区块链的节点共识方法及系统技术方案

本发明专利技术公开了一种区块链的节点共识方法及系统，建立一种新的节点共识体系，每隔一个更新周期，将区块链中各节点按共识分数T进行编号排序，将节点进行分组，实现分组共识，实现共识节点的更新，相邻两个节点组共有一个第一共识组，实现交叉共识，在更新周期内，每隔一个交换周期，对每个节点组进行节点交换处理，实现共识节点的更新，提高第一共识组性能，提高共识效率。本发明专利技术系统使得区块链普通节点与共识节点处于动态的变换中，使得每次交易共识节点也均不相同，避免共识节点的联合作恶，针对不同交易风险，实现不同方式的共识，在实现共识效率的同时，保证了交易安全。

Node consensus method and system of blockchain

【技术实现步骤摘要】
区块链的节点共识方法及系统
本专利技术涉及区块链
，尤其涉及一种区块链的节点共识方法及系统。
技术介绍
区块链技术的出现被称为新一代革命，区块链技术的出现让分布式系统和分布式应用得以蓬勃发展，区块链技术是多门技术和学科的综合，而在决定一个区块链分布式系统好坏的区块链技术里最重要的便是共识机制，共识机制是区块链分布式系统安全性和能够良好发展的核心技术。现有区块链中，节点之间的每笔交易往往均需经过所有节点共识之后才能确认，这样使得区块链节点不能够快速的达成共识，从而造成区块链节点共识效率低。而如果只采用选取部分节点作为共识节点，由于节点的可靠性是无法保证的，则存在共识节点联合作恶的问题，因此，无法保障交易安全。
技术实现思路
有鉴于此，本专利技术实施例提供了一种区块链的节点共识方法及系统。第一方面，本专利技术实施例提供了一种区块链的节点共识方法，该所述方法包括：S1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-N本文档来自技高网...

【技术保护点】
1.一种区块链的节点共识方法，其特征在于，所述方法包括：/nS1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N

【技术特征摘要】
1.一种区块链的节点共识方法，其特征在于，所述方法包括：
S1、判断是否到达更新周期，若是，则计算并修正得到区块链中各节点的共识分数T，按照共识分数T由小到大的顺序对节点进行编号N1-Nn；
S2、根据编号顺序将节点分成m个节点组，每个节点组具有q个节点，相邻两个节点组共有一个第一共识组，所述第一共识组具有p个交叉共识节点，剩余未成组的f个节点组成第二共识组，其中，f＝n-[q·m-p·(m-1)],p<f<q-p；
S3、通过风险预测模型对第二共识组内各节点进行风险预测，基于预测结果将风险节点从第二共识组中淘汰；
S4、若否，判断是否到达交换周期，若到达交换周期，对区块链中各节点的性能进行计算以生成对应的性能分数K，按照每个节点组的共识分数平均值由大到小的顺序依次对每个节点组进行节点交换处理；
S5、若未到达交换周期，当接收交易双方用户Na和用户Nb的交易请求，判断用户Na和用户Nb之间的交易风险值L；当交易风险值L<风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组以及共识分数平均值位于用户Na和用户Nb之间的第一共识组参与所述交易的共识；当交易风险值L≥风险阈值L0，用户Na和用户Nb所位于的节点组的第一共识组、共识分数平均值位于用户Na和用户Nb之间的第一共识组以及第二共识组共同参与所述交易的共识。


2.根据权利要求1所述的方法，其特征在于，所述S1中节点的共识分数T0的计算公式为：



其中，T0表示共识分数，x表示更新周期内节点参与共识次数，y表示更新周期内的交易次数，z表示更新周期内的共识准确次数，表示节点在更新周期内的参与交易的次数，η表示节点在更新周期内交换次数，α和β表示调节系数，满足α,β∈[0,1]且α+β＝1，θ表示在更新周期内节点异常次数，所述节点异常包括共识失败、数据同步失败、验签失败、网路通信异常或数据库存储异常；
所述修正函数为：



其中，T表示节点修正后的共识分数，T0表示节点修正前共识分数，t1表示节点加入区块链总时长，t0表示更新周期时长，i表示第i个更新周期，T(i)1表示节点在第i个更新周期初始共识分数；T(i)2表示节点在第i个更新周期最终共识分数；
通过修正函数对信用分数进行修正。


3.根据权利要求1所述的方法，其特征在于，所述S3具体包括：
S31、获取第二共识组内各节点历史数据，所述历史数据包括每个更新周期内的交易数据、进入第一共识组次数，进入第二共识组次数、共识准确率、异常次数、被举报次数和节点互评数据；
S32、将所有数据按如下公式进行归一化处理，归一化到0～1之间：



其中，x表示归一化后的数据，xmax表示数据的最大值，xmin表示数据的最小值；
S33、将归一化处理的数据按照比例分为训练数据集和测试数据集；
S34、构建基于风险预测模型的LSTM神经网络，并通过训练数据进行训练；
S35、通过训练完成的LSTM神经网络预测t时刻节点P的风险状态，从而完成对风险节点的预测；
其中，所述LSTM神经网络包括一个输入层、一个LSTM细胞层、一个输出层；所述LSTM细胞层的内部设置有若干门限，包含遗忘门输入门输出门并且LSTM神经网络的前向传播在每个序列索引位置的过程为：
更新遗忘门输出：



更新输入门两部分输出：






更新细胞状态：



更新输出门输出：






引入入时间注意力机制：



定义LSTM神经网络的损失函数如下：



其中，σ表示sigma函数，⊙表示Hadamard乘积，表示权重，表示偏置，表示t时刻细胞状态，表示t时刻隐藏状态，N表示训练样本的数量，M表示选择的节点的集合，表示节点p在t时刻真实风险信息，表示节点p在t时刻预测风险信息，T(n)为第n个突变预测训练样本所选择的位置数，通过计算，表示权重，表示偏置。


4.根据权利要求3所述的方法，其特征在于，通过如下公式对...

【专利技术属性】
技术研发人员：邢国帅，
申请(专利权)人：北京天仪百康科贸有限公司，
类型：发明
国别省市：北京;11