用simwiz.py仿真区块链网络与共识算法【Python】

简介:

simwiz.py是一个用于区块链仿真系统开发的Python包,适合快速实现共识算法的仿真,或者进行大规模区块链网络的实验,例如物联网+区块链系统等。官方下载地址:http://sc.hubwiz.com/codebag/simwiz-python/

1、开发包概述

simwiz.py区块链仿真开发包的主要特点如下:

  • 基于离散事件仿真机制,可以单机模拟包含大量节点的区块链网络
  • 内置仿真网络和区块链数据结构,可快速进行共识算法和区块链网络的仿真实验
  • 简洁的API接口,非常容易上手,便于二次开发

simwiz.py运行在Python 3.x环境下,当前版本1.0.0,主要类及关系如下图所示:

在这里插入图片描述

simwiz.py的主要代码文件参见官网说明:http://sc.hubwiz.com/codebag/simwiz-python/

2、使用演示程序

在终端进入simwiz.py开发包目录,执行如下命令运行内置的演示程序:

~$ cd simwiz.py
~/simwiz.py$ python3 demo.py

演示程序中,4个节点构成的区块链网络会定期输出其内部区块链构成,结果如下:

在这里插入图片描述

可以看到各节点(0 ~ 3)在每个出块周期(1 ~ 7)都通过共识算法保持了区块链数据的一致。

3、启动仿真区块链

使用Simulation类来创建仿真实例,并调用其run()方法启动仿真。例如,下面的代码创建一个包含4个默认节点的区块链网络的仿真对象,并执行1000毫秒的仿真:

from simwiz import *                                    # 引入simwiz包  

minters = 4
nodes = [                                               # 创建4个节点
  BlockchainNode(interval=100,minters=minters) 
  for i in range(minters)
]  
net = Network(nodes)                                    # 4个节点组网 
sim = Simulation(net)                                   # 创建仿真对象 

sim.run(1000)                                           # 仿真1秒钟     

4、自定义共识算法的实现

simwiz.py开发包内置的BlockchainNode类采用的共识算法类似于DPoS,即根据时间槽来决定当前的出块节点。可以通过继承BlockchainNode并重写其on_timer方法与on_message方法,实现自定义的共识算法。例如,让每个节点按预设的概率出块:

from simwiz import *
import random

class PoxNode(BlockchainNode):
  def __init__(self,prob,interval,minters):
    super.__init__(interval,minters)
    self.prob = prob                                    # 当前节点的出块概率
    
  def on_timer(self,sim):
    if random.random() < self.prob:
      block = self.blockchain.create_next_block()       # 出块
      msg = pojo({                                      # 创建区块消息
        'type': 'block',
        'payload': block
      })
      sim.broadcast(self,msg)                           # 广播区块消息
          
  def on_message(self,sim,message):
    if message.type == 'block':                 
      self.blockchain.commit_block(message.payload)     # 提交收到的区块
    if message.type == 'transaction':
      self.blockchain.cache_tx(message.payload)         # 暂存收到的交易

按概率出块的区块链共识算法都可以采用这个PoxNode模型来仿真,例如PoW(工作量证明)共识算法,每个节点的出块概率是与节点算力相对应的,即:节点出块概率 = 节点算力 / 全网算力

下面的代码利用PoxNode来仿真一个包含100个节点的PoW网络:

miners = 100                                            # 100个挖矿节点
prob = 0.01                                             # 按均匀分布采样每个节点的出块概率
interval = 100                                          # 出块周期设置为100毫秒
nodes = [                                               # 创建节点对象
  PoxNode(prob,interval,miners) 
  for i in range(100) 
]
sim = Simulation(Network(nodes))                        # 创建仿真对象  
sim.run(10000)                                          # 执行10秒的仿真

SimWiz.Py官方下载地址:http://sc.hubwiz.com/codebag/simwiz-python/

目录
相关文章
|
1月前
|
运维 监控 数据可视化
Python 网络请求架构——统一 SOCKS5 接入与配置管理
通过统一接入端点与标准化认证,集中管理配置、连接策略及监控,实现跨技术栈的一致性网络出口,提升系统稳定性、可维护性与可观测性。
|
3月前
|
机器学习/深度学习 算法 安全
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
206 0
|
3月前
|
机器学习/深度学习 数据采集 传感器
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
285 0
|
1月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的青少年网络使用情况分析及预测系统
本研究基于Python大数据技术,构建青少年网络行为分析系统,旨在破解现有防沉迷模式下用户画像模糊、预警滞后等难题。通过整合多平台亿级数据,运用机器学习实现精准行为预测与实时干预,推动数字治理向“数据驱动”转型,为家庭、学校及政府提供科学决策支持,助力青少年健康上网。
|
2月前
|
JavaScript Java 大数据
基于python的网络课程在线学习交流系统
本研究聚焦网络课程在线学习交流系统,从社会、技术、教育三方面探讨其发展背景与意义。系统借助Java、Spring Boot、MySQL、Vue等技术实现,融合云计算、大数据与人工智能,推动教育公平与教学模式创新,具有重要理论价值与实践意义。
|
2月前
|
机器学习/深度学习 算法 机器人
基于自适应RBF神经网络滑模控制的机械臂轨迹跟踪仿真(Simulink仿真实现)
基于自适应RBF神经网络滑模控制的机械臂轨迹跟踪仿真(Simulink仿真实现)
162 4
|
3月前
|
运维 Linux 开发者
Linux系统中使用Python的ping3库进行网络连通性测试
以上步骤展示了如何利用 Python 的 `ping3` 库来检测网络连通性,并且提供了基本错误处理方法以确保程序能够优雅地处理各种意外情形。通过简洁明快、易读易懂、实操性强等特点使得该方法非常适合开发者或系统管理员快速集成至自动化工具链之内进行日常运维任务之需求满足。
231 18
|
3月前
|
机器学习/深度学习 传感器 算法
毫米波V2I网络的链路层仿真研究(Matlab代码实现)
毫米波V2I网络的链路层仿真研究(Matlab代码实现)
|
2月前
|
机器学习/深度学习 算法 PyTorch
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
|
2月前
|
机器学习/深度学习 算法 PyTorch
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
140 0

热门文章

最新文章

推荐镜像

更多
下一篇
oss云网关配置