基于SVM的DPoS共识机制改进

摘 要：

共识机制是区块链技术的重要组成部分，针对委托权益证明（delegated proof of stake，DPoS）共识机制中对恶意节点不能及时有效处理的问题，提出了一种基于支持向量机的DPoS共识机制改进方案（SVM-DPoS）。首先构建基于SVM的节点判别模型，通过训练好的模型分析节点的行为动机，根据判别结果及时剔除恶意节点；其次基于固定协商出块顺序优化传统算法的出块流程，提升出块效率，进一步提高了整个区块链网络的运行效率。在公开数据集上的实验结果表明，与已有的几种方法相比，改进后的共识机制能够快速剔除恶意节点，不仅维护了系统稳定性，且增强了对恶意行为的防范能力，从而在保障区块链网络正常运行的同时，提高了整体共识的安全性。

关键词：区块链；委托权益证明；支持向量机

中图分类号：TP301.6 文献标志码：A 文章编号：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

共识问题是社会科学和计算机科学等领域的经典问题，已经有很长的研究历史。在分布式系统中，由于节点之间的异步通信和可能的故障，共识问题变得尤为重要。在传统的分布式系统中，共识问题通常由拜占庭将军问题（Byzantine generals problem）引起，即如何在存在故障节点的情况下，让节点之间达成一致的决策。针对拜占庭将军问题，研究者们提出了许多共识算法，例如Paxos算法［1］、Raft［2］算法等。这些算法的核心思想是通过多轮投票、选举等机制，让节点达成一致的共识，从而保证系统的正确性和一致性。然而传统的共识算法通常存在性能低下、可扩展性差等问题，无法满足日益增长的分布式系统的需求。

2008年，Nakamoto［3］提出并公开了区块链早期的实现代码。作为区块链的核心技术之一，共识算法具有显著的优势，其中之一就是在去中心化系统中能够有效地实现各个节点对区块数据有效性的共识，尤其是在决策权高度分散的情况下，仍然能够实现高效的共识达成。根据参与者的权限和控制范围，可以将区块链分为公有链、联盟链和私有链［4］。目前公有链的主流共识算法为工作量证明（proof-of-work，PoW）［5］、权益证明（proof-of-stake，PoS）［6］和委托权益证明（delegated proof-of-stake，DPoS）［7］。其中PoW利用哈希算力来竞争记账权，但这容易造成电力资源的浪费以及算力集中等问题；PoS解决了PoW消耗大量算力的问题，但权益的累积可能会导致节点之间的贫富差距过大；而DPoS则类似于股份公司，根据股民持有的股份进行投票，最终得票数排名靠前的节点成为见证节点轮流完成记账［8，9］。与PoW和PoS相比，DPoS参与验证和记账的节点数量大幅减少，因此可以提高交易处理速度和吞吐量。但DPoS仍然存在一些不足之处：

a）投票积极性不高，大多数节点只是持股，很少参与投票。

b）垄断性高，只有持币的人才能参与区块验证。

c）没有对恶意节点进行快速剔除，不仅影响节点投票结果，还增加了投票周期，耗费资源。

对于以上问题，国内外部分学者对DPoS算法进行了改进。针对投票积极性不高的问题，Yu等人［10］提出奖励制度，讨论了激励机制和DPoS共识机制之间的适配和优化，提出了“举报奖励”这一激励制度对节点进行监督，但采用奖励的方式提高节点的参与积极性依旧无法避免节点为换取奖励进行恶意投票和恶意举报的问题；张雅萍等人［11］提出一种配对制度的DPoS共识机制（DPoS-M2），摈弃了节点投票的方式，通过比较节点的属性值快速选出属性值较高的作为记账节点。对恶意节点问题，Xu等人［12］通过引入模糊集概念加入弃权票，降低了恶意节点被选为代理节点的概率；何帅等人［13］引入RBF神经网络模型使选举出的节点更加权威可信，同时引入信誉机制增加恶意节点攻击成本；Yang等人［14］提出一种基于降级机制（DDPoS），通过对恶意节点降级，对可靠节点升级，保障系统良好运行。对于恶意节点处理问题，以上研究只是对其进行了标记，导致投票周期加长、耗费资源。

