動態均衡算法對電力數據吞吐優化的研究

摘 要： 為了解決DPOS 共識算法（Delegated Proof of Stake，股份授權證明機制）吞吐性能不足的問題，本文提出加權指標動態均衡算法（DPOS with weighted Index Dynamically Balancing，DPOS+IDB）. 該算法首先利用區塊鏈的通道機制，將帶有不同標簽的交易分配到不同的區塊鏈通道中. 然后對每一個區塊鏈通道，分別進程參數配置優化. 最終，將參數配置優化問題，轉化為對多個指標求解整體最優解問題. 通過優化參數配置，提高區塊鏈通道的吞吐性能. 由于求解過程中，需要在多個指標可行范圍內進搜索，求解空間過大. 為此，設計動態均衡搜索算法進行求解，利用求解的結果對區塊鏈網絡進行優化配置，提高提高區塊鏈網絡的性能. 仿真表明，對比原始DPOS 算法、CE-DPOS（Comprehensive Election-DPOS，綜合選舉）算法和RC-DPOS（Reputation Classification-DPOS，名譽分級）算法，DPOS+IDB 算法在時延、吞吐率有較好的性能表現，并且通訊開銷的復雜度由節點數量的平方降低至節點數量的一次方.

關鍵詞： 區塊鏈； DPOS； 性能優化； 動態均衡算法

中圖分類號： TP311 文獻標志碼： A DOI： 10. 19907/j. 0490-6756. 2024. 042007

1 引言

文獻［1］指出隨著可再生能源進入電網，與電網連接的設備以及負荷大量增加，傳統系統難以有效解決電網海量數據吞吐的問題. 利用區塊鏈以及邊緣計算技術能夠有效解決電網海量數據監控的問題. 文獻［2］指出DPOS 共識作為廣泛使用的共識機制，區塊的產生不需要消耗算力，具有節約資源的優點. 文獻［3，4］指出DPOS 共識中存在節點地位不平衡現象，導致普通節點參與共識的積極性降低，影響共識算法的整體性能. 所以需要提高DPOS 共識中節點積極性，從而提高共識性能的算法.

因此目前提出了多種提高節點積極性的方法. 文獻［5］提出了節點綜合選舉算法（ComprehensiveElection-DPOS，CE-DPOS）. 選擇合適的代理節點，提高節點的積極性. 文獻［6］提出基于節點名譽值進行節點分類的算法（ReputationClassification-DPOS，RC-DPOS），優先選擇名譽值高的節點作為代理節點，鼓勵節點正確投票，以提高自身名譽值. 從而提高節點積極性. 文獻［7］提出了區塊鏈性能的評估方法. 文獻［8］指出，配置合適的區塊大小，有利于降低系統時延.

上述的DPOS 共識優化算法，引入了節點評分機制，以提高節點的積極性. 在共識開始之前，需要進行節點之間的兩兩打分. 設節點數量為n，節點評分機制需要大小為n2 的額外網絡開銷，導致網絡開銷較大. 當節點網絡帶寬較小時該類優化算法無法運行. 為此，本文提出了加權指標動態均衡算法（weighted Index Dynamically BalancingAlgorithm ，IDB）. 該算法將網絡配置優化問題，轉化為對多個指標求解整體最優解問題. 通過動態均衡搜索算法進行求解，利用求解的結果對區塊鏈網絡進行優化配置，提高節點積極性. 仿真結果表明，對比原始DPOS 算法，本文提出的算法在時延、吞吐量上有較好的性能指標，同時，對比CEDPOS算法和RC-DPOS 算法，降低了算法運行的網絡開銷.

2 區塊鏈邊緣網絡

2. 1 邊緣區塊鏈網絡架構

文獻［9］指出電網相關數據在傳輸的過程中，存在傳輸成本高、傳輸不安全等問題. 邊緣計算具有減輕數據中心負載以及快速相應的優勢. 同時，區塊鏈平臺具有數據安全性高、抗篡改、不需要第三方信任等優勢. 因此，本文將邊緣計算與區塊鏈的優勢相結合. 文獻［10］提出了將邊緣計算與區塊鏈相結合的方式. 文獻［11］提出了基于區塊鏈與邊緣計算混合架構的智慧城市模型. 該模型將交通、工廠、家庭、醫療等節點部署在邊緣層；將高性能的服務器組成區塊鏈網絡部署在云端. 邊緣處理節點以低延遲和高網絡帶寬提供實時處理，為依賴于邊緣層的實體節點提供實時服務.

