网络带宽等特征，第二特征至少可以包括待评估共识节点在共识过程中的共识特性，例如共识成功率、共识信息验证率等，第三特征至少包括待评估共识节点在共识过程中的待评估共识节点的机器特性，例如处理器的占用率以及内存占用率等。通过上述特征可以表征待评估共识节点在共识过程中的性能表现。
步骤S202，根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合。
在本申请实施例中，根据ISOATA算法对各待评估共识节点进行分类，在进行分类时，需要根据各待评估共识节点的性能进行分类，也就是说，可以利用各待识别共识节点的共识属性信息来确定哪些待评估共识节点可以分为一类。
可选的，在本申请实施例中，由于各待识别共识节点的可以通过共识特征来表示各待评估共识节点的共识属性信息，所以可以通过ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
进一步地，由于共识特征至少可以包括第一特征、第二特征以及第三特征，所以还可以通过ISODATA算法以及各待评估共识节点的第一特征、第二特征以及第三特征来对各待评估共识节点进行分类。
具体的，在本申请实施例中，可以将各待评估共识节点的第一特征、第二特征以及第三特征构成特征矩阵，通过ISODATA算法对特征矩阵进行分类。
在本申请实施例中，由于第一特征、第二特征以及第三特征可能存在脏数据，所以还需要对各个特征进行数据清洗。具体的，对于脏数据中的缺失值，可以通过删除、均值替代或者多重插补法进行处理。对于异常值，可以直接剔除。
在进行脏数据清洗后，可以将各待评估共识节点的第一特征、第二特征以及第三特征构建节点特征矩阵，并通过ISODATA算法对节点特征矩阵进行分类。一种可选的实施例中，可以将每个待评估共识的第一特征、第二特征以及第三特征作为节点特征矩阵的一列，也可以将每个待评估共识的第一特征、第二特征以及第三特征作为节点特征矩阵的一行。例如，在本申请实施例中，待评估共识节点有n个，分别为cn1,…,cni-1,cni,cni+1,…,cnn，每一个节点cni可以表示为一个三元组<ai C,ai I,ai P>表示，ai C、ai I、ai P分别表示待评估共识节点的第一特征、第二特征以及第三特征。则可以通过多个三元组构成节点特征矩阵，且每个三元组作为节点特征矩阵中的一列。
可选的，在本申请实施例中，还可以对节点特征矩阵中的各个特征进行归一化处理，将各个特征值置于更加合理的区间中。
进一步地，还可以在归一化后对节点特征矩阵中的一列或者一行确定该列或者该行的相关性和/或显著性，将满足设定相关性和/或显著性的行或者列保留，将其他行或者列删除。
可选的，在本申请实施例中，可以通过计算列或者行的Pearson相关系数来确定行以及列的相关性，通过计算列或者行的p-value来确定行以及列的相关性。
为了能够更好的解释上述数据清理以及数据处理过程，下面示例说明，如图3所示，在图3中解释了数据清理的过程，具体的：
步骤S301，获取各个待识别共识节点的三元组信息；
步骤S302，从各个三元组信息汇总选择一个节点i，cni＝<ai C,ai I,ai P>；
步骤S303，处理特征向量vec＝<ai C,ai I,ai P>的脏数据，并将其添加到原始特征矩阵Dataraw中；
步骤S304，判断所有的节点是否遍历完毕，若是，则执行步骤S305，否则执行步骤S302；
步骤S305，输出原始特征矩阵Dataraw。
为了能够更好的解释上述数据处理过程，下面示例说明，如图4所示，在图4中解释了数据处理的过程，具体的：
步骤S401，输入原始特征矩阵Dataraw；
步骤S402，从Dataraw中取出一列数据veccolumn；
步骤S403，归一化veccolumn；
步骤S404，计算veccolumn的Pearson相关系数r及相关显著性p-value；
步骤S405，判断条件“r＞0.4&&p-value＜0.05”是否满足，若是则执行步骤S406，否则执行步骤S402；
步骤S406，添加veccolumn到节点特征矩阵Data中；
步骤S407，判断Dataraw是否遍历完成，若是则执行步骤S408，否则执行步骤S402；
步骤S408，输出节点特征矩阵Data。
在对节点特征矩阵进行数据清理以及数据处理后，利用ISODATA算法对节点特征矩阵进行分类。ISODATA算法的分类的过程和K-Means算法的分类过程相似，用的也是迭代的思想：先随意给定初始的类别中心，然后做聚类，通过迭代，不断调整这些类别中心，直到得到最好的聚类中心为止。ISODATA的聚类的类别数目随着聚类的进行，是变化着的，因为在聚类的过程中，对类别数有一个“合并”和“分裂”的操作。合并是当聚类结果某一类中样本数太少，或两个类间的距离太近时，将这两个类别合并成一个类别；分裂是当聚类结果中某一类的类内方差太大，将该类进行分裂，分裂成两个类别。
具体的，在本申请实施例中，在进行ISODATA算法是，首先需要定义算法参数，具体的，需要定义下列内容：
K：期望的聚类中心数；
k：预设的聚类中心数；
θN：每一类中包含的样本数；
θS：类样本标准差阈值；
θC：两个聚类中心之间的最小距离阈值；
L：一次迭代中允许合并的最多对数；
I：允许迭代的次数；
在本申请实施例中，设定的K的数量与ISODATA算法的分类结果可以相同，也可以不同。
具体的，如图5所示，ISODATA算法的步骤包括：
步骤S501，输入节点特征矩阵Data；
步骤S502，取k个中心C1,C2,…,Ck作为聚类中心，同时设定K，k，θN，θS，θC，L，I，7个初始参数初始化；
步骤S503，从特征矩阵Data中选择每一个vecrow设为x，按最近邻规则将N个节点分配到k个聚类中；
