基于SVM的DPoS共識機制改進

摘 要：

共識機制是區塊鏈技術的重要組成部分，針對委托權益證明（delegated proof of stake，DPoS）共識機制中對惡意節點不能及時有效處理的問題，提出了一種基于支持向量機的DPoS共識機制改進方案（SVM-DPoS）。首先構建基于SVM的節點判別模型，通過訓練好的模型分析節點的行為動機，根據判別結果及時剔除惡意節點；其次基于固定協商出塊順序優化傳統算法的出塊流程，提升出塊效率，進一步提高了整個區塊鏈網絡的運行效率。在公開數據集上的實驗結果表明，與已有的幾種方法相比，改進后的共識機制能夠快速剔除惡意節點，不僅維護了系統穩定性，且增強了對惡意行為的防范能力，從而在保障區塊鏈網絡正常運行的同時，提高了整體共識的安全性。

關鍵詞：區塊鏈；委托權益證明；支持向量機

中圖分類號：TP301.6 文獻標志碼：A 文章編號：1001-3695（2024）09-005-2598-06

doi：10.19734/j.issn.1001-3695.2024.01.0029

Improvement of DPoS consensus mechanism based on SVM

He Jing1， 2， Dou Tianchen1， Chen Lin1， Dong Yunyun1， 2

（1.College of Software， Yunnan University， Kunming 650504， China; 2. Engineering Research Center of Cyberspace， Kunming 650504， China）

Abstract：

The consensus mechanism is a critical component of blockchain technology. To address the issue of delayed or ineffective handling of malicious nodes in the DPoS consensus mechanism， this paper proposed an improvement plan for the DPoS consensus mechanism based on SVM（SVM-DPoS）. This approach firstly established a node discrimination model based on SVM， which analyzed the behavior motivations of nodes through a well-trained model， allowing for the timely elimination of malicious nodes based on discrimination results. Furthermore， it optimized the traditional block production process based on a fixed negotiated block order， enhancing the block production efficiency and consequently improving the overall operational efficiency of the blockchain network. Experimental results on public datasets indicate that compared to existing methods， the improved consensus mechanism can quickly eliminate malicious nodes. Not only does it maintain system stability， but it also strengthens the defense against malicious activities， thus ensuring the normal operation of the blockchain network while enhancing the overall security of the conseHDn6+r1d9FfOmTjB3xJ/aaM+/yDS1U+fjNysoYJvqNM=nsus.

Key words：block chain; delegated proof of interest; support vector machine

0 引言

共識問題是社會科學和計算機科學等領域的經典問題，已經有很長的研究歷史。在分布式系統中，由于節點之間的異步通信和可能的故障，共識問題變得尤為重要。在傳統的分布式系統中，共識問題通常由拜占庭將軍問題（Byzantine generals problem）引起，即如何在存在故障節點的情況下，讓節點之間達成一致的決策。針對拜占庭將軍問題，研究者們提出了許多共識算法，例如Paxos算法［1］、Raft［2］算法等。這些算法的核心思想是通過多輪投票、選舉等機制，讓節點達成一致的共識，從而保證系統的正確性和一致性。然而傳統的共識算法通常存在性能低下、可擴展性差等問題，無法滿足日益增長的分布式系統的需求。

2008年，Nakamoto［3］提出并公開了區塊鏈早期的實現代碼。作為區塊鏈的核心技術之一，共識算法具有顯著的優勢，其中之一就是在去中心化系統中能夠有效地實現各個節點對區塊數據有效性的共識，尤其是在決策權高度分散的情況下，仍然能夠實現高效的共識達成。根據參與者的權限和控制范圍，可以將區塊鏈分為公有鏈、聯盟鏈和私有鏈［4］。目前公有鏈的主流共識算法為工作量證明（proof-of-work，PoW）［5］、權益證明（proof-of-stake，PoS）［6］和委托權益證明（delegated proof-of-stake，DPoS）［7］。其中PoW利用哈希算力來競爭記賬權，但這容易造成電力資源的浪費以及算力集中等問題；PoS解決了PoW消耗大量算力的問題，但權益的累積可能會導致節點之間的貧富差距過大；而DPoS則類似于股份公司，根據股民持有的股份進行投票，最終得票數排名靠前的節點成為見證節點輪流完成記賬［8，9］。與PoW和PoS相比，DPoS參與驗證和記賬的節點數量大幅減少，因此可以提高交易處理速度和吞吐量。但DPoS仍然存在一些不足之處：