基于上述研究在恶意节点处理方向所存在的问题，本文提出一种基于SVM改进的DPoS（SVM-DPoS）共识机制。在DPoS共识机制中，如果有节点长时间存在恶意行为，则会对整个网络的安全性和稳定性造成威胁。而传统的DPoS共识机制可能无法及时发现和剔除这些恶意节点。这时可以引用SVM模型的分类特性对节点进行分类识别，对可能的恶意节点进行精准标识及时剔除，并且在见证节点降低到安全阈值以下时，从候选节点中选择新的节点加入验证节点集合，以保证网络的安全性。在此基础上可以进一步收集节点的行为数据，包括节点的投票行为、活跃程度等，用于训练SVM模型。通过不断的训练和优化，SVM模型的识别精度将逐步提高，使得恶意节点的识别和剔除更为及时和准确。同时通过对这些数据的分析，还可以发现恶意节点的行为模式，从而进一步完善和优化共识机制。

1 基于SVM的DPoS共识机制

SVM在分类和回归分析中有着广泛的应用，它可以很好地处理小样本、非线性以及高维模式识别中的问题，对于异常检测具有较高的准确率。因此对于恶意节点的识别，SVM模型可以提供精准且高效的识别结果。同时SVM的支持向量具有很好的解释性，可以帮助人们理解恶意节点的行为特征，进一步增强DPoS共识机制的安全性和稳定性，具有极大的应用价值。

1.1 节点分类

区块链作为一种分布式数据库技术，其核心特点是去中心化、不可窜改、可追溯和共识机制。它通过使用密码学、点对点网络和共识算法来维护网络的安全性和可靠性，使得交易在不依赖中心化机构的情况下得以进行，从而具有广泛的应用价值。因此为了保证信息的安全，在DPoS系统中希望将产生区块的权力交给那些可靠且值得信任的节点，从而提高整个系统的效率和安全性。因为被选出来的这些节点具备较高的技术能力和良好的声誉，所以它们生产和验证区块的效率更高，同时也不太可能做出违背社区利益的行为，从而提高了系统的安全性。本文将参与共识的节点分成四类，即普通节点（ordinary nodes）、候选节点（candidate nodes）、见证节点（witness node）和作恶节点（malicious node）。

1.1.1 普通节点

普通节点是指没有被选为见证节点的节点，它们的主要作用是参与投票选举见证节点，并验证交易和传输区块。普通节点的参与度和作用在DPoS网络中相对较小，但是它们的投票和交易验证仍然是DPoS系统的重要组成部分，为整个网络提供了基础性的支持。

1.1.2 候选节点

候选节点与普通节点不同，它们的投票数和代币数量决定了它们被选为见证节点的机率。候选节点通过得到足够多的选票和代币持有量，可以被选为下一轮的见证节点。候选节点的数量通常比见证节点多，因此它们之间的竞争比较激烈。

1.1.3 见证节点

见证节点负责验证和打包交易，并将区块添加到区块链中以维护区块链的安全和稳定性。根据DPoS算法的设计，一组见证节点轮流为每个区块链生产区块，其生产顺序由其获得选票的排名确定。由于见证节点需要获得足够的选票才能成为生产节点，所以DPoS系统通常比其他共识机制具有更少的活跃见证节点。

1.1.4 作恶节点

作恶节点是指在网络中恶意行为的节点。这些节点可能会试图对区块链进行攻击、窜改交易或者利用其权力进行自私行为等，以达到其自身利益的目的。这些恶意节点会对整个系统造成威胁，可能导致区块链的安全性和稳定性受到损害。

1.2 DPoS共识机制流程

委托权益证明（DPoS）共识算法主要包含两个步骤，即共识节点的选举过程以及节点间达成共识的过程，改进后的整体流程如图1所示。

委托权益证明（DPoS）共识算法的具体流程可以分为以下几个步骤：a）初始设定，在DPoS共识算法中，需要先确定见证节点候选人的初始列表，通常持有一定数量代币的用户可以成为见证节点候选人；b）见证节点选举，所有持币用户可以通过投票来选举见证节点，如图所示，在共识开始时每个持币用户可以将自己的代币投票给候选人，根据得票数排名，得票数最高的前21位候选人将成为见证节点，这些见证节点将轮流负责出块和验证交易，轮换的周期可以事先设定，通常是固定的时间间隔；c）区块生产，在轮到某个见证节点出块时，它将负责验证交易和打包成一个新的区块，然后该区块被广播到网络中，其他节点进行验证和确认。

本文提出基于SVM的节点剔除机制，在步骤c）出块过程中，判断见证节点是否作恶，如果存在作恶行为及时剔除。同时，在见证节点集合低于11时，从候选人集合中补充。尽最大可能保证每一轮共识过程中所有见证节点都能正常打包区块，提高系统的稳定性和安全性。

