CN116094941A - 基于共识合作超网络模型的共识方法、系统、介质、电子设备 - Google Patents

基于共识合作超网络模型的共识方法、系统、介质、电子设备 Download PDF

Info

Publication number
CN116094941A
CN116094941A CN202310341776.9A CN202310341776A CN116094941A CN 116094941 A CN116094941 A CN 116094941A CN 202310341776 A CN202310341776 A CN 202310341776A CN 116094941 A CN116094941 A CN 116094941A
Authority
CN
China
Prior art keywords
information
consensus
node
super
model
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
CN202310341776.9A
Other languages
English (en)
Inventor
王君
刘益东
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.)
Shanghai Mdata Information Technology Co ltd
Original Assignee
Shanghai Mdata Information Technology 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 Shanghai Mdata Information Technology Co ltd filed Critical Shanghai Mdata Information Technology Co ltd
Priority to CN202310341776.9A priority Critical patent/CN116094941A/zh
Publication of CN116094941A publication Critical patent/CN116094941A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于共识合作超网络模型的共识方法、系统、介质、电子设备，所述方法包括：构建局域非均匀演化超网络模型；对所述局域非均匀演化超网络模型进行拓扑性质分析；由所述局域非均匀演化超网络模型构建信息传播模型；对所述信息传播模型进行信息扩散特征评价；基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。本发明的基于共识合作超网络模型的共识方法、系统、介质、电子设备基于超图来构建区块链共识机制的合作超网络模型，进而实现有效的共识。