步骤S504，将节点数比θN少的节点子集删除，即Ni＜θN，则去除Xi，并更新k＝k-1；
步骤S505，更新各聚类中心Ci；
步骤S506，计算Xi中节点与当前各聚类中心间的平均距离和总的平均距离/>
步骤S507，判断是否已经迭代了I次，即当前迭代次数l是否与I相等，若是，则执行步骤S508，否则执行步骤S509；
步骤S508，设置θC＝0，执行步骤S513；
步骤S509，判断k是否大于等于2K或迭代次数是否为偶数，即聚类中心数目是否大于期望数的两倍，若是，则执行步骤S513，否则执行步骤S510；
步骤S510，计算每个聚类中节点距离的标准差向量，第Xi类标准差向量设为σi，并确定σi中最大分量σimax；
步骤S511，判断σimax是否大于θs，i＝1,2,…,k，并且同时符合(和Ni＞2(θN+1))或(k≤K/2)，若是，则执行步骤S512，否则执行步骤S513；
步骤S512，将Xi拆分为两个聚类，执行步骤S503；
步骤S513，计算当前k个聚类中心两两间的距离dij；
步骤S514，比较聚类中心的距离，若dij＞θc，则执行步骤S515，否则执行步骤S516；
步骤S515，判断l是否与I相等，若是则执行步骤S517，否则执行步骤S518；
步骤S516，将所有dij＜θc的聚类节点集合按升序排序，并从最小的dij开始，将Ci和Cj合并，删除Ci和Cj聚类中心点，生成新的聚类中心Cl，返回步骤S515；
步骤S517，输出分类后的各节点集合；
步骤S518，令l＝l+1；
步骤S519，确定是否需要人工修改参数，若是，则执行步骤S502，否则执行步骤S503。
通过如图5所示的ISODATA算法，可以将节点特征矩阵中的节点进行分类，得到不同类别的待评估公式节点的集合。例如，在本申请实施例中，待评估共识节点共6个，分别为待评估共识节点1、待评估共识节点2、待评估共识节点3、待评估共识节点4、待评估共识节点5以及待评估共识节点6。在分别确定了6个待评估共识节点的三元组后，将各待评估共识节点的三元组作为一列构成原始特征矩阵，然后对原始特征矩阵进行数据清洗，然后再对清洗后的特征矩阵进行相关性和显著性计算，得到节点特征矩阵。
通过ISODAT算法对节点特征矩阵进行分类，得到的分类结果为待评估共识节点1、待评估共识节点2、待评估共识节点3、待评估共识节点6为一类，待评估共识节点4、待评估共识节点5为一类。
步骤S203，根据区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
在本申请实施例中，在对各待评估共识节点进行分类后，还需要通过评估来确定这些分类后的节点适用于哪些构建需求的区块链，例如，通过ISOADATA算法将上述的6个待评估共识节点进行分类后，得到了两个分类结合的待评估共识节点，这两个分类集合的待评估共识节点可能可以适用于同一种构建需求的区块链，也可能适用于不同种类的具有不同构建需求的区块链。
在本申请实施例中，由于各待评估共识节点是根据各待评估共识节点的共识属性来进行分类的，所以在进行评估时，可以将区块链的构建需求转换为区块链需要的节点的共识属性进行评估，可以认为，与区块链需要的节点的共识属性匹配的待评估共识节点的评估值高，与区块链需要的节点的共识属性不匹配的待评估共识节点的评价评估值低。
示例性的，可以用1～100来表征评估值，而评估值时根据与区块链需要的节点的共识属性匹配度来确定的，例如匹配度在90％以上，评估值为95；匹配度在80％～89％，评估值为85。
当然，还有其它评估方法，例如，通过区块链需要的节点的共识属性确定每个待评估共识节点对应的特征的特征阈值，例如，通过特征阈值来评估每个待评估共识节点的各个特征，然后再通过各个特征的匹配结果，来确定总的评估结果。
可选的，在本申请实施例中，由于共识属性信息是转换为归一化的值，可以将区块链需要的节点的共识属性也转换为归一化的值，并设置不同的特征属性，例如强特征属性、普通特征属性以及弱特征属性，一种可选的实施例中，强特征属性可以用0～1中的一个值来表示，普通特征属性可以用0～1中的一个值来表示，弱特征属性可以用0～1中的一个值来表示。具体的，可以用1表示强特征属性，用0.8表示普通特征属性，用0.6表示弱特征属性。
当然，在上述实施例中，强弱特征属性的分类不仅仅是上述的三分类，上述特征属性的属性值也只是一种示例。
在本申请实施例中，针对不同类别的待评估共识节点集合，可以对待评估共识节点集合中的分类中心进行评估，然后将评估结果作为整个待评估共识节点集合的评估结果，当然，也可以针对待评估共识节点集合中的每个待评估共识节点进行评估。当然，在本申请实施例中，待评估共识节点集合中的分类中心可以是待评估共识节点，也可以不是待评估共识节点。
为了便于理解上述评估过程，在此举例说明。
通过ISODAT算法对节点特征矩阵进行分类，得到的分类结果为待评估共识节点1、待评估共识节点2、待评估共识节点3、待评估共识节点6为第一类，待评估共识节点4、待评估共识节点5为第二类。
第一类的类中心为待评估共识节点2，待评估共识节点2的三元组为(1，6,0.8)，第二类的类中心为待评估共识节点的三元组为(0.8,0.6,0.8)。
对于区块链1，构建的需求对应的弱特征、普通特征以及强特征的值为(0.6,0.8,1)，对于区块链2，构建的需求对应的弱特征、普通特征以及强特征的值为(0.8,0.9,1)。
根据区块链1的构建需求对第一类的类中心进行评估，可以得到评估结果为第一特征为强特征，第二特征为弱特征，第三特征为普通特征，可选的，还可以进一步地的通过三种特征的加权值来确定评估结果。
同样的，根据区块链1的构建需求对第二类的类中心进行评估，第一特征为普通特征，第二特征为弱特征，第三特征为普通特征。
