CN111861464A - 区块链的节点共识方法及系统 - Google Patents

区块链的节点共识方法及系统 Download PDF

Info

Publication number
CN111861464A
CN111861464A CN202010701399.1A CN202010701399A CN111861464A CN 111861464 A CN111861464 A CN 111861464A CN 202010701399 A CN202010701399 A CN 202010701399A CN 111861464 A CN111861464 A CN 111861464A
Authority
CN
China
Prior art keywords
node
consensus
group
nodes
user
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.)
Granted
Application number
CN202010701399.1A
Other languages
English (en)
Other versions
CN111861464B (zh
Inventor
邢国帅
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.)
Lingjing Digital Beijing Technology Co ltd
Original Assignee
Beijing Tianyibaikang Science And Trade Co ltd
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 Beijing Tianyibaikang Science And Trade Co ltd filed Critical Beijing Tianyibaikang Science And Trade Co ltd
Priority to CN202010701399.1A priority Critical patent/CN111861464B/zh
Publication of CN111861464A publication Critical patent/CN111861464A/zh
Application granted granted Critical
Publication of CN111861464B publication Critical patent/CN111861464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种区块链的节点共识方法及系统，建立一种新的节点共识体系，每隔一个更新周期，将区块链中各节点按共识分数T进行编号排序，将节点进行分组，实现分组共识，实现共识节点的更新，相邻两个节点组共有一个第一共识组，实现交叉共识，在更新周期内，每隔一个交换周期，对每个节点组进行节点交换处理，实现共识节点的更新，提高第一共识组性能，提高共识效率。本发明系统使得区块链普通节点与共识节点处于动态的变换中，使得每次交易共识节点也均不相同，避免共识节点的联合作恶，针对不同交易风险，实现不同方式的共识，在实现共识效率的同时，保证了交易安全。