a）投票積極性不高，大多數節點只是持股，很少參與投票。

b）壟斷性高，只有持幣的人才能參與區塊驗證。

c）沒有對惡意節點進行快速剔除，不僅影響節點投票結果，還增加了投票周期，耗費資源。

對于以上問題，國內外部分學者對DPoS算法進行了改進。針對投票積極性不高的問題，Yu等人［10］提出獎勵制度，討論了激勵機制和DPoS共識機制之間的適配和優化，提出了“舉報獎勵”這一激勵制度對節點進行監督，但采用獎勵的方式提高節點的參與積極性依舊無法避免節點為換取獎勵進行惡意投票和惡意舉報的問題；張雅萍等人［11］提出一種配對制度的DPoS共識機制（DPoS-M2），擯棄了節點投票的方式，通過比較節點的屬性值快速選出屬性值較高的作為記賬節點。對惡意節點問題，Xu等人［12］通過引入模糊集概念加入棄權票，降低了惡意節點被選為代理節點的概率；何帥等人［13］引入RBF神經網絡模型使選舉出的節點更加權威可信，同時引入信譽機制增加惡意節點攻擊成本；Yang等人［14］提出一種基于降級機制（DDPoS），通過對惡意節點降級，對可靠節點升級，保障系統良好運行。對于惡意節點處理問題，以上研究只是對其進行了標記，導致投票周期加長、耗費資源。

基于上述研究在惡意節點處理方向所存在的問題，本文提出一種基于SVM改進的DPoS（SVM-DPoS）共識機制。在DPoS共識機制中，如果有節點長時間存在惡意行為，則會對整個網絡的安全性和穩定性造成威脅。而傳統的DPoS共識機制可能無法及時發現和剔除這些惡意節點。這時可以引用SVM模型的分類特性對節點進行分類識別，對可能的惡意節點進行精準標識及時剔除，并且在見證節點降低到安全閾值以下時，從候選節點中選擇新的節點加入驗證節點集合，以保證網絡的安全性。在此基礎上可以進一步收集節點的行為數據，包括節點的投票行為、活躍程度等，用于訓練SVM模型。通過不斷的訓練和優化，SVM模型的識別精度將逐步提高，使得惡意節點的識別和剔除更為及時和準確。同時通過對這些數據的分析，還可以發現惡意節點的行為模式，從而進一步完善和優化共識機制。

1 基于SVM的DPoS共識機制

SVM在分類和回歸分析中有著廣泛的應用，它可以很好地處理小樣本、非線性以及高維模式識別中的問題，對于異常檢測具有較高的準確率。因此對于惡意節點的識別，SVM模型可以提供精準且高效的識別結果。同時SVM的支持向量具有很好的解釋性，可以幫助人們理解惡意節點的行為特征，進一步增強DPoS共識機制的安全性和穩定性，具有極大的應用價值。

1.1 節點分類

區塊鏈作為一種分布式數據庫技術，其核心特點是去中心化、不可竄改、可追溯和共識機制。它通過使用密碼學、點對點網絡和共識算法來維護網絡的安全性和可靠性，使得交易在不依賴中心化機構的情況下得以進行，從而具有廣泛的應用價值。因此為了保證信息的安全，在DPoS系統中希望將產生區塊的權力交給那些可靠且值得信任的節點，從而提高整個系統的效率和安全性。因為被選出來的這些節點具備較高的技術能力和良好的聲譽，所以它們生產和驗證區塊的效率更高，同時也不太可能做出違背社區利益的行為，從而提高了系統的安全性。本文將參與共識的節點分成四類，即普通節點（ordinary nodes）、候選節點（candidate nodes）、見證節點（witness node）和作惡節點（malicious node）。

