CN112860531A - 基于深度异构图神经网络的区块链广泛共识性能评测方法 - Google Patents

基于深度异构图神经网络的区块链广泛共识性能评测方法 Download PDF

Info

Publication number
CN112860531A
CN112860531A CN202110198936.XA CN202110198936A CN112860531A CN 112860531 A CN112860531 A CN 112860531A CN 202110198936 A CN202110198936 A CN 202110198936A CN 112860531 A CN112860531 A CN 112860531A
Authority
CN
China
Prior art keywords
block chain
performance
performance evaluation
node
neural network
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
CN202110198936.XA
Other languages
English (en)
Other versions
CN112860531B (zh
Inventor
彭浩
刘琳
刘宇涵
王飞龙
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110198936.XA priority Critical patent/CN112860531B/zh
Publication of CN112860531A publication Critical patent/CN112860531A/zh
Application granted granted Critical
Publication of CN112860531B publication Critical patent/CN112860531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开基于深度异构图神经网络的区块链广泛共识性能评测方法，包括步骤利用性能测试工具收集区块链性能数据；根据收集的区块链性能数据，结合影响区块链性能的因素，定义关于区块链性能的异构图的网络模式；将训练集的区块链性能数据按照网络模式生成异构图；根据异构图进行区块链节点嵌入；进行多任务学习，得到区块链性能评测模型；通过区块链性能评测模型，得到最终的区块链广泛共识性能评测结果。本发明能够自动获取区块链的性能，以解决现有方法中实际测试所带来的各种开销；从区块链测试中主要面临的四大问题出发，基于深度异构图神经网络实现对区块链性能的较为准确的预测，同时能够对新样本进行自学习，可适应更为广泛的共识机制。

