CN110427433B - 一种区块链共识方法和存储介质 - Google Patents
一种区块链共识方法和存储介质 Download PDFInfo
- Publication number
- CN110427433B CN110427433B CN201910730924.XA CN201910730924A CN110427433B CN 110427433 B CN110427433 B CN 110427433B CN 201910730924 A CN201910730924 A CN 201910730924A CN 110427433 B CN110427433 B CN 110427433B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- score
- historical credit
- reference value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/273—Asynchronous replication or reconciliation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明针对现有的共识算法存在的不能兼顾共识效率、去中心化、能耗的问题,提供了一种区块链共识方法,包括以下步骤:基于深度学习算法建立机器学习节点群;基于机器学习节点群中的各个节点对区块链上所有节点的历史信用度进行评分;对区块链上各个节点历史信用度评分进行由高到低的排名,从排名最高开始,依次筛选数量不大于20%的节点作为主节点;主节点在生成周期内按顺序生成新区块;在生成周期到期后,释放所有主节点使其成为非主节点。本发明的有益效果为:提高了产生区块的效率,特别适合应用于节点数规模可控、要求高并发和高吞吐量的联盟链、私链集群节点,同时具备安全、耗能低等特点。
Description
技术领域
本发明属于区块链共识技术领域,具体涉及一种区块链共识方法和存储介质。
背景技术
所谓共识,简单理解就是达成一致的意思。在现实生活中,有很多需要达成共识的场景,比如开会讨论,双方或多方签订一份合作协议。但在区块链***中,每个节点必须要做的事情就是让自己的数据跟其他节点的数据保持一致。如果是在传统的数据结构中,这是很容易实现的因为有一个中心服务器存在,也就是所谓的主库,其他的从库与主库同步就行。但是区块链是一个分布式的对等网络结构,在这个结构中没有哪个节点是“老大”,一切都要商量着来。所以在区块链***中,如何让每个节点将各自的数据保持一致是一个很核心的问题。
目前解决该问题的方法有:POW共识算法,以比特币、以太坊为应用代表,其特点是使用机器算力解决计算难题,作为工作证明从而产生记账区块,该算法适用于大型公链应用;
POS共识算法,引入了CoinAges(币龄)概念,共识效率高于POW,但可能导致首富账户权利过大,支配记账权;
DPoS(delegated proof of stake,委托权益证明),投票选出N名见证人节点(101个),参与交易和验证,依次轮换,特点是通过弱化去中心化,提高共识效率;
PBFT(Practical Byzantine Fault Tolerance,实用拜占庭容错算法),适用于强一致性有要求的私有链和联盟链。
而随着科技的发展区块链数据处理量不断的增加,对于要求高并发和高吞吐量的联盟链、私链集群节点无论是从共识效率、去中心化、耗能等方面上述传统共识方法已经不能胜任。
发明内容
为了解决现有技术存在的不能有效提高共识效率、去中心化、能耗等问题,本发明提供了一种区块链共识方法,其具有共识效率高的同时兼顾去中心化能耗等特点。
根据本发明的具体实施方式的一种区块链共识方法,包括:
基于深度学习算法建立机器学习节点群;
基于机器学习节点群中的各个节点对区块链上所有节点的历史信用度进行评分;
对区块链上各个节点历史信用度评分进行由高到低的排名,从排名最高开始,依次筛选数量不大于20%的节点作为主节点;
所述主节点在生成周期内按顺序生成新区块;
在所述生成周期到期后,释放所有所述主节点使其成为非主节点。
进一步的,采用的深度学习算法为梯度下降算法。
进一步的,所述机器学习节点群中节点的数量大于3个。
进一步的,对区块链上所有节点的历史信用度评分包括:
至少基于每个节点的:硬件、网络、出块速度、当前信用度值、加入时间、所属地域进行动态加权平均后得到评分。
进一步的,所述取排名最高且数量不大于20%的节点进行筛选的条件包括:
待选择节点没有在连续2个循环周期内成为所述主节点,以及待选择节点的历史信用指数大于一年内历史信用度的基准值。
进一步的,所述历史信用指数的确定过程包括:
若节点历史信用度评分>基准值,则历史信用指数=基准值所占权重分值-偏差率*100*基准值每高于评标基准得分一个百分点的扣分值;
若节点历史信用度评分<=基准值,则历史信用指数=基准值所占权重分值+偏差率*100*基准值每低于评标基准得分一个百分点的扣分值。
进一步的,所述偏差率=100%*(节点历史信用度评分-基准值)/基准值。
进一步的,每个所述主节点生成新区块的时间为10秒。
进一步的,所述生成周期为1010秒。
根据本发明具体实施方式的一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的区块链共识方法的各个步骤。