如圖1 所示架構流程可以分為以下幾步.

首先由邊緣節點開始，對設備上傳的原始數據進行預處理，如果需要邊緣節點會將預處理后的加密數據傳輸到區塊鏈網絡；其次區塊鏈網絡接收邊緣節點上傳的數據，按照不同的優先級，存入不同的區塊鏈通道中；然后由不同的區塊鏈通道對各自接收到的數據進行整理、歸檔、上鏈，以保證數據的完整性以及不可篡改性；再次區塊鏈網絡定時對邊緣節點進行信息反饋和參數配置；最終邊緣節點接收來自區塊鏈系統的反饋，并且將反饋的信息處理之后傳達到實體節點.

以上步驟為架構的1 個典型運行周期. 在整個周期中，區塊鏈網絡保證了云端數據的安全性.同時，文獻［12］指出，邊緣節點與云端區塊鏈網絡，在邏輯上的距離相隔較遠. 所以需要對云端的區塊鏈網絡進行性能優化，以便提高整個架構的性能.

2. 2 區塊鏈配置動態優化算法

由于整個架構的狀態是實時發生變化的，因此需要一種算法能夠適應區塊鏈的實際情況，并進行恰當的優化，動態調整不同指標的權重，滿足不同的狀態和需求. 本文提出綜合指標動態優化算法解決上述問題.

在進行配置優化之前，算法先依據不同的交易優先級，將不同優先級的交易分配到區塊鏈系統的不同通道.

為了構造區塊鏈配置優化模型：定義優化目標函數U，考慮如下指標：交易延遲L，安全性η，交易驗證成本C，3 個指標的權重分別為α，β，γ. 為消除量綱的差距引入標準化延遲lm，標準化安全性ηm，標準化驗證開銷cm. 優化目標函數的表達式如下.

定義可配置參數為：每個區塊記錄的交易數量m，介于上下限之間；每個區塊使用的驗證節點的數量n，介于上下限之間. 考慮到參數的實際意義，m、n 取正整數.

算法在解空間中，進行最優化理論剪枝，刪除不可能取得最優解的m、n 組合，然后選擇出最優的m、n 組合，標記并輸出為m*、n*. 同時，3 個指標的權重可以依據實際情況進行設置，使得算法具有一定的靈活性，可以根據不同的權重設置，輸出不同的配置參數.

當優化目標函數U 的值越小，表明區塊鏈的綜合性能越優秀. 同時邊緣計算與區塊鏈融合架構的整體性能也得到提升. 綜上，算法可以通過對不同指標配置不同的權重，適應不同的需求.

3 加權指標均衡算法

3. 1 加權指標生成算法

考慮到整個區塊鏈系統的交易類型是多樣的. 為了使算法能夠適應更多的情景，將算法分為2 個部分：交易排序部分及加權指標生成部分. 首先使用排序算法對不同優先級的交易進行排序，將不同優先級的交易放入不同的區塊鏈通道；然后在每個通道分別生成綜合指標，該綜合指標供2. 2 的算法使用.

交易排序部分：考慮到區塊鏈系統中的交易有不同的優先級. 利用文獻［13］提出的帶有優先級的M/M/1 模型進行推導，分析各個交易的時延. 假設區塊鏈代理節點的交易處理速率μ 大于各個節點向區塊鏈代理節點發送交易的速率λi 的總和. 當各個交易優先級相同時，分析各交易的時延，分析結果如下.

當各個交易的優先級不同時，以第i 個交易為例，進行分析，其中Ri 和Bi 分別是處理交易之前的每筆交易的平均處理時間和處理該交易的平均時間，將2 部分的時間綜合起來，分析結果如下.