1.3 基于核支持向量机的恶意节点剔除机制

1.3.1 周期轮换

在DPoS系统中，节点通过投票，选出一定数量的区块生产者。这些区块生产者负责验证和添加新区块到区块链中，它们在特定的时间周期后被重新选举。也就是说，所有的区块生产者都会有一个固定的任期，并在此期间按照一定的顺序生产区块。这种周期轮换机制增加了系统的公平性和透明度，因为它使得所有的参与者有平等的机会去生产区块并获得奖励。本文中对于周期轮换的具体实现如下所示。

输入：初始节点genesis，出块节点node_{block}。

输出：是否重新选举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）获取当前出块节点：首先系统需要确定当前负责生成区块的节点node_{block}。这个节点是通过DPoS共识算法中的投票机制选择出来的，具有特定的权责和任期。

b）获取出块节点的父亲节点：在整个区块链网络中，每个节点都与其他节点相连，形成了一个复杂的网络结构。父节点parent_{block}是指在区块链结构中，与当前节点node_{block}直接相连且位于其上一级的节点。

c）获得创世块周期时间：genesis是区块链中的第一个区块，它没有父节点，所有其他区块都直接或间接地连接到它。系统会根据初始块的信息来确定创世块的周期时间genesIsEpoch，也就是一个完整的区块产生周期应该有多长时间。

d）获取前个节点的周期及当前周期时间：系统需要跟踪每个周期的时间，以便于判断何时应当进行周期轮换。preEopch是指父节点生产块时所在的周期，而currentEpoch则是指当前出块节点node_{block}所在的周期。

e）判断是否进行周期轮换：判断是否进行周期轮换依赖于比较当前周期时间与上一周期时间，以及确认上一周期是否为创世周期。

（a）如果上个周期preEopch与当前出块周期currentEpoch相同，则正常出块不需要进行周期轮换；

（b）如果preEopch是genesIsEpoch且preEopch小于currentEpoch，那么系统将执行周期轮换算法，其中涉及重新选择出块节点，修改区块生成规则，以及与周期轮换相关的操作。如果上周期不是创世周期，调用kickoutValidator检测是否需要剔除恶意节点。

1.3.2 模型的建立

支持向量机（support vector machine，SVM）是一种监督学习算法，被广泛应用于分类和回归分析中。它的基本思想是将数据点映射到高维空间中，在该空间中构建一个超平面来实现分类或回归分析。在训练过程中，SVM算法会尝试找到一个最优的超平面，使得该平面能够将不同类别的数据点分离得最好，同时使得距离超平面最近的数据点到超平面的距离最大化。SVM算法具有许多优点，如泛化能力强、对噪声数据具有鲁棒性等，因此被广泛应用于机器学习和数据挖掘领域。随着大数据技术的不断发展，构建适用于大规模数据的多分类模型已成为数据挖掘技术的研究热点［15～18］。许多学者在对 SVM 技术进行深入研究后，提出了多种基于SVM 的多分类模型，例如一对一、一对多、决策树、有向无环图等多种分类算法［19～23］。 SVM的主要特点是可以通过寻找最大间隔来进行分类，同时具有较强的泛化能力和处理高维数据的能力，能够有效地解决小样本、非线性以及高维数据等问题。其优点还包括能够处理较小规模的数据集、在训练过程中可以有效避免陷入局部最优解、泛化能力强、对噪声和数据缺失具有较好的容错能力。因此利用SVM算法对区块链中见证节点的行为进行预测评估，可以得到精度较高的结果，为DPoS共识机制中恶意节点的剔除提供了技术支撑，从而快速有效地剔除恶意节点。

本文设计了一种基于线性核函数的支持向量机模型，采用该模型识别作恶节点。线性核函数如下所示。

K（xi，xj）=xTi·xj（1）

其中：xi、xj为输入向量，函数最终得到输入向量的点积。

同时根据DPoS共识机制的运行情况及源码分析，采用表1中5个属性指标来综合评判节点是否作恶，并结合支持向量机模型，将每个节点在区块链上对应5个指标的历史数据作为输入，通过模型训练确定输入与输出的内在联系，最后将支持向量机的输出值作为评判节点是否作恶的依据。节点相关评估指标说明如表1所示。

1.3.3 模型的求解

在基于SVM模型的训练过程中需要求解函数，相关求解步骤如下：

a）样本集为D={（yi，yi），i=1，2，…，m;yi=（－1，+1）}，其中xi代表第i个输入样本，yi代表第i个输入样本对应的类别值，m为样本数量，划分超平面为