Description

区块链的节点共识方法及系统
【技术领域】
本发明涉及区块链技术领域，尤其涉及一种区块链的节点共识方法及系 统。
【背景技术】
区块链技术的出现被称为新一代革命，区块链技术的出现让分布式系统 和分布式应用得以蓬勃发展，区块链技术是多门技术和学科的综合，而在决 定一个区块链分布式系统好坏的区块链技术里最重要的便是共识机制，共识 机制是区块链分布式系统安全性和能够良好发展的核心技术。
现有区块链中，节点之间的每笔交易往往均需经过所有节点共识之后才 能确认，这样使得区块链节点不能够快速的达成共识，从而造成区块链节点 共识效率低。而如果只采用选取部分节点作为共识节点，由于节点的可靠性 是无法保证的，则存在共识节点联合作恶的问题，因此，无法保障交易安全。
【发明内容】
有鉴于此，本发明实施例提供了一种区块链的节点共识方法及系统。
第一方面，本发明实施例提供了一种区块链的节点共识方法，该所述方法包 括：
S1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共 识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
S2、根据编号顺序将节点分成m个节点组，每个节点组具有q个节点，相 邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共识节点，剩 余未成组的f个节点组成第二共识组，其中，f＝n-[q·m-p·(m-1)],p<f<q-p；
S3、通过风险预测模型对第二共识组内各节点进行风险预测，基于预测结果 将风险节点从第二共识组中淘汰；
S4、若否，判断是否到达交换周期，若到达交换周期，对区块链中各节点的 性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值
Figure BDA0002593087360000026
由 大到小的顺序依次对每个节点组进行节点交换处理；
S5、若未到达交换周期，当接收交易双方用户Na和用户Nb的交易请求，判 断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈值L0，用户 Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值
Figure BDA0002593087360000021
位于用户Na和 用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥风险阈值L0， 用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值
Figure BDA0002593087360000022
位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的共识。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 S1中节点的共识分数T0的计算公式为：
Figure BDA0002593087360000023
其中，T0表示共识分数，x表示更新周期内节点参与共识次数，y表示更新 周期内的交易次数，z表示更新周期内的共识准确次数，
Figure BDA0002593087360000024
表示节点在更新周期 内的参与交易的次数，η表示节点在更新周期内交换次数，α和β表示调节系数， 满足α,β∈[0,1]且α+β＝1，θ表示在更新周期内节点异常次数，所述节点异常包 括共识失败、数据同步失败、验签失败、网路通信异常或数据库存储异常；
所述修正函数为：
Figure BDA0002593087360000025
其中，T表示节点修正后的共识分数，T0表示节点修正前共识分数，t1表示 节点加入区块链总时长，t0表示更新周期时长，i表示第i个更新周期，T(i)1表示 节点在第i个更新周期初始共识分数；T(i)2表示节点在第i个更新周期最终共识 分数；
通过修正函数对信用分数进行修正。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 S3具体包括：
S31、获取第二共识组内各节点历史数据，所述历史数据包括每个更新周期 内的交易数据、进入第一共识组次数，进入第二共识组次数、共识准确率、异常 次数、被举报次数和节点互评数据；
S32、将所有数据按如下公式进行归一化处理，归一化到0～1之间：
Figure BDA0002593087360000031
其中，x表示归一化后的数据，xmax表示数据的最大值，xmin表示数据的最小 值；
S33、将归一化处理的数据按照比例分为训练数据集和测试数据集；
S34、构建基于风险预测模型的LSTM神经网络，并通过训练数据进行训练；
S35、通过训练完成的LSTM神经网络预测t时刻节点P的风险状态，从而 完成对风险节点的预测；
其中，所述LSTM神经网络包括一个输入层、一个LSTM细胞层、一个输 出层；所述LSTM细胞层的内部设置有若干门限，包含遗忘门
Figure BDA0002593087360000032
输入门
Figure BDA0002593087360000033
输出门
Figure BDA0002593087360000034
并且LSTM神经网络的前向传播在每个序列索引位置的过程为：
更新遗忘门输出：
Figure BDA0002593087360000035
更新输入门两部分输出：
Figure BDA0002593087360000036
Figure BDA0002593087360000041
更新细胞状态：
Figure BDA0002593087360000042
更新输出门输出：
Figure BDA0002593087360000043
Figure BDA0002593087360000044
引入入时间注意力机制：
Figure BDA0002593087360000045
定义LSTM神经网络的损失函数如下：
Figure BDA0002593087360000046
其中，σ表示sigma函数，⊙表示Hadamard乘积，
Figure BDA0002593087360000047
Figure BDA0002593087360000048
表示权重，
Figure BDA0002593087360000049
表示偏置，
Figure BDA00025930873600000410
表示t时刻细胞状态，
Figure BDA00025930873600000411
表示t时刻隐藏状态，N表示训练样本 的数量，M表示选择的节点的集合，
Figure BDA00025930873600000412
表示节点p在t时刻真实风险信息，
Figure BDA00025930873600000413
表示节点p在t时刻预测风险信息，T(n)为第n个突变预测训练样本所选择的位置数，
Figure BDA00025930873600000414
通过
Figure BDA00025930873600000415
计算，
Figure BDA00025930873600000416
表示权重，
Figure BDA00025930873600000417
表示偏置。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，通过 如下公式对损失函数进行扩充以进行持续学习：
Figure BDA00025930873600000418
其中，i为神经网络参数，θi为神经网络参数集合，θA,i为前一任务权重，LB(θ) 为后一任务损失函数，λ为折扣因子，Fi为Fisher信息矩阵。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 S3还包括：
S301、基于预测结果将风险节点从第二共识组中淘汰，更新第二共识组；
S302、当到达巡查周期，所述第二共识组内节点对各节点组的节点的随机巡 查，检查节点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共 识组内节点对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；
S303、若ΔT≥T0降幅阈值，且节点未标记为异常节点，则将节点标记为异 常节点，在更新周期内，若异常节点在第一共识组则进行淘汰，并不再对交叉共 识节点进行交换，若所述节点不在第一共识组则不再对交叉共识节点进行交换； 在下一更新周期，恢复交换；
S304、若ΔT≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入 交换黑名单，不再进行节点交换。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 性能分数K按照如下公式计算：
Figure RE-GDA0002616304330000051
Figure BDA0002593087360000052
Figure BDA0002593087360000053
其中，
Figure BDA0002593087360000054