1.1.1 普通節點

普通節點是指沒有被選為見證節點的節點，它們的主要作用是參與投票選舉見證節點，并驗證交易和傳輸區塊。普通節點的參與度和作用在DPoS網絡中相對較小，但是它們的投票和交易驗證仍然是DPoS系統的重要組成部分，為整個網絡提供了基礎性的支持。

1.1.2 候選節點

候選節點與普通節點不同，它們的投票數和代幣數量決定了它們被選為見證節點的機率。候選節點通過得到足夠多的選票和代幣持有量，可以被選為下一輪的見證節點。候選節點的數量通常比見證節點多，因此它們之間的競爭比較激烈。

1.1.3 見證節點

見證節點負責驗證和打包交易，并將區塊添加到區塊鏈中以維護區塊鏈的安全和穩定性。根據DPoS算法的設計，一組見證節點輪流為每個區塊鏈生產區塊，其生產順序由其獲得選票的排名確定。由于見證節點需要獲得足夠的選票才能成為生產節點，所以DPoS系統通常比其他共識機制具有更少的活躍見證節點。

1.1.4 作惡節點

作惡節點是指在網絡中惡意行為的節點。這些節點可能會試圖對區塊鏈進行攻擊、竄改交易或者利用其權力進行自私行為等，以達到其自身利益的目的。這些惡意節點會對整個系統造成威脅，可能導致區塊鏈的安全性和穩定性受到損害。

1.2 DPoS共識機制流程

委托權益證明（DPoS）共識算法主要包含兩個步驟，即共識節點的選舉過程以及節點間達成共識的過程，改進后的整體流程如圖1所示。

委托權益證明（DPoS）共識算法的具體流程可以分為以下幾個步驟：a）初始設定，在DPoS共識算法中，需要先確定見證節點候選人的初始列表，通常持有一定數量代幣的用戶可以成為見證節點候選人；b）見證節點選舉，所有持幣用戶可以通過投票來選舉見證節點，如圖所示，在共識開始時每個持幣用戶可以將自己的代幣投票給候選人，根據得票數排名，得票數最高的前21位候選人將成為見證節點，這些見證節點將輪流負責出塊和驗證交易，輪換的周期可以事先設定，通常是固定的時間間隔；c）區塊生產，在輪到某個見證節點出塊時，它將負責驗證交易和打包成一個新的區塊，然后該區塊被廣播到網絡中，其他節點進行驗證和確認。

本文提出基于SVM的節點剔除機制，在步驟c）出塊過程中，判斷見證節點是否作惡，如果存在作惡行為及時剔除。同時，在見證節點集合低于11時，從候選人集合中補充。盡最大可能保證每一輪共識過程中所有見證節點都能正常打包區塊，提高系統的穩定性和安全性。

1.3 基于核支持向量機的惡意節點剔除機制

1.3.1 周期輪換

在DPoS系統中，節點通過投票，選出一定數量的區塊生產者。這些區塊生產者負責驗證和添加新區塊到區塊鏈中，它們在特定的時間周期后被重新選舉。也就是說，所有的區塊生產者都會有一個固定的任期，并在此期間按照一定的順序生產區塊。這種周期輪換機制增加了系統的公平性和透明度，因為它使得所有的參與者有平等的機會去生產區塊并獲得獎勵。本文中對于周期輪換的具體實現如下所示。