Description

基于共识合作超网络模型的共识方法、系统、介质、电子设备
技术领域
本发明涉及区块链和网络模型的技术领域，特别是涉及一种基于共识合作超网络模型的共识方法、系统、介质、电子设备。
背景技术
在区块链分布式系统中，用户不必信任任何人，嵌入在网络中的协议规则保证了公共总账的状态始终随着大众的共识而更新。共识机制通过激励好的行为，甚至在某些情况下惩罚作恶者，让更多人都积极参与整个进程。此外，通过分布式赋权确保区块链节点的对等性，实现公平与公正。在计算领域，区块链共识机制确保网络是有容错机制的，即单节点的故障不影响全局，实现系统可靠性和一致性。通过区块链网络达成的共识合作能够用超网络进行刻画。
现有技术中，针对区块链网络共识方法及系统，相关专利涉及的网络构建主要基于普通单部分网络进行。如中国专利CN202111193831.1公开了一种提高区块链网络安全性的共识方法及系统，所述方法将区块链网路中的节点分为信任节点、监督节点、管理节点、一般节点。中国专利CN202111164831.9公开了一种区块链的共识方法及区块链，所述方法基于区块链的共识主节点在所述区块链触发预先设置的共识调控机制时，基于所述区块链的网络状态指标，设置由所述共识主节点待连续发起的指定轮数的共识提议的时控阈值。中国专利CN202011386575.3还公开了一种基于区块链节点中心度弹性调整共识的方法及装置，所述方法计算区块链网络中某节点能够直接连接的节点数量；判断直连节点数量是否超过阈值，若超过阈值则区块链网络启动拜占庭容错（Byzantine Fault Tolerance，BFT）共识，否则启动故障容错（Crash Fault Tolerance，CFT）共识。
上述区块链共识达成是在普通单部分网络上进行计算的。单部分网络是由节点和连接两个节点之间的边构成。其中节点用来表示复杂系统中不同的研究对象。两个节点之间具有某种特定的关系，则两点之间连边表示。随着区块链网络规模的日益扩大和连接的复杂多变，出现了许多超大规模的区块链网络。这些网络节点和边的数量众多，节点间的关系复杂，并且处在不断动态变化之中。复杂区块链网络的普通图表示有时不能完全刻画这些真实世界网络的特征。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于共识合作超网络模型的共识方法、系统、介质、电子设备，基于超图来构建区块链共识机制的合作超网络模型，进而实现有效的共识。
第一方面，本发明提供一种基于共识合作超网络模型的共识方法，所述方法包括以下步骤：构建局域非均匀演化超网络模型；对所述局域非均匀演化超网络模型进行拓扑性质分析；基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型；对所述信息传播模型进行信息扩散特征评价；基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制；对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
在第一方面的一种实现方式中，构建局域非均匀演化超网络模型包括以下步骤：
假设初始时超网络中有
Figure SMS_1
个节点和
Figure SMS_2
条超边；
每一时间步，从当前的超网络中随机选择
Figure SMS_3
个节点作为新增节点的局域世界，其中
Figure SMS_4
；
在 t 时间步，增加一个新的节点，所述新的节点与局域世界中
Figure SMS_5
个节点结合生成一条新的超边，其中
Figure SMS_6
是服从均值为m的均匀分布；
从当前的局域世界中按照概率择优选取
Figure SMS_7
个节点，与所述新的节点结合生成一条新超边，节点i被选取的概率等于节点i的超度与局域世界中所有的节点的超度总和之比。
在第一方面的一种实现方式中，对所述局域非均匀演化超网络模型进行拓扑性质分析包括以下步骤：
对所述局域非均匀演化超网络模型进行节点超度分析；
对所述局域非均匀演化超网络模型进行超度分布分析；
对所述局域非均匀演化超网络模型进行超边度分析。
在第一方面的一种实现方式中，所述信息传播模型中，假定节点i是信息传播者，以概率
Figure SMS_8
择优选择节点i的邻居节点 j作为信息接受者，其中
Figure SMS_9
为节点i与节点 j之间的合作次数；
当节点i进行传播时，节点i的信息量不会有任何损失，而节点 j的信息量为
Figure SMS_10
，其中，
Figure SMS_11
是节点 j的信息吸收率；
如果节点i在t时刻进行自我更新，则节点i的信息量增长为
Figure SMS_12
，其中
Figure SMS_13
是节点i的自我更新能力。
在第一方面的一种实现方式中，对所述信息传播模型进行信息扩散特征评价包括以下步骤：
计算所述信息传播模型的整体的平均信息存量
Figure SMS_14
，其中
Figure SMS_15
表示个体i在时间步t的信息存量，N表示个体数量，S表示个体集合；
计算所述信息传播模型的信息方差
Figure SMS_16
；
计算所述信息传播模型的信息变异系数
Figure SMS_17
。
在第一方面的一种实现方式中，基于所述信息传播模型构建HDPH模型包括以下步骤：
假设初始时的超网络中有
Figure SMS_18
个节点和
Figure SMS_19
条超边，每个节点拥有一定的信息量；
每一时间步，从当前的超网络中随机选取
Figure SMS_20
个节点作为新增节点的局域世界，其中
Figure SMS_21
；
在t时间步，增加一个新的节点和局域世界中
Figure SMS_22
个节点结合生成的一条新的超边，其中
Figure SMS_23
服从均值为m的均匀分布，所述新的节点的信息量赋初值为 1 到 5 之间的随机数；
从局域世界中按照概率择优选取
Figure SMS_24
