一个基于DPoS共识算法的区块链案例解析

本文涉及的产品
云解析 DNS,旗舰版 1个月
全局流量管理 GTM,标准版 1个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
简介: 前面我们介绍了PoW以及PoS的案例,我们会发现它们都有一些缺点,比如PoW耗费能源比较多,而PoS是持有的币越多,成功挖矿的几率越大,这会造成贫富差距越来越大,并且人们都不太愿意消耗自己的币。而我们的DPoS,全名为Delegated Proof of Stake,也就是股份授权证明就解决了这些不足。DPoS就是大家投票选出一定数量的节点来挖矿,用户拥有的票的数量和他持有的币数量有关。这就和股份制公司很像了,大家投票选出董事会成员。这些被选出来的拥有挖矿权的节点的挖矿权力是一模一样的。如果某个节点挖到了矿,那么他就要将获得的币分一些给投票给他的人。

一个基于DPoS共识算法的区块链案例解析

一、前言

前面我们介绍了PoW以及PoS的案例,我们会发现它们都有一些缺点,比如PoW耗费能源比较多,而PoS是持有的币越多,成功挖矿的几率越大,这会造成贫富差距越来越大,并且人们都不太愿意消耗自己的币。

而我们的DPoS,全名为Delegated Proof of Stake,也就是股份授权证明就解决了这些不足。

DPoS就是大家投票选出一定数量的节点来挖矿,用户拥有的票的数量和他持有的币数量有关。这就和股份制公司很像了,大家投票选出董事会成员。

这些被选出来的拥有挖矿权的节点的挖矿权力是一模一样的。

如果某个节点挖到了矿,那么他就要将获得的币分一些给投票给他的人。

一、定义区块、区块链

type Node struct {
    Name string
    Votes int
}

type Block struct {
    Index     int
    Timestamp string
    Prehash   string
    Hash      string
    Data      []byte
    delegate *Node
}

相信关注这个专栏前几篇文章的老朋友应该都知道区块内的信息代表什么,这里简单说一下Index是区块高度,TimeStamp是时间戳,Data是块保存的一些数据,Hash是当前区块的哈希值,PrevHash是先前区块的哈希值,delegate是区块的挖掘者。

而这里的节点信息就是之前没有介绍的了,Name是节点名称,Votes是被投的票数。

二、生成创世区块

func firstBlock() Block {
    gene := Block{0, time.Now().String(),
        "", "", []byte("first block"), nil}
    gene.Hash = string(blockHash(gene))
    return gene
}

创世区块就是第一个区块,这里需要我们手写一个。哈希值的计算下面会讲述。

三、计算哈希值

func blockHash(block Block) []byte {
    hash := strconv.Itoa(block.Index) + block.Timestamp +
        block.Prehash + hex.EncodeToString(block.Data)
    h := sha256.New()
    h.Write([]byte(hash))
    hashed := h.Sum(nil)
    return hashed
}

这里是将所有数据拼接在一起,然后计算拼接后的数据的哈希值。

四、生成新的模块

func (node *Node) GenerateNewBlock(lastBlock Block, data []byte) Block {
    var newBlock = Block{lastBlock.Index + 1,
        time.Now().String(), lastBlock.Hash, "", data, nil}
    newBlock.Hash = hex.EncodeToString(blockHash(newBlock))
    newBlock.delegate = node
    return newBlock
}

还是讲过的逻辑,将这些数据放入区块中,便生成了一个新的区块。

五、创建节点

var NodeAddr = make([]Node, 10)


func CreateNode() {
    for i := 0; i < 10; i++ {
        name := fmt.Sprintf("节点 %d 票数", i)
        //初始化时票数为0
        NodeAddr[i] = Node{name, 0}
    }
}

假设我们这个区块链项目有10个节点,然后初始化节点,将节点的名字设为 节点0到节点9,然后初始化票数为0,将初始化的节点放入节点列表中。

六、模拟投票

func Vote() {
    for i := 0; i < 10; i++ {
        rand.Seed(time.Now().UnixNano())
        time.Sleep(100000)
        vote := rand.Intn(10000)
        NodeAddr[i].Votes = vote
        fmt.Printf("节点 [%d] 票数 [%d]\n", i, vote)
    }
}

我们这里使用随机数来分配节点被投的票数,因为要给10个节点投票,所以遍历10次,每次给节点投范围为0-9999的票数。

七、选拔挖矿节点

func SortNodes() []Node {
    n := NodeAddr
    for i := 0; i < len(n); i++ {
        for j := 0; j < len(n)-1; j++ {
            if n[j].Votes < n[j+1].Votes {
                n[j], n[j+1] = n[j+1], n[j]
            }
        }
    }
    return n[:3]
}