在M/M/1 模型中，各個節點向區塊鏈代理節點發送交易的概率服從指數分布，可得Bi = Ri =1／μ，帶入表達式（3），進行化簡，可得

采用多通道的結構，使得各個交易可以依據不同的優先級，選擇不同的通道. 各通道中的交易互相隔離，進一步提高了框架的安全性.

加權指標生成部分：文獻［14，15］指出，區塊鏈的優化指標主要有以下幾個：交易延遲L、安全性η、交易驗證成本C. 在本算法中，考慮如下的優化目標：交易時延、安全性、交易驗證成本.

交易時延：通過將交易的各個步驟進行分解，可以得出：交易的時延由以下因素構成：（1）未經驗證的區塊從普通節點傳輸到驗證節點；（2）區塊驗證時間；（3）驗證結果廣播和驗證者之間的比較；（4）驗證節點向普通節點傳遞驗證結果. n 為每個區塊記錄的交易數量；B 為每個交易記錄所占用的空間；r d 為驗證節點下載速率；K 為驗證1 個區塊所需的總資源；x 為驗證節點的驗證速率；m 為驗證節點數量；ψ 為驗證過程中的統計參數；O 為驗證節點的反饋信息將；r u 為驗證節點上傳速率. 以上各項匯總，即

安全性：DPOS 算法的安全性主要來源于驗證節點的安全性. 驗證節點的數量越多，則區塊鏈網絡的安全性越強. 定義安全性為驗證節點失效的可能性. θ 為經驗系數；q 為衡量網絡尺度的參數，即

η = θ ? mq （6）

交易驗證成本：為了使模型更具一般化，將驗證節點在邏輯上視為自身不具備驗證能力，需要向云服務提供商支付一定代價購買驗證服務. 文獻［16］指出驗證節點與云服務提供商最終會達到博弈均衡，即向驗證節點支付的代價至少能覆蓋其向云服務提供商購買驗證服務的成本. 交易驗證成本被定義為各個驗證節點向云服務提供購買驗證資源所花費的代價的總和. ρi 為i 節點云服務提供商購買單位計算資源的平均成本；xi 為i 節點所需的運算資源，即

將各個指標按照給定的權重進行求和，得出對應通道的綜合指標.

考慮到不同通道的具體需求不同，對不同的指標設置不同的權重. 同時，為了排除量綱的影響，對各個指標進行標準化處理. 定義加權指標U見式（1）.

3. 2 動態均衡搜索算法

當每個通道的綜合指標生成后，需要通過對該綜合指標進行求解，解出最優值，用該最優值對區塊鏈的對應通道進行配置.

首先驗證節點支出約束：交給驗證節點用于計算的開銷，能夠覆蓋驗證節點自生向第三方購買驗證服務的開銷，即

Ci ≥ pi ? xi，?i ∈{1，…，m } （8）

其次驗證節點個數約束：每個區塊使用驗證節點的數量介于最大值和最小值之間，即

v ≤ m ≤ M （9）

最后驗證區塊記錄數量約束：每個區塊記錄的交易數量介于最大值和最小值之間，即

t ≤ n ≤ χ （10）

將上述的約束條件匯總，得目標函數及對應的約束條件如下.

考慮到m、n 的實際含義，該優化模型問題屬于非確定性多項式問題. 文獻［17］指出該類問題很難用常規的方法進行求解，需要采用迭代搜索的方法求解其滿足條件的解. 迭代搜索求解流程如圖2 所示. 將原始優化問題拆分為2 個子問題，令2 個子問題相互獨立，以此對問題搜索空間進行剪枝. 考慮每個塊所記錄的交易數量n，當n 確定以后，再考慮每塊所需要驗證節點的數量m. 同時，n 是局部變量，m 是全局變量. 并且，區塊鏈系統以1 個區塊作為1 次處理的最小單位，交易需要等待其他交易，填滿1 個區塊以后，才會發送給代理節點，并且n 由取值上限及下限約束，在取值范圍內，m 的值可以保持不變. 因此2 個參數可獨立調節，沒有約束關系，可行域是完整的矩形. 因此，可以認為m、n 是互相獨立的.