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率等于节点i的超度与局域世界中所有的节点 j的超度总和之比；
设定每条新增超边
Figure SMS_25
创造的信息量为
Figure SMS_26
，其中A表示综合创造水平，K表示超边
Figure SMS_27
所包含的节点的平均信息量，
Figure SMS_28
为弹性系数；节点 j的信息量的变化为
Figure SMS_29
，其中L表示超边
Figure SMS_30
所包含的节点数目，
Figure SMS_31
表示t时刻节点j的信息量。
在第一方面的一种实现方式中，基于所述信息传播模型构建KSPH模型包括以下步骤：
假设初始时超网络中有
Figure SMS_32
个节点和
Figure SMS_33
条超边，每个节点拥有一定的信息量；
每一时间步，从当前的超网络中随机选取
Figure SMS_34
个节点作为新增节点的局域世界，其中
Figure SMS_35
；
在t时间步，增加一个新的节点和局域世界中
Figure SMS_36
个节点结合生成一条新的超边，其中
Figure SMS_37
服从均值为m的均匀分布，每个新的节点 j的信息量赋初值为 1 到 5 之间的随机数；
从局域世界中按照概率择优选取
Figure SMS_38
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率等于节点i的信息量与局域世界中所有的节点 j的信息量总和之比；
设定每条新增超边
Figure SMS_39
创造的信息量为
Figure SMS_40
，其中A表示综合创造水平，K表示超边
Figure SMS_41
所包含的节点的平均信息量，
Figure SMS_42
为弹性系数；节点 j的信息量的变化为
Figure SMS_43
，其中L表示超边
Figure SMS_44
所包含的节点数目，
Figure SMS_45
表示的是t时刻节点j的信息量。
第二方面，本发明提供一种基于共识合作超网络模型的共识系统，所述系统包括第一构建模块、第一分析模块、第二构建模块、评价模块、第三构建模块和共识模块；
所述第一构建模块用于构建局域非均匀演化超网络模型；
所述第一分析模块用于对所述局域非均匀演化超网络模型进行拓扑性质分析；
所述第二构建模块用于基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型；
所述评价模块用于对所述信息传播模型进行信息扩散特征评价；
所述第三构建模块用于基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制；
所述共识模块用于对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
第三方面，本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于共识合作超网络模型的共识方法。
第四方面，本发明提供一种电子设备，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的基于共识合作超网络模型的共识方法。
如上所述，本发明的基于共识合作超网络模型的共识方法、系统、介质、电子设备，具有以下有益效果。
（1）基于超图来构建区块链共识机制的合作超网络模型，进而实现有效的共识。
（2）能够完全刻画这些真实世界网络的特征，满足实际的应用需求。
附图说明
图1显示为本发明的基于共识合作超网络模型的共识方法于一实施例中的流程图。
图2显示为本发明的局域非均匀演化超网络模型于一实施例中的演化过程示意图。
图3显示为本发明的HDPH模型于一实施例中的演化过程示意图。
图4显示为本发明的KSPH模型于一实施例中的演化过程示意图。
图5显示为本发明的基于共识合作超网络模型的共识系统于一实施例中的结构示意图。
图6显示为本发明的电子设备于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
超网络的拓扑结构是超图。超图中的“超边”不同于普通图中的“边”。“超边”可以包含任意多个节点，表示节点之间复杂多变的多维关系。本发明的基于共识合作超网络模型的共识方法、系统、介质、电子设备基于超图来构建区块链共识机制的合作超网络模型，进而实现有效的共识，极具实用性。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细描述。
如图1所示，于一实施例中，本发明的基于共识合作超网络模型的共识方法包括以下步骤。
步骤S1、构建局域非均匀演化超网络模型。
具体地，所述局域非均匀演化超网络模型（LWH模型）考虑了通常是在自身的局域世界中寻找合作者以及每次合作的区块链节点数目不尽相同等情况，引入了超边非均匀增长和局域世界的优先连接机制。设定在超网络演化机制下生成的复杂网络
Figure SMS_46
，节点集
Figure SMS_47
和边集
Figure SMS_48
，其中n是边数。
于一实施例中，构建局域非均匀演化超网络模型包括以下步骤。
11）假设初始时超网络中有
Figure SMS_49
个节点和
Figure SMS_50
条超边。
12）每一时间步，从当前的超网络中随机选择
Figure SMS_51
个节点作为新增节点的局域世界，其中
Figure SMS_52
。
13）在 t 时间步，增加一个新的节点，所述新的节点与局域世界中
Figure SMS_53
个节点结合生成一条新的超边，其中
Figure SMS_54
是服从均值为m的均匀分布，即
Figure SMS_55
，从而实现超边非均匀增长。
14）从当前的局域世界中按照概率择优选取
Figure SMS_56
个节点，与所述新的节点结合生成一条新超边，节点i被选取的概率
Figure SMS_57
等于节点i的超度
Figure SMS_58
与局域世界中所有的节点
Figure SMS_59