輸入：初始節點genesis，出塊節點node_{block}。

輸出：是否重新選舉true，false。

begin

bnode_{block}=get_node（newBlock）

parent_{block}=get_parent（newBlock）

genesIsEpoch=get_Epoch（genesis）

preEopch=get_Epoch（parent_{block}）

currentEpoch=get_EpocH（node_{block}）

prevEpochIsGenesis=（prevEpoch== genesisEpoch）

if {（prevEpochIsGenesis） && （prevEpoch < currentEpoch）}

prevEpoch=currentEpoch-1

else if ！prevEpochIsGenesis

kickoutValidator（prevEpoch，genesis）

votes=true

Return votes

else Return false

end

a）獲取當前出塊節點：首先系統需要確定當前負責生成區塊的節點node_{block}。這個節點是通過DPoS共識算法中的投票機制選擇出來的，具有特定的權責和任期。

b）獲取出塊節點的父親節點：在整個區塊鏈網絡中，每個節點都與其他節點相連，形成了一個復雜的網絡結構。父節點parent_{block}是指在區塊鏈結構中，與當前節點node_{block}直接相連且位于其上一級的節點。

c）獲得創世塊周期時間：genesis是區塊鏈中的第一個區塊，它沒有父節點，所有其他區塊都直接或間接地連接到它。系統會根據初始塊的信息來確定創世塊的周期時間genesIsEpoch，也就是一個完整的區塊產生周期應該有多長時間。

d）獲取前個節點的周期及當前周期時間：系統需要跟蹤每個周期的時間，以便于判斷何時應當進行周期輪換。preEopch是指父節點生產塊時所在的周期，而currentEpoch則是指當前出塊節點node_{block}所在的周期。

e）判斷是否進行周期輪換：判斷是否進行周期輪換依賴于比較當前周期時間與上一周期時間，以及確認上一周期是否為創世周期。

（a）如果上個周期preEopch與當前出塊周期currentEpoch相同，則正常出塊不需要進行周期輪換；

（b）如果preEopch是genesIsEpoch且preEopch小于currentEpoch，那么系統將執行周期輪換算法，其中涉及重新選擇出塊節點，修改區塊生成規則，以及與周期輪換相關的操作。如果上周期不是創世周期，調用kickoutValidator檢測是否需要剔除惡意節點。

1.3.2 模型的建立

支持向量機（support vector machine，SVM）是一種監督學習算法，被廣泛應用于分類和回歸分析中。它的基本思想是將數據點映射到高維空間中，在該空間中構建一個超平面來實現分類或回歸分析。在訓練過程中，SVM算法會嘗試找到一個最優的超平面，使得該平面能夠將不同類別的數據點分離得最好，同時使得距離超平面最近的數據點到超平面的距離最大化。SVM算法具有許多優點，如泛化能力強、對噪聲數據具有魯棒性等，因此被廣泛應用于機器學習和數據挖掘領域。隨著大數據技術的不斷發展，構建適用于大規模數據的多分類模型已成為數據挖掘技術的研究熱點［15～18］。許多學者在對 SVM 技術進行深入研究后，提出了多種基于SVM 的多分類模型，例如一對一、一對多、決策樹、有向無環圖等多種分類算法［19～23］。 SVM的主要特點是可以通過尋找最大間隔來進行分類，同時具有較強的泛化能力和處理高維數據的能力，能夠有效地解決小樣本、非線性以及高維數據等問題。其優點還包括能夠處理較小規模的數據集、在訓練過程中可以有效避免陷入局部最優解、泛化能力強、對噪聲和數據缺失具有較好的容錯能力。因此利用SVM算法對區塊鏈中見證節點的行為進行預測評估，可以得到精度較高的結果，為DPoS共識機制中惡意節點的剔除提供了技術支撐，從而快速有效地剔除惡意節點。