Description

基于深度异构图神经网络的区块链广泛共识性能评测方法
技术领域
本发明属于区块链技术领域，特别是涉及基于深度异构图神经网络的区块链广泛共识性能评测方法。
背景技术
随着区块链技术的发展，越来越多的人看到区块链的潜力，越来越多开发者投入到区块链的开发中，越来越多的开源的、闭源的区块链平台被实现出来，越来越多的应用得以落地实现并产生巨大效益。然而，一个不容忽视的问题是区块链的性能问题，提高区块链的性能以适应各种应用场景成了一个研究热点。解决性能问题之前，首先要明确给出区块链性能的定义，然后要有一套测试方法用来获取性能，这样才能在改进共识算法或是其他方式提高性能之后给人一个清晰、准确、直观的性能提升了多少的结果。因而，性能测试至关重要，在解决区块链性能问题之中不可或缺。面对多种多样的区块链平台，选择何种平台能满足当前的需求？最直接的办法就是进行性能测试。此外，对于已经上线的各种区块链技术和云计算技术相结合的产品和服务，针对用户的选择给出实时的性能测试结果也是一项可提升产品竞争力的应用。通常来说，区块链的性能指标指的是吞吐量和延迟。吞吐量指的是区块链系统每秒处理的交易数，延迟指的是交易确认与交易提交的时间差值。现有的区块链性能指标并不统一，也没有一个标准的测试方案。
目前主流的几个区块链测试工具主要存在四个问题：测试环境要求较高、待测目标平台受限、测试所需时间较长、自动化程度较低。
首先，无论是BLOCKBENCH还是Hyperledger Caliper，对于测试机的要求是较高的，原因在于它们的原理都是通过在测试机发送交易请求，需要测试机生成工作负载，往往会利用多线程或多进程的方式，这对测试机的CPU、内存等硬件要求较高，特别是待测区块链部署在硬件条件较好的主机上时，要通过压力测试获取区块链系统的最大吞吐量的前提就是测试机的性能要优于部署机，或者使用分布式集群作为压力测试主机，但是这两个工具目前都不支持分布式测试。
其次，区块链平台日新月异，要想做到普适性，需要测试工具与时俱进，并且要根据需要对待测平台作出相应的适配，以获取待测平台的相关信息，这种适配的情况对这两个工具来说都是必须的，以至于目前它们支持的待测平台都是不全面、受限的，同样地也就不能说是面向广泛共识的。
再次，在进行测试时，这两个工具都是先搭建区块链或利用现成的区块链，然后生成工作负载发送交易请求，最后进行统计分析得出测试结果，这一过程不仅于待测平台相关，与安装了测试工具的测试机同样相关，测试机条件稍差就可能延长某一过程所需要的时间，并且即使条件较好，发送大量的交易请求并得到回执这样的过程本就是比较耗费资源的，包括空间资源和时间资源，这两个工具每次在进行压力测试时都需要数以分钟计的时间，等待时间是比较长的。
最后，即使已经有测试工具的出现，但是其测试过程的自动化程度较低，虽然可以通过人为手动调整测试的各种参数以满足一定需求，但是对另一些需求来说，比如批量多种配置多次测试等，并不友好，特别是如果使用者是区块链云计算服务提供商，则他需要一直运行测试工具时更不方便，目前的测试工具都需要进行优化才能适应各种场景。
总的来说，当前的区块链性能测试解决方案并不能很好地覆盖大量场景，特别是云计算场景，并且目前的测试工具都需要较高性能的机器或是集群、较长的等待时间才能获得测试结果，也不能涵盖广泛的共识机制或区块链平台，还需要人为手动调整测试的各种参数，自动化程度较低。
发明内容
为了解决上述问题，本发明提出了基于深度异构图神经网络的区块链广泛共识性能评测方法，能够自动获取区块链的性能，以解决现有方法中实际测试所带来的各种开销；从区块链测试中主要面临的四大问题出发，基于深度异构图神经网络实现对区块链性能的较为准确的预测，同时能够对新样本进行自学习，可适应更为广泛的共识机制。
为达到上述目的，本发明采用的技术方案是：基于深度异构图神经网络的区块链广泛共识性能评测方法，包括步骤：
S10,利用性能测试工具收集区块链性能数据，并将所收集的数据分为训练集、测试集和验证集；
S20,根据收集的区块链性能数据，结合影响区块链性能的因素，定义关于区块链性能的异构图的网络模式；将训练集的区块链性能数据按照网络模式生成异构图；
S30,根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，得到所有区块链节点的低维向量表示；
S40,将每个区块链节点的低维向量表示及其标签输入到多层感知机中进行多任务学习，得到基于深度异构图神经网络的区块链性能评测模型；
S50,将测试集数据输入到所述区块链性能评测模型，得到最终的区块链广泛共识性能评测结果。
进一步的是，所述区块链性能数据包括区块大小、共识算法类型和共识节点数量。