的超度总和
Figure SMS_60
之比，即
Figure SMS_61
。其中L表示局域世界中的节点集，节点i的超度
Figure SMS_62
定义为连接节点i的超边数。
步骤S2、对所述局域非均匀演化超网络模型进行拓扑性质分析。
具体地，对所述局域非均匀演化超网络模型的分析主要从节点超度、超度分布、超边度等方面进行，并就每个方面做两组实验分别研究局域世界规模M和选取节点数的均值m对于LWH超网络结构的统计特性的影响。
于一实施例中，对所述局域非均匀演化超网络模型进行拓扑性质分析包括以下步骤。
21）对所述局域非均匀演化超网络模型进行节点超度分析。其中超图的节点超度为包含该节点的超边数目，记为
Figure SMS_63
。在超图的关联矩阵
Figure SMS_64
中，节点超度即是对应的行中非零元素的数目，即
Figure SMS_65
。在超图中，节点的超度越大，也意味着这个节点在整个网络中的地位越重要。
所有节点超度的平均值称为超网络的平均超度，用于描述整个网络的性质，记为
Figure SMS_66
，即
Figure SMS_67
，其中，
Figure SMS_68
为节点i的点超度，
Figure SMS_69
为超网络中节点的总数。
22）对所述局域非均匀演化超网络模型进行超度分布分析。
其中，网络中节点的超度分布情况可用分布函数
Figure SMS_71
来描述，
Figure SMS_73
表示网络中超度为
Figure SMS_75
的节点在整个网络中所占的比例。也就是说，在网络中随机抽取到度为
Figure SMS_72
的节点的概率为
Figure SMS_74
。一般而言，可以用一个直方图描述网络的超度分布（Hyperdegreedistribution）性质
Figure SMS_76
，其中，
Figure SMS_77
表示超度为
Figure SMS_70
的节点个数。
23）对所述局域非均匀演化超网络模型进行超边度分析。
其中，超网络中还需要研究超边之间的关系。同一节点可能在多条超边中出现，借助于公共节点，将超边连接起来。超图
Figure SMS_78
的超边度为超边所邻接的其他超边的数目，即与该超边至少存在1个公共节点的超边数，记为
Figure SMS_79
。在超图的关联矩阵
Figure SMS_80
中，超边度即是与对应的列非正交的列数目，即
Figure SMS_81
。
超边间关系还可以用超边重叠度（或超边密度）刻画，其定义为
Figure SMS_82
，其中，
Figure SMS_83
为该节点直接连接的其它节点数，
Figure SMS_84
和
Figure SMS_85
分别为最大连接数和最小连接数。
步骤S3、基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型。
具体地，超网络中每个节点
Figure SMS_86
都拥有一定的信息量。
Figure SMS_87
表示节点i在时间t时刻的信息量。在超网络中，只有相邻的节点才能进行信息交互。当节点i与节点j进行交互时，会产生一个学习效应，即信息水平较低的接受者会从信息水平较高的传播者处获得新信息，并且信息传播者不会有任何损失。
所述信息传播模型中，引入了信息择优传播机制。假定节点i是信息传播者，以概率
Figure SMS_88
择优选择节点i的邻居节点 j作为信息接受者，其中
Figure SMS_89
为节点i与节点 j之间的合作次数。
在每一时间步，本发明随机选取节点i作为信息传播者，以概率
Figure SMS_90
择优选择节点i的邻居节点 j作为信息接受者。当节点i进行传播时，节点i的信息量不会有任何损失，而节点 j的信息量为
Figure SMS_91
，其中，
Figure SMS_92
是节点 j的信息吸收率。一般认为，一个人的信息吸收率取决于他所发表的论文数。这是因为一个人发表的论文数越多，表明他拥有的信息就越多，从而对新信息的吸收能力也就越强。因此，本发明假设
Figure SMS_93
，其中
Figure SMS_94
是节点 j的超度。在复杂网络中，
Figure SMS_95
服从[0, 0.5]上独立的随机均匀分布。
如果节点i在t时刻进行自我更新，则节点i的信息量增长为
Figure SMS_96
，其中
Figure SMS_97
是节点i的自我更新能力，即自学能力。
步骤S4、对所述信息传播模型进行信息扩散特征评价。
具体地，通过运用平均信息存量
Figure SMS_98
、信息存量方差
Figure SMS_99
和方差系数
Figure SMS_100
来衡量信息增长与传播的效果，并做了三组对比性实验分别研究了网络结构、超网络规模以及信息演化机制对于信息传播效果的影响。
于一实施例中，对所述信息传播模型进行信息扩散特征评价包括以下步骤。
41）计算所述信息传播模型的整体的平均信息存量
Figure SMS_101
，其中
Figure SMS_102
表示个体i在时间步t的信息存量，N表示个体数量，S表示个体集合。该指标可用来衡量系统中信息增长的效率。
42）计算所述信息传播模型的信息方差
Figure SMS_103
。在某种程度上来说，信息传播的目的就是为了缩小各节点间的信息差异。信息方差就能够用来衡量节点间信息存量差异性的程度。
43）计算所述信息传播模型的信息变异系数
Figure SMS_104
。变异系数的值越大，表明节点间信息存量的差异性也越大；相反，变异系数的值越小，表明节点间的信息存量就越相似。
步骤S5、基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制。
具体地，HDPH模型和KSPH模型将超网络的结构演化和信息创造过程结合在一起。HDPH模型采用了超边非均匀增长和超度择优连接的机制，创造的信息量由所有参与者均分。KSPH模型采用了超边非均匀增长和信息量择优连接的机制；创造的信息量在所有参与者中进行分配，参与者分配到的信息量与其自身所拥有的信息量成正比。