本发明的有益效果为:通过建立机器学习节点群,得到单位时间内,综合信用得分最高的机器节点。即共识算法中的投票环节,采用机器学习的方式,产生受托人节点名单,省去了全网络投票产生节点的过程,从而提高了产生区块的效率,特别适合应用于节点数规模可控、要求高并发和高吞吐量的联盟链、私链集群节点,同时具备安全、耗能低等特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例提供的区块链共识方法的流程图。
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,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
参照图1所示,本发明的实施例提供了一种区块链共识方法,包括以下步骤:
101、基于深度学习算法建立机器学习节点群;
102、基于机器学习节点群中的各个节点对区块链上所有节点的历史信用度进行评分;
103、对区块链上各个节点历史信用度评分进行由高到低的排名,从排名最高开始,依次筛选数量不大于20%的节点作为主节点;
104、主节点在生成周期内按顺序生成新区块;
105、在生成周期到期后,释放所有主节点使其成为非主节点。
具体的,建立机器学习节点群,将机器学习的程序安装到节点群中的各个节点,安装程序的节点就自动成为了分布式机器学习的节点,这些节点通过前期学习大量的机器投票的结果数据,可得到单位时间内综合信用得分最高的机器节点产生受托人节点名单,省去了全网络投票产生节点的过程,其自然得到了提高。其中,机器节点群节点机器学习的步骤一般包括以下步骤:
1)搜集数据,搜集的数据包括:每个节点每次投票的数据(可包括该节点自身的结构数据)、投票次数、投票有效性等数据;
2)准备数据,将上述搜集的数据打乱顺序另行存储备用;
3)选择模型,选择合适的学习模型作为信用值的评判工具;
4)训练模型,通过不断更新上述学习模型的学习率,以得到最优化的学习结果,使其达到有效的收敛;
5)评估模型,在训练完成后要对模型进行评估来对其真实的工作情况进行评估,使用在先存储的搜集的未使用的数据输入模型中,得到模型的判断结果,并与真实的结果进行比较,来辅助评估模型在遇到未接触的数据时的表现情况,展现了模型在现实情况中的真实表现。
6)参数微调,在评估结束后,为进一步的优化训练的结果,可对参数进行微调,通过对训练过程中设定的一些假设与训练的结果进行比较来验证这些假设的真实情况,进而根据假设验证的情况来改变设定的值,以得到更加准确的结果。
作为上述实施例可行的实现方式,机器学习节点群采用的深度学习算法为梯度下降算法。其中,机器学习节点群中节点的数量大于3个。
之所以节点群的数量大于三个是因为考虑到区块链的分片技术,是一种基于数据库分片传统概念的扩容技术,它将数据库分割成多个碎片并将这些碎片放置在不同的服务器上。在公共区块链的情境中,网络上的交易将被分成不同的碎片,其由网络上的不同节点组成。因此,每个节点只需处理一小部分传入的交易,并且通过与网络上的其他节点并行处理就能完成大量的验证工作。将网络分割为碎片会使得更多的交易同时被处理和验证。因此,随着网络的增长,区块链处理越来越多的交易将成为可能。
现有的区块链就像一条繁忙的高速公路,这条高速公路的收费站只有一个收费口。这种布局的结果将是导致交通堵塞,因为人们将排着长队等待通过这唯一的收费站。实现一个基于分片技术的区块链就像在高速公路上增加更多的收费口。它将极大地提高汽车通过收费站的速度。因此,分片技术将带来巨大的差异,并显著提高区块链的交易速度。
基于分片技术的区块链的实现对公共区块链有着不同的好处。首先,区块链上处理交易的速度变成了每秒上千笔甚至更多,这改变了人们对加密货币作为支付方式效率的看法。改善交易吞吐量将会给去中心化的***带来使越来越多的用户和应用程序,而这将反过来促进区块链的进一步采用,同时也能吸引更多加入到公共网络上的节点,从而形成一个良性循环;此外,分片技术可以帮助降低交易费用,因为验证单笔交易的处理量减少了;节点可以在依然盈利运营的同时收取较小的费用。在现实世界中,我们将低费用与高交易处理能力结合起来,会使公共链将变得越来越有吸引力。
所以我们在这里选择大于3个的节点来组成机器学习节点群也正是考虑到区块链分片策略的实施,以提高节点群的可用性。
梯度下降法用来求函数最小值的迭代优化算法。梯度下降有可能得到是一个局部最优解。当损失函数是凸函数时,梯度下降法得到的解一定是全局最优解。因此梯度下降算法可以用来求解均方差的最小值。梯度下降的基本过程就和下山的场景很类似,首先,可微分的函数代表着一座山。而我们的目标就是找到这个函数的最小值,也就是山底。最快的下山的方式就是找到当前位置最陡峭的方向,然后沿着此方向向下走,对应到函数中,就是找到给定点的梯度,然后朝着梯度相反的方向,就能让函数值下降的最快。所以,我们重复利用这个方法,反复求取梯度,最后就能到达局部的最小值,这就类似于我们下山的过程。而求取梯度就确定了最陡峭的方向,也就能以最快的速度找到最佳值。
wi+1=wi-di·ηi,i=0,1,…
参数η是学习率。这个参数既可以设置为固定值,也可以用一维优化方法沿着训练的方向逐步更新计算。一般倾向于逐步更新计算学习率,当神经网络模型非常庞大、包含上千个参数时,梯度下降方法是我们推荐的算法,因为此方法仅需要存储梯度向量(n空间),而不需要存储海森矩阵(n2空间),节省了存储空间。通过学习率η来控制每一步的距离,以保证不会下降太快而错过了最低点。同时也要保证学习率不能太小,而迟迟找不到最低点导致学习效率下降。
在本发明的一具体实施例中,使用梯度下降法对区块链上所有节点的历史信用度评分的因子包括:
至少基于每个节点的:硬件、网络、出块速度、当前信用度值、加入时间、所属地域进行动态加权平均后得到评分;
同时,取排名最高且数量不大于20%的节点进行筛选的条件包括:
待选择节点没有在连续2个循环周期内成为所述主节点,以及待选择节点的历史信用指数大于一年内历史信用度的基准值。
具体的,动态加权平均就是不同比重数据的平均数,加权平均数就是把原始数据按照合理的比例来计算,例如若n个数中x1出现f1次,x2出现f2次,…,xk出现fk次,那么(x1f1+x2f2+...xkfk)/(f1+f2+...+fk)叫做x1,x2,…xk的加权平均数。其中,f1、f2、…fk是x1、x2、…xk的权。通过采用动态加权平均的计算方式保证了梯度下降的平稳性和准确性,减少振荡,较快地达到最小值处。
作为上述实施例的实现方式,在需要对出块速度要求严格的区块链中,可将节点的硬件条件、网络状况、产生区块的时间作为较高的权重来进行评分,从而筛选出排名较高机器学习节点群,例如对于要求高并发和高吞吐量的联盟链包括:供应链金融、农产品溯源、版权存证、音像媒体流交易等,可很好的提高交易和验证的效率。
在本发明的另一具体实施例中,取排名最高且数量不大于20%的节点进行筛选的条件包括:
待选择节点没有在连续2个循环周期内成为主节点,以及待选择节点的历史信用指数大于一年内历史信用度的基准值。
其中,历史信用指数的确定过程包括:
若节点历史信用度评分>基准值,则历史信用指数=基准值所占权重分值-偏差率*100*基准值每高于评标基准得分一个百分点的扣分值;
若节点历史信用度评分<=基准值,则历史信用指数=基准值所占权重分值+偏差率*100*基准值每低于评标基准得分一个百分点的扣分值;
偏差率=100%*(节点历史信用度评分-基准值)/基准值。
其中,节点历史信用度评分可为一段时间的平均得分,例如可以为一个月、一个季度或半年的平均的得分,来反映节点真实的工作情况。
在本发明的一些具体实施例中,选举出的数量小于20%主节点按顺序产生区块,节点块周期:也称为时段周期(Slot),每个块需要10秒为一个时段(Slot),即每个主节点有10秒钟的时间产生区块。
受托人周期:或叫循环周期(Round),每101个区块为一个循环周期(Round)。这些块均由101个主节点随机生成,每个主节点生成1个块。一个完整循环周期大概需要1010秒(101x10),约17分钟;每个周期结束,前101名的主节点就地解散,从新产生主节点。
本发明实施例提供的区块链共识方法在节点数规模可控、要求高并发和高吞吐量的联盟链、私链集群节点,具备共识效率高、近去中心化、安全、耗能低等特点。能够应用于供应链金融、农产品溯源、版权存证、音像媒体流交易等场景中。
本发明的实施例还提供了一种存储介质,该存储介质存储有计算机程序,计算机程序被处理器执行时,实现如上述实施例记载的区块链共识方法的各个步骤。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
此外,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种区块链共识方法,其特征在于,包括:
基于深度学习算法建立机器学习节点群;
基于机器学习节点群中的各个节点对区块链上所有节点的历史信用度进行评分;
对区块链上各个节点历史信用度评分进行由高到低的排名,从排名最高开始,依次筛选数量不大于20%的节点作为主节点;
所述主节点在生成周期内按顺序生成新区块;
在所述生成周期到期后,释放所有所述主节点使其成为非主节点;
其中,采用的深度学习算法为梯度下降算法;
其中,对区块链上所有节点的历史信用度评分包括:
至少基于每个节点的:硬件、网络、出块速度、当前信用度值、加入时间、所属地域进行动态加权平均后得到评分;
其中,所述取排名最高且数量不大于20%的节点进行筛选的条件包括:
待选择节点没有在连续2个循环周期内成为所述主节点,以及待选择节点的历史信用指数大于一年内历史信用度的基准值;
其中,所述历史信用指数的确定过程包括:
若节点历史信用度评分>基准值,则历史信用指数=基准值所占权重分值-偏差率*100*基准值每高于评标基准得分一个百分点的扣分值;
若节点历史信用度评分<=基准值,则历史信用指数=基准值所占权重分值+偏差率*100*基准值每低于评标基准得分一个百分点的扣分值。
2.根据权利要求1所述的区块链共识方法,其特征在于,所述机器学习节点群中节点的数量大于3个。
3.根据权利要求1所述的区块链共识方法,其特征在于,所述偏差率=100%*(节点历史信用度评分-基准值)/基准值。
4.根据权利要求1所述的区块链共识方法,其特征在于,每个所述主节点生成新区块的时间为10秒。
5.根据权利要求1至4任一项所述的区块链共识方法,其特征在于,所述生成周期为1010秒。
6.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-5任一项所述的区块链共识方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910730924.XA CN110427433B (zh) | 2019-08-08 | 2019-08-08 | 一种区块链共识方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910730924.XA CN110427433B (zh) | 2019-08-08 | 2019-08-08 | 一种区块链共识方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427433A CN110427433A (zh) | 2019-11-08 |
