面向物联网信任机制的混合共识算法研究

来源 :兰州交通大学 | 被引量 : 1次 | 上传用户:mynewgolvoe
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
比特币发布以来,有关于区块链技术及其场景应用研究的热度居高不下。共识机制作为区块链技术的核心之一,激起了专家和学者们的研究热情,受到了广大专家学者的重点关注,越来越多的共识算法接连提出,其中不乏表现突出的共识算法,这些共识算法在不同的特性方面各有不同的优势和劣势。行业内已经形成基本认识,单一共识算法一般难以同时兼顾高效与去中心化的本质,高效是指共识算法需要实现高运行速度以保证其性能,去中心化是指共识算法要足够去中心化来保证其安全性。因此,混合共识算法开始被众多专家学者提出,以太坊作为区块链2.0技术代表,在其发展过程中,经历了多个不同的版本,其中一个版本的以太坊采用的就是PoW(Proof of Work,工作量证明)+PoS(Proof of Stake,权益证明)共同作用的混合共识。物联网领域,传统的物联网信任问题都是以可信第三方中心化数据库做为支撑,通过中心服务器来实现物联网中的信任机制,处于这种模式下,想要构建一个规模可以不断扩展的物联网的难度较大,而且,物联网设备之间的计算与存储能力差异较大。针对物联网存在的上述问题,本文以原始PoW共识算法以及PBFT(Practical Byzantine Fault Tolerance,实用拜占庭容错算法)共识算法为基础,设计了一种PBFT+PoW的改进混合共识算法。首先介绍了基础PoW算法和PBFT算法,PoW所需执行时间过长,但其优势之一就是无需进行节点管理,具有良好的扩展性,通过PoW良好的扩展性解决物联网的规模可扩展问题;PBFT算法执行效率较快,但其去中心化程度不够高,其执行时通过拜占庭委员会进行投票,执行交易不需要所有节点共同参与,在物联网当中,可以由计算和存储能力较强的节点担任委员会节点,参与全部共识活动,而计算能力较弱节点只存储与自身相关内容,不直接参与共识活动,但参与委员会节点的选举轮换过程。本文中的混合共识算法基于TrueChain(初链)基本架构,PBFT共识算法执行效率较高,负责事务以及智能合约的处理工作,以满足共识算法对于高执行效率的需求,将PBFT当中的拜占庭委员会节点轮换选举功能开放给PoW节点,委员会节点由PoW节点择优选出,任何节点都能参与其中并成为PoW节点,以保证共识算法的去中心化程度,进而保证共识算法的安全性。实验结果和数据表明,与原始共识算法相比,在吞吐量以及时延方面混合共识算法较优,混合共识算法将PBFT和PoW这两种共识算法共识结合在一起,从效果来看,混合共识算法基本能够在实现高效的同时兼顾去中心化本质。
其他文献
随着汽车轻量化研究的进展,镁合金因其密度较低,而在汽车上的应用越来越广,但也因其耐蚀性较差,而限制了它在汽车上的进一步应用。本文利用热喷涂技术在AZ31B镁合金表面制备
五自由度混联机器人融合了串/并联机器人在工作空间、刚度和作业精度等方面的优点,在电力装备、汽车、轨道交通、船舶、航空航天等领域复杂结构件加工方面具备十分明显的优势
可调谐半导体激光吸收光谱技术(Tunable Diode Laser Absorption Spectroscopy,简称TDLAS)由于灵敏度高、响应速度快等特点在气体检测领域得到了广泛的应用。但该技术中使用
现阶段图像去反光已成为人工智能领域的研究热点,借助机器学习和深度学习算法可以对图片中的反光效果进行有效消除,方便且高效,但仍会面临诸多难点。图像中的反射层信息与背
热激活延迟荧光(thermally activated delayed fluorescence,TADF)材料的三重态激子能够反向系间窜越到单重态能级,发射延迟荧光,理论内量子效率能达到100%。与磷光材料相比,一
近几年来,随着光伏、光电产业的迅猛发展,磨粒线锯切割技术已经成为了脆性材料切片加工的主要方式。在磨粒线切割中,流体具有润滑,冷却加工区域,携带自由磨粒参与加工以及带
随着社会的进步、科技的发展,外骨骼作为一种结合机械动力和人类智能的新兴机器人,在军事、救灾、医疗等领域的应用越来越广泛。其中,通过下肢外骨骼帮助因神经损伤等原因导
准噶尔盆地南缘,构造区划上属于北天山山前褶皱冲断带,沉积地层发育齐全,地层自下而上颜色变化明显,露头区地层出露齐全,泥岩中粘土矿物含量丰富,为系统地开展泥岩盖层封闭性
当前,随着对移动机器人技术研究的深入,足式机器人已经具备了一定的自主运动能力和环境适应性能力,但是大多数足式机器人仍然缺乏执行高动态任务的能力,而执行高动态任务的关
卷积神经网络(Convolutional Neural Networks,CNNs)因其极大地提高了图像识别的准确率,而在图像处理领域受到追捧。但是卷积神经网络带来了大量卷积操作,其计算成本往往令人