进一步的是，所述步骤S20中，区块链性能的异构图的网络模式，记为TG＝(A,R)，A为节点类型，R为边的类型，该网络模式类似星型分布，中间节点表示区块链，周围的节点是区块链的各个属性。所述属性可为所用共识算法的类型。
进一步的是，将训练集的区块链性能数据按照网络模式TG生成异构图，记为G＝(V,E)；其中，V表示异构图中所有节点，E表示异构图中所有边，异构图中的每一个节点、每一条边都在网络模式TG中有一个节点类型、一个边类型与之对应。
进一步的是，所述步骤S30中，根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，包括步骤：
S31,将异构图中所有节点映射到同一高维空间中；
S32,通过在网络模式TG上定义元路径Mp、元图Mg找到区块链节点的邻居节点，将元路径和元图组成的集合记为M＝(Mp,Mg)，其中M1～M8∈Mp，M9～M10∈Mg；
S33,对于区块链节点c，在集合M中的一个元素Mi下的邻居节点集合记为
Figure BDA0002947353590000031
将这些邻居节点的信息聚合到节点c上，得到节点c在Mi下的聚合
Figure BDA0002947353590000041
其中
Figure BDA0002947353590000042
表示Mi的聚合函数，其作用是将邻居节点集合
Figure BDA0002947353590000043
中的所有元素按照相同的权重进行聚合；
S34,对于区块链节点c，在集合M中所有元素下的聚合的集合为
Figure BDA0002947353590000044
由于不同的Mi有着不同的重要性，因此在得到节点c的最终表示的时候，对
Figure BDA0002947353590000045
中的元素应按不同的权重mi进行聚合，在聚合函数f的作用下，最终得到节点c的低维向量表示为
Figure BDA0002947353590000046
S35,按照上述步骤S31-S34的方法对异构图中每一个区块链节点进行信息聚合，最终得到所有区块链节点的低维向量表示。
进一步的是，所述每个区块链节点的低维向量表示的标签包括吞吐量、最小延迟、最大延迟和平均延迟。
进一步的是，在所述区块链性能评测模型中损失函数定义为对不同任务的损失函数Li的动态加权
Figure BDA0002947353590000047
进一步的是，在所述区块链性能评测模型中为平衡学习速度和损失函数量级采用Gradnorm梯度标准化方法进行权重调整。
进一步的是，区块链性能评测模型能够对已知区块链系统有较好的评测能力，但对于未知的区块链系统需要对模型进行更新以取得较好的表现。还包括步骤S60,对区块链性能评测模型进行加强学习，利用新样本序列是否加入训练集中的决策判断，对区块链性能评测模型进行更新。
进一步的是，在所述步骤S60中，对区块链性能评测模型进行加强学习，利用新样本序列是否加入训练集中的决策判断，对区块链性能评测模型进行更新，包括步骤：
S61,将区块链性能评测模型的参数作为强化学习的状态，经过一个多层感知机之后输出是否选择该新样本的概率分布，从中选择概率最大的作为当前强化学习的动作，即选择或不选择该样本加入区块链性能评测模型的训练中；如果选择该样本，首先需要将无标签的新区块链样本作为性能评测模型的输入，输出的预测结果作为该新区块链的伪标签，然后将这个新样本数据放入性能评测模型中进行模型的训练，如果不选择样本，则直接进入步骤S62，其中的模型保持为上一次训练结束的模型；
S62,将步骤S61训练出的新模型在验证集上的预测的结果，如准确率或其他的模型评估指标，作为强化学习的回报，反馈给强化学习的智能体；
S63,不断重复步骤S61和步骤S62，智能体将在不断的动作试探中，获得相应的回报；经过不断地迭代，最终获得好的回报的数学期望值，得到最终的决策，然后将得到的带有伪标签的样本序列加入区块链性能评测模型的训练中，训练结束后获得新的区块链性能评测模型。通过基于强化学习的模型更新方法，可以适应更多未知的区块链系统。
采用本技术方案的有益效果：
本发明无需适配区块链系统：本发明基于深度学习，本质上是性能的预测，只需获取到区块链系统的一些基本信息即可输出结果，无需专门进行适配，针对新的区块链系统也有良好的适应性，可评测的区块链系统是不受任何限制的。本发明能够节省计算资源和非侵入性：传统工具测试需要有性能较好的测试机不断发送交易请求，消耗大量的计算资源，并且对区块链系统有写入交易的行为，而本发明对区块链系统没有任何影响，是非侵入性的，不会有任何数据的写入。本发明能提升区块链系统测试的效率：现有工具对区块链系统的压力测试后有很长的一段等待结果时间，而本发明等待时间可忽略不计，对于大批量的测试是游刃有余，速度快，一定程度上提升了测试效率。
