一种基于深度学习的有向无环图区块链可扩展性增强方法

1.本发明涉及深度学习、区块链的应用领域，具体涉及一种基于深度学习的有向无环图区块链可扩展性增强方法。


背景技术：

2.区块链是借由密码学串接并保护内容的串联文字记录，是一个自带时间戳的分布式数据库，更是一种分布式的记账系统。区块按照从后向前的顺序连接起来，具备了公开透明、无法篡改、方便追溯的特点。近年来，区块链不仅在加密货币中扮演着重要的角色，更在大数据、物联网等领域有着广阔的应用前景。由中本聪提出的区块链共识机制主要由最长链机制和工作量证明两部分组成，因而这种区块链下产生区块速度慢，无法用于大规模高频交易或是其他对处理速度有较高需求的数据存储、传输场景。
3.为了提高区块链的处理速度，同时减少对算力的浪费，有向无环图(directed acyclic graph,dag)被引入进来，形成了有向无环图区块链(dag-based blockchain)。dag结构尽管显著提升了交易处理能力以及对算力、带宽的利用率，却由于增加了大量分叉，在需要对有向无环图中的所有节点进行排序时，很容易受到恶意节点的攻击，导致无法对这部分节点进行确认，即存活性攻击(liveness attack)。目前，无主链的有向无环图区块链大多依靠拓扑结构上的投票来排除恶意节点的冲突交易，其中最基础的投票方法是各节点权重相等的投票。这种结构无遭遇存活性攻击的风险，然而其无法对节点进行排序，不是一个图灵完备的算法，无法与智能合约相结合。其他类似的有向无环图区块链虽然可以处理恶意攻击，但其代价和相关算力、时间开销很大，影响了其处理交易的能力。因此，需要一种更好的策略来应对潜在的恶意节点攻击。
4.目前的研究方向主要分为：1.证明诚实节点组成的图具有某些特征，并将不具备这些特征的潜在恶意节点排除；2.确定一条主链。然而目前的判别特征方法还不够准确，当节点生成速度远大于网络传输速度时，表现结果会显著下降。而在dag中确定一条主链，意味着所有参与者都必须同步主链，会造成带宽和算力的浪费。


技术实现要素：

5.针对以上现有方法中存在的缺陷，本发明的目的在于提出一种基于深度学习的有向无环图区块链可扩展性增强方法。
6.为达上述目的，本发明采用的技术方案如下：
7.一种基于深度学习的有向无环图区块链可扩展性增强方法，包括如下步骤：
8.步骤1，若待确认节点为x，节点确认延迟为δ，则在始祖节点g至待确认节点x之后的深度为δ的节点中，找出所有与待确认节点x连通的节点；
9.步骤2，提取步骤1找出的节点的特征，将特征信息保存至特征向量α；
10.步骤3，对特征向量α进行预处理，得到神经网络的输入向量
11.步骤4，训练神经网络，将输入向量输入训练好的神经网络f中，根据模型得到
其中，p为当前节点是恶意节点的概率，w为权重矩阵，b为偏置量；
12.步骤5，建立概率p到当前节点投票权重γ的映射g，使γ＝g(w
p
p+b
p
)，其中w
p
为当前节点下的权重矩阵，b
p
为当前节点下的偏置量，投票权重γ与概率p呈负相关，且γ∈(0,1)；
13.步骤6，对于步骤1中找出的节点中所有未确认节点，重复步骤4～5，得到各未确认节点的投票权重，同时将所有已确认节点的投票权重置为1；
14.步骤7，对于步骤1找出的所有节点yi∈y，其中y为节点集合，根据变权重投票共识机制，共同对待确认节点x进行投票，投票结果v
x
＝∑γi，其中γi为节点yi的投票权重；对于阈值λ，若v
x
≥λ，则节点x得到确认；若v
x
＜λ，则节点x仍为带确认状态，并继续等待一个时间窗口，直到该节点被确认，或在验证过程中被认为是冲突交易被排除。
15.进一步地，所述神经网络f的结构采用卷积神经网络、时域卷积网络、或者长短时记忆网络。
16.进一步地，所述步骤4中，在训练神经网络过程中，根据dag历史交易数据或模拟结果构成的数据集，进行相应调参和测量后，得到使神经网络模型性能最优的网络参数
17.本发明在提取诚实节点所构成图的特征的基础上，结合机器学习，并引入交易信息等相关特征，可以更有效的识别恶意节点。利用本发明的方法可以在保留有向无环图的高带宽、算力利用率的前提下，有效应对恶意攻击带来的挑战，提升安全性，相较于等权重投票模型，在有网络延迟的大规模有向无环图中，可以在无需大幅增加确认延迟λ的情况下，有效加快投票结果的收敛速度，从而增强了其可扩展性。
附图说明
18.图1为本发明方法的流程图；
19.图2为有向无环图示意图。
具体实施方式
20.下面将结合附图及具体实施例对本发明进行详细描述。
21.参照图1，本实施例的一种基于深度学习的有向无环图区块链可扩展性增强方法，包括：(1)在生成新的交易区块时，提取之前有向无环图的拓扑特征和交易信息特征；(2)将提取出的特征输入神经网络，输出该节点是恶意区块节点概率p；(3)根据该节点是恶意的概率p来降低当前节点的投票权重，投票权重与p呈负相关。具体步骤如下：
22.步骤1，从目标节点x之后的深度为δ的子节点(在x之后生成且与x相连通的节点)开始，遍历所有与x相连通的节点，至始祖节点g，即遍历图2中所有实心圆圈表示的节点。此处的δ为时间窗口，根据当下的网络延迟和节点生成速度进行调节，即δ＝h(wdd+wss)，其中d和s分别为网络延迟参数和节点生成速度，wd和ws分别为对应d和s的参数。网络延迟越高，节点生成速度越大，则δ越大。
23.步骤2，提取所有与x相连通的节点的特征，将拓扑特征、节点权重、交易发起人等特征信息保存至特征向量α。通过引入交易发起人等交易信息，可以在最终的神经网络模型中建立隐式的黑名单机制，即被认为有较高概率发起过恶意攻击的交易发起人之后所产生的节点将会拥有较低的权重，迫使该交易发起人停止恶意攻击，并且直到其产生了一定数
量的正常节点后才会被从黑名单中移除。
24.步骤3，对特征向量α进行预处理，如pca等，得到神经网络的输入向量
25.步骤4，将输入训练好的神经网络f中，根据dag历史交易数据或模拟结果中的groundtruth进行训练，得到其中，p为当前节点是恶意节点的概率，w为权重矩阵，b为偏置量。神经网络中可以有卷积神经网络(convolutional neural network,cnn)，作为滤波器来提取输入信息中所蕴含的潜在特征；也可以引入时域卷积网络(temporal convolutional network,tcn)或长短时记忆层(long short term memory，lstm)，将所有实心圆圈表示的节点看作一个时间窗口内时间序列，提取这些节点联系中时域的特征。通过在tcn中引入注意力机制，连通度不同的节点的特征也会被赋予不同的权重，从而的表现特征与输出概率间的关系。
26.步骤5，建立p到该节点投票权重γ的映射g，使γ＝g(w
p
p+b
p
)，其中w
p
为当前节点下的权重矩阵，b
p
为当前节点下的偏置量，γ与p呈负相关，且γ∈(0,1)；
27.步骤6，对于步骤1中找出的节点中所有未确认节点，重复步骤4～5，得到各未确认节点的投票权重，同时将所有已确认节点的投票权重置为1；
28.步骤7，对于步骤1找出的所有节点yi∈y，根据变权重投票共识机制，共同对待确认节点x进行投票，投票结果v
x
＝∑γi，其中γi为节点yi的投票权重。对于阈值λ，若v
x
≥λ，则节点x得到确认；若v
x
＜λ，则节点x仍为带确认状态，并继续等待一个时间窗口，直到该节点被确认，或在验证过程中被认为是冲突交易被排除。