于一实施例中，基于所述信息传播模型构建HDPH模型包括以下步骤。
51a）假设初始时的超网络中有
Figure SMS_105
个节点和
Figure SMS_106
条超边，每个节点拥有一定的信息量。
52a）每一时间步，从当前的超网络中随机选取
Figure SMS_107
个节点作为新增节点的局域世界，其中
Figure SMS_108
。
53a）在t时间步，增加一个新的节点和局域世界中
Figure SMS_109
个节点结合生成的一条新的超边，其中
Figure SMS_110
服从均值为m的均匀分布，即
Figure SMS_111
。所述新的节点的信息量赋初值为 1到 5 之间的随机数，即
Figure SMS_112
。
54a）从局域世界中按照概率择优选取
Figure SMS_113
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率
Figure SMS_114
等于节点i的超度
Figure SMS_115
与局域世界中所有的节点 j的超度
Figure SMS_116
总和之比，即
Figure SMS_117
。其中Local表示局域世界中的节点集，节点i的超度
Figure SMS_118
定义为连接节点i的超边。
55a）设定每条新增超边
Figure SMS_121
创造的信息量为
Figure SMS_127
，其中A表示综合创造水平，K表示超边
Figure SMS_128
所包含的节点的平均信息量，
Figure SMS_120
为弹性系数；节点 j的信息量的变化为
Figure SMS_124
，其中L表示超边所包含的节点数目，
Figure SMS_125
表示t时刻节点j的信息量。经过t时间步后，超网络中有（
Figure SMS_126
）个节点和（
Figure SMS_119
）条超边，超网络中总的信息量为
Figure SMS_122
，信息量的概率分布为
Figure SMS_123
。
于一实施例中，基于所述信息传播模型构建KSPH模型包括以下步骤。
51b）假设初始时超网络中有
Figure SMS_129
个节点和
Figure SMS_130
条超边，每个节点拥有一定的信息量。
52b）每一时间步，从当前的超网络中随机选取
Figure SMS_131
个节点作为新增节点的局域世界，其中
Figure SMS_132
。
53b）在t时间步，增加一个新的节点和局域世界中
Figure SMS_133
个节点结合生成一条新的超边，其中
Figure SMS_134
服从均值为m的均匀分布，即
Figure SMS_135
。每新的节点 j的信息量赋初值为 1 到 5之间的随机数，即
Figure SMS_136
。
54b）从局域世界中按照概率择优选取
Figure SMS_137
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率
Figure SMS_138
等于节点i的信息量与局域世界中所有的节点 j的信息量
Figure SMS_139
总和之比，即
Figure SMS_140
，其中Local表示局域世界中的节点集，节点i的超度
Figure SMS_141
定义为连接节点i的超边。
55b）设定每条新增超边
Figure SMS_144
创造的信息量为
Figure SMS_146
，其中A表示综合创造水平，K表示超边所包含的节点的平均信息量，
Figure SMS_149
为弹性系数；节点 j的信息量的变化为
Figure SMS_143
，其中L表示超边
Figure SMS_147
所包含的节点数目，
Figure SMS_150
表示的是t时刻节点 j的信息量。经过t时间步后，超网络中有（
Figure SMS_151
）个节点和（
Figure SMS_142
）条超边，超网络中总的信息量为
Figure SMS_145
，信息量的概率分布为
Figure SMS_148
。
步骤S6、对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
如图2-图4所示，从信息总量、信息量分布以及超度分布三个方面进行模拟分析，并根据设定阈值执行共识机制。
本发明实施例所述的基于共识合作超网络模型的共识方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明实施例还提供一种基于共识合作超网络模型的共识系统，所述基于共识合作超网络模型的共识系统可以实现本发明所述的基于共识合作超网络模型的共识方法，但本发明所述的基于共识合作超网络模型的共识系统的实现装置包括但不限于本实施例列举的基于共识合作超网络模型的共识系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
如图5所示，于一实施例中，本发明的基于共识合作超网络模型的共识系统包括第一构建模块51、第一分析模块52、第二构建模块53、评价模块54、第三构建模块55和共识模块56。
所述第一构建模块51用于构建局域非均匀演化超网络模型。
所述第一分析模块52与所述第一构建模块51相连，用于对所述局域非均匀演化超网络模型进行拓扑性质分析。
所述第二构建模块53与所述第一分析模块52相连，用于基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型。
所述评价模块54与所述第二构建模块53相连，用于对所述信息传播模型进行信息扩散特征评价。
所述第三构建模块55与所述评价模块54相连，用于基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制。
所述共识模块56与所述第三构建模块55相连，用于对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
