本帖最后由 中国计算机学会 于 2024-4-19 14:51 编辑
摘要—现有区块链性能测试工具主要针对特定链的框架进行设计，配置复杂且仅局限于测量常规指标，并且通常只能在测试床上完成全部测试配置，无法在运行时进行实时测量。针对这些问题，本研究提出通用松耦合区块链性能测量框架。该框架将性能度量实现为开放、可扩展的测量函数库，并可按标准框架在数行代码内插入区块链目标模块，实现了运行时可配置插桩、全局节点可配置采样、精确定位插桩点、动态配置采样触发条件等特性。此外，为刻画区块链性能指标在高压力下进入瓶颈的过程，本研究对指标间的准因果关系图进行了建模，构建了区块链性能指标所形成的“性能结构”。 朱皞罡（北京航空航天大学）
宋卫虎（北京航空航天大学）
关键词 ：区块链 联盟链 因果推断 瓶颈预测 研究背景 近年来，区块链作为一种安全、去中心化的分布式系统受到了广泛关注。然而，随着区块链应用规模与复杂度的日益提升，对区块链性能数据进行可靠、高效、持续的采集、分析和解释变得至关重要。这一任务在区块链系统中具有一定挑战性，原因包括：网络的分布式和去中心化特性、底层基础设施的异构性以及软件栈的复杂性；不同区块链系统的实现方式各异，尚没有通用、标准的性能指标集合，难以对不同的区块链系统进行比较和评估；现有区块链测试大多是在理想环境下的压力测试，仅能得到系统的峰值性能，但对达到峰值瓶颈的过程以及在该过程中的稳定性鲜有量化研究。 区块链作为分布式复杂系统，受到CAP三元悖论的制约，即系统最多只能同时满足一致性（consistency）、可用性（availability）和分区容错性（partition tolerance）三项中的两项。众多研究，如共识算法优化[1~10]、扩容方案[11~15]、存储优化[16, 17]、跨链技术[18]、并行处理[19]等技术，均是在这一制约下对系统不同性能进行权衡，以寻找优化平衡点。但是，在现实运行时环境中，这一优化平衡点并不一定是静态不变的，极有可能随着网络环境、交易模式等因素动态变化。这意味着对区块链的优化不能局限于设计层面的“静态优化”，还要在运行时进行“动态优化”，而动态优化的前提是对区块链进行运行时动态测量，并充分理解各性能指标在三元悖论制约下此消彼长的关系，才能够实现全局优化，而非一味追求峰值每秒事务处理量（Transactions Per Second，TPS）与延迟。 区块链在三元悖论约束下进行优化的特性决定了性能测量在其发展中的重要性。为此，理想的性能测量体系需要解决三个问题。第一，结合区块链的底层实现，抽象一组不同区块链间相对通用的能够反映各关键模块工作状态的性能指标体系。第二，在空间（各节点）和时间（交易处理流程）两个维度上对区块链性能进行灵活采样，形成详细的微观性能指标集。第三，在介观层面建立微观指标间随压力变化的动态演化关系，为识别瓶颈、诊断问题、优化系统提供量化依据。虽然部分研究已经针对特定的区块链平台研发了性能指标测量工具以及模拟器[20~29]，但仍无法满足以上需求，亟须研发更全面、通用、灵活且适用于测试以及运行时场景的性能评估方法与工具，以便为开发人员和研究人员提供更准确的性能分析，从而帮助实现更高效且安全的区块链系统。 为此，本文提出通用区块链性能松耦合测量框架，并在其基础之上将区块链众多性能作为一个整体量化其介观压力响应。该框架灵活、可扩展，并能适用于不同类型的区块链。 相关工作 众多研究对区块链性能测量与分析进行了探索，这些研究或针对特定区块链平台，或聚焦区块链局部模块，或采用模拟方法对性能进行仿真拟合。其中，Blockbench[27]为私有区块链提供了一个基准测试框架，它包括一组微基准测试和宏观基准测试，以测试性能和可扩展性。Hyperledger Caliper是一个开源的区块链基准测试工具，允许在各种区块链平台上创建和执行自定义基准测试。 ConsenSys[30]概述了区块链性能测试和基准测试的关键因素，包括测试方法、性能指标和基准测试工具。BlockMeter[20]对两个私有区块链平台Hyperledger Fabric[31]和Hyperledger Sawtooth[32]在不同应用和不同配置参数下的性能进行了评估。Alsahan等人[21]提出了一个比特币区块链平台的模拟器，并对不同网络环境下的比特币网络进行了测量。Bartoletti等人[22]提出了一个在比特币和以太坊上进行数据分析的框架，且允许区块链数据和外部数据进行集成。Chacko[23]提出了一个基准测试的框架，对四种区块链平台的交易失败情况进行了详细的实验。