CN110427433B true CN110427433B (zh) | 2023-04-07 |
Family
ID=68413333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910730924.XA Active CN110427433B (zh) | 2019-08-08 | 2019-08-08 | 一种区块链共识方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427433B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082943B (zh) * | 2019-12-06 | 2021-08-27 | 西安电子科技大学 | 一种高效的区块链共识方法 |
CN111106942B (zh) * | 2019-12-13 | 2023-07-11 | 南京邮电大学 | 一种基于ap-pbft算法的区块链信用过程方法 |
CN111222955B (zh) * | 2020-01-09 | 2024-04-05 | 国网安徽省电力有限公司信息通信分公司 | 一种基于区块链的供应商监管方法及*** |
CN111369244A (zh) * | 2020-01-14 | 2020-07-03 | 许昌北邮万联网络技术有限公司 | 一种实用拜占庭容错共识方法及装置 |
CN111159666B (zh) * | 2020-01-14 | 2022-05-27 | 李文谦 | 一种基于区块链的设计方案侵权判别方法 |
CN111353717A (zh) * | 2020-03-05 | 2020-06-30 | 中国工商银行股份有限公司 | 区块链共识节点推选***及方法 |
CN111402079A (zh) * | 2020-03-24 | 2020-07-10 | 中国南方电网有限责任公司 | 电力区块的获取方法、装置、计算机设备和存储介质 |
CN111935320B (zh) * | 2020-09-28 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种数据同步的方法、相关装置、设备以及存储介质 |
CN112738172B (zh) * | 2020-12-23 | 2022-03-08 | 平安科技(深圳)有限公司 | 区块链节点的管理方法、装置、计算机设备和存储介质 |
CN112766986B (zh) * | 2021-01-27 | 2024-02-09 | 浙江天演维真网络科技股份有限公司 | 基于改进的拜占庭容错算法的农产品溯源区块链共识方法 |
CN112866399B (zh) * | 2021-01-28 | 2023-01-31 | 深圳大学 | 一种改进的pbft共识方法、装置、智能终端及存储介质 |
CN113010872A (zh) * | 2021-04-09 | 2021-06-22 | 国网信息通信产业集团有限公司 | 一种身份认证方法、装置、计算机设备及存储介质 |
CN113610660B (zh) * | 2021-07-01 | 2024-06-11 | 国网浙江宁海县供电有限公司 | 基于区块链的电力***结算方法及相关装置 |
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 |
CN115065689B (zh) * | 2022-06-10 | 2024-04-02 | 湖州市赛思安科技有限公司 | 一种基于历史评价的联盟链区块数据存储方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107395403A (zh) * | 2017-07-07 | 2017-11-24 | 北京区块链云科技有限公司 | 一种适用于大规模电子商务的基于信用的区块链共识方法 |
CN107766542A (zh) * | 2017-10-30 | 2018-03-06 | 上海分布信息科技有限公司 | 一种分区的区块链网络及其实现分区查询的方法 |
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN108923929A (zh) * | 2018-06-05 | 2018-11-30 | 上海和数软件有限公司 | 区块链节点共识方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10158527B2 (en) * | 2016-10-28 | 2018-12-18 | International Business Machines Corporation | Changing an existing blockchain trust configuration |
US11257073B2 (en) * | 2018-01-31 | 2022-02-22 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment |
-
2019