其中，第一构建模块51、第一分析模块52、第二构建模块53、评价模块54、第三构建模块55和共识模块56的结构和原理与上述基于共识合作超网络模型的共识方法中的步骤一一对应，故在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本发明实施例的目的。例如，在本发明各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的基于共识合作超网络模型的共识方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性（non-transitory）介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带（magnetic tape），软盘（floppy disk），光盘（optical disc）及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（digital video disc，DVD））、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。
本发明实施例还提供了一种电子设备。所述电子设备包括处理器和存储器。
所述存储器用于存储计算机程序。
所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的基于共识合作超网络模型的共识方法。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
如图6所示，本发明的电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元61，存储器62，连接不同系统组件（包括存储器62和处理单元61）的总线63。
总线63表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器62可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）621和/或高速缓存存储器622。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统623可以用于读写不可移动的、非易失性磁介质（图6未显示，通常称为“硬盘驱动器”）。尽管图6中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM ，DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线63相连。存储器62可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块6241的程序/实用工具624，可以存储在例如存储器62中，这样的程序模块6241包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块6241通常执行本发明所描述的实施例中的功能和/或方法。
电子设备也可以与一个或多个外部设备（例如键盘、指向设备、显示器等）通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口64进行。并且，电子设备还可以通过网络适配器65与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图6所示，网络适配器65通过总线63与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于共识合作超网络模型的共识方法，其特征在于：所述方法包括以下步骤：
构建局域非均匀演化超网络模型；
对所述局域非均匀演化超网络模型进行拓扑性质分析；
基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型；
对所述信息传播模型进行信息扩散特征评价；
基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制；
对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
2.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：构建局域非均匀演化超网络模型包括以下步骤：
假设初始时超网络中有
Figure QLYQS_1
个节点和
Figure QLYQS_2
条超边；
每一时间步，从当前的超网络中随机选择
Figure QLYQS_3
个节点作为新增节点的局域世界，其中
Figure QLYQS_4
；
在 t 时间步，增加一个新的节点，所述新的节点与局域世界中
Figure QLYQS_5
个节点结合生成一条新的超边，其中
Figure QLYQS_6
是服从均值为m的均匀分布；
从当前的局域世界中按照概率择优选取
Figure QLYQS_7
个节点，与所述新的节点结合生成一条新超边，节点i被选取的概率等于节点i的超度与局域世界中所有的节点的超度总和之比。
3.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：对所述局域非均匀演化超网络模型进行拓扑性质分析包括以下步骤：
对所述局域非均匀演化超网络模型进行节点超度分析；
对所述局域非均匀演化超网络模型进行超度分布分析；
对所述局域非均匀演化超网络模型进行超边度分析。
4.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：所述信息传播模型中，假定节点i是信息传播者，以概率
Figure QLYQS_8
择优选择节点i的邻居节点 j作为信息接受者，其中
Figure QLYQS_9
为节点i与节点 j之间的合作次数；
