【技术实现步骤摘要】
区块链系统中作恶节点的处理方法及系统
本专利技术涉及区块链
,尤其涉及一种区块链系统中作恶节点的处理方法及系统。
技术介绍
若区块链系统维持稳定和有效,需要依赖于节点的行为诚实性。现有技术中通过设置监测节点对节点行为进行异常行为监控,这样对于数量庞大的节点来说,若对每个节点的每一次行为均进行监控处理,对监控节点的计算量要求是极高的,而若采取抽样监控的方式进行检测,则会使得一定数量的作恶节点混入区块链中,从而破坏区块链系统。
技术实现思路
有鉴于此,本专利技术实施例提供了一种用于区块链系统中的中立节点的轮换方法及系统。第一方面,本专利技术实施例提供了一种区块链系统中作恶节点的处理方法,所述方法包括:S1、当到达分配周期时,按照预设规则将区块链系统中的普通节点分配至若干普通节点组内,若存在未成组的普通节点,则将未成组普通节点所对应的节点标识写入劣质节点清单,并对未成组的普通节点的成组率进行更新;S2、各所述普通节点组内的优选节点发起组内投票,从组内普通节点中挑选出至少一个弱节点,并将该弱节点所对应的节点标识写入劣质节点清单;S3、各监测节点在指定监测周期对劣质节点清单中所对应的全部劣质节点进行监控,并生成基于各个劣质节点的忠诚分数;S4、区块链系统根据深度学习模型对各监测节点的监测性能进行计算以生成对应的检测分数;S5、将忠诚分数低于预设阈值的劣质节点所对应的节点标识写入作恶节点清单后,将劣质节点清单中的剩余节点标识清空;S6、 ...
【技术保护点】
1.一种区块链系统中作恶节点的处理方法,其特征在于,所述方法包括:/nS1、当到达分配周期时,按照预设规则将区块链系统中的普通节点分配至若干普通节点组内,若存在未成组的普通节点,则将未成组普通节点所对应的节点标识写入劣质节点清单,并对未成组的普通节点的成组率进行更新;/nS2、各所述普通节点组内的优选节点发起组内投票,从组内普通节点中挑选出至少一个弱节点,并将该弱节点所对应的节点标识写入劣质节点清单;/nS3、各监测节点在指定监测周期对劣质节点清单中所对应的全部劣质节点进行监控,并生成基于各个劣质节点的忠诚分数;/nS4、区块链系统根据深度学习模型对各监测节点的监测性能进行计算以生成对应的检测分数;/nS5、将忠诚分数低于预设阈值的劣质节点所对应的节点标识写入作恶节点清单后,将劣质节点清单中的剩余节点标识清空;/nS6、当到达替换周期时,所述监测节点基于检测分数按照优先级从所述作恶节点清单选择作恶节点,并将替换请求广播至普通节点进行确认,待确认通过后,完成与对应作恶节点的替换,并将替换结果同步至全部普通节点。/n
【技术特征摘要】
1.一种区块链系统中作恶节点的处理方法,其特征在于,所述方法包括:
S1、当到达分配周期时,按照预设规则将区块链系统中的普通节点分配至若干普通节点组内,若存在未成组的普通节点,则将未成组普通节点所对应的节点标识写入劣质节点清单,并对未成组的普通节点的成组率进行更新;
S2、各所述普通节点组内的优选节点发起组内投票,从组内普通节点中挑选出至少一个弱节点,并将该弱节点所对应的节点标识写入劣质节点清单;
S3、各监测节点在指定监测周期对劣质节点清单中所对应的全部劣质节点进行监控,并生成基于各个劣质节点的忠诚分数;
S4、区块链系统根据深度学习模型对各监测节点的监测性能进行计算以生成对应的检测分数;
S5、将忠诚分数低于预设阈值的劣质节点所对应的节点标识写入作恶节点清单后,将劣质节点清单中的剩余节点标识清空;
S6、当到达替换周期时,所述监测节点基于检测分数按照优先级从所述作恶节点清单选择作恶节点,并将替换请求广播至普通节点进行确认,待确认通过后,完成与对应作恶节点的替换,并将替换结果同步至全部普通节点。
2.根据权利要求1所述的方法,其特征在于,所述S1具体包括:
S11、当到达分配周期时,首先对成组率ψ低于预设值ψ1的N1个普通节点进行优先成组,且在成组后将该普通节点的成组率恢复至默认值,成组率和未成组的次数成反比;然后对成组率不低于预设值的N2个普通节点进行成组;每个普通节点组内的普通节点个数相同均为K,K为偶数且取值为20-40,则普通节点组的个数为
S12、将未成组的(N1+N2)modK个普通节点所对应的节点标识写入劣质节点清单,通过ψ=ψ’-1/m对未成组的普通节点的成组率进行更新,其中ψ’为未成组普通节点的当前成组率,ψ为未成组普通节点更新后的成组率,m为常数。
3.根据权利要求1所述的方法,其特征在于,所述S2具体包括:
S21、根据普通节点组内各个普通节点当前的节点分数挑选出优选节点,组内其他普通节点作为被投票节点,所述节点分数为该节点在当前分配周期和上一分配周期之间的节点性能的表征参数;
S22、投票周期内,优选节点对被投票节点的任务处理性能进行强弱投票,被投票节点获得的强投票次数用S表示,获得的弱投票次数用W表示,投票周期内保证被投票节点至少被投票一次;
S23、若存在被投票节点的S≤W,则将该被投票节点为弱节点并将其所对应的节点标识写入劣质节点清单;若组内全部的被投票节点的S>W,则将值最小的被投票节点确定为弱节点并将其所对应的节点标识写入劣质节点清单。
4.根据权利要求1所述的方法,其特征在于,所述S3具体包括:
各监测节点在指定监测周期对劣质节点清单中所对应的全部劣质节点进行监控,各监测节点通过公式计算出对应劣质节点的忠诚分数,其中,L为忠诚参数,为近8次忠诚分数的平均数,β为预设时间内的节点任务处理数,α为预设时间内的节点任务完成数,χ为预设时间内的节点任务处理准确数,δ为预设时间内的未成组次数,ε为预设时间内的确认准确数,φ为预设时间内的确认投票次数,A为第一修正参数,B为第二修正参数,C为第三修正参数,D为第四修正参数。
5.根据权利要求1所述的方法,其特征在于,所述S4具体包括:
S41、构建线性策略π(x)=Mx,M为策略权重,p∈Z+,n∈Z+,且p≠n;
S42、对策略进行随机策略搜索,每次随机策略搜索过程M±νδk后,则会生成策略πk,±(x)=(M±νδk)x,ν为标准差检测噪声,δk为干扰值;
S43、通过均值标准滤波器对策略πk,±(x)=(M±νδk)x处理后,得到策略πk,±(x)=(M±νδk)diag(Σ)-1/2(x-μ),k∈{1,2,...,N};
S44、通过M←M+σ[r(πk,+)-r(πk,-)]δk对M进行更新,σ为步长,r(πk,+)为πk,+的轨迹,不断迭代计算直至M满足预设模型条件后,得出所需深度学习模型;
S45、通过深度学习模型对各监测节点的监测性能进行计算以生成对应的检测分数,深度学习模型的输入参数至少包括监测节点的算力、检测次数、检测准确次数以及轮换次数。
6.根据权利要求1所述的方法,其特征在于,所述S5具体包括:
S51、将各劣质节点的忠诚分数L与预设阈值L1进行比较;
S52、当劣质节点的忠诚分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。