根据区块链2的构建需求对第一类的类中心进行评估，可以得到评估结果为第一特征为强特征，第二特征为弱特征，第三特征为弱特征。
根据区块链2的构建需求对第二类的类中心进行评估，可以得到评估结果为第一特征为强特征，第二特征为弱特征，第三特征为弱特征。
上述实施例中的分类中心的评估结果作为分类集合中每个待识别共识节点的评估结果。
通过评估结果，可以根据不同的区块链构建需求选择不同的待识别共识节点构建对应的区块链。
基于上述实施例，参阅图6所示，本发明实施例提供一种共识节点的评估装置600，包括：
获取单元601，用于获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；
分类单元602，用于根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的节点特征对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；
评估单元603，用于根据所述区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
可选的，所述分类单元602具体用于：
根据各待评估共识节点的共识属性信息确定各待评估共识节点的共识特征，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，所述第一特征用于表征待评估共识节点在共识过程中的网络特性，所述第二特征用于表征待评估共识节点在共识过程中的共识特性，所述第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
可选的，所述分类单元602具体用于：
根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵；
根据所述ISODATA算法对所述节点特征矩阵进行分类。
可选的，所述分类单元602具体用于：
对各待评估共识节点的第一特征、第二特征以及第三特征进行数据清洗；
将清洗后的每个待评估共识节点的第一特征、第二特征以及第三特征作为一列构成节点特征矩阵；
针对所述节点特征矩阵中的每一列进行归一化处理，得到归一化后的节点特征矩阵；
确定所述归一化后的节点特征矩阵中的每一列的相关性以及显著性，并将满足设定相关性以及显著性的各列构成待评估共识节点的节点特征矩阵。
可选的，所述评估单元603具体用于：
根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，并将评估结果作为各待评估集合中的各待评估共识节点的评估结果。
可选的，所述区块链的构建需求至少包括节点特征阈值，所述评估单元603具体用于：
根据所述节点特征阈值以及各待评估集合中的分类中心的特征值确定评估结果。
基于相同的技术构思，本申请实施例提供了一种计算机设备，如图7所示，包括至少一个处理器701，以及与至少一个处理器连接的存储器702，本申请实施例中不限定处理器701与存储器702之间的具体连接介质，图7中处理器701和存储器702之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器702存储有可被至少一个处理器701执行的指令，至少一个处理器701通过执行存储器702存储的指令，可以执行前述的共识节点的评估方法中所包括的步骤。
其中，处理器701是计算机设备的控制中心，可以利用各种接口和线路连接终端设备的各个部分，通过运行或执行存储在存储器702内的指令以及调用存储在存储器702内的数据，从而获得客户端地址。可选的，处理器701可包括一个或多个处理单元，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。在一些实施例中，处理器701和存储器702可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器701可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器702作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器702可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器702是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器702还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于相同的技术构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行共识节点的评估方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种共识节点的评估方法，其特征在于，所述方法包括：
获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估共识节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；共识属性信息是由各待评估共识节点的共识特征来表征的，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，第一特征用于表征待评估共识节点在共识过程中的网络特性，第二特征用于表征待评估共识节点在共识过程中的共识特性，第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；