技术特征：
1.一种基于深度学习的有向无环图区块链可扩展性增强方法，其特征在于，包括如下步骤：步骤1，若待确认节点为x，节点确认延迟为δ，则在始祖节点g至待确认节点x之后的深度为δ的节点中，找出所有与待确认节点x连通的节点；步骤2，提取步骤1找出的节点的特征，将特征信息保存至特征向量α；步骤3，对特征向量α进行预处理，得到神经网络的输入向量步骤4，训练神经网络，将输入向量输入训练好的神经网络f中，根据模型得到其中，p为当前节点是恶意节点的概率，w为权重矩阵，b为偏置量；步骤5，建立概率p到当前节点投票权重γ的映射g，使γ＝g(w
p
p+b
p
)，其中w
p
为当前节点下的权重矩阵，b
p
为当前节点下的偏置量，投票权重γ与概率p呈负相关，且γ∈(0,1)；步骤6，对于步骤1中找出的节点中所有未确认节点，重复步骤4～5，得到各未确认节点的投票权重，同时将所有已确认节点的投票权重置为1；步骤7，对于步骤1找出的所有节点y
i
∈y，其中y为节点集合，根据变权重投票共识机制，共同对待确认节点x进行投票，投票结果v
x
＝∑γ
i
，其中γ
i
为节点y
i
的投票权重；对于阈值λ，若v
x
≥λ，则节点x得到确认；若v
x
＜λ，则节点x仍为带确认状态，并继续等待一个时间窗口，直到该节点被确认，或在验证过程中被认为是冲突交易被排除。2.根据权利要求1所述的一种基于深度学习的有向无环图区块链可扩展性增强方法，其特征在于，所述神经网络f的结构采用卷积神经网络、时域卷积网络、或者长短时记忆网络。3.根据权利要求1所述的一种基于深度学习的有向无环图区块链可扩展性增强方法，其特征在于，所述步骤4中，在训练神经网络过程中，根据dag历史交易数据或模拟结果构成的数据集，进行相应调参和测量后，得到使神经网络模型性能最优的网络参数。

技术总结
本发明公开了一种基于深度学习的有向无环图区块链可扩展性增强方法。该方法的具体步骤如下：(1)在生成新的交易区块时，提取之前有向无环图的拓扑特征和交易信息特征；(2)将提取出的特征，如交易发起人，拓扑结构特征，节点权重等输入神经网络，输出该节点是恶意区块节点概率；(3)根据该节点是恶意的概率来降低当前节点的投票权重，投票权重与概率呈负相关。利用本发明的方法可以在保留有向无环图的高带宽、算力利用率的前提下，有效应对恶意攻击带来的挑战，提升安全性。提升安全性。提升安全性。


技术研发人员：张旭 章荣奇 马展
受保护的技术使用者：南京大学
技术研发日：2020.11.21
技术公布日：2022/5/25