基于斐波那契分组的重要性证明共识算法

来源 :计算机与数字工程 | 被引量 : 0次 | 上传用户:vinejue
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
权益证明共识算法(PoS)虽然有不需要花费算力的优势,但由于权益越高的节点获得记账权的可能性越大,会造成记账节点具有很强的确定性且容易富者愈富,一旦权益最高的节点无法正常记账出块,其余节点仍要重新竞争记账权,存在系统停滞问题.针对这两个缺陷,特提出基于斐波那契分组的重要性证明共识机制(FPoI).首先,引入重要性评估方案,依据节点活跃度、交易量、寻找随机数的时间和信誉值计算每轮中节点的重要性分数iValue;其次,为信誉值设置记账最低阈值,防止信誉值过低但重要性仍高的节点恶意记账;最后,按重要性得分高低排名,分数最高节点无法正常记账时,采用斐波那契数列将分数相近的节点分成一组,组内借鉴DPoS思想进行投票并按排名充当备选节点,每完成一个区块创建后都将重要性归零但保留信誉值.实验搭建一个拥有100个节点的FPoI共识机制的区块链,实验结果表明区块链系统平均出块时间稳定10s左右,当恶意节点占比由30%增加到70%时,成功记账的概率由0.25减少到0.06左右,减少了联盟作恶.
其他文献
法律文件数量的快速增长与人工智能的飞速发展,推动了法律领域中机器阅读理解的发展,如罪名预测、证据预测、法律条文推荐等.证据预测是其中一个关键应用,支持问答系统,即在预测答案的同时进行证据预测,预测出的证据用来辅助推断答案.当前法律文书通常包含20句以上的语句,其中可作为直接支撑答案的证据不多,一般不超过3句.证据预测需要从文书的大量语句中寻找和答案相关的证据,难度较大,其过多的样本数据会使不相关语句对预测结果产生干扰.为了过滤法律文书中众多和答案证据不相关的语句,提出了面向法律文书基于语句选择的证据预测方
实体链接是指对于文本中提到的实体指称,在知识图谱中找到它所对应的真实实体的过程.利用实体链接技术可以把网络数据和知识库链接起来,在对数据进行处理时就能运用知识库中的结构化信息,很大地促进了自然语言处理领域的发展.论文提出一种将局部消歧和全局消歧相结合的实体消歧方法.在局部消歧方面,利用BiLSTM+Attention模型捕获文本中实体指称的上下文信息,与知识库中的实体信息进行相似性计算得到候选实体的局部消歧得分.在全局消歧方面,构造候选实体之间的关联图,将实体的局部消歧得分作为每个实体节点的初始得分,利用