本发明对影响区块链的因素进行性能建模，基于异构图神经网络对区块链性能进行预测，代替实际的手动测试，不会给区块链系统带来任何的改变，是非侵入式的，并且能够节省一定的资源，还能快捷输出结果，此外，使用强化学习的手段能够增强性能自动评测机的普适性。本发明通过分析影响区块链性能影响因素，利用深度学习的方式对区块链的性能进行预测，可以有效解决现有测试工具对区块链性能测试过程中测试机的要求高、对区块链系统有侵入性的问题，区块链实时的峰值性能预测可以帮助运维人员很好把控风险，同时不会更改系统内容，而现有的测试工具会往区块链系统中写入交易而造成侵入性问题，性能预测只需要知道区块链系统当前的各种状态，不会影响区块链的正常运行，不会对区块链系统有额外影响。此外，本发明能够实时评测出区块链的性能，同现有的测试工具相比等待的时间几乎可以忽略不计，并且无需人工配置参数，可适应各种场景。
本发明将区块链的性能建模为异构图，用异构图的方法来研究，相比文本序列具有更好的可解释性，能够直观而充分地反映区块链性能。本发明对区块链性能影响因素进行分析时，由于因素众多，有些因素与另外一些因素产生了一定的联系，而采用图网络的方式能够很好的捕获这种联系，本发明基于异构图神经网络对区块链系统进行性能建模，通过将各因素建模为异构图，从而全面反映区块链的性能。
由于深度学习中必不可少的是样本，要有海量的数据才能训练出一个良好的模型，而现实中的区块链系统繁杂并且新的区块链系统也会不断地被开发出来、新的共识机制也会被创造出来，不可能获得非常全面的样本，但可以利用一些未标记的新样本来改善学习性能。本发明可进行自学习，利用强化学习来自适应地挑选出置信度高的样本并以预测标签作为伪标签加入到训练集中。正是由于这种自学习的特性，本发明能够适应更为广泛的区块链系统、更为广泛的共识机制。
本发明为了应对日新月异的区块链系统，增加了强化学习部分，利用强化学习极大地增强了自动评测机的适应性，能够面向更为广泛的乃至未知的区块链系统。
附图说明
图1为本发明的基于深度异构图神经网络的区块链广泛共识性能评测方法流程示意图；
图2为本发明实施例中区块链性能评测模型的加强学习的方法流程图；
图3为本发明实施例中区块链性能异构图网络示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了基于深度异构图神经网络的区块链广泛共识性能评测方法，包括步骤：
S10,利用性能测试工具收集区块链性能数据，并将所收集的数据分为训练集、测试集和验证集；
S20,根据收集的区块链性能数据，结合影响区块链性能的因素，定义关于区块链性能的异构图的网络模式；将训练集的区块链性能数据按照网络模式生成异构图；
S30,根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，得到所有区块链节点的低维向量表示；
S40,将每个区块链节点的低维向量表示及其标签输入到多层感知机中进行多任务学习，得到基于深度异构图神经网络的区块链性能评测模型；
S50,将测试集数据输入到所述区块链性能评测模型，得到最终的区块链广泛共识性能评测结果。
作为上述实施例的优化方案1，所述区块链性能数据包括区块大小、共识算法类型和共识节点数量。
作为上述实施例的优化方案2，在所述步骤S20中，区块链性能的异构图的网络模式，记为TG＝(A,R)，A为节点类型，R为边的类型，该网络模式类似星型分布，中间节点表示区块链，周围的节点是区块链的各个属性。所述属性可为所用共识算法的类型，一个网络模式的确定过程的实例如图3的(a)、(b)、(c)所示。
将训练集的区块链性能数据按照网络模式TG生成异构图，记为G＝(V,E)；其中，V表示异构图中所有节点，E表示异构图中所有边，异构图中的每一个节点、每一条边都在网络模式TG中有一个节点类型、一个边类型与之对应。
作为上述实施例的优化方案3，所述步骤S30中，根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，包括步骤：
S31,将异构图中所有节点映射到同一高维空间中；
S32,通过在网络模式TG上定义元路径Mp、元图Mg找到区块链节点的邻居节点，将元路径和元图组成的集合记为M＝(Mp,Mg)，一个网络模式上的元路径、元图的定义的实例如图3(d)所示，其中M1～M8∈Mp，M9～M10∈Mg；
S33,对于区块链节点c，在集合M中的一个元素Mi下的邻居节点集合记为
Figure BDA0002947353590000071
将这些邻居节点的信息聚合到节点c上，得到节点c在Mi下的聚合
Figure BDA0002947353590000072