根据区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
2.根据权利要求1所述的方法，其特征在于，所述根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的共识属性信息对各待评估共识节点进行分类，包括：
根据各待评估共识节点的共识属性信息确定各待评估共识节点的共识特征，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，所述第一特征用于表征待评估共识节点在共识过程中的网络特性，所述第二特征用于表征待评估共识节点在共识过程中的共识特性，所述第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
3.根据权利要求2所述的方法，其特征在于，所述根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类，包括：
根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵；
根据所述ISODATA算法对所述节点特征矩阵进行分类。
4.根据权利要求3所述的方法，其特征在于，所述根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵，包括：
对各待评估共识节点的第一特征、第二特征以及第三特征进行数据清洗；
将清洗后的每个待评估共识节点的第一特征、第二特征以及第三特征作为一列构成节点特征矩阵；
针对所述节点特征矩阵中的每一列进行归一化处理，得到归一化后的节点特征矩阵；
确定所述归一化后的节点特征矩阵中的每一列的相关性以及显著性，并将满足设定相关性以及显著性的各列构成待评估共识节点的节点特征矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据所述区块链的构建需求对各待评估集合中的各待评估共识节点进行评估，包括：
根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，并将评估结果作为各待评估集合中的各待评估共识节点的评估结果。
6.根据权利要求5所述的方法，其特征在于，所述区块链的构建需求至少包括节点特征阈值，所述根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，包括：
根据所述节点特征阈值以及各待评估集合中的分类中心的特征值确定评估结果。
7.一种共识节点的评估装置，其特征在于，包括：
获取单元，用于获取各待评估共识节点的共识属性信息，所述共识属性信息至少能够表征各待评估节点在共识过程中的性能，各待评估共识节点用于构成基于拜占庭共识算法的区块链；共识属性信息是由各待评估共识节点的共识特征来表征的，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，第一特征用于表征待评估共识节点在共识过程中的网络特性，第二特征用于表征待评估共识节点在共识过程中的共识特性，第三特征用于表征待评估共识节点在共识过程中的机器特性；
分类单元，用于根据迭代自组织数据分析ISODATA算法以及各待评估共识节点的节点特征对各待评估共识节点进行分类，得到不同类别的待评估共识节点集合；
评估单元，用于根据所述区块链的构建需求对各待评估集合中的各待评估共识节点进行评估。
8.根据权利要求7所述的装置，其特征在于，所述分类单元具体用于：
根据各待评估共识节点的共识属性信息确定各待评估共识节点的共识特征，各待评估共识节点的共识特征至少包括第一特征、第二特征以及第三特征，所述第一特征用于表征待评估共识节点在共识过程中的网络特性，所述第二特征用于表征待评估共识节点在共识过程中的共识特性，所述第三特征用于表征待评估共识节点在共识过程中的机器特性；
根据所述ISODATA算法以及各待评估共识节点的共识特征对各待评估共识节点进行分类。
9.根据权利要求8所述的装置，其特征在于，所述分类单元具体用于：
根据各待评估共识节点的第一特征、第二特征以及第三特征构建待评估共识节点的节点特征矩阵；
根据所述ISODATA算法对所述节点特征矩阵进行分类。
10.根据权利要求9所述的装置，其特征在于，所述分类单元具体用于：
对各待评估共识节点的第一特征、第二特征以及第三特征进行数据清洗；
将清洗后的每个待评估共识节点的第一特征、第二特征以及第三特征作为一列构成节点特征矩阵；
针对所述节点特征矩阵中的每一列进行归一化处理，得到归一化后的节点特征矩阵；
确定所述归一化后的节点特征矩阵中的每一列的相关性以及显著性，并将满足设定相关性以及显著性的各列构成待评估共识节点的节点特征矩阵。
11.根据权利要求7所述的装置，其特征在于，所述评估单元具体用于：
根据所述区块链的构建需求对各待评估集合中的分类中心进行评估，并将评估结果作为各待评估集合中的各待评估共识节点的评估结果。
12.根据权利要求11所述的装置，其特征在于，所述区块链的构建需求至少包括节点特征阈值，所述评估单元具体用于：
根据所述节点特征阈值以及各待评估集合中的分类中心的特征值确定评估结果。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～6任一权利要求所述方法的步骤。
14.一种计算机可读存储介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～6任一所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911044256.1A CN110866546B (zh) | 2019-10-30 | 2019-10-30 | 一种共识节点的评估方法及装置 |
