基于DAG的分布式账本共识机制研究

来源 :上海交通大学 | 被引量 : 0次 | 上传用户:huanyou123
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
2008年,比特币的出现标志着区块链技术的诞生。区块链本质上是一种分布式账本,多方维护、去中心化、且不可篡改的特性,使得它在数字金融、供应链溯源、存证防伪数据服务等方面具有广阔的应用前景。然而,区块链在吞吐量和延迟方面表现出了糟糕的可扩展性,以比特币为例,它每秒最多只能处理7笔交易,且每笔交易需要数十分钟才能完成确认。可扩展性瓶颈严重阻碍了区块链技术的进一步发展,影响着相关应用的落地。针对区块链的可扩展性问题,基于DAG的分布式账本被提出,它从底层结构上对区块链进行了根本改进,极大程度地提升了系统在高并发条件下的性能表现,是最具前景的解决方案之一。然而,当前该领域系统性的研究工作仍比较匮乏,并且现有的DAG账本方案在安全性、共识效率以及功能支持等方面仍存在诸多缺陷。针对上述问题,本课题进行了系统而深入的研究。首先,我们提出了DAG账本的研究框架。根据账本形态及其共识机制的差异,我们将其划分为基于主干链的DAG账本、基于平行链的DAG账本和基于朴素DAG的账本;根据数据组织方式的不同,我们将其划分为以交易为基本单元的DAG账本和以区块为基本单元的DAG账本。其次,基于该研究框架,我们对不同类型的DAG账本进行了横向对比分析。从设计思路、安全分析、智能合约支持三个方面,我们对不同形态的DAG账本进行了对比研究;此外,从网络利用率、账本操作权限以及轻节点支持三个方面,我们对不同数据组织方式的DAG账本进行了横向对比。进而,我们提出了一种高效可扩展的DAG账本方案Guava。它采用双层架构,并结合了传统区块链中的工作量证明机制以及经典拜占庭共识协议,能够在高吞吐量的前提下实现即时交易确认。最后,我们对Guava协议的安全性进行了证明。基于当前成熟的区块链安全分析框架,我们得出Guava协议的算力安全界,并最终证明了Guava协议具有一致性和活性两大安全特性。
其他文献
在计算机视觉领域中,视频人体动作识别技术的研究是相当重要的,具有极大的挑战性。深度图像技术的发展,特别是能获取深度信息的Kinect深度摄像头的出现,为人体动作识别提供了新的解决思路和方案。研究人员可以快速准确地从深度图像获取骨架关节的三维位置,还原人体的三维骨架模型。本文基于人体骨架模型,提出了两种基于人体三维骨架特征的动作识别算法。两种方法分别基于特殊正交群以及特殊欧氏群,创新性地提取了时空维
随着公路通车里程的增长与汽车数量的增加,交通事故导致的伤亡与损失的数量也急剧上升。其中有很大比例是因驾驶员的疏忽造成汽车偏离车道。车道偏离警示系统(Lane Deflects Warning System)因会提前预测偏离并警告驾驶员,可大大降低此类事故的发生率而正在成为国内外研究和开发的重点。本文论述的题目是基于图像的车道偏离警示系统的设计与实现,本文的主要工作包括以下几方面:在车道偏离警示系统
在计算机图形学领域,对于动物的毛发以及人的头发的模拟仍然是一个非常前沿并且具有挑战性的工作。这主要是由于在模拟环境中往往需要对数十万根头发进行模拟,同时要保证各自的运动特性以及考虑头发和头发之间的交互碰撞。传统的交互毛发解决方案上往往通过运用简化的动力学表征或者降低整体的模拟自由度来达到保证模拟的实时性。在本篇论文当中,我们提出一种实时地、基于GPU通用计算的毛发模拟方法。该方法旨在高效地模拟毛发
随着科技领域的发展,人类对大规模数据处理的需求越来越高。无论是图象数据,文本数据,语音数据,还是其他类别的数据,计算机通常都是将数据向量化再进行处理。由于此类数据的海量性和高维度性,使得处理起来困难,计算代价高。因此诞生了很多算法用于解决这个问题。流形学习就是一种研究在流形假设下的机器学习问题的方法,它通过学习数据样本的空间结构信息实现对数据的降维处理。本文分别利用流形学习和张量表示改进传统的非负
人脸表情信息在人类日常交流沟通中扮演极为重要的角色,人们通过分析表情信息了解对方的情感与状态。随着现代信息技术的发展,机器学习、图像处理、人工智能等领域的研究得到了很大的突破,越来越多的软件应用和生活场景开始对人脸情感的自动识别产生了需求。目前的机器学习算法对人脸表情的初步判定已经有了很好的结果,但是仅仅简单地获取人脸喜怒哀乐的信息并不足够,更多的脸部肌肉细节和表情强弱程度正被需要。脸部动作编码系
在以大数据为背景的万物互联的时代,各种网络攻击也不断增多,这使得网络安全成为了重点研究方向。其中,入侵为网络安全的主要威胁,因此入侵检测系统成为了必不可少的工具。数据预处理包括数据归一化和特征选择,它是入侵检测的重要环节,可以影响到入侵检测的效率和性能。本文构建了一种基于特征选择的网络入侵检测系统,以基于非线性归一化方法的支持向量机(Support Vector Machine,SVM)为核心分类
随着无人驾驶等技术的快速发展,利用车载传感器收集城市环境数据,实现城市环境信息的精确提取成为研究热点。然而,车载传感器在数据获取时的自身移动和周围移动目标的干扰,增加了城市环境信息提取的难度。针对该问题,提出了基于双目视觉的移动目标检测算法。该算法利用深度学习Faster R-CNN技术和基于SLAM的VINS Fusion计算框架,整合了目标检测、同步定位与制图、图像匹配等技术,通过位姿解算过程
报纸
面对复杂的网络环境,网络安全问题日益严峻,网络攻击不仅会造成用户隐私泄露,同时会带来巨大的经济损失。面对大规模的网络数据,深度学习成为一种有效的检测网络攻击的方法。深度学习方法通过在大规模的数据上对模型进行训练,进而学习到正常数据和攻击数据的特征,可以更高效更准确地对网络攻击进行检测。本文对网络安全数据进行编码将其转化为二维灰度图的形式,通过卷积神经网络对数据进行分类,从而实现入侵检测。现有网络安