其中
Figure BDA0002947353590000073
表示Mi的聚合函数，其作用是将邻居节点集合
Figure BDA0002947353590000074
中的所有元素按照相同的权重进行聚合；
S34,对于区块链节点c，在集合M中所有元素下的聚合的集合为
Figure BDA0002947353590000081
由于不同的Mi有着不同的重要性，因此在得到节点c的最终表示的时候，对
Figure BDA0002947353590000082
中的元素应按不同的权重mi进行聚合，在聚合函数f的作用下，最终得到节点c的低维向量表示为
Figure BDA0002947353590000083
S35,按照上述步骤S31-S34的方法对异构图中每一个区块链节点进行信息聚合，最终得到所有区块链节点的低维向量表示。
所述每个区块链节点的低维向量表示的标签包括吞吐量、最小延迟、最大延迟和平均延迟。
作为上述实施例的优化方案4，在所述区块链性能评测模型中损失函数定义为对不同任务的损失函数Li的动态加权
Figure BDA0002947353590000084
在所述区块链性能评测模型中为平衡学习速度和损失函数量级采用Gradnorm梯度标准化方法进行权重调整。
作为上述实施例的优化方案5，区块链性能评测模型能够对已知区块链系统有较好的评测能力，但对于未知的区块链系统需要对模型进行更新以取得较好的表现。如图2所示，还包括步骤S60,对区块链性能评测模型进行加强学习，利用新样本序列是否加入训练集中的决策判断，对区块链性能评测模型进行更新；包括步骤：
S61,将区块链性能评测模型的参数作为强化学习的状态，经过一个多层感知机之后输出是否选择该新样本的概率分布，从中选择概率最大的作为当前强化学习的动作，即选择或不选择该样本加入区块链性能评测模型的训练中，如图2(a)所示；如果选择该样本，首先需要将无标签的新区块链样本作为性能评测模型的输入，输出的预测结果作为该新区块链的伪标签，然后将这个新样本数据放入性能评测模型中进行模型的训练，如图2(b)所示，如果不选择样本，则直接进入步骤S62，其中的模型保持为上一次训练结束的模型；
S62,将步骤S61训练出的新模型在验证集上的预测的结果，如准确率或其他的模型评估指标，作为强化学习的回报，反馈给强化学习的智能体，如图2(c)所示；
S63,不断重复步骤S61和步骤S62，智能体将在不断的动作试探中，获得相应的回报；经过不断地迭代，最终获得好的回报的数学期望值，得到最终的决策，然后将得到的带有伪标签的样本序列加入区块链性能评测模型的训练中，如图2(d)所示，训练结束后获得新的区块链性能评测模型。通过基于强化学习的模型更新方法，可以适应更多未知的区块链系统。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，包括步骤：
S10,利用性能测试工具收集区块链性能数据，并将所收集的数据分为训练集、测试集和验证集；
S20,根据收集的区块链性能数据，结合影响区块链性能的因素，定义关于区块链性能的异构图的网络模式；将训练集的区块链性能数据按照网络模式生成异构图；
S30,根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，得到所有区块链节点的低维向量表示；
S40,将每个区块链节点的低维向量表示及其标签输入到多层感知机中进行多任务学习，得到基于深度异构图神经网络的区块链性能评测模型；
S50,将测试集数据输入到所述区块链性能评测模型，得到最终的区块链广泛共识性能评测结果。
2.根据权利要求1所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，所述区块链性能数据包括区块大小、共识算法类型和共识节点数量。
3.根据权利要求2所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，所述步骤S20中，区块链性能的异构图的网络模式，记为TG＝(A,R)，A为节点类型，R为边的类型，该网络模式类似星型分布，中间节点表示区块链，周围的节点是区块链的各个属性。
4.根据权利要求3所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，将训练集的区块链性能数据按照网络模式TG生成异构图，记为G＝(V,E)；其中，V表示异构图中所有节点，E表示异构图中所有边，异构图中的每一个节点、每一条边都在网络模式TG中有一个节点类型、一个边类型与之对应。