Gervais[24]提出了一个量化框架，分析了不同的共识和网络参数对多种以工作量证明作为共识的区块链的安全和性能影响。NodeFinder[25]是对网络层进行测量的工具，通过对不同区块链平台进行网络收集与分析，发现了显著的差异。BTCSpark[33]是一个对比特币进行分析的开源工具，方便且高效。Yasaweerasinghelage等人[28]提出使用仿真工具和性能建模对区块链的系统延迟进行预测，误差可达到10%以下。Zhang等人[29]提出了一种用于定量分析工作量证明共识的区块链质量和抗攻击性能的多指标评估框架。 虽然上述工作为区块链性能测试和基准测试提供了有价值的技术与工具，但仍具有很大局限性。第一，现有区块链性能测量框架专注于特定的区块链平台或架构，难以比较不同区块链间的性能。第二，多数测量框架缺乏灵活性和可扩展性，难以在运行时测试具有不同工作负载和交易量的区块链应用程序。第三，现有测量框架多以峰值测试为目标，通常是在资源不受限的情况下测量系统峰值，未考虑各种资源限制（如网络延迟和带宽限制）对区块链性能的影响。第四，现有方法仅测量区块链的宏观性能，如TPS与交易时延，并未在多尺度上对微观和介观尺度性能间的制约关系进行刻画，无法反映区块链瓶颈发生的过程以及优化方向。 因此，我们提出了一种新的区块链性能测试框架，该框架不受限于区块链平台，可对不同区块链应用程序进行测量，具备一套全面的多尺度性能指标，以评估区块链系统在各种条件下的性能，并识别潜在的瓶颈，为区块链性能优化提供量化支持。 方法 联盟链与公链虽然在共识协议、应用场景等方面颇有不同，但其软件结构均可分为存储层、网络层、共识层与合约层。本文中的松耦合测量框架已通用适配于长安链与以太坊，为表述清晰，下文均以长安链为例。 微观性能指标 为兼顾性能指标的通用性与全面性，我们在区块链四层模块中提取了18个微观性能指标。多数性能指标适用于不同区块链实现，如CPU利用率、内存利用率、交易池输入通量、P2P网络平均传输时延、节点收发消息总量、数据库状态写入速率、数据库状态读取速率、交易排队时延、出块时延、块内交易吞吐量、区块验证效率、交易时延、平均每轮共识耗时、块内交易冲突率等，少数性能指标则与共识方法相关，如针对拜占庭容错（Byzantine Fault Tolerance，BFT）类共识的提案（proposal）、预备投票（prevote）、预提交（precommit）和正式提交（commit）四个阶段耗时。具体定义以及详细测量方法参见https://github.com/weihus/chainmaker-recorder。 鉴于下文所述测量框架的松耦合性，该性能指标集合可进行任意扩展，并高效耦合入区块链部署。例如，针对以太坊，添加了共识消耗、出块耗时等PoX类共识相关的性能指标。 通用松耦合测量框架 通用松耦合测量框架如图1所示，由数据定义层、控制层、存储层、配置层以及数据处理层五部分组成。
• 数据定义层以对象化的方式对微观性能指标测量的数据进行定义，并与实际存储的数据表建立映射。若指定表目录下不存在对应的性能指标，则根据其对象定义，生成相应的数据库表。 • 存储层负责存储性能指标计算的大量原始过程数据，实现高速数据输入序列，写操作通过封装安全协程进行异步实现，使并行写入对主进程的影响最小化，并确保并行写入异常与主进程异常处理的兼容。 • 配置层通过全局与局部开关对各节点、各指标是否进行原始过程数据采样而进行配置、加载、部署，可在运行时过程中灵活配置。 • 数据处理层拥有指标度量库和性能度量线程池，可有效保证对存储层取得的原始过程数据进行实时计算，得到相应性能指标的实时估算。 • 控制层可对交易压力进行控制，可根据需要调整不同波形的压力输入，也可根据交易池的实时容量调控压测交易数量，保证交易池处于临界瓶颈状态，使区块链获得最大且稳定的交易吞吐量。 该框架的使用流程如下。首先，在完成所有数据对象定义后，控制层指导存储层建立连接。根据所需的节点数量和共识算法，生成新节点并重新配置。节点成功创建并启动后，所有性能指标表将在对应目录下初始化并生成相应的库表。然后，调用配置层配置框架。在默认情况下，根据测量开关，在区块链调用合约时，将相应指标的原始过程数据依次存储在对应的性能指标表中。在合约调用过程中，可以实时关闭或打开全局和局部开关，改变数据写入状态。一旦配置得到确认，事务便会被执行，从而激活控制层的记录功能。最后，数据采集过程中，数据处理层同步对所收集的数据进行计算，得到实时性能指标，进而进行介观性能结构的量化。 该框架独立于区块链主进程，不产生相互依赖，并力求对性能的影响最小化。