然后我们根据投票数来选出投票的节点,这里我们使用冒泡排序根据投票数给节点排序,最后从排序后的列表中选出前三个票数最多的节点作为挖矿节点。

八、主逻辑

func main() {
    CreateNode()
    fmt.Printf("创建的节点列表: \n")
    fmt.Println(NodeAddr)
    fmt.Print("节点票数: \n")
    
    Vote()
    
    nodes := SortNodes()
    fmt.Print("获胜者: \n")
    fmt.Println(nodes)

    first := firstBlock()
    lastBlock := first
    fmt.Print("开始生成区块: \n")
    for i := 0; i < len(nodes); i++ {
        fmt.Printf("[%s %d] 生成新的区块\n", nodes[i].Name, nodes[i].Votes)
        lastBlock = nodes[i].GenerateNewBlock(lastBlock, []byte(fmt.Sprintf("new Block %d", i)))
    }
}

主逻辑也是比较简单的,先初始化10个节点,然后投票,再根据票数选出前三名。然后前三名来生成新的区块。

是不是很简单,如果有兴趣的话,还可以看看前面描述的关于PoW和PoS的简单实例。

目录
相关文章
|
10天前
|
算法 前端开发 数据处理
小白学python-深入解析一位字符判定算法
小白学python-深入解析一位字符判定算法
26 0
|
15天前
|
数据采集 人工智能 安全
数据治理的实践与挑战:大型案例解析
在当今数字化时代,数据已成为企业运营和决策的核心资源。然而,随着数据量的爆炸性增长和数据来源的多样化,数据治理成为了企业面临的重要挑战之一。本文将通过几个大型案例,探讨数据治理的实践、成效以及面临的挑战。
数据治理的实践与挑战:大型案例解析
|
3天前
|
存储 算法 Java
解析HashSet的工作原理,揭示Set如何利用哈希算法和equals()方法确保元素唯一性,并通过示例代码展示了其“无重复”特性的具体应用
在Java中,Set接口以其独特的“无重复”特性脱颖而出。本文通过解析HashSet的工作原理,揭示Set如何利用哈希算法和equals()方法确保元素唯一性,并通过示例代码展示了其“无重复”特性的具体应用。
14 3
|
13天前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
36 0
|
5天前
|
搜索推荐 算法
插入排序算法的平均时间复杂度解析
【10月更文挑战第12天】 插入排序是一种简单直观的排序算法,通过不断将未排序元素插入到已排序部分的合适位置来完成排序。其平均时间复杂度为$O(n^2)$,适用于小规模或部分有序的数据。尽管效率不高,但在特定场景下仍具优势。
|
11天前
|
数据格式
常用的Lambda表达式案例解析,工作中都会用到!
常用的Lambda表达式案例解析,工作中都会用到!
|
11天前
|
机器学习/深度学习 算法 PyTorch
Pytorch-RMSprop算法解析
关注B站【肆十二】,观看更多实战教学视频。本期介绍深度学习中的RMSprop优化算法,通过调整每个参数的学习率来优化模型训练。示例代码使用PyTorch实现,详细解析了RMSprop的参数及其作用。适合初学者了解和实践。
19 1
|
15天前
|
算法 数据可视化 新制造
Threejs路径规划_基于A*算法案例完整版
这篇文章详细介绍了如何在Three.js中完整实现基于A*算法的路径规划案例,包括网格构建、路径寻找算法的实现以及路径可视化展示等方面的内容。
26 0
Threejs路径规划_基于A*算法案例完整版
|
5天前
|
前端开发 算法 JavaScript
无界SaaS模式深度解析:算力算法、链接力、数据确权制度
私域电商的无界SaaS模式涉及后端开发、前端开发、数据库设计、API接口、区块链技术、支付和身份验证系统等多个技术领域。本文通过简化框架和示例代码,指导如何将核心功能转化为技术实现,涵盖用户管理、企业店铺管理、数据流量管理等关键环节。
|
11天前
|
机器学习/深度学习 算法 PyTorch
Pytorch-SGD算法解析
SGD(随机梯度下降)是机器学习中常用的优化算法,特别适用于大数据集和在线学习。与批量梯度下降不同,SGD每次仅使用一个样本来更新模型参数,提高了训练效率。本文介绍了SGD的基本步骤、Python实现及PyTorch中的应用示例。
24 0

推荐镜像

更多