本文設計了一種基于線性核函數的支持向量機模型，采用該模型識別作惡節點。線性核函數如下所示。

K（xi，xj）=xTi·xj（1）

其中：xi、xj為輸入向量，函數最終得到輸入向量的點積。

同時根據DPoS共識機制的運行情況及源碼分析，采用表1中5個屬性指標來綜合評判節點是否作惡，并結合支持向量機模型，將每個節點在區塊鏈上對應5個指標的歷史數據作為輸入，通過模型訓練確定輸入與輸出的內在聯系，最后將支持向量機的輸出值作為評判節點是否作惡的依據。節點相關評估指標說明如表1所示。

1.3.3 模型的求解

在基于SVM模型的訓練過程中需要求解函數，相關求解步驟如下：

a）樣本集為D={（yi，yi），i=1，2，…，m;yi=（－1，+1）}，其中xi代表第i個輸入樣本，yi代表第i個輸入樣本對應的類別值，m為樣本數量，劃分超平面為

2 實驗結果及分析

2.1 實驗環境

為了驗證改進后的DPoS共識機制能否快速剔除惡意節點以及算法的有效性，本文在相同的環境下對DPoS共識機制改進前后的安全性和時間消耗進行了對比分析進。本文仿真實驗在處理器Intel CoreTM i5-10400F CPU @ 2.90 GHz 的 64位Windows 11專業版平臺上進行，首先使用Python 3.6.13構建基于SVM的惡意節點判別模型，使用Go語言go1.9.6模擬DPoS共識算法進行實驗。最后使用Origin 2021對最終的實驗數據進行可視化對比評價。

2.2 模型驗證

為驗證本文方法的有效性，設計了相關實驗。本文采用公開的EOS項目歷史交易數據集XBlock-EOS［24］對SVM模型進行訓練并保存訓練好的模型，將訓練好的模型轉換為Go語言代碼保存。在實驗仿真過程中，根據EOS歷史交易數據集模擬1 600個節點，70%數據作為訓練集，然后對剩余 30%數據測試。其計算量少且為二分類問題，SVM算法的計算復雜度和訓練集中的樣本數目成正比，計算復雜度低，足以支持分類預測的運行。訓練集分類準確率為97.1%，測試集分類準確率達 98.5%，并無過擬合。見證節點作惡評估結果如表2所示，可以看出，訓練好的模型能夠精確地判別出節點是否有作惡行為。

相對于傳統的DPoS共識機制而言，基于SVM的惡意節點判別模型可以快速判斷出節點是否作惡，并對作惡節點及時剔除，極大地減小了共識節點中存在惡意節點的幾率。首先構建了一組包含正常節點和惡意節點的測試集，通過模擬這些節點的行為，生成對應五個屬性指標的歷史數據。然后將這些數據輸入到訓練好的模型中，得到模型對于這些節點是否為惡意節點的預測結果。在比較模型的預測結果和實際情況后發現，SVM模型能準確識別出絕大部分的惡意節點，同時幾乎沒有將正常節點錯誤地識別為惡意節點，這說明本文模型具有很高的準確率和可靠性。另外也測試了模型的處理速度，結果顯示SVM模型能在很短的時間內完成對所有節點的評估，這說明模型具有很高的運行效率，能夠及時發現并處理惡意節點，防止其對網絡造成破壞。此外，通過調整SVM模型的參數，可以在一定程度上改變模型對于惡意節點的判定敏感度，從而在不同的網絡環境和要求下，優化模型的判斷效果。

綜上，實驗結果充分證明了基于SVM的惡意節點判別模型在DPoS共識機制中的有效性和優越性。模型不僅能快速準確地判斷出惡意節點，還能根據網絡環境的需要，靈活地調整判斷策略，從而更好地維護網絡的穩定性和安全性。