在运行时可根据需求配置测量指标以及触发条件，无须停止链的运行。运行时可配置插桩，将不同性能指标的测量方法实现为开放、可拓展的性能测量库。通过设置简单的配置项，可以实现将框架灵活嵌入到主进程代码的任意位置，既能全面准确地记录多样化的指标，又能灵活地部署在任意节点。 介观“性能结构” 区块链性能瓶颈表现为压力下性能指标停止上升，即达到饱和。在性能指标饱和前，各模块相互作用，推进交易的处理，在性能指标上表现为强相关性；在饱和后，性能指标无法继续变化，之间的关联性变弱。性能指标间的这一关系结构能够用图的形式表达，反映了区块链在介观尺度的工作状态，关联由强到弱的过程则表现为图结构中边强度的减弱与边的减少，我们称之为压力下介观“性能结构”的衰减。 本文采用贝叶斯与图结构搜索相结合的方法构建介观性能结构的准因果关系图。首先，采用简单关联指数初始化性能指标之间的关系，创建初始的结构图。其次，使用A*算法遍历所有父节点组合，并计算每个组合的贝叶斯信息准则分数，从而生成父图。最后，通过检查是否存在更好的子集结构，获得最优的优先矩阵，并转化为图形表示。具体方法如算法1所示。 算法1：贝叶斯网络结构学习 输入：采集的性能指标数据 输出：性能指标间因果关系图 1.数据整合 2.数据归一化 3.创建并初始化N×N邻接矩阵的边全为1 4.创建并初始化N×N优先矩阵的边全为0 5.寻找父节点，生成父节点图 6.循环遍历父节点 7. 使用A*算法寻找最优子结构 8. 计算所有子结构的贝叶斯信息准则 9. 如果存在一个更好的子结构，则更新优先矩阵 10.根据邻接矩阵绘图 系统根据获取的微观性能指标时间序列，实时计算当时压力与环境下的介观性能结构，以量化性能结构衰减的过程。另外，为验证性能结构对区块链局部瓶颈的敏感性，进行人为引入瓶颈的实验，观察性能结构衰减模式对瓶颈的响应。 实验环境 本研究采用长安链2.3.1版本，在华为云k8s集群上进行实验。每个节点的内存限制为12 GB，CPU限制为3单元。实验一的目标是量化松耦合测量框架对区块链主进程性能的影响。我们分别在4节点、7节点和10节点上进行了压力测试，分别使用了1000、2000、5000、10000、20000和50000笔交易，并将带宽限制为30 MB/s。 实验二的目标是量化区块链性能结构衰减的过程，并验证该过程与系统瓶颈之间的潜在关联。我们在节点数量设置为4的情况下，对不同交易压力下的性能变化进行了研究。实验共进行了7次，交易速率在100~700 TPS的范围内，每次实验持续10小时。带宽限制为30 MB/s。 我们采用算法1对获取到的所有性能指标数据进行因果推理，以得到基准性能结构。然后使用滑动窗口对所有数据进行遍历，窗口大小为10800，步幅为1200，共获得22张有向因果关系图。我们对这22张图中的所有边按照出现的次数进行加权，得到频次加权的有向因果关系图。为了过滤掉一些噪声，我们选择过滤掉小于总权重一半的因果关系，将权重阈值设置为12。同时，为了分析和探索变量之间的条件独立性，我们将有向图转换为道德图（moral graph），从而得到频次加权的无向因果关系图。 结果 图2为松耦合测量框架针对长安链的耦合方案。首先在记录文件程序中添加需要记录的性能指标名称和数据对象；然后在长安链节点配置文件中增加测量框架的服务端口，更改相应的启动文件，对测量框架配置进行解析；最后在需要记录原始过程数据的文件中引入测量框架的包，在需要记录的位置使用异步执行函数将数据输出至对应文件，使用自写安全协程进行写入，保证高效并行、安全的数据采样。
长安链启动后，测量框架会初始化所有性能指标的文件和数据结构，并启动一个基于超文本传输协议（HTTP）的服务，该服务在运行时可以对性能指标的全局开关和局部开关进行实时控制。 框架性能 在10节点环境中，松耦合测量框架对区块链主进程性能的影响如图3所示。在关闭性能框架时，块确认时延稳定在40 ms以下。与之对比，在开启性能框架的情况下，确认时延略高于关闭性能框架的情况，但仍然稳定在40 ms以下。随着交易压力的增加，两种情况下的块交易确认时延保持稳定。
TPS方面，在低交易量时，关闭性能测量框架的优势更为显著。随着交易量的增加，开启和关闭性能框架的TPS差距逐渐趋于稳定。 从表1中可以看出，在相同的交易量下，开启和关闭性能测量框架的耗时差距不超过1 s。在低交易量时，两者的TPS峰值差距较大，但随着交易量的增加，TPS峰值逐渐趋于一致。