具體的工作流程如下：對n 進行求解，此時令m 為常量，求解n 的過程如下：令U 關于n 的偏導為零，得

解出n 的最優值之后，按如下步驟對m*、n*進行求解，步驟如下：

步驟1： 按照驗證節點的驗證速度進行排序；

步驟2： 從驗證節點數量允許的最小值開始迭代，使用式（17）計算n，得出n 的理論最優值，在n的取值范圍內，尋找最接近的值為n*；

步驟3： 添加新的驗證節點后，再次計算優化目標函數的值，與原先優化目標函數的值比較，是否更新后優化目標函數的值更小. 若結果為“是”，則表明目標函數還有進一步優化的空間，將此驗證節點添加到選定的驗證節點中并跳轉至步驟2；否則表明目標函數以優化至最優狀態，將丟棄該驗證節點，退出循環并獲得m*；

步驟4： 將計算出的m*，n* 輸出；

將動態均衡搜索算法與暴力搜索算法按求解出最優值所需的迭代次數進行對比，結果見圖3.

如圖3 顯示，將本文提出的動態均衡算法與暴力搜索算法在迭代次數進行對比，可以發現，二者達到了相同的最小值，保證了本文算法的正確性；同時，本文算法收斂得更快更穩定，證明了本文算法的有效性. 總之，本文算法可以有效地搜索m*、n*的最優值.

3. 3 算法分析

針對區塊鏈系統，本文算法首先按交易的優先級進行排序，將不同優先級的交易分配到不同的區塊鏈通道；然后在每個區塊鏈通道生成綜合目標；最終在一定的約束條件下，對綜合目標進行求解，得到區塊鏈配置的最優解. 該算法整體偽代碼如下.

算法1 中，在1 次算法執行周期內依據優先級，將不同優先級的交易分配到不同的區塊鏈通道上，防止彼此干擾. 由對應的區塊鏈通道設置區塊鏈的優化重點，并配置不同指標的權重. 將配置權重之后的指標累加，得到加權指標. 通過對加權指標迭代求解，解出參數最優值并以此配置區塊鏈通道.

為了驗證算法的有效性，本文采用以下3 個指標對算法的性能以及運行算法時耗費的資源進行分析：時延和吞吐率指標用于分析算法的性能；通訊開銷指標用于分析算法運行時耗費的資源.

通訊開銷：定義區塊鏈通訊開銷（ConnectionCost，Ccommunication）為每確認1 個區塊平均所需要消耗的網絡資源. 該指標用于衡量區塊鏈網絡對于帶寬資源的消耗. 即

Ccommunication = ΣIO／Σblock

Ccommunication： 通訊開銷，kb/個

ΣIO： 網絡總的帶寬資源消耗，kb

Σblock： 網絡總確認區塊的數量，個

本文提出的算法通過對區塊鏈網絡進行合理配置，以此提高區塊鏈性能.

4 仿真分析

4. 1 仿真環境

本文使用go 語言進行仿真分析，實驗環境如下：處理器Intel（R） Core（TM）i5-12400F，主頻2. 5 GHz，內存16 GB，操作系統64 bit windows 10.使用docker 技術配置運行環境，保證環境的一致性. 使用以太坊Geth 客戶端模擬區塊鏈的運行并使用hyper bench 自動化測試工具，對區塊鏈性能進行測試. 本節首先以時延和吞吐率作為性能指標分析算法的性能，然后以通訊開銷為指標，分析算法運行時耗費的網絡資源.

算法的仿真分析所使用的參數如下：q=4，O=0. 5 Mb，θ=1，rd=1. 2 Mb s，ru=1. 3 Mb s，K=100，B=0. 5 kb，區塊鏈網絡的超級節點數量設定為15 個，普通節點數量，以及區塊鏈長度可調節. 對比的算法為：原始DPOS 算法、CE-DPOS 算法及RC-DPOS 算法.