2.3 安全性

在傳統共識過程中惡意節點作惡方式多樣，影響區塊形成的速度，但算法并沒有及時采取任何應對措施，只是對惡意節點進行了簡單的標記，經過下一輪選舉才能剔除節點，這樣會給網絡造成安全隱患。由于沒有快速剔除惡意節點，惡意節點可能會發動攻擊，例如雙花攻擊（double-spending attack）、拒絕服務攻擊（DoS attack）等，這樣可能會嚴重影響區塊鏈網絡的安全性。其次如果惡意節點在區塊鏈網絡中占據主導地位，它們可能會通過偽造交易或者修改歷史記錄等方式破壞數據的一致性。最后惡意節點可能會通過一些手段，誘導或迫使其他節點接受它們生成的非法區塊，從而導致網絡分裂，形成多個并行的鏈，導致參與者對系統的信任破裂，進而使得系統的價值大打折扣。

本實驗主要對惡意節點剔除的速度進行了測試對比分析，在相同網絡下設置100個節點，其中隨機選取20個節點作為惡意節點，其余80個節點為普通節點。普通節點參與正常的投票和記賬活動，而惡意節點無法按時生成區塊，有意破壞共識過程。如圖3所示，由于傳統DPoS共識機制對惡意節點容忍度較大，剔除節點方式較為保守，所以效果較差。DDPoS使用PoW選擇見證節點，而不是根據投票選舉，雖然提高了安全性，但是增加了共識周期時長，因此也具有一定滯后性。DPoS-M2機制采用類別評定模塊，較前兩者有所提升。本文采用基于SVM的惡意節點判別模型，對存在惡意行為的各類節點及時懲罰，若見證節點被發現存在惡意行為，則將該節點踢出見證節點集合，相較于傳統DPoS、DDPoS及DPoS-M2均有所提升。在110 min時相較于DDPoS和DPoS-M2，分別提升了25%和20%左右，進一步確保系統的安全性和穩定運行。

2.4 時間消耗

為了對比四種共識機制的時間消耗，本次實驗設計在同一網絡環境下運行24個模擬節點，其中絕大部分，即21個節點扮演的是見證節點角色，而余下的3個節點則作為候選節點維持共識過程安全進行，每產生50個塊記錄一次數據。結果如圖4所示，隨著區塊個數從0到2000的增長，使用SVM-DPoS共識算法比傳統DPoS共識算法在降低出塊時間方面的優勢更加突出。這因為傳統DPoS共識算法在選出節點后，見證節點之間的先后通信方式沒有明確的規定，采用隨機的見證出塊順序，出塊速度大致為3 s左右；DDPoS在節點選取階段使用PoW消耗大量計算資源，使得出塊交易確認時間較長，出塊速度在8 s左右；DPoS-M2機制擯棄了節點投票而采用對屬性值進行計算選取記賬節點，出塊時間在4 s左右；本文將原先的隨機出塊順序改為由見證商議后確定的出塊順序，共識算法選取委托人后互相協商出一個出塊的順序，見證出塊時進行全網廣播，其他見證收到新區塊后立即對此區塊進行驗證，無須等待其他見證自己出塊時再確認，降低了隨機選取委托人節點之間不必要的通信消耗，加快了區塊形成的速度。

最后對時間效率進行分析。本次實驗設計在同一網絡環境下運行24個模擬節點，其中絕大部分，即21個節點扮演的是見證節點角色，而余下的3個節點則作為候選節點，其存在的主要目的是為了維護共識的安全性。進行50輪的共識實驗，并同時比較了四種共識機制在此過程中所消耗的時間。具體的實驗結果如圖5所示。觀察實驗數據可以發現一個明顯的趨勢，那就是隨著模擬周期的增長，四種共識機制消耗的時間都呈現出線性增長的態勢。在相同的實驗條件下，隨著共識次數的增加，SVM-DPoS共識機制所耗費的時間相對其他三種機制來說更少。即相比其他三種共識機制，時間消耗的優勢更加明顯。這種優勢主要體現在兩個方面：一是可以大幅度降低因節點惡意行為導致的網絡阻塞問題，二是每個周期見證節點出塊順序固定且隨機產生，降低了時間開銷。