表示归一化操作，a和b为调节系数，满足a,b∈[0,1]且a+b＝1，ti表 示节点第i次共识中生成投票结果的时间，W1表示节点交换周期内n0次共识中生 成投票结果的时间平均值，W2表示节点交换周期内m0次共识中生成投票结果的 时间的标准差，n0、m0的和为节点在交换周期内共识总次数且n0<m0。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 S4中对每个节点组进行节点交换处理包括：
S41、比较非交叉共识节点与未进行交换的第一共识组内的交叉共识节点的 性能分数K大小；
S42、将性能分数K高于交叉共识节点的非交叉共识节点与相应交叉共识节 点交换。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述 交易风险值L的计算公式为：
其中，
Figure BDA0002593087360000061
L为用户Na和用户Nb之间交易风险值，Ta为用户Na的信用分数，Tb为用户Nb的信用分数。
第二方面，本发明实施例提供了一种区块链的节点共识系统，所述系统包括：
更新模块，用于判断是否到达更新周期，若是，则计算并修正得到区块链中 各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
分组模块，用于根据编号顺序将节点分成m个节点组，每个节点组具有q 个节点，相邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共 识节点，剩余未成组的f个节点组成第二共识组，其中， f＝n-[q·m-p·(m-1)],p<f<q-p；
风险预测模块，用于通过风险预测模型对第二共识组内各节点进行风险预测， 基于预测结果将风险节点从第二共识组中淘汰；
交换模块，用于判断是否到达交换周期，若到达交换周期，对区块链中各节 点的性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值 T由大到小的顺序依次对每个节点组进行节点交换处理；
共识处理模块，用于在未到达交换周期，接收交易双方用户Na和用户Nb的 交易请求，判断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈 值L0，用户Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值
Figure BDA0002593087360000071
位 于用户Na和用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥ 风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值
Figure BDA0002593087360000072
位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的 共识；
巡查模块，用于将第二共识组内节点对各节点组的节点的随机巡查，检查节 点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共识组内节点 对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；若ΔT≥T0降幅阈值， 且节点未标记为异常节点，则将节点标记为异常节点，在更新周期内，若异常节 点在第一共识组则进行淘汰，并不再对交叉共识节点进行交换，若所述节点不在 第一共识组则不再对交叉共识节点进行交换；在下一更新周期，恢复交换；若ΔT ≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入交换黑名单，不再 进行节点交换。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的方法中提出了一种区块链的节点共识方法及系统，建立一 种新的节点共识体系，每隔一个更新周期，将区块链中各节点按共识分数T进行 编号排序，将节点进行分组，实现分组共识，实现共识节点的更新，相邻两个节 点组共有一个第一共识组，实现交叉共识，在更新周期内，每隔一个交换周期， 对每个节点组进行节点交换处理，实现共识节点的更新，提高第一共识组性能， 提高共识效率。本发明系统使得区块链普通节点与共识节点处于动态的变换中， 使得每次交易共识节点也均不相同，避免共识节点的联合作恶，针对不同交易风 险，实现不同方式的共识，在实现共识效率的同时，保证了交易安全。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要 使用的附图作简单地介绍，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它的附图。
图1是本发明实施例所提供的一种区块链的节点共识方法的流程示意图；
图2是本发明实施例进行风险预测的流程示意图；
图3是本发明实施例进行巡查的流程示意图；
图4是本发明实施例进行节点交换处理的流程示意图；
图5为本发明实施例所提供的节点的功能方块图；
图6为本发明实施例所提供的节点设备的硬件示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例 及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的 实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实 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他 实施例，都属于本发明保护的范围。
请参考图1，其为图1是一种区块链的节点共识方法的流程示意图，如图 所示，该方法包括以下步骤：
S1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共 识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
S2、根据编号顺序将节点分成m个节点组，每个节点组具有q个节点，相 邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共识节点，剩 余未成组的f个节点组成第二共识组，
其中，f＝n-[q·m-p·(m-1)],p<f<q-p；
S3、通过风险预测模型对第二共识组内各节点进行风险预测，基于预测结果 将风险节点从第二共识组中淘汰；
S4、若否，判断是否到达交换周期，若到达交换周期，对区块链中各节点的 性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值
Figure BDA0002593087360000091
由 大到小的顺序依次对每个节点组进行节点交换处理；
S5、若未到达交换周期，当接收交易双方用户Na和用户Nb的交易请求，判 断用户Na和用户Nb之间的交易风险值L；
当交易风险值L<风险阈值L0，用户Na和用户Nb所位于的节点组的第一共 识组以及共识分数平均值
Figure BDA0002593087360000093
位于用户Na和用户Nb之间的第一共识组参与所述交 易的共识；
当交易风险值L≥风险阈值L0，用户Na和用户Nb所位于的节点组的第一共 识组、共识分数平均值
Figure BDA0002593087360000094
位于用户Na和用户Nb之间的第一共识组以及第二共识 组共同参与所述交易的共识。
本发明实施例中，针对现有区块链系统的共识问题，建立一种新的节点共识 体系。每隔一个更新周期，将区块链中各节点按共识分数T进行编号排序，将节 点进行分组，实现分组共识，实现共识节点的更新。相邻两个节点组共有一个第 一共识组，实现交叉共识。剩余高共识分数的T未成组的f个节点组成第二共识 组，并进行风险预测淘汰风险节点。在更新周期内，每隔一个交换周期，对每个 节点组进行节点交换处理，实现共识节点的更新，提高第一共识组性能，提高共 识效率。在交易时，判断用户Na和用户Nb之间的交易风险值L，当交易风险值 L<风险阈值L0，说明交易风险较小，用户Na和用户Nb所位于的节点组的第一 共识组以及共识分数平均值
Figure BDA0002593087360000092
位于用户Na和用户Nb之间的第一共识组参与所述 交易的共识，第二共识组不参与共识，共识更快，而通过节点组内的节点交换以 及多个不同节点组的第一共识组共同参与共识，可以避免节点联合作恶，保障交 易安全。当交易风险值L≥风险阈值L0，说明交易风险较大，此时，第二共识组 也参与共识，保证交易安全。本发明系统使得区块链普通节点与共识节点处于动 态的变换中，使得每次交易共识节点也均不相同，避免共识节点的联合作恶，针 对不同交易风险，实现不同方式的共识，在实现共识效率的同时，保证了交易安 全。
其中，本发明节点的共识分数T0的计算公式为：
Figure BDA0002593087360000101
其中，T0表示共识分数，x表示更新周期内节点参与共识次数，y表示更新 周期内的交易次数，z表示更新周期内的共识准确次数，
Figure BDA0002593087360000102
表示节点在更新周期 内的参与交易的次数，η表示节点在更新周期内交换次数，α和β表示调节系数， 满足α,β∈[0,1]且α+β＝1，θ表示在更新周期内节点异常次数，所述节点异常包 括共识失败、数据同步失败、验签失败、网路通信异常或数据库存储异常；