5.根据权利要求4所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，所述步骤S30中，根据建立的异构图，在其上进行中间节点即区块链节点的嵌入，包括步骤：
S31,将异构图中所有节点映射到同一高维空间中；
S32,通过在网络模式TG上定义元路径Mp、元图Mg找到区块链节点的邻居节点，将元路径和元图组成的集合记为M＝(Mp,Mg)，其中M1～M8∈Mp，M9～M10∈Mg；
S33,对于区块链节点c，在集合M中的一个元素Mi下的邻居节点集合记为
Figure FDA0002947353580000021
将这些邻居节点的信息聚合到节点c上，得到节点c在Mi下的聚合
Figure FDA0002947353580000022
其中
Figure FDA0002947353580000023
表示Mi的聚合函数，其作用是将邻居节点集合
Figure FDA0002947353580000024
中的所有元素按照相同的权重进行聚合；
S34,对于区块链节点c，在集合M中所有元素下的聚合的集合为
Figure FDA0002947353580000025
由于不同的Mi有着不同的重要性，因此在得到节点c的最终表示的时候，对
Figure FDA0002947353580000026
中的元素应按不同的权重mi进行聚合，在聚合函数f的作用下，最终得到节点c的低维向量表示为
Figure FDA0002947353580000027
S35,按照上述步骤S31-S34的方法对异构图中每一个区块链节点进行信息聚合，最终得到所有区块链节点的低维向量表示。
6.根据权利要求1所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，所述每个区块链节点的低维向量表示的标签包括吞吐量、最小延迟、最大延迟和平均延迟。
7.根据权利要求1所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，在所述区块链性能评测模型中损失函数定义为对不同任务的损失函数Li的动态加权
Figure FDA0002947353580000028
8.根据权利要求7所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，在所述区块链性能评测模型中采用Gradnorm梯度标准化方法进行权重调整。
9.根据权利要求1所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，还包括步骤S60,对区块链性能评测模型进行加强学习，利用新样本序列是否加入训练集中的决策判断，对区块链性能评测模型进行更新。
10.根据权利要求9所述的基于深度异构图神经网络的区块链广泛共识性能评测方法，其特征在于，在所述步骤S60中，对区块链性能评测模型进行加强学习，利用新样本序列是否加入训练集中的决策判断，对区块链性能评测模型进行更新，包括步骤：
S61,将区块链性能评测模型的参数作为强化学习的状态，经过一个多层感知机之后输出是否选择该新样本的概率分布，从中选择概率最大的作为当前强化学习的动作，即选择或不选择该样本加入区块链性能评测模型的训练中；如果选择该样本，首先需要将无标签的新区块链样本作为性能评测模型的输入，输出的预测结果作为该新区块链的伪标签，然后将这个新样本数据放入性能评测模型中进行模型的训练，如果不选择样本，则直接进入步骤S62，其中的模型保持为上一次训练结束的模型；
S62,将步骤S61训练出的新模型在验证集上的预测的结果，如准确率或其他的模型评估指标，作为强化学习的回报，反馈给强化学习的智能体；
S63,不断重复步骤S61和步骤S62，智能体将在不断的动作试探中，获得相应的回报；经过不断地迭代，最终获得好的回报的数学期望值，得到最终的决策，然后将得到的带有伪标签的样本序列加入区块链性能评测模型的训练中，训练结束后获得新的区块链性能评测模型。
CN202110198936.XA 2021-02-22 2021-02-22 基于深度异构图神经网络的区块链广泛共识性能评测方法 Active CN112860531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110198936.XA CN112860531B (zh) 2021-02-22 2021-02-22 基于深度异构图神经网络的区块链广泛共识性能评测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110198936.XA CN112860531B (zh) 2021-02-22 2021-02-22 基于深度异构图神经网络的区块链广泛共识性能评测方法