4. 2 區塊鏈性能分析

在算法性能方面，將本文提出的DPOS+IDB算法與原始DPOS 算法、CE-DPOS 算法和RCDPOS算法進行比較. 在CE-DPOS 算法中，通過投票選舉出積極的節點作為代理節點，提高區塊鏈的性能；在RC-DPOS 算法中，將原本在所有節點中選擇代理節點改為基于節點名譽積分進行分級，選擇最高等級以及次高等級作為代理節點的候選節點，提高區塊鏈的性能.

圖4 顯示，雖然CE-DPOS 算法、RC-DPOS 算法及本文算法均比原DPOS 算法的時延性能有較大提升，但是，當共識算法運行一段時間后，CEDPOS算法以及RC-DPOS 算法由于存在打分、投票選舉環節，而最差情況下多數節點得分相近，可能需要多輪投票，因此導致算法的準備時間變長，交易的時延增加. 相比之下，本文算法由于不存在投票環節，避免了多輪選舉所需要的額外時間，因此更加穩定. 故本文算法在運行一段時間后，仍能有效地進行網絡配置，網絡時延性能更佳.

在圖5 中顯示，CE-DPOS 算法、RC-DPOS 算法及本文算法，均比原始DPOS 算法在吞吐率方面有較大提升. 文獻［18］指出，可以從節點可用帶寬的角度分析區塊鏈系統的吞吐率，由于處理交易需要占用帶寬，故代理節點可用帶寬R 是區塊鏈吞吐率的主要瓶頸. 而最壞情況下，代理節點需要多次選舉，會占用更多的代理節點總帶寬，使得代理節點可用帶寬減小，造成性能波動. 本文算法由于不存在選舉的環節，因此代理節點的帶寬更加穩定. 可以有效減小波動. 故本文算法從均值的角度，其吞吐率優于CE-DPOS 算法；并且其穩定性優于CE-DPOS 算法和RC-DPOS 算法.

4. 3 網絡資源消耗分析

在網絡資源消耗方面，本文算法與原始DPOS算法、CE-DPOS 算法和RC-DPOS 算法進行比較：在CE-DPOS 算法中，每個節點在共識開始前，需要兩兩之間投票，消耗大量網絡資源；在RCDPOS算法中，基于節點名譽值，由高到低分為4個等級，選擇代理節點時，只考慮最高等級以及次高等級的節點，因此，比CE-DPOS 共識算法消耗的網絡資源少，但是當節點數量為j 時，這2 類算法均需要消耗j2 大小的網絡資源，高于原始DPOS算法.

圖6 顯示，當節點數量增長時，CE-DPOS 算法以及RC-DPOS 算法需要的通訊開銷大量增長，本文算法有效降低了通訊開銷，適用于節點帶寬緊張的情況. 圖4 以及圖5 顯示，本文算法具有低時延、高吞吐率的優點. 綜上，本文算法適用于網絡帶寬資源較為緊張，對時延要求較高的情況.

5 結論

本文提出了針對區塊鏈共識性能優化的加權指標動態均衡算法，通過排隊理論將事務分配到不同的區塊鏈通道，然后通過對不同指標進行加權綜合得出加權指標，最終通過最優化理論，對加權指標優化求解，利用求解的結果配置區塊鏈網絡，使本文算法具有低時延、高吞吐率及低通訊開銷等優點，整體提升了DPOS 算法共識性能. 后續工作將進一步優化加權指標中各個指標的定義以及迭代求解算法.

［1］ Liu Y，Zhan J，Wang X. Dynamic monitoring and dispatchingsystem of power resources based on blockchainand edge agent［J］. Machinery amp; Electronics，2023， 41： 46.［劉巖， 詹雋， 王新， 等. 基于區塊鏈和邊緣代理的電力資源動態監測調度系統［J］. 機械與電子， 2023， 41： 46.］

［2］ Jin S X，Zhang X D，Ge J G， et al. Overview ofblockchain consensus algorithm［J］. Journal of CyberSecurity， 2021， 6： 85.［靳世雄， 張瀟丹， 葛敬國，等. 區塊鏈共識算法研究綜述［J］. 信息安全學報，2021， 6： 85.］

［3］ Sharma M，Pant S，Kumar S D，et al. Enabling securityfor the industrial internet of things using deeplearning， blockchain， and coalitions［J］. T EmergTelecommun T， 2020， 32： 4317.