| PCT/CN2020/119186 WO2021082863A1 (zh) | 2019-10-30 | 2020-09-30 | 一种共识节点的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911044256.1A CN110866546B (zh) | 2019-10-30 | 2019-10-30 | 一种共识节点的评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866546A CN110866546A (zh) | 2020-03-06 |
| CN110866546B true CN110866546B (zh) | 2024-02-09 |
Family
ID=69654430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911044256.1A Active CN110866546B (zh) | 2019-10-30 | 2019-10-30 | 一种共识节点的评估方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110866546B (zh) |
| WO (1) | WO2021082863A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866546B (zh) * | 2019-10-30 | 2024-02-09 | 深圳前海微众银行股份有限公司 | 一种共识节点的评估方法及装置 |
| CN113282603B (zh) * | 2020-03-26 | 2022-09-13 | 腾讯科技（深圳）有限公司 | 区块链共识节点校验方法、装置、设备以及存储介质 |
| CN112367174B (zh) * | 2020-11-06 | 2023-04-07 | 深圳前海微众银行股份有限公司 | 一种基于属性值的区块链共识方法及装置 |
| CN113301118B (zh) * | 2021-04-22 | 2022-12-13 | 远光软件股份有限公司 | 区块链共识节点的确定方法、共识方法、系统及设备 |
| CN113486118B (zh) * | 2021-07-21 | 2023-09-22 | 银清科技有限公司 | 共识节点选取方法及装置 |
| CN113568577B (zh) * | 2021-07-27 | 2023-11-21 | 天津大学 | 一种基于联盟区块链的分布式分组存储方法 |
| CN114500580B (zh) * | 2022-01-10 | 2023-12-22 | 北京北控在线科技股份公司 | 一种基于区块链的分布式存储系统及方法 |
| CN114866558B (zh) * | 2022-05-10 | 2023-04-18 | 厦门理工学院 | 基于数字服务技术的区块链认证平台与方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107807984A (zh) * | 2017-10-31 | 2018-03-16 | 上海分布信息科技有限公司 | 一种分区的区块链网络及其实现分区共识的方法 |
| CN108717460A (zh) * | 2018-05-25 | 2018-10-30 | 济南浪潮高新科技投资发展有限公司 | 一种在区块链中达成共识的方法及装置 |
| CN108768665A (zh) * | 2018-07-02 | 2018-11-06 | 上海达家迎信息科技有限公司 | 区块链生成方法、装置、计算机设备以及存储介质 |
| CN108923909A (zh) * | 2018-07-02 | 2018-11-30 | 上海达家迎信息科技有限公司 | 区块链生成方法、装置、计算机设备及存储介质 |
| CN110059981A (zh) * | 2019-04-29 | 2019-07-26 | 威富通科技有限公司 | 信任度评估方法、装置及终端设备 |
| CN110113388A (zh) * | 2019-04-17 | 2019-08-09 | 四川大学 | 一种基于改进型聚类算法的区块链系统共识的方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10560268B2 (en) * | 2017-02-13 | 2020-02-11 | International Business Machines Corporation | Node characterization in a blockchain |
| US10764031B2 (en) * | 2017-12-07 | 2020-09-01 | International Business Machines Corporation | Blockchain system for pattern recognition |
| CN108122165B (zh) * | 2017-12-15 | 2020-10-30 | 北京中电普华信息技术有限公司 | 一种区块链共识方法及系统 |
| CN110866546B (zh) * | 2019-10-30 | 2024-02-09 | 深圳前海微众银行股份有限公司 | 一种共识节点的评估方法及装置 |
-
2019
- 2019-10-30 CN CN201911044256.1A patent/CN110866546B/zh active Active
-
2020