所述修正函数为：
Figure BDA0002593087360000103
其中，T表示节点修正后的共识分数，T0表示节点修正前共识分数，t1表示 节点加入区块链总时长，t0表示更新周期时长，i表示第i个更新周期，T(i)1表示 节点在第i个更新周期初始共识分数；T(i)2表示节点在第i个更新周期最终共识 分数；
通过修正函数对信用分数进行修正。
本发明的修正函数能更好地反映在一定时间内行为对共识分数的影响，使得 节点的共识分数更加合理。
请参考图2，图2是本发明实施例进行风险预测的流程示意图，所述S3具体 包括：
S31、获取第二共识组内各节点历史数据，所述历史数据包括每个更新周期 内的交易数据、进入第一共识组次数，进入第二共识组次数、共识准确率、异常 次数、被举报次数和节点互评数据；
S32、将所有数据按如下公式进行归一化处理，归一化到0～1之间：
Figure BDA0002593087360000111
其中，x表示归一化后的数据，xmax表示数据的最大值，xmin表示数据的最小 值；
S33、将归一化处理的数据按照比例分为训练数据集和测试数据集；
S34、构建基于风险预测模型的LSTM神经网络，并通过训练数据进行训练；
S35、通过训练完成的LSTM神经网络预测t时刻节点P的风险状态，从而 完成对风险节点的预测；
其中，所述LSTM神经网络包括一个输入层、一个LSTM细胞层、一个输 出层；所述LSTM细胞层的内部设置有若干门限，包含遗忘门
Figure BDA0002593087360000112
输入门
Figure BDA0002593087360000113
输出门
Figure BDA0002593087360000114
并且LSTM神经网络的前向传播在每个序列索引位置的过程为：
更新遗忘门输出：
Figure BDA0002593087360000115
更新输入门两部分输出：
Figure BDA0002593087360000116
Figure BDA0002593087360000117
更新细胞状态：
Figure BDA0002593087360000118
更新输出门输出：
Figure BDA0002593087360000119
Figure BDA00025930873600001110
引入入时间注意力机制：
Figure BDA0002593087360000121
定义LSTM神经网络的损失函数如下：
Figure BDA0002593087360000122
其中，σ表示sigma函数，⊙表示Hadamard乘积，
Figure BDA0002593087360000123
Figure BDA0002593087360000124
表示权重，
Figure BDA0002593087360000125
表示偏置，
Figure BDA0002593087360000126
表示t时刻细胞状态，
Figure BDA0002593087360000127
表示t时刻隐藏状态，N表示训练样本 的数量，M表示选择的节点的集合，
Figure BDA0002593087360000128
表示节点p在t时刻真实风险信息，
Figure BDA0002593087360000129
表示节点p在t时刻预测风险信息，T(n)为第n个突变预测训练样本所选择的位置数，
Figure BDA00025930873600001210
通过
Figure BDA00025930873600001211
计算，
Figure BDA00025930873600001212
表示权重，
Figure BDA00025930873600001213
表示偏置。
另外，本发明实施例通过如下公式对损失函数进行扩充以进行持续学习：
Figure BDA00025930873600001214
其中，i为神经网络参数，θi为神经网络参数集合，θA,i为前一任务权重，LB(θ) 为后一任务损失函数，λ为折扣因子，Fi为Fisher信息矩阵。
本发明实施例通过构建风险预测模型完成对风险节点的预测，从而保证第二 节点组的权威性和安全性，保证整个系统安全运行，风险预测模型预测准确，模 型鲁棒性高。
请参考图3，图3是本发明实施例进行风险预测的流程示意图，所述S3还包 括：
S301、基于预测结果将风险节点从第二共识组中淘汰，更新第二共识组；
S302、当到达巡查周期，所述第二共识组内节点对各节点组的节点的随机巡 查，检查节点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共 识组内节点对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；
S303、若ΔT≥T0降幅阈值，且节点未标记为异常节点，则将节点标记为异 常节点，在更新周期内，若异常节点在第一共识组则进行淘汰，并不再对交叉共 识节点进行交换，若所述节点不在第一共识组则不再对交叉共识节点进行交换； 在下一更新周期，恢复交换；
S304、若ΔT≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入 交换黑名单，不再进行节点交换。
本发明实施例通过建立巡查机制，建立惩罚机制，可以及时发现并防止异常 节点作恶，阻止异常节点参与共识，进一步保证系统安全良好运行。
其中，本发明的性能分数K按照如下公式计算：
Figure RE-GDA0002616304330000134
Figure BDA0002593087360000132
Figure BDA0002593087360000133
其中，
Figure BDA0002593087360000134
表示归一化操作，a和b为调节系数，满足a,b∈[0,1]且a+b＝1，ti表 示节点第i次共识中生成投票结果的时间，W1表示节点交换周期内n0次共识中生 成投票结果的时间平均值，W2表示节点交换周期内m0次共识中生成投票结果的 时间的标准差，n0、m0的和为节点在交换周期内共识总次数且n0<m0。
请参考图4，图4是本发明实施例进行风险预测的流程示意图，所述S4中对 每个节点组进行节点交换处理包括：
S41、比较非交叉共识节点与未进行交换的第一共识组内的交叉共识节点的 性能分数K大小；
S42、将性能分数K高于交叉共识节点的非交叉共识节点与相应交叉共识节 点交换。
本发明实施例建立每个节点组的第一共识组内的交叉共识节点与非交叉共 识节点交换机制，实现了共识效率，充分发挥区块链系统的算力，并实现对共识 节点更新，避免共识节点作恶。
需要说明的是，本发明实施例交易风险值L的计算公式为：
其中，
Figure BDA0002593087360000141
L为用户Na和用户Nb之间交易风险值，Ta为用户Na的信用分数，Tb为用户Nb的信用分数。
如果用户Na和用户Nb共识分数排序都很低且相离很近，则交易风险值L 很低，说明用户风险和交易风险很大，此时，第二共识组参与共识，可以保 证交易安全，避免共识节点联合作恶。如果用户Na和用户Nb共识分数排序都 很高且相离很近，说明用户风险和交易风险很小，此时，第二共识组不参与 共识，提高共识效率。如果用户Na和用户Nb共识分数排序一高一低(总体相 对较低)且相离很远，用户和交易风险较大，此时，第二共识组参与共识，可以保证交易安全，避免共识节点联合作恶。如果用户Na和用户Nb共识分数 排序一高一低(总体相对较高)且相离很远，用户和交易风险较小，此时， 第二共识组不参与共识，提高共识效率。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实 施例。
请参考图5，其为本发明实施例所提供的区块链系统的构架图，所述系统 包括：
更新模块，用于判断是否到达更新周期，若是，则计算并修正得到区块链中 各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
分组模块，用于根据编号顺序将节点分成m个节点组，每个节点组具有q 个节点，相邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共 识节点，剩余未成组的f个节点组成第二共识组，其中， f＝n-[q·m-p·(m-1)],p<f<q-p；
风险预测模块，用于通过风险预测模型对第二共识组内各节点进行风险预测， 基于预测结果将风险节点从第二共识组中淘汰；
交换模块，用于判断是否到达交换周期，若到达交换周期，对区块链中各节 点的性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值
Figure BDA0002593087360000151
由大到小的顺序依次对每个节点组进行节点交换处理；
共识处理模块，用于在未到达交换周期，接收交易双方用户Na和用户Nb的 交易请求，判断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈 值L0，用户Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值
Figure BDA0002593087360000152
位 于用户Na和用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥ 风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值
Figure BDA0002593087360000153
位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的 共识；
巡查模块，用于将第二共识组内节点对各节点组的节点的随机巡查，检查节 点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共识组内节点 对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；若ΔT≥T0降幅阈 值，且节点未标记为异常节点，则将节点标记为异常节点，在更新周期内，若异 常节点在第一共识组则进行淘汰，并不再对交叉共识节点进行交换，若所述节点 不在第一共识组则不再对交叉共识节点进行交换；在下一更新周期，恢复交换； 若ΔT≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入交换黑名单， 不再进行节点交换。
由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细 描述的部分，可参考对图1的相关说明。图6是本发明的一个实施例节点设备 的硬件示意图。请参考图6，在硬件层面，该节点设备包括处理器，可选地还 包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随 机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器 (non-volatile memory)，例如至少1个磁盘存储器等。当然，该节点设备还可 能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以 是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总 线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示， 但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代 码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理 器提供指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算 机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在 逻辑层面上形成电价的定价装置。处理器，执行存储器所存放的程序，以通 过执行的程序实现本发明任一实施例中提供的节点工作方法。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介 质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个 应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提 供的节点工作方法。
上述如本发明图实施例提供的节点设备执行的方法可以应用于处理器中， 或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。 在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路 或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理 器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP) 等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电 路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field －Programmable Gate Array，FPGA)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发明实施例中的公开 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该处理器也可 以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器 执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块 可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写 可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器， 处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介 质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个 应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提 供的节点工作方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或 实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算 机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相 机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、 游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。 当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或 硬件中实现。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输 出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。 内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由 任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他 类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储 器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、 数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他 磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信 息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵 盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备 不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为 这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下， 由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方 法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述， 例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类 型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中 实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处 理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备 在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相 似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之 处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述 的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域 技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之 内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围 之内。

Claims (9)

1.一种区块链的节点共识方法，其特征在于，所述方法包括：
S1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
S2、根据编号顺序将节点分成m个节点组，每个节点组具有q个节点，相邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共识节点，剩余未成组的f个节点组成第二共识组，其中，f＝n-[q·m-p·(m-1)],p<f<q-p；
S3、通过风险预测模型对第二共识组内各节点进行风险预测，基于预测结果将风险节点从第二共识组中淘汰；
S4、若否，判断是否到达交换周期，若到达交换周期，对区块链中各节点的性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值
Figure FDA0002593087350000015
由大到小的顺序依次对每个节点组进行节点交换处理；
S5、若未到达交换周期，当接收交易双方用户Na和用户Nb的交易请求，判断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值
Figure FDA0002593087350000011
位于用户Na和用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值
Figure FDA0002593087350000012
位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的共识。
2.根据权利要求1所述的方法，其特征在于，所述S1中节点的共识分数T0的计算公式为：
Figure FDA0002593087350000013
其中，T0表示共识分数，x表示更新周期内节点参与共识次数，y表示更新周期内的交易次数，z表示更新周期内的共识准确次数，
Figure FDA0002593087350000014
表示节点在更新周期内的参与交易的次数，η表示节点在更新周期内交换次数，α和β表示调节系数，满足α,β∈[0,1]且α+β＝1，θ表示在更新周期内节点异常次数，所述节点异常包括共识失败、数据同步失败、验签失败、网路通信异常或数据库存储异常；
所述修正函数为：
Figure FDA0002593087350000021
其中，T表示节点修正后的共识分数，T0表示节点修正前共识分数，t1表示节点加入区块链总时长，t0表示更新周期时长，i表示第i个更新周期，T(i)1表示节点在第i个更新周期初始共识分数；T(i)2表示节点在第i个更新周期最终共识分数；
通过修正函数对信用分数进行修正。
3.根据权利要求1所述的方法，其特征在于，所述S3具体包括：
S31、获取第二共识组内各节点历史数据，所述历史数据包括每个更新周期内的交易数据、进入第一共识组次数，进入第二共识组次数、共识准确率、异常次数、被举报次数和节点互评数据；
S32、将所有数据按如下公式进行归一化处理，归一化到0～1之间：
Figure FDA0002593087350000022
其中，x表示归一化后的数据，xmax表示数据的最大值，xmin表示数据的最小值；
S33、将归一化处理的数据按照比例分为训练数据集和测试数据集；
S34、构建基于风险预测模型的LSTM神经网络，并通过训练数据进行训练；
S35、通过训练完成的LSTM神经网络预测t时刻节点P的风险状态，从而完成对风险节点的预测；
其中，所述LSTM神经网络包括一个输入层、一个LSTM细胞层、一个输出层；所述LSTM细胞层的内部设置有若干门限，包含遗忘门
Figure FDA0002593087350000031
输入门
Figure FDA0002593087350000032
输出门
Figure FDA0002593087350000033
并且LSTM神经网络的前向传播在每个序列索引位置的过程为：
更新遗忘门输出：
Figure FDA0002593087350000034
更新输入门两部分输出：
Figure FDA0002593087350000035
Figure FDA0002593087350000036
更新细胞状态：
Figure FDA0002593087350000037
更新输出门输出：
Figure FDA0002593087350000038
Figure FDA0002593087350000039
引入入时间注意力机制：
Figure FDA00025930873500000310
定义LSTM神经网络的损失函数如下：
Figure FDA00025930873500000311
其中，σ表示sigma函数，⊙表示Hadamard乘积，
Figure FDA00025930873500000312
Figure FDA00025930873500000313
表示权重，
Figure FDA00025930873500000314
表示偏置，
Figure FDA00025930873500000315
表示t时刻细胞状态，
Figure FDA00025930873500000316
表示t时刻隐藏状态，N表示训练样本的数量，M表示选择的节点的集合，
Figure FDA00025930873500000317
表示节点p在t时刻真实风险信息，
Figure FDA00025930873500000318
表示节点p在t时刻预测风险信息，T(n)为第n个突变预测训练样本所选择的位置数，
Figure FDA0002593087350000041
通过
Figure FDA0002593087350000042
计算，
Figure FDA0002593087350000043
表示权重，
Figure FDA0002593087350000044
表示偏置。
4.根据权利要求3所述的方法，其特征在于，通过如下公式对损失函数进行扩充以进行持续学习：
Figure FDA0002593087350000045
其中，i为神经网络参数，θi为神经网络参数集合，θA,i为前一任务权重，LB(θ)为后一任务损失函数，λ为折扣因子，Fi为Fisher信息矩阵。
5.根据权利要求1所述的方法，其特征在于，所述S3还包括：
S301、基于预测结果将风险节点从第二共识组中淘汰，更新第二共识组；
S302、当到达巡查周期，所述第二共识组内节点对各节点组的节点的随机巡查，检查节点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共识组内节点对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；
S303、若ΔT≥T0降幅阈值，且节点未标记为异常节点，则将节点标记为异常节点，在更新周期内，若异常节点在第一共识组则进行淘汰，并不再对交叉共识节点进行交换，若所述节点不在第一共识组则不再对交叉共识节点进行交换；在下一更新周期，恢复交换；
S304、若ΔT≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入交换黑名单，不再进行节点交换。
6.根据权利要求1所述的方法，其特征在于，所述性能分数K按照如下公式计算：
Figure RE-FDA0002616304320000042
Figure RE-FDA0002616304320000043
Figure RE-FDA0002616304320000044
其中，
Figure RE-FDA0002616304320000045
表示归一化操作，a和b为调节系数，满足a,b∈[0,1]且a+b＝1，ti表示节点第i次共识中生成投票结果的时间，W1表示节点交换周期内n0次共识中生成投票结果的时间平均值，W2表示节点交换周期内m0次共识中生成投票结果的时间的标准差，n0、m0的和为节点在交换周期内共识总次数且n0<m0。
7.根据权利要求6所述的方法，其特征在于，所述S4中对每个节点组进行节点交换处理包括：
S41、比较非交叉共识节点与未进行交换的第一共识组内的交叉共识节点的性能分数K大小；
S42、将性能分数K高于交叉共识节点的非交叉共识节点与相应交叉共识节点交换。
8.根据权利要求1所述的方法，其特征在于，所述交易风险值L的计算公式为：
其中，
Figure FDA0002593087350000053
L为用户Na和用户Nb之间交易风险值，Ta为用户Na的信用分数，Tb为用户Nb的信用分数。
9.一种区块链的节点共识系统，其特征在于，包括：
更新模块，用于判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
分组模块，用于根据编号顺序将节点分成m个节点组，每个节点组具有q个节点，相邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共识节点，剩余未成组的f个节点组成第二共识组，其中，f＝n-[q·m-p·(m-1)],p<f<q-p；
风险预测模块，用于通过风险预测模型对第二共识组内各节点进行风险预测，基于预测结果将风险节点从第二共识组中淘汰；
交换模块，用于判断是否到达交换周期，若到达交换周期，对区块链中各节点的性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值T由大到小的顺序依次对每个节点组进行节点交换处理；
共识处理模块，用于在未到达交换周期，接收交易双方用户Na和用户Nb的交易请求，判断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值
Figure FDA0002593087350000061
位于用户Na和用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值T位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的共识；
巡查模块，用于将第二共识组内节点对各节点组的节点的随机巡查，检查节点共识分数T降低幅度ΔT；或者在接收到节点举报时，所述第二共识组内节点对被举报节点进行巡查，检查节点共识分数T降低幅度ΔT；若ΔT≥T0降幅阈值，且节点未标记为异常节点，则将节点标记为异常节点，在更新周期内，若异常节点在第一共识组则进行淘汰，并不再对交叉共识节点进行交换，若所述节点不在第一共识组则不再对交叉共识节点进行交换；在下一更新周期，恢复交换；若ΔT≥T0降幅阈值，且节点已标记为异常节点，则将异常节点加入交换黑名单，不再进行节点交换。
CN202010701399.1A 2020-07-18 2020-07-18 区块链的节点共识方法及系统 Active CN111861464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010701399.1A CN111861464B (zh) 2020-07-18 2020-07-18 区块链的节点共识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010701399.1A CN111861464B (zh) 2020-07-18 2020-07-18 区块链的节点共识方法及系统