2 实验结果及分析

2.1 实验环境

为了验证改进后的DPoS共识机制能否快速剔除恶意节点以及算法的有效性，本文在相同的环境下对DPoS共识机制改进前后的安全性和时间消耗进行了对比分析进。本文仿真实验在处理器Intel CoreTM i5-10400F CPU @ 2.90 GHz 的 64位Windows 11专业版平台上进行，首先使用Python 3.6.13构建基于SVM的恶意节点判别模型，使用Go语言go1.9.6模拟DPoS共识算法进行实验。最后使用Origin 2021对最终的实验数据进行可视化对比评价。

2.2 模型验证

为验证本文方法的有效性，设计了相关实验。本文采用公开的EOS项目历史交易数据集XBlock-EOS［24］对SVM模型进行训练并保存训练好的模型，将训练好的模型转换为Go语言代码保存。在实验仿真过程中，根据EOS历史交易数据集模拟1 600个节点，70%数据作为训练集，然后对剩余 30%数据测试。其计算量少且为二分类问题，SVM算法的计算复杂度和训练集中的样本数目成正比，计算复杂度低，足以支持分类预测的运行。训练集分类准确率为97.1%，测试集分类准确率达 98.5%，并无过拟合。见证节点作恶评估结果如表2所示，可以看出，训练好的模型能够精确地判别出节点是否有作恶行为。

相对于传统的DPoS共识机制而言，基于SVM的恶意节点判别模型可以快速判断出节点是否作恶，并对作恶节点及时剔除，极大地减小了共识节点中存在恶意节点的几率。首先构建了一组包含正常节点和恶意节点的测试集，通过模拟这些节点的行为，生成对应五个属性指标的历史数据。然后将这些数据输入到训练好的模型中，得到模型对于这些节点是否为恶意节点的预测结果。在比较模型的预测结果和实际情况后发现，SVM模型能准确识别出绝大部分的恶意节点，同时几乎没有将正常节点错误地识别为恶意节点，这说明本文模型具有很高的准确率和可靠性。另外也测试了模型的处理速度，结果显示SVM模型能在很短的时间内完成对所有节点的评估，这说明模型具有很高的运行效率，能够及时发现并处理恶意节点，防止其对网络造成破坏。此外，通过调整SVM模型的参数，可以在一定程度上改变模型对于恶意节点的判定敏感度，从而在不同的网络环境和要求下，优化模型的判断效果。

综上，实验结果充分证明了基于SVM的恶意节点判别模型在DPoS共识机制中的有效性和优越性。模型不仅能快速准确地判断出恶意节点，还能根据网络环境的需要，灵活地调整判断策略，从而更好地维护网络的稳定性和安全性。

2.3 安全性

在传统共识过程中恶意节点作恶方式多样，影响区块形成的速度，但算法并没有及时采取任何应对措施，只是对恶意节点进行了简单的标记，经过下一轮选举才能剔除节点，这样会给网络造成安全隐患。由于没有快速剔除恶意节点，恶意节点可能会发动攻击，例如双花攻击（double-spending attack）、拒绝服务攻击（DoS attack）等，这样可能会严重影响区块链网络的安全性。其次如果恶意节点在区块链网络中占据主导地位，它们可能会通过伪造交易或者修改历史记录等方式破坏数据的一致性。最后恶意节点可能会通过一些手段，诱导或迫使其他节点接受它们生成的非法区块，从而导致网络分裂，形成多个并行的链，导致参与者对系统的信任破裂，进而使得系统的价值大打折扣。

本实验主要对恶意节点剔除的速度进行了测试对比分析，在相同网络下设置100个节点，其中随机选取20个节点作为恶意节点，其余80个节点为普通节点。普通节点参与正常的投票和记账活动，而恶意节点无法按时生成区块，有意破坏共识过程。如图3所示，由于传统DPoS共识机制对恶意节点容忍度较大，剔除节点方式较为保守，所以效果较差。DDPoS使用PoW选择见证节点，而不是根据投票选举，虽然提高了安全性，但是增加了共识周期时长，因此也具有一定滞后性。DPoS-M2机制采用类别评定模块，较前两者有所提升。本文采用基于SVM的恶意节点判别模型，对存在恶意行为的各类节点及时惩罚，若见证节点被发现存在恶意行为，则将该节点踢出见证节点集合，相较于传统DPoS、DDPoS及DPoS-M2均有所提升。在110 min时相较于DDPoS和DPoS-M2，分别提升了25%和20%左右，进一步确保系统的安全性和稳定运行。