- 2020-09-30 WO PCT/CN2020/119186 patent/WO2021082863A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107807984A (zh) * | 2017-10-31 | 2018-03-16 | 上海分布信息科技有限公司 | 一种分区的区块链网络及其实现分区共识的方法 |
| CN108717460A (zh) * | 2018-05-25 | 2018-10-30 | 济南浪潮高新科技投资发展有限公司 | 一种在区块链中达成共识的方法及装置 |
| CN108768665A (zh) * | 2018-07-02 | 2018-11-06 | 上海达家迎信息科技有限公司 | 区块链生成方法、装置、计算机设备以及存储介质 |
| CN108923909A (zh) * | 2018-07-02 | 2018-11-30 | 上海达家迎信息科技有限公司 | 区块链生成方法、装置、计算机设备及存储介质 |
| CN110113388A (zh) * | 2019-04-17 | 2019-08-09 | 四川大学 | 一种基于改进型聚类算法的区块链系统共识的方法和装置 |
| CN110059981A (zh) * | 2019-04-29 | 2019-07-26 | 威富通科技有限公司 | 信任度评估方法、装置及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866546A (zh) | 2020-03-06 |
| WO2021082863A1 (zh) | 2021-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866546B (zh) | 一种共识节点的评估方法及装置 | |
| CN112153085B (zh) | 一种数据处理方法、节点及区块链系统 | |
| Browne et al. | A mixture of generalized hyperbolic distributions | |
| Derr et al. | Deep adversarial network alignment | |
| US8117609B2 (en) | System and method for optimizing changes of data sets | |
| CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
| TW201807624A (zh) | 用於發掘與實體關係相關之行為及其他群集以增強去隨機化實體行為識別及分類之診斷引擎及分類器 | |
| US20230139892A1 (en) | Apparatus and method for managing trust-based delegation consensus of blockchain network using deep reinforcement learning | |
| Roy et al. | Modeling and measuring graph similarity: The case for centrality distance | |
| US11120143B2 (en) | Data analysis server, data analysis system, and data analysis method | |
| Henry et al. | Euclidean revealed preferences: testing the spatial voting model | |
| WO2021189975A1 (zh) | 机器行为识别方法、装置、设备及计算机可读存储介质 | |
| WO2015180340A1 (zh) | 一种数据挖掘方法及装置 | |
| WO2020215684A1 (zh) | 基于区块链的参数配置、重构方法、装置、设备及介质 | |
| JP6553816B2 (ja) | ユーザデータ共有方法及び装置 | |
| JP2020204898A (ja) | 分散台帳システムの運用管理方法、分散台帳システムの運用管理システム、および分散台帳システムの運用管理プログラム | |
| CN111815169A (zh) | 业务审批参数配置方法及装置 | |
| CN116882520A (zh) | 针对预定预测问题的预测方法及系统 | |
| CN114244835A (zh) | 基于区块链的去中心化自适应协同训练方法和装置 | |
| CN112613601A (zh) | 神经网络模型更新方法、设备及计算机存储介质 | |
| CN113807415B (zh) | 联邦特征选择方法、装置、计算机设备和存储介质 | |
| Shamsabadi et al. | Confidential-PROFITT: confidential PROof of fair training of trees | |
| WO2021217933A1 (zh) | 同质网络的社群划分方法、装置、计算机设备和存储介质 | |
| CN116170162B (zh) | 选择性的共识方法和计算机存储介质、终端设备 | |
| US20230169096A1 (en) | Sample Data Annotation System and Method, and Related Device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |