CN111353717A - 区块链共识节点推选系统及方法 - Google Patents

区块链共识节点推选系统及方法 Download PDF

Info

Publication number
CN111353717A
CN111353717A CN202010146598.0A CN202010146598A CN111353717A CN 111353717 A CN111353717 A CN 111353717A CN 202010146598 A CN202010146598 A CN 202010146598A CN 111353717 A CN111353717 A CN 111353717A
Authority
CN
China
Prior art keywords
node
consensus
block chain
evaluation model
nodes
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.)
Pending
Application number
CN202010146598.0A
Other languages
English (en)
Inventor
卫晓欣
黄汉波
林国斌
邹晓梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010146598.0A priority Critical patent/CN111353717A/zh
Publication of CN111353717A publication Critical patent/CN111353717A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种区块链共识节点推选系统及方法，所述系统包含：主控单元装置用于根据接收到的指令设置区块链网络中的共识节点数量和节点评价模型的更新周期；共识点筛选单元装置用于通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；学习单元装置用于根据更新周期查询比较节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况，并根据差异情况和预设调优阈值调整权值系数；交易共识执行装置用于根据共识节点，调起PBFT共识过程。

Description

区块链共识节点推选系统及方法
技术领域
本发明涉及区块链共识技术领域，尤其是涉及一种应用于联盟链高效的区块链共识节点推选系统和方法。
背景技术
随着智能合约的引入，区块链以其去中心化、防篡改、易追溯等特点迅速在各个垂直领域中被应用，例如供应链金融、租赁、保险等。这些应用尤其以联盟链为主，形成针对特定业务场景组建的区块链网络。与公有链不同的时，联盟链的节点获得初步身份认证，具有一定的可信性。目前联盟链使用的共识算法多以实用拜占庭(PBFT Practical ByzantineFault Tolearance)为主，虽然改善了POW/POW等共识算法的低时延问题，但仍然存在如下缺陷：
目前PBFT最主要的问题在于当需要共识的节点增多时，实用拜占庭性能明显下降，缺乏自动感知节点数量机制，在节点数增多时，仍然能自动响应调节充分考虑到共识的公平性。
无论是忠臣还是作恶的节点，PBFT对于参与共识的节点并没有引入评价的方案，对于作恶的节点仅仅是更换主节点机制，而其仍存在于区块链的共识节点池中。
带宽要求过高，带宽要求随着节点数量增加呈多项式级别的增长。在联盟链的初步可信任环境中，可选择推选出可靠的节点进行共识，从而减小网络带宽的开销。
发明内容
本发明目的在于提供一种基于机器学习的区块链共识节点推选方法，解决了目前PBFT在联盟链应用中静态节点数，低性能，带宽要求高的缺陷，给出一种自适应，高效的共识方法。
为达上述目的，本发明所提供的一种区块链共识节点推选系统，具体包含：主控单元装置、共识点筛选单元装置、学习单元装置和交易共识执行装置；所述主控单元装置用于根据接收到的指令设置区块链网络中的共识节点数量和节点评价模型的更新周期；所述共识点筛选单元装置用于通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；所述学习单元装置用于根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况，并根据所述差异情况和预设调优阈值调整所述权值系数；所述交易共识执行装置用于根据所述共识节点，调起PBFT共识过程。
在上述区块链共识节点推选系统中，优选的，所述主控单元装置包含参数模块和调度模块；所述参数模块用于存储设置区块链网络中的共识节点数量、节点评价模型的更新周期和调优阈值；所述调度模块用于调度控制所述共识点筛选单元装置、所述学习单元装置和所述交易共识执行装置完成节点共识。
在上述区块链共识节点推选系统中，优选的，所述共识点筛选单元装置包含节点描述模块、节点评价模块和节点筛选模块；所述节点描述模块用于通过数字化特征向量的方式描述区块链网络中各节点的特征信息，通过归一化处理生成节点对应的属性；所述节点评价模块用于根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；所述节点筛选模块用于根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。
在上述区块链共识节点推选系统中，优选的，所述节点描述模块包含基本属性描述单元、联盟链自定义属性描述单元和归一化单元；所述基本属性描述单元用于根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；
所述联盟链自定义属性描述单元用于获取联盟链业务场景的中节点所指代的参与方特征信息；所述归一化单元用于通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
在上述区块链共识节点推选系统中，优选的，所述学习单元装置包含初始化模块、计算节点损失值模块和循环迭代更新模块；所述初始化模块用于设置变量初始值和记录迭代次数；所述计算节点损失值模块用于计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；所述循环迭代更新模块用于根据所述代价函数和预设调优阈值调整所述权值系数。
在上述区块链共识节点推选系统中，优选的，所述系统还包含记录装置，所述记录装置用于通过记录所述共识点筛选单元筛选获得的共识节点，并记录所述共识节点的属性和共识过程中的表现。
本发明还提供一种区块链共识节点推选方法，所述方法包含：根据接收到的指令获得区块链网络中的共识节点数量；通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；根据所述共识节点，调起PBFT共识过程。
在上述区块链共识节点推选方法中，优选的，所述方法还包含：根据接收到的指令获得节点评价模型的更新周期；根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况；根据所述差异情况和预设调优阈值调整所述权值系数。
在上述区块链共识节点推选方法中，优选的，根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点包含：根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。
在上述区块链共识节点推选方法中，优选的，通过数字化特征向量的方式描述区块链网络中各节点的属性包含：根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；获取联盟链业务场景的中节点所指代的参与方特征信息；通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
在上述区块链共识节点推选方法中，优选的，根据所述差异情况和预设调优阈值调整所述权值系数包含：获取变量初始值并记录迭代次数；计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；根据所述代价函数和预设调优阈值调整所述权值系数。
在上述区块链共识节点推选方法中，优选的，根据所述权重计算获得节点评价模型的代价函数包含：通过以下公式计算获得所述代价函数：
Figure BDA0002400973030000041
在上式中，L(K)为代价函数，yi为对应节点实际评分，f(xi)为评价函数即节点评价模型，K为权重集合，i为常数。
本发明还提供一种电子设备，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，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：通过引入机器学习到共识方法中，可实现根据交易系统的历史数据，动态选择共识节点，在保证共识公平性的同时又较好考虑到节点贡献。共识性能提升：在引入机器学习筛选机制后，可以实现共识节点动态增加/减少，在考虑共识公平性的同时，优化资源利用率。即使网络带宽条件苛刻，能参与共识的节点数少，本发明能最大程度考虑表现贡献性，增强联盟链中信任共识的问题。信任实时反馈：节点的表现随着交易系统时间推移而演化，系统中提出增量式学习方案，可对节点筛选的评价模型根据历史表现定期更新，以确保评价模型代表节点的最新情况。为网络的信任进行实时反馈。网络安全性提升：共识节点的评价模型加入节点治理方的业务信息，使得网络与业务层面更贴近，共识节点的权利并不总是在某一些几点中，而是在节点间公平竞争获得，从而使得网络安全性能以提升。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所提供的区块链共识节点推选系统的结构示意图；
图2为本发明一实施例所提供的节点表现描述的结构示意图；
图3为本发明一实施例所提供的节点评价模型学习的结构示意图；
图4为本发明一实施例所提供的区块链共识节点推选方法的流程示意图；
图5为本发明一实施例所提供的区块链节点节点推选方法的应用流程图；
图6为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出一种共识节点推选的系统，通过对节点表现特征进行描述，建立模型筛选出忠诚或作恶的节点，模型一经学习同时部署在智能合约中，当交易产生需要共识时，智能合约自动被触发筛选共识节点，运用智能合约一旦符合条件便无条件执行的特点，保证推选过程的公平与透明。共识的历史数据将被保留，并用作共识节点评价模型的学习数据，通过增量式学习，共识节点的评价模型被定期更新。因此，网络中的共识网络可根据节点的表现贡献自适应配置，网络中某一次未参与候选的节点仍然有机会成为共识节点。具体的，请参考图1所示，本发明所提供的一种区块链共识节点推选系统，具体包含：主控单元装置1、共识点筛选单元装置2、学习单元装置3和交易共识执行装置4；所述主控单元装置1用于根据接收到的指令设置区块链网络中的共识节点数量和节点评价模型的更新周期；所述共识点筛选单元2装置用于通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；所述学习单元装置3用于根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况，并根据所述差异情况和预设调优阈值调整所述权值系数；所述交易共识执行装置4用于根据所述共识节点，调起PBFT共识过程。实际工作中，交易共识执行装置4可为交易共识执行装置调起PBFT共识过程。
在上述实施例中，所述主控单元装置1包含参数模块11和调度模块12；所述参数模块11用于存储设置区块链网络中的共识节点数量、节点评价模型的更新周期和调优阈值；所述调度模块12用于调度控制所述共识点筛选单元装置、所述学习单元装置和所述交易共识执行装置完成节点共识。实际工作中，参数模块11存储了系统所需的参数变量，包括网络共识节点个数，评价模型增量学习的更新周期，学习调优阈值；调度模块12是用于调用其他装置的协调工作。
再请参考图1所示，在本发明一实施例中，所述共识点筛选单元装置2包含节点描述模块21、节点评价模块22和节点筛选模块；所述节点描述模块21用于通过数字化特征向量的方式描述区块链网络中各节点的特征信息，通过归一化处理生成节点对应的属性；所述节点评价模块22用于根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；所述节点筛选模块用于根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。进一步的，请参考图2所示，所述节点描述模块21可包含基本属性描述单元211、联盟链自定义属性描述单元212和归一化单元213；所述基本属性描述单元211用于根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；所述联盟链自定义属性描述单元212用于获取联盟链业务场景的中节点所指代的参与方特征信息；所述归一化单元213用于通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
在实际工作中，筛选单元装置2是指在网络的全量共识节点中筛选出系统所需数量的共识节点。其包含节点描述模块21、节点评价模块22和节点筛选模块；
节点描述模块21是指通过数字化特征向量形式描述节点的属性。所有共识节点用集合X表示，且集合最大能容忍作恶节点数量为f，则集合N满足：
|X|≥3f+1；
定义节点的表现有两种{y|1＝忠臣，0＝作恶}，所述共识节点表现的特征描述21的流程如图2，包含基本属性描述211，联盟链自定义属性描述212，归一化模块213。
所述基本属性描述211是指，结合共识算法POS,POW的思想，节点的特征可以从以下几类属性中提取，资金的数量、算力(平均响应速度，容量)，地域(假设作恶节点具有集群性质，这里通过地区号标记地域)。所述联盟链自定义属性描述212是针对联盟链业务场景的特定属性进行描述，若联盟中每个节点代表一家参与方/企业，则可以从每个参与方的信息进行特征描述，如注册资本、时间等。所述归一化模块213是指由于特征中每一个属性的范围并不相同，需要通过线性归一化方式将数值归一到0到1，保证度量评价单位一致，对于每个节点的特征向量x＝{x1,x2,x3.....xM}，向量长度为M，具体方法如下：
Figure BDA0002400973030000071
节点评价模块22是指根据共识节点的描述，学习特征描述与表现之间的关系，寻找特征中每一个属性对共识节点表现的重要性。即存在权重集合K使评价模型S成立，即：
f(x)＝kx{x|x∈N}；公式1
需要学习求取权重集合K以满足：
yi＝f(x){i≤|X|1＝忠臣，0＝作恶,x∈X}；
节点筛选模块是指根据节点评价分数的yi，由大到小排序。根据系统预设的所需共识节点数E，筛选前E位分数的节点用于共识。
再请参考图3所示，在本发明一实施例中，所述学习单元装置3包含初始化模块31、计算节点损失值模块32和循环迭代更新模块33；所述初始化模块31用于设置变量初始值和记录迭代次数；所述计算节点损失值模块32用于计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；所述循环迭代更新模块33用于根据所述代价函数和预设调优阈值调整所述权值系数。实际工作中，学习单元装置3主要实现评价模型权重集合K的获取。首先，需要定义模型S的损失函数，即代价函数，用来评估模型S的预测值与真实值不一样的程度，运用对数回归方程定义代价函数：
Figure BDA0002400973030000072
用梯度下降算法求取集合K，学习单元装置3运算方法如图3所示。包括初始化模块31，计算节点损失值模块32，循环迭代更新模块33。
初始化模块31是指对于学习过程中的所有变量初始化，包括损失值可以先初始化为0，权重集合初始化为0，迭代次数为1.
L＝0,k＝{0,0,0...},t＝1；
计算节点损失值模块32是一个循环叠加过程，对于共识节点集合X，根据公式1，计算每一个节点基于目前权重集合K时，其评价表达f(xi)，继而根据公式2计算总的代价函数值。
循环迭代更新模块33是一个不断学习过程，包含梯度计算模块331，更新模块332，学习退出条件333。
梯度计算模块331是指根据计算节点损失值的对应梯度值；更新模块332是指根据如下公式，求解最新的权重集合，λ为学习的步长
Figure BDA0002400973030000081
学习退出条件333是指设置循环迭代更新集合K的中止条件，循环中止条件为损失变化绝对值少于阈值1e-6，或者迭代次数大于阈值1000。判断是否达到循环中止条件。若是，则退出迭代学习，若否，继续32步骤的计算。
所述筛选单元装置2可于当评价模型训练出来后，在区块链网络中，当有新交易数据产生时，节点推选的智能合约自动被触发。假设联盟链网络预设了M个共识节点，那么共识节点为评价模型中表现分数前M位的节点。
再请参考图1所示，所述系统还可包含记录装置，所述记录装置用于通过记录所述共识点筛选单元筛选获得的共识节点，并记录所述共识节点的属性和共识过程中的表现。以此，一旦计算出共识节点，相应节点自动组网完成PBFT三阶段式。同时每一次共识节点的属性特征和共识中的表现也被记录下来。
请参考图4所示，本发明还提供一种区块链共识节点推选方法，所述方法包含：S101根据接收到的指令获得区块链网络中的共识节点数量；S102通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；S103根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；S104根据所述共识节点，调起PBFT共识过程。进一步的，在该方法中还可包含：S105根据接收到的指令获得节点评价模型的更新周期；S106根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况；S107根据所述差异情况和预设调优阈值调整所述权值系数。其中，根据所述差异情况和预设调优阈值调整所述权值系数可包含：获取变量初始值并记录迭代次数；计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；根据所述代价函数和预设调优阈值调整所述权值系数。具体的，通过以下公式计算获得所述代价函数：
Figure BDA0002400973030000091
在上式中，L(K)为代价函数，yi为对应节点实际评分，f(xi)为评价函数即节点评价模型，K为权重集合，i为常数。
在上述实施例中，步骤S103中根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点可包含：根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。