Publications (2)

Publication Number Publication Date
CN111861464A true CN111861464A (zh) 2020-10-30
CN111861464B CN111861464B (zh) 2021-04-27

Family

ID=73001677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010701399.1A Active CN111861464B (zh) 2020-07-18 2020-07-18 区块链的节点共识方法及系统

Country Status (1)

Country Link
CN (1) CN111861464B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256305A (zh) * 2020-11-04 2021-01-22 暗链科技(深圳)有限公司 一种区块链软件更新方法及系统
CN112465627A (zh) * 2020-11-26 2021-03-09 北京天仪百康科贸有限公司 基于区块链和机器学习的金融借贷审核方法及系统
CN112633701A (zh) * 2020-12-25 2021-04-09 北京天仪百康科贸有限公司 基于区块链的交通工程道路裂缝的巡检方法及系统
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
CN114301918A (zh) * 2021-12-29 2022-04-08 吉林大学 一种基于作恶节点淘汰树的高效区块链共识方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110708171A (zh) * 2019-12-13 2020-01-17 腾讯科技（深圳）有限公司 区块链共识投票方法、装置、设备以及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110708171A (zh) * 2019-12-13 2020-01-17 腾讯科技（深圳）有限公司 区块链共识投票方法、装置、设备以及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256305A (zh) * 2020-11-04 2021-01-22 暗链科技(深圳)有限公司 一种区块链软件更新方法及系统
CN112256305B (zh) * 2020-11-04 2022-05-10 暗链科技(深圳)有限公司 一种区块链软件更新方法及系统
CN112465627A (zh) * 2020-11-26 2021-03-09 北京天仪百康科贸有限公司 基于区块链和机器学习的金融借贷审核方法及系统
CN112633701A (zh) * 2020-12-25 2021-04-09 北京天仪百康科贸有限公司 基于区块链的交通工程道路裂缝的巡检方法及系统
CN112633701B (zh) * 2020-12-25 2021-10-26 蚌埠科睿达机械设计有限公司 基于区块链的交通工程道路裂缝的巡检方法及系统
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
CN114301918A (zh) * 2021-12-29 2022-04-08 吉林大学 一种基于作恶节点淘汰树的高效区块链共识方法
CN114301918B (zh) * 2021-12-29 2023-09-22 吉林大学 一种基于作恶节点淘汰树的高效区块链共识方法

Also Published As

Publication number Publication date
CN111861464B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN111861464B (zh) 区块链的节点共识方法及系统
TWI682304B (zh) 基於圖結構模型的異常帳號防控方法、裝置以及設備
CN110457912B (zh) 数据处理方法、装置和电子设备
EP3678072A1 (en) Model integration method and device
CN109117595B (zh) 一种热负荷预测方法、装置、可读介质及电子设备
CN107451854B (zh) 确定用户类型的方法及装置、电子设备
CN112465627B (zh) 基于区块链和机器学习的金融借贷审核方法及系统
CN112101939A (zh) 基于区块链的节点管理方法及系统
CN110705821A (zh) 基于多评价维度的热点学科预测方法、装置、终端、及介质
CN114091281A (zh) 产品寿命预测方法、装置、电子设备及存储介质
US10956976B2 (en) Recommending shared products
CN110743169A (zh) 基于区块链的防作弊方法及系统
CN109359346B (zh) 一种热负荷预测方法、装置、可读介质及电子设备
CN116051118B (zh) 行为时序模型的分析方法及装置
CN110060188B (zh) 核身方式推荐方法、装置及电子设备
CN111769984A (zh) 区块链网络中添加节点的方法及区块链系统
CN106202049A (zh) 一种热词确定方法及装置
CN116108697A (zh) 基于多元性能退化的加速试验数据处理方法、装置和设备
CN115358825A (zh) 一种基于区块链预言机的撮合交易方法及系统
US20210287131A1 (en) Machine learning model accuracy fairness
CN109858119B (zh) 一种动态能效建模方法、装置、可读介质及电子设备
CN109948800B (zh) 风险控制方法及其系统
CN112351085A (zh) 一种网络资源安全共享方法
CN109145996B (zh) 异常环境下的指标数据生成方法、装置及电子设备
WO2019227415A1 (zh) 一种评分卡模型的调整方法、装置、服务器及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210407

Address after: Room 1a201 and 1g201, No.12, Gaoxin 2nd Road, Zhangba Street office, Gaoxin District, Xi'an City, Shaanxi Province, 710065

Applicant after: XI'AN ZHIGUI INTERNET TECHNOLOGY Co.,Ltd.

Address before: 101104 li'ersi village, Zhangjiawan Town, Tongzhou District, Beijing

Applicant before: BEIJING TIANYIBAIKANG SCIENCE AND TRADE Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231206

Address after: 101318 Building 6-185, Ronghuiyuan, Lingkong Economic Core Zone, Shunyi District, Beijing

Patentee after: Lingjing Digital (Beijing) Technology Co.,Ltd.

Address before: Room 1a201 and 1g201, No.12, Gaoxin 2nd Road, Zhangba Street office, Gaoxin District, Xi'an City, Shaanxi Province, 710065

Patentee before: XI'AN ZHIGUI INTERNET TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right