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
|
7天前
|
数据采集 缓存 定位技术
网络延迟对Python爬虫速度的影响分析
网络延迟对Python爬虫速度的影响分析
|
8天前
|
Python
Python中的异步编程:使用asyncio和aiohttp实现高效网络请求
【10月更文挑战第34天】在Python的世界里,异步编程是提高效率的利器。本文将带你了解如何使用asyncio和aiohttp库来编写高效的网络请求代码。我们将通过一个简单的示例来展示如何利用这些工具来并发地处理多个网络请求,从而提高程序的整体性能。准备好让你的Python代码飞起来吧!
25 2
|
16天前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
59 6
|
9天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
10天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
4天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
25 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
4天前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
21 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
4天前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
25 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
11天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
9天前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
26 2