在上述实施例中，步骤S102中通过数字化特征向量的方式描述区块链网络中各节点的属性包含：根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；获取联盟链业务场景的中节点所指代的参与方特征信息；通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
请参考图1和图5所示，本发明所提供的区块链共识节点推选方法的实际应用流程如下：
联盟链网络初始化，在主控单元装置中置参与共识节点的个数，定期更新次数等系统参数。
交易发起，共识节点进入待筛选状态，交易共识执行执行装置4接收主控单元装置1发送的调用指令和调用参数。
表示判断要求参与共识节点是否少于总共识节点数目，若否则不需要进行筛选，直接进入共识过程；若是则启动筛选过程。
交易共识执行装置调起筛选装置，筛选装置调用节点特征描述的智能合约执行，待筛选的节点根据描述模块中基本属性描述21和联盟自定义属性描述生成节点的描述序列，并根据节点描述序列执行归一化模块213。
筛选装置单元根据节点的描述序列，接收主控单元装置中的权重k集合，通过内部智能合约计算评价模型出来的待筛选节点的表现分数，根据排序筛选出进入共识环节的节点，并发送节点ID给主控交易单元装置。
主控单元装置同时调起交易共识执行装置和记录单元装置，记录单元装置负责登记共识过程中参与共识节点的反馈时间和结果记录。交易共识执行装置接收主控单元装置发送的节点ID集合。
交易共识执行装置调起PBFT共识过程。
判断是否达到定期更新评价模型的次数，若是则通过根据图5步骤。学习控制装置调起记录装置的共识记录，若否，则计数器加1。
本发明的有益技术效果在于：通过引入机器学习到共识方法中，可实现根据交易系统的历史数据，动态选择共识节点，在保证共识公平性的同时又较好考虑到节点贡献。共识性能提升：在引入机器学习筛选机制后，可以实现共识节点动态增加/减少，在考虑共识公平性的同时，优化资源利用率。即使网络带宽条件苛刻，能参与共识的节点数少，本发明能最大程度考虑表现贡献性，增强联盟链中信任共识的问题。信任实时反馈：节点的表现随着交易系统时间推移而演化，系统中提出增量式学习方案，可对节点筛选的评价模型根据历史表现定期更新，以确保评价模型代表节点的最新情况。为网络的信任进行实时反馈。网络安全性提升：共识节点的评价模型加入节点治理方的业务信息，使得网络与业务层面更贴近，共识节点的权利并不总是在某一些几点中，而是在节点间公平竞争获得，从而使得网络安全性能以提升。
本发明还提供一种电子设备，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，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图6所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图6中所示的所有部件；此外，电子设备600还可以包括图6中没有示出的部件，可以参考现有技术。
如图6所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种区块链共识节点推选系统，其特征在于，所述系统包含：主控单元装置、共识点筛选单元装置、学习单元装置和交易共识执行装置；
所述主控单元装置用于根据接收到的指令设置区块链网络中的共识节点数量和节点评价模型的更新周期；
所述共识点筛选单元装置用于通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；
所述学习单元装置用于根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况，并根据所述差异情况和预设调优阈值调整所述权值系数；
所述交易共识执行装置用于根据所述共识节点，调起PBFT共识过程。
2.根据权利要求1所述的区块链共识节点推选系统，其特征在于，所述主控单元装置包含参数模块和调度模块；
所述参数模块用于存储设置区块链网络中的共识节点数量、节点评价模型的更新周期和调优阈值；
所述调度模块用于调度控制所述共识点筛选单元装置、所述学习单元装置和所述交易共识执行装置完成节点共识。
3.根据权利要求1所述的区块链共识节点推选系统，其特征在于，所述共识点筛选单元装置包含节点描述模块、节点评价模块和节点筛选模块；
所述节点描述模块用于通过数字化特征向量的方式描述区块链网络中各节点的特征信息，通过归一化处理生成节点对应的属性；
所述节点评价模块用于根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；
所述节点筛选模块用于根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。
4.根据权利要求3所述的区块链共识节点推选系统，其特征在于，所述节点描述模块包含基本属性描述单元、联盟链自定义属性描述单元和归一化单元；
所述基本属性描述单元用于根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；
所述联盟链自定义属性描述单元用于获取联盟链业务场景的中节点所指代的参与方特征信息；
所述归一化单元用于通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
5.根据权利要求1所述的区块链共识节点推选系统，其特征在于，所述学习单元装置包含初始化模块、计算节点损失值模块和循环迭代更新模块；
所述初始化模块用于设置变量初始值和记录迭代次数；
所述计算节点损失值模块用于计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；
所述循环迭代更新模块用于根据所述代价函数和预设调优阈值调整所述权值系数。
6.根据权利要求1所述的区块链共识节点推选系统，其特征在于，所述系统还包含记录装置，所述记录装置用于通过记录所述共识点筛选单元筛选获得的共识节点，并记录所述共识节点的属性和共识过程中的表现。
7.一种区块链共识节点推选方法，其特征在于，所述方法包含：
根据接收到的指令获得区块链网络中的共识节点数量；
通过数字化特征向量的方式描述区块链网络中各节点的属性，根据各节点的属性和各节点的表现情况之间的对应关系，通过机器学习算法和预设的权值系数建立节点评价模型；
根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点；
根据所述共识节点，调起PBFT共识过程。
8.根据权利要求7所述的区块链共识节点推选方法，其特征在于，所述方法还包含：
根据接收到的指令获得节点评价模型的更新周期；
根据所述更新周期查询比较所述节点评价模型计算获得各节点的评分与对应节点实际评分之间的差异情况；
根据所述差异情况和预设调优阈值调整所述权值系数。
9.根据权利要求7所述的区块链共识节点推选方法，其特征在于，根据所述节点评价模型和区块链网络所需共识节点数量筛选获得对应的数量的共识节点包含：
根据所述节点评价模型对区块链网络中各节点进行评价获得各节点对应的评分；
根据所述区块链网络所需共识节点数量，通过所述评分于所述区块链网络筛选获得对应的共识节点。
10.根据权利要求7所述的区块链共识节点推选方法，其特征在于，通过数字化特征向量的方式描述区块链网络中各节点的属性包含：
根据共识算法特征获取节点的资金数量、算力、地域中一个或多个的组合基本特征信息；
获取联盟链业务场景的中节点所指代的参与方特征信息；
通过归一化方式处理所述基本特征信息和所述参与方特征信息，生成节点对应的属性。
11.根据权利要求8所述的区块链共识节点推选方法，其特征在于，根据所述差异情况和预设调优阈值调整所述权值系数包含：
获取变量初始值并记录迭代次数；
计算区块链网络中各节点基于节点集合的权重，根据所述权重计算获得节点评价模型的代价函数；
根据所述代价函数和预设调优阈值调整所述权值系数。
12.根据权利要求11所述的区块链共识节点推选方法，其特征在于，根据所述权重计算获得节点评价模型的代价函数包含：
通过以下公式计算获得所述代价函数：
Figure FDA0002400973020000031
在上式中，L(K)为代价函数，yi为对应节点实际评分，f(xi)为评价函数即节点评价模型，K为权重集合，i为常数。
13.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求7至12任一所述方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求7至12任一所述方法的计算机程序。
CN202010146598.0A 2020-03-05 2020-03-05 区块链共识节点推选系统及方法 Pending CN111353717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010146598.0A CN111353717A (zh) 2020-03-05 2020-03-05 区块链共识节点推选系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010146598.0A CN111353717A (zh) 2020-03-05 2020-03-05 区块链共识节点推选系统及方法

Publications (1)

Publication Number Publication Date
CN111353717A true CN111353717A (zh) 2020-06-30

Family

ID=71197381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010146598.0A Pending CN111353717A (zh) 2020-03-05 2020-03-05 区块链共识节点推选系统及方法

Country Status (1)

Country Link
CN (1) CN111353717A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487091A (zh) * 2020-12-02 2021-03-12 深圳前海微众银行股份有限公司 一种确定区块链共识节点的方法及装置
CN112954009A (zh) * 2021-01-27 2021-06-11 咪咕音乐有限公司 区块链共识方法、设备及存储介质
CN113486118A (zh) * 2021-07-21 2021-10-08 银清科技有限公司 共识节点选取方法及装置
CN113961545A (zh) * 2021-10-26 2022-01-21 北京市科学技术情报研究所 基于区块链的信息价值数据库构建方法
CN114884977A (zh) * 2022-05-09 2022-08-09 深圳嘉业产业发展有限公司 一种基于区块链的数据共享方法及系统
CN116170162A (zh) * 2023-04-26 2023-05-26 湖南天河国云科技有限公司 选择性的共识方法和计算机存储介质、终端设备
CN117893229A (zh) * 2024-03-18 2024-04-16 吉林交通职业技术学院 基于区块链的自动化肉牛全环节溯源方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107450981A (zh) * 2017-05-31 2017-12-08 阿里巴巴集团控股有限公司 一种区块链共识方法及设备
CN109767199A (zh) * 2018-12-10 2019-05-17 西安电子科技大学 基于信誉的pbft共识系统及方法、区块链数据处理系统
US20190332955A1 (en) * 2018-04-30 2019-10-31 Hewlett Packard Enterprise Development Lp System and method of decentralized machine learning using blockchain
CN110427433A (zh) * 2019-08-08 2019-11-08 上海中通吉网络技术有限公司 一种区块链共识方法和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107450981A (zh) * 2017-05-31 2017-12-08 阿里巴巴集团控股有限公司 一种区块链共识方法及设备
US20190332955A1 (en) * 2018-04-30 2019-10-31 Hewlett Packard Enterprise Development Lp System and method of decentralized machine learning using blockchain
CN109767199A (zh) * 2018-12-10 2019-05-17 西安电子科技大学 基于信誉的pbft共识系统及方法、区块链数据处理系统
CN110427433A (zh) * 2019-08-08 2019-11-08 上海中通吉网络技术有限公司 一种区块链共识方法和存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487091A (zh) * 2020-12-02 2021-03-12 深圳前海微众银行股份有限公司 一种确定区块链共识节点的方法及装置
CN112954009A (zh) * 2021-01-27 2021-06-11 咪咕音乐有限公司 区块链共识方法、设备及存储介质
CN113486118A (zh) * 2021-07-21 2021-10-08 银清科技有限公司 共识节点选取方法及装置
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
CN113961545A (zh) * 2021-10-26 2022-01-21 北京市科学技术情报研究所 基于区块链的信息价值数据库构建方法
CN113961545B (zh) * 2021-10-26 2022-04-26 北京市科学技术情报研究所 基于区块链的信息价值数据库构建方法
CN114884977A (zh) * 2022-05-09 2022-08-09 深圳嘉业产业发展有限公司 一种基于区块链的数据共享方法及系统
CN114884977B (zh) * 2022-05-09 2023-07-04 深圳嘉业产业发展有限公司 一种基于区块链的数据共享方法及系统
CN116170162A (zh) * 2023-04-26 2023-05-26 湖南天河国云科技有限公司 选择性的共识方法和计算机存储介质、终端设备
CN117893229A (zh) * 2024-03-18 2024-04-16 吉林交通职业技术学院 基于区块链的自动化肉牛全环节溯源方法
CN117893229B (zh) * 2024-03-18 2024-05-14 吉林交通职业技术学院 基于区块链的自动化肉牛全环节溯源方法

Similar Documents

Publication Publication Date Title
CN111353717A (zh) 区块链共识节点推选系统及方法
TWI717923B (zh) 面部識別方法及裝置、電子設備和儲存介質
CN111524526B (zh) 声纹识别方法及装置
CN110287111A (zh) 一种用户界面的测试用例生成方法及装置
CN111813869A (zh) 一种基于分布式数据的多任务模型训练方法及系统
CN114116705B (zh) 联合学习中确定参与方贡献值的方法及装置
CN113156821B (zh) 基于虚假数据注入攻击下的非线性系统的自适应跟踪方法
CN111800284A (zh) 边缘云节点集合的选择方法和装置以及电子设备
CN113011210B (zh) 视频处理方法和装置
Bhatia et al. Online learning with dynamics: A minimax perspective
CN111930507B (zh) 限流方法及装置
CN113486118A (zh) 共识节点选取方法及装置
Truong et al. Optimal attack strategies against predictors-learning from expert advice
CN112734565A (zh) 流动性覆盖率预测方法及装置
CN111630530A (zh) 数据处理系统和数据处理方法
CN115965456A (zh) 数据变动分析方法及装置
CN111782260A (zh) 灰度发布方法及灰度发布装置
WO2020152129A1 (en) Method and device for constructing a neural network
CN114997401B (zh) 自适应推理加速方法、装置、计算机设备和存储介质
CN111930420B (zh) 无侵入式通用代码级灰度路由系统及方法
CN113052691A (zh) 一种分布式对账系统业务均衡方法，节点及集群
CN113434423A (zh) 接口测试方法及装置
CN112597510A (zh) 访问控制方法及装置
CN111353765A (zh) 基于数据挖掘的外呼方法及装置
CN114071527B (zh) 基站的节能方法、装置和基站

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200630