3 結束語

在區塊鏈公鏈共識算法中，相較于PoW，DPoS在共識過程中減少了能源的浪費，通過代表節點的選舉和輪流出塊的方式，極大地提高了系統的能效。這為區塊鏈網絡的可持續性發展提供了有力支持。其次與PoS相比，DPoS通過選舉產生代表節點，有效地避免了寡頭壟斷的問題，使得共識過程更為去中心化和民主化。這有助于防止權力過于集中，維護了整個網絡的去中心化特性。雖然DPoS共識算法相對于PoW和PoS有了一定提升，但其安全性始終備受爭議。基于此，本文從見證節點的作惡剔除方面進行改進和優化。將支持向量機運用到區塊鏈節點的共識過程中，利用構建SVM分類器實現對惡意節點的精確標記，快速有效地剔除了惡意節點，在保持原有性能的前提下，提高了共識節點的可信度及DPoS共識機制的安全性。但目前的研究還存在一些局限性和不足之處，需要繼續在實踐中不斷完善和改進，從而構建安全、高效和可擴展的區塊鏈系統。

參考文獻：

［1］Chandra T D，Griesemer R，Redstone J. Paxos made live： an engineering perspective ［C］// Proc of the 26th Annual ACM Symposium on Principles of Distributed Computing. New York：ACM Press，2007： 398-407.

［2］Ongaro D，Ousterhout J. In search of an P1HP2s2LLH/LsI7l+uwTU+T95NtJ+Aqcz0CyK1phtso=understandable consensus algorithm ［C］// Proc of USENIX Annual Technical Conference. 2014： 305-319.

［3］Nakamoto S. Bitcoin： a peer-to-peer electronic cash system ［R/OL］. （2008-10-31） ［2020-09-12］. https：//www. debr. io/article/21260-bitcoin-a-peer-to-peer-electronic-cash-system.

［4］鄧小鴻，王智強，李娟，等. 主流區塊鏈共識算法對比研究 ［J］. 計算機應用研究，2022，39（1）： 1-8. （Deng Xiaohong，Wang Zhiqiang，Li Juan，et al. Comparative research on mainstream blockchain consensus algorithms ［J］. Application Research of Computers，2022，39（1）： 1-8.）

［5］BitFury G. Proof of stake versus proof-of-work ［EB/OL］. （2015-09-13）. https：//www. docin. com/p-1967383132. html.

［6］King S，Nadal S. PPCoin： peer-to-peer crypto-currency with proof-of-stake ［EB/OL］.（2012）. https：//www.researchgate.net/publication/265116876_PPCoin_Peer-to-Peer_Crypto-Currency_with_Proof-of-Stake.

［7］Larimer D. Delegated proof-of-stake （DPoS） ［EB/OL］. （2014-04-03）. https：//how.bitshares.works/en/master/technology/dpos.html.

［8］Xu Jie，Wang Cong，Jia Xiaohua. A survey of blockchain consensus protocols ［J］. ACM Computing Surveys，2023，55（13S）： 1-35.

［9］Deepa N，Pham Q V，Nguyen D C，et al. A survey on blockchain for big data： Approaches，opportunities，and future directions ［J］. Future Generation Computer Systems，2022，131： 209-226.

［10］Yu Bin，Li Xiaofeng，Zhao He，et al. A scalable blockchain network model with transmission paths and neighbor node subareas ［J］. Computing，2022，104（10）： 2253-2277.

［11］張雅萍，任秀麗. 基于配對制度的DPoS共識機制 ［J］. 計算機應用研究，2021，38（10）： 2909-2914. （Zhang Yaping，Ren Xiuli. DPoS consensus mechanism based on matching mechanism ［J］. Application Research of Computers，2021，38（10）： 2909-2914.）

［12］Xu Guangxia，Liu Yong，Khan P W. Improvement of the DPoS consensus mechanism in blockchain based on vague sets ［J］. IEEE Trans on Industrial Informatics，2019，16（6）： 4252-4259.