- 2019-08-08 CN CN201910730924.XA patent/CN110427433B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107395403A (zh) * | 2017-07-07 | 2017-11-24 | 北京区块链云科技有限公司 | 一种适用于大规模电子商务的基于信用的区块链共识方法 |
CN107766542A (zh) * | 2017-10-30 | 2018-03-06 | 上海分布信息科技有限公司 | 一种分区的区块链网络及其实现分区查询的方法 |
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN108923929A (zh) * | 2018-06-05 | 2018-11-30 | 上海和数软件有限公司 | 区块链节点共识方法、装置及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
区块链全局账本数据的拆分技术研究;于雷等;《高技术通讯》;20171215;全文 * |
基于云计算的物流区块链共识算法研究;周杰等;《计算机工程与应用》;20181001(第19期);全文 * |
基于信用模型的工作量证明算法;王缵等;《通信学报》;20180825(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110427433A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427433B (zh) | 一种区块链共识方法和存储介质 | |
Thakur et al. | Peer to peer energy trade among microgrids using blockchain based distributed coalition formation method | |
CN109190857B (zh) | 一种基于多目标资源受限项目调度模型的优化算法 | |
Wang et al. | A heuristic genetic algorithm for subcontractor selection in a global manufacturing environment | |
WO2022036778A1 (zh) | 一种输配协同负荷恢复优化控制方法及*** | |
CN104951425A (zh) | 一种基于深度学习的云服务性能自适应动作类型选择方法 | |
Habibi et al. | A multi-objective optimization model for project scheduling with time-varying resource requirements and capacities | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN111563786A (zh) | 一种基于区块链的虚拟电厂调控平台及运行方法 | |
CN109670650A (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN103150163A (zh) | 一种基于MapReduce模型的并行关联方法 | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
CN112907082A (zh) | 一种区块链共识算法评估优化方法 | |
Nguyen et al. | Improving anytime behavior for traffic signal control optimization based on NSGA-II and local search | |
CN113570365A (zh) | 一种基于社区发现的dag网络拓扑构建方法及交易方法 | |
Adeyanju et al. | Decentralized multi-area multi-agent economic dispatch model using select meta-heuristic optimization algorithms | |
Nurgaliev et al. | Concept and implementation of blockchain demonstration unit within the smart grid | |
Budi et al. | A review of potential method for optimization of power plant expansion planning in Jawa-Madura-Bali electricity system | |
CN116415655A (zh) | 一种基于有向无环图的去中心化异步联邦学习方法 | |
CN114745288B (zh) | 基于区块链和动态赋权的复杂网络抗毁性模型量化方法 | |
CN113220437B (zh) | 一种工作流多目标调度方法及装置 | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
CN110135747B (zh) | 基于神经网络的流程定制方法 | |
CN111008872A (zh) | 一种适用于以太坊的用户画像构建方法及*** | |
CN110504690B (zh) | 一种将云计算用于电力潮流计算的方法 |
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 |