2.4 时间消耗

为了对比四种共识机制的时间消耗，本次实验设计在同一网络环境下运行24个模拟节点，其中绝大部分，即21个节点扮演的是见证节点角色，而余下的3个节点则作为候选节点维持共识过程安全进行，每产生50个块记录一次数据。结果如图4所示，随着区块个数从0到2000的增长，使用SVM-DPoS共识算法比传统DPoS共识算法在降低出块时间方面的优势更加突出。这因为传统DPoS共识算法在选出节点后，见证节点之间的先后通信方式没有明确的规定，采用随机的见证出块顺序，出块速度大致为3 s左右；DDPoS在节点选取阶段使用PoW消耗大量计算资源，使得出块交易确认时间较长，出块速度在8 s左右；DPoS-M2机制摈弃了节点投票而采用对属性值进行计算选取记账节点，出块时间在4 s左右；本文将原先的随机出块顺序改为由见证商议后确定的出块顺序，共识算法选取委托人后互相协商出一个出块的顺序，见证出块时进行全网广播，其他见证收到新区块后立即对此区块进行验证，无须等待其他见证自己出块时再确认，降低了随机选取委托人节点之间不必要的通信消耗，加快了区块形成的速度。

最后对时间效率进行分析。本次实验设计在同一网络环境下运行24个模拟节点，其中绝大部分，即21个节点扮演的是见证节点角色，而余下的3个节点则作为候选节点，其存在的主要目的是为了维护共识的安全性。进行50轮的共识实验，并同时比较了四种共识机制在此过程中所消耗的时间。具体的实验结果如图5所示。观察实验数据可以发现一个明显的趋势，那就是随着模拟周期的增长，四种共识机制消耗的时间都呈现出线性增长的态势。在相同的实验条件下，随着共识次数的增加，SVM-DPoS共识机制所耗费的时间相对其他三种机制来说更少。即相比其他三种共识机制，时间消耗的优势更加明显。这种优势主要体现在两个方面：一是可以大幅度降低因节点恶意行为导致的网络阻塞问题，二是每个周期见证节点出块顺序固定且随机产生，降低了时间开销。

3 结束语

在区块链公链共识算法中，相较于PoW，DPoS在共识过程中减少了能源的浪费，通过代表节点的选举和轮流出块的方式，极大地提高了系统的能效。这为区块链网络的可持续性发展提供了有力支持。其次与PoS相比，DPoS通过选举产生代表节点，有效地避免了寡头垄断的问题，使得共识过程更为去中心化和民主化。这有助于防止权力过于集中，维护了整个网络的去中心化特性。虽然DPoS共识算法相对于PoW和PoS有了一定提升，但其安全性始终备受争议。基于此，本文从见证节点的作恶剔除方面进行改进和优化。将支持向量机运用到区块链节点的共识过程中，利用构建SVM分类器实现对恶意节点的精确标记，快速有效地剔除了恶意节点，在保持原有性能的前提下，提高了共识节点的可信度及DPoS共识机制的安全性。但目前的研究还存在一些局限性和不足之处，需要继续在实践中不断完善和改进，从而构建安全、高效和可扩展的区块链系统。

参考文献：

［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］邓小鸿，王智强，李娟，等. 主流区块链共识算法对比研究 ［J］. 计算机应用研究，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］张雅萍，任秀丽. 基于配对制度的DPoS共识机制 ［J］. 计算机应用研究，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］何帅，黄襄念，刘谦博，等. DPoS区块链共识机制的改进研究 ［J］. 计算机应用研究，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，汪廷华，胡振威. 模糊多核支持向量机研究进展 ［J］. 计算机应用研究，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］肖开研，廉洁. 基于多核支持向量机的句子分类算法 ［J］. 华东师范大学学报： 自然科学版，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 基金项目：国家自然科学基金资助项目（62162067，82360280）；云南省软件工程重点实验室开放基金资助项目（2020SE310）；跨境网络空间安全教育部工程研究中心开放基金资助项目（KJAQ202112013）

作者简介：何婧（1978—），女，云南红河人，副教授，硕导，博士，主要研究方向为大数据分析、数据挖掘、区块链；豆天晨（1998—），男，陕西咸阳人，硕士研究生，主要研究方向为区块链共识算法；陈琳（1998—），女，云南曲靖人，硕士研究生，主要研究方向为网络表示学习；董云云（1989—），女（通信作者），云南保山人，讲师，博士，主要研究方向为图像隐写、区块链（dongyy929@ynu.edu.cn）.