当节点i进行传播时，节点i的信息量不会有任何损失，而节点 j的信息量为
Figure QLYQS_10
，其中，
Figure QLYQS_11
是节点 j的信息吸收率；
如果节点i在t时刻进行自我更新，则节点i的信息量增长为
Figure QLYQS_12
，其中
Figure QLYQS_13
是节点i的自我更新能力。
5.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：对所述信息传播模型进行信息扩散特征评价包括以下步骤：
计算所述信息传播模型的整体的平均信息存量
Figure QLYQS_14
，其中
Figure QLYQS_15
表示个体i在时间步t的信息存量，N表示个体数量，S表示个体集合；
计算所述信息传播模型的信息方差
Figure QLYQS_16
；
计算所述信息传播模型的信息变异系数
Figure QLYQS_17
。
6.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：基于所述信息传播模型构建HDPH模型包括以下步骤：
假设初始时的超网络中有
Figure QLYQS_18
个节点和
Figure QLYQS_19
条超边，每个节点拥有一定的信息量；
每一时间步，从当前的超网络中随机选取
Figure QLYQS_20
个节点作为新增节点的局域世界，其中
Figure QLYQS_21
；
在t时间步，增加一个新的节点和局域世界中
Figure QLYQS_22
个节点结合生成的一条新的超边，其中
Figure QLYQS_23
服从均值为m的均匀分布，所述新的节点的信息量赋初值为 1 到 5 之间的随机数；
从局域世界中按照概率择优选取
Figure QLYQS_24
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率等于节点i的超度与局域世界中所有的节点 j的超度总和之比；
设定每条新增超边
Figure QLYQS_25
创造的信息量为
Figure QLYQS_26
，其中 A表示综合创造水平，K表示超边
Figure QLYQS_27
所包含的节点的平均信息量，
Figure QLYQS_28
为弹性系数；节点 j的信息量的变化为
Figure QLYQS_29
，其中L表示超边
Figure QLYQS_30
所包含的节点数目，
Figure QLYQS_31
表示t时刻节点 j的信息量。
7.根据权利要求1所述的基于共识合作超网络模型的共识方法，其特征在于：基于所述信息传播模型构建KSPH模型包括以下步骤：
假设初始时超网络中有
Figure QLYQS_32
个节点和
Figure QLYQS_33
条超边，每个节点拥有一定的信息量；
每一时间步，从当前的超网络中随机选取
Figure QLYQS_34
个节点作为新增节点的局域世界，其中
Figure QLYQS_35
；
在t时间步，增加一个新的节点和局域世界中
Figure QLYQS_36
个节点结合生成一条新的超边，其中
Figure QLYQS_37
服从均值为m的均匀分布，每个新的节点 j的信息量赋初值为 1 到 5 之间的随机数；
从局域世界中按照概率择优选取
Figure QLYQS_38
个节点，与所述新的节点结合生成超边；每次节点i被选取的概率等于节点i的信息量与局域世界中所有的节点 j的信息量总和之比；
设定每条新增超边
Figure QLYQS_39
创造的信息量为
Figure QLYQS_40
，其中 A表示综合创造水平，K表示超边
Figure QLYQS_41
所包含的节点的平均信息量，
Figure QLYQS_42
为弹性系数；节点 j的信息量的变化为
Figure QLYQS_43
，其中L表示超边
Figure QLYQS_44
所包含的节点数目，
Figure QLYQS_45
表示的是t时刻节点j的信息量。
8.一种基于共识合作超网络模型的共识系统，其特征在于：所述系统包括第一构建模块、第一分析模块、第二构建模块、评价模块、第三构建模块和共识模块；
所述第一构建模块用于构建局域非均匀演化超网络模型；
所述第一分析模块用于对所述局域非均匀演化超网络模型进行拓扑性质分析；
所述第二构建模块用于基于信息择优传播机制，由所述局域非均匀演化超网络模型构建信息传播模型；
所述评价模块用于对所述信息传播模型进行信息扩散特征评价；
所述第三构建模块用于基于所述信息传播模型构建两个共识合作超网络模型HDPH模型和KSPH模型；所述HDPH模型采用超边非均匀增长和超度择优连接机制，所述KSPH模型采用超边非均匀增长和信息量择优连接机制；
所述共识模块用于对所述两个共识合作超网络模型进行数值模拟，对信息量达到预设阈值的节点执行共识机制。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述的基于共识合作超网络模型的共识方法。
10.一种电子设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行权利要求1至7中任一项所述的基于共识合作超网络模型的共识方法。
CN202310341776.9A 2023-04-03 2023-04-03 基于共识合作超网络模型的共识方法、系统、介质、电子设备 Pending CN116094941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341776.9A CN116094941A (zh) 2023-04-03 2023-04-03 基于共识合作超网络模型的共识方法、系统、介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341776.9A CN116094941A (zh) 2023-04-03 2023-04-03 基于共识合作超网络模型的共识方法、系统、介质、电子设备