［13］何帥，黃襄念，劉謙博，等. DPoS區塊鏈共識機制的改進研究 ［J］. 計算機應用研究，2021，38（12）： 3551-3557. （He Shuai，Huang Xiangnian，Liu Qianbo，et al. Research on improvement of DPoS blockchain consensus mechanism ［J］. Application Research of Computers，2021，38（12）： 3551-3557.）

［14］Yang Fan，Zhou Wei，Wu Qingqing，et al. Delegated proof of stake with downgrade： a secure and efficient blockchain consensus algorithm with downgrade mechanism ［J］. IEEE Access，2019，7： 118541-118555.

［15］Sabokrou M，Fathy M，Zhao Guoying，et al. Deep end-to-end one-class classifier ［J］. IEEE Trans on Neural Networks and Learning Systems，2021，32（2）： 675-684.

［16］Yu Zhi，Shi Xiuzhi，Zhou Jian，et al. A new multikernel relevance vector machine based on the HPSOGWO algorithm for predicting and controlling blast-induced ground vibration ［J］. Engineering with Computers，2022，38： 1905-1920.

［17］Chen Kui，Badji A，Laghrouche S，et al. Polymer electrolyte membrane fuel cells degradation prediction using multi-kernel relevance vector regression and whale optimization algorithm ［J］. Applied Energy，2022，318： 119099.

［18］Prabhavathy T，Elumalai V K，Balaji E. Hand gesture classification framework leveraging the entropy features from sEMG signals and VMD augmented multi-class SVM ［J］. Expert Systems with Applications，2024，238： 121972.

［19］Vos K，Peng Z，Jenkins C，et al. Vibration-based anomaly detection using LSTM/SVM approaches ［J］. Mechanical Systems and Signal Processing，2022，169： 108752.

［20］Zhou Junbo，Xiao Maohua，Niu Yue，et al. Rolling bearing fault diagnosis based on WGWOA-VMD-SVM ［J］. Sensors，2022，22（16）： 6281.

［21］戴小路，汪廷華，胡振威. 模糊多核支持向量機研究進展 ［J］. 計算機應用研究，2021，38（10）： 2896-2903. （Dai Xiaolu，Wang Tinghua，Hu Zhenwei. Research progress of fuzzy multiple kernel support vector machine ［J］. Application Research of Computers，2021，38（10）： 2896-2903.）

［22］肖開研，廉潔. 基于多核支持向量機的句子分類算法 ［J］. 華東師范大學學報： 自然科學版，2023 （6）： 85-94. （Xiao Kaiyan，Lian Jie. Sentence classification algorithm based on multi-kernel support vector machine ［J］. Journal of East China Normal University： Natural Science，2023 （6）： 85-94.）

［23］Wang Yu，Zhang Mingkai，Tang Xiaowei，et al. A kMap optimized VMD-SVM model for milling chatter detection with an industrial robot ［J］. Journal of Intelligent Manufacturing，2022，33： 1483-1502.

［24］Zheng Weilin，Zheng Zibin，Dai H N，et al. XBlock-EOS： extracting and exploring blockchain data from EOSIO ［J］. Information Processing & Management，2021，58（3）： 102477.

收稿日期：2024-01-08；修回日期：2024-03-22 基金項目：國家自然科學基金資助項目（62162067，82360280）；云南省軟件工程重點實驗室開放基金資助項目（2020SE310）；跨境網絡空間安全教育部工程研究中心開放基金資助項目（KJAQ202112013）

作者簡介：何婧（1978—），女，云南紅河人，副教授，碩導，博士，主要研究方向為大數據分析、數據挖掘、區塊鏈；豆天晨（1998—），男，陜西咸陽人，碩士研究生，主要研究方向為區塊鏈共識算法；陳琳（1998—），女，云南曲靖人，碩士研究生，主要研究方向為網絡表示學習；董云云（1989—），女（通信作者），云南保山人，講師，博士，主要研究方向為圖像隱寫、區塊鏈（dongyy929@ynu.edu.cn）.