［4］ Bing W，Hui L，Li P. Optimized DPoS sconsensusstrategy： Credit-weighted comprehensive election［ J］.Ain Shams Engin J， 2023， 14： 101874.

［5］ Wang B，Li H L，Niu X Z. DPoS consensus algorithmbased on comprehensive election ［J］. ComputerEngineering， 2022， 48：50.［王兵， 李輝靈， 牛新征. 基于綜合選舉的DPoS 共識算法［J］. 計算機工程， 2022， 48： 50.］

［6］ Chen Y， Liu F. Research on improvement of DPoSconsensus mechanism in collaborative governance ofnetwork public opinion ［J］. Peer-to-Peer Networkingand Applications， 2022， 15： 1849.

［7］ Mazzoni M，Corradi A，Di N V. Performance evaluationof permissioned blockchains for financial applications：The Consensus Quorum case study［ J］. Blockchain：Research and Applications， 2022， 3： 10026.

［8］ Shiva R P，Jinho C. Federated learning with blockchainfor autonomous vehicles： Analysis and designchallenges［ J］. IEEE T Commun， 2020， 68： 4734.

［9］ Zhang H J，Ding P G，Peng Y X， et al. State gridelectricity data sharing scheme based on CKKS andCP-ABE ［J］. J Inform Secu Res， 2023， 9： 262.［張海俊， 丁平剛， 彭一軒， 等. 基于CKKS 與CP-ABE的國網電力數據共享方案［J］. 信息安全研究，2023， 9 ： 262.］

［10］ Bai S Z，Chen M J. Research on hierarchical andsharding Blockchain for industrial internet［J］. ComputerEngineering， 2023， 49： 58.［白首圳， 陳美娟.面向工業互聯網的區塊鏈分層分片研究［J］. 計算機工程， 2023， 49： 58.］

［11］ Pradip K S，Jong H P. Blockchain based hybrid networkarchitecture for the smart city ［J］. Future GenerationComputer Systems， 2018， 86： 650.

［12］ Tong X， Zhang Z， Jin C Q， et al. Blockchain forEnd-Edge-Cloud architecture： A survey［J］. Chin JComput， 2021， 44： 2345.［佟興， 張召， 金澈清，等. 面向端邊云協同架構的區塊鏈技術綜述［J］. 計算機學報， 2021， 44： 2345.］

［13］ Zhang Y T， Xu X L. Optimization analysis of M/M/1 queue with two types of priority customers ［J］.Chin J Appl Prob Statis， 2021， 37： 449.［張怡通，徐秀麗. 具有兩類優先權顧客的M/M/1 排隊的優化分析［J］. 應用概率統計， 2021，37： 449.］

［14］ Kang J W， Xiong Z H，Dusit N，et al. Toward secureblockchain-enabled internet of vehicles： Optimizingconsensus management using reputation and contracttheory［J］. IEEE Trans. Veh Technol， 2019， 68：2906.

［15］ Wu Z，Huang H，Zhou Y，et al. A secure and efficientdata deduplication framework for the internet ofthings via edge computing and blockchain ［J］. ConnectSci， 2022， 34： 1999.

［16］ Xiong Z H， Feng S H， Wang W B， et al. Cloud/fogcomputing resource management and pricing forblockchain networks ［J］. IEEE Internet Things J，2019， 6： 4585.

［17］ Zhu X P， Fu Q， Wen H， et al. Optimal allocationmodel of multi-energy entity energy storage from perspectiveof blockchain［J］. Electric Power AutomationEquipment， 2020， 40： 47.［朱西平， 付遷， 文紅， 等. 區塊鏈視角下多能源主體儲能優化配置模型［J］. 電力自動化設備， 2020， 40： 47.］

［18］ Dongmin S， Sawsan A Z， Gerard M. Performanceanalysis of an energy trading platform using the ethereumblockchain［C］//2021 IEEE international conferenceon blockchain and cryptocurrency （ICBC）.Sydney， Australia： IEEE， 2021： 1.

（責任編輯： 白林含）

基金項目： 云南省重大科技專項計劃（202302AD080002）