Publications (2)

Publication Number Publication Date
CN112860531A true CN112860531A (zh) 2021-05-28
CN112860531B CN112860531B (zh) 2022-11-25

Family

ID=75988568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110198936.XA Active CN112860531B (zh) 2021-02-22 2021-02-22 基于深度异构图神经网络的区块链广泛共识性能评测方法

Country Status (1)

Country Link
CN (1) CN112860531B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657896A (zh) * 2021-08-20 2021-11-16 成都链安科技有限公司 一种基于图神经网络的区块链交易拓扑图分析方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598824A (zh) * 2016-11-25 2017-04-26 深圳前海微众银行股份有限公司 区块链的性能分析方法及装置
CN108763058A (zh) * 2018-04-24 2018-11-06 苏州同济区块链研究院有限公司 一种区块链测评系统
CN109783364A (zh) * 2018-12-14 2019-05-21 深圳先进技术研究院 一种区块链性能测试系统及方法
US20190394113A1 (en) * 2018-06-25 2019-12-26 Blocktest Global Systems and methods to automatically evaluate blockchain-based solution performance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598824A (zh) * 2016-11-25 2017-04-26 深圳前海微众银行股份有限公司 区块链的性能分析方法及装置
CN108763058A (zh) * 2018-04-24 2018-11-06 苏州同济区块链研究院有限公司 一种区块链测评系统
US20190394113A1 (en) * 2018-06-25 2019-12-26 Blocktest Global Systems and methods to automatically evaluate blockchain-based solution performance
CN109783364A (zh) * 2018-12-14 2019-05-21 深圳先进技术研究院 一种区块链性能测试系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIN LIU 等: "Automatic blockchain whitepapers analysis via heterogeneous graph neural network", 《JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657896A (zh) * 2021-08-20 2021-11-16 成都链安科技有限公司 一种基于图神经网络的区块链交易拓扑图分析方法和装置

Also Published As

Publication number Publication date
CN112860531B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN111178456B (zh) 异常指标检测方法、装置、计算机设备和存储介质
CN107392259B (zh) 构建不均衡样本分类模型的方法和装置
CN108345670B (zh) 一种用于95598电力工单的服务热点发现方法
CN107360026B (zh) 分布式消息中间件性能预测与建模方法
CN110363427A (zh) 模型质量评估方法和装置
WO2021035412A1 (zh) 一种自动机器学习AutoML系统、方法及设备
WO2021045839A1 (en) Processor and method of weighted feature importance estimation
CN108228684A (zh) 聚类模型的训练方法、装置、电子设备和计算机存储介质
CN117234301A (zh) 一种基于人工智能的服务器热管理方法
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
CN115562940A (zh) 负载能耗监控方法、装置、介质及电子设备
US10248462B2 (en) Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program
CN112860531B (zh) 基于深度异构图神经网络的区块链广泛共识性能评测方法
WO2021134810A1 (zh) 支撑点并行枚举负载均衡方法、装置、设备及介质
CN111858267A (zh) 预警方法、装置、电子设备及存储介质
WO2023224742A1 (en) Predicting runtime variation in big data analytics
Tiwari et al. Identification of critical parameters for MapReduce energy efficiency using statistical Design of Experiments
Stefanini et al. A Deep Learning based approach to VM behavior identification in cloud systems
Wu et al. Learning deep networks with crowdsourcing for relevance evaluation
EP4080789A1 (en) Enhanced uncertainty management for optical communication systems
US11915060B2 (en) Graphics processing management system
JP2023101234A (ja) クラウドアプリケーションデプロイ装置およびクラウドアプリケーションデプロイ方法
CN112070162A (zh) 多类别处理任务训练样本构建方法、设备及介质
Fan et al. Performance prediction of network-intensive systems in cloud environment: a Bayesian approach
Zhang et al. EAIBench: An Energy Efficiency Benchmark for AI Training

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