Publications (1)

Publication Number Publication Date
CN116094941A true CN116094941A (zh) 2023-05-09

Family

ID=86199493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341776.9A Pending CN116094941A (zh) 2023-04-03 2023-04-03 基于共识合作超网络模型的共识方法、系统、介质、电子设备

Country Status (1)

Country Link
CN (1) CN116094941A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116915626A (zh) * 2023-07-24 2023-10-20 青海师范大学 一种k-均匀超网络同步能力的评估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10178120B1 (en) * 2015-07-23 2019-01-08 Hrl Laboratories, Llc Method for determining contagion dynamics on a multilayer network
CN115396322A (zh) * 2022-07-19 2022-11-25 岭南师范学院 一种基于层介数连边策略的指挥控制超网络建模方法
CN115391963A (zh) * 2022-08-19 2022-11-25 青海师范大学 基于超边内部结构的随机超网络鲁棒性研究方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10178120B1 (en) * 2015-07-23 2019-01-08 Hrl Laboratories, Llc Method for determining contagion dynamics on a multilayer network
CN115396322A (zh) * 2022-07-19 2022-11-25 岭南师范学院 一种基于层介数连边策略的指挥控制超网络建模方法
CN115391963A (zh) * 2022-08-19 2022-11-25 青海师范大学 基于超边内部结构的随机超网络鲁棒性研究方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨光勇: "科研合作超网络模型的构建及其应用研究", 硕士电子期刊 *
雒海东;胡枫;: "超网络的模型及性质", 青海师范大学学报(自然科学版), no. 02, pages 11 - 16 *
马宁，刘怡君: "基于超网络的舆论领袖识别应用研究", 中国科学院院刊, vol. 27, no. 5, pages 586 - 593 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116915626A (zh) * 2023-07-24 2023-10-20 青海师范大学 一种k-均匀超网络同步能力的评估方法及系统
CN116915626B (zh) * 2023-07-24 2024-04-19 青海师范大学 一种k-均匀超网络同步能力的评估方法及系统

Similar Documents

Publication Publication Date Title
Yang et al. Reputation-based investment strategy promotes cooperation in public goods games
Makki et al. Evolutionary algorithms for generating urban morphology: Variations and multiple objectives
Aldous Interacting particle systems as stochastic social dynamics
Trapman On analytical approaches to epidemics on networks
Kan et al. An adaptive bounded-confidence model of opinion dynamics on networks
Wang et al. Cascading failures and the emergence of cooperation in evolutionary-game based models of social and economical networks
Bebortta et al. Evidence of power-law behavior in cognitive IoT applications
Page On incentives and updating in agent based models
CN115358487A (zh) 面向电力数据共享的联邦学习聚合优化系统及方法
CN116094941A (zh) 基于共识合作超网络模型的共识方法、系统、介质、电子设备
Doebeli et al. Boom-bust population dynamics increase diversity in evolving competitive communities
CN113269652A (zh) 基于从众心理的超图影响力传播方法及影响力最大化方法
Wagner Communication and structured correlation
CN109710403B (zh) 应用进程映射方法、电子装置及计算机可读存储介质
CN110851282B (zh) 一种基于内存网格的分布式数据计算方法及系统
Shirvani et al. On enhancing the object migration automaton using the pursuit paradigm
Yang et al. Heterogeneous donation game in geographical small-world networks
Bullock et al. Agent heterogeneity mediates extremism in an adaptive social network model
CN115907015A (zh) 多任务传播网络推断方法、装置、设备及可读存储介质
Jiang Neumann-Morgenstern stable set of a finite static strategy game
CN107623586B (zh) 网络链路预测方法及装置
CN112507185A (zh) 用户肖像的确定方法和装置
Shao et al. The GIC for model selection: a hypothesis testing approach
Bartków et al. Modeling the impact of the habituation effect on information spreading processes with repeated contacts under an SI model
CN116166202B (zh) 一种大数据环境下的副本放置方法、装置、设备及介质

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

Application publication date: 20230509