结合图3可以观察到，在开启性能测量框架的情况下，块确认时延峰值会出现个别数据大于40 ms。同时，在块平均确认时延方面，随着交易量的增加，性能框架对块平均确认时延的影响呈逐渐降低的趋势。在交易量为50000时，性能框架对块平均确认时延的影响降低到11.1%，对总耗时影响降低至3.3%。 综上所述，松耦合性能测量框架对区块链性能有一定的影响，但随着交易量的增加，这种影响逐渐趋于可忽略。在开启性能测量框架的情况下，虽然某些性能指标略有下降，但整体影响较小。 在不同节点数量下，考虑到长安链默认的交易池大小为50000，本文选择了该数值作为交易量来评估框架在不同节点数量下的影响。根据图4所示，在块确认时延方面，随着节点数量的增加，开启性能测量框架后的影响呈递增趋势，最大值分别为40 ms、48 ms和52.5 ms。多数情况下，块确认时延仍然保持在40 ms以下。在TPS方面，随着节点数量的增加，不同配置下的TPS差距相对趋于可忽略，性能框架对区块链性能的影响较小。
综上所述，虽然性能测量框架会对块确认时延和TPS产生一定影响，但总体上性能测量框架对区块链性能的影响较小，即便是在节点数量较大且交易量较高的情况下。因此，该测量框架能够用于区块链运行时的实时性能测量。 介观性能结构 为了量化交易压力对区块链介观性能结构的影响，我们在不同压力下对长安链的性能结构进行了计算，如图5所示。从进行了7次不同压力实验的结果可以观察到，在当时实验环境下，以联盟链核心性能指标块内交易吞吐量为例，可以得出以下因果关系。在交易速率低于500 TPS的情况下，块内交易吞吐量与交易池输入通量之间保持稳定的因果关系。通过观察数据，可以发现这两者的值相等，即发送的交易都可以即时处理。在交易速率大于300 TPS的情况下，块内交易吞吐量与节点收发消息总量之间存在稳定的因果关系。此时，节点收发消息总量成为影响吞吐量的主要因素。在100 TPS和200 TPS的低压交易速率下，块内交易吞吐量保持相同的因果关系。这种关系受到交易池输入通量和交易排队时延的影响。换句话说，在当时情况下，要提高吞吐量，可以选择增加交易池输入通量或减少交易排队时延。需要注意的是，以上观察结果基于当时的实验环境和联盟链的性能指标，对于其他性能指标和不同环境的情况，可能存在不同的因果关系。
综上所述，当交易速率在100~500 TPS时，区块链网络表现稳定，能够处理这个范围内的交易量。然而，当交易速率在600 TPS及以上时，区块链网络的性能变化较大，可能会出现延迟或拒绝交易的情况。这进一步印证了在当时实验环境下，500 TPS的交易速率是一个性能瓶颈值。 总结 本文提出通用松耦合区块链性能测量框架，旨在解决现有性能测试工具的局限性和复杂性问题。本框架具有运行时可配置插桩、全局时空可配置采样等优势，通过开放、可扩展的测量函数库实现运行时测量的灵活性与高效性。在长安链上对该框架的功能与性能进行了验证，在合约、网络、存储和共识四层实现了18个性能指标的测量。尽管大量的性能指标过程数据的提取产生了大量的系统输入输出，但松耦合架构使其对区块链主进程的影响保持在15%以下。此外，通过准因果关系推理捕捉性能指标之间关系的动态变化规律，得到了介观性能结构衰减的稳定规律，并初步观察到这一规律对系统局部瓶颈的敏感性，为性能边界量化、系统瓶颈定位与性能优化提供量化依据。综上所述，本框架为开发者与用户提供了一套可在运行时高效测量区块链系统微观性能的工具，以及通过介观性能结构衰减发现并诊断潜在瓶颈的方法。该框架同样适配于以太坊等其他区块链系统，正在逐步形成区块链多尺度性能指标体系，未来将在量化层面加强不同区块链系统间的可比性，进而推进新测试标准的形成。 ■
参考文献： [1] Chen J, Qin Y, Reducing Block Propagation Delay in Blockchain Networks via Guarantee Verification[C]// 29th IEEE International Conference on Network Protocols (ICNP). 2021:1-6. [2] Drijvers M, Gorbunov S, Neven G, et al. Pixel: Multi-signatures for Consensus[C]// Proceedings of the 29th Usenix Security Symposium. 2020: 2093-2110. [3] Duan S, Zhang H. Foundations of Dynamic BFT[C]// 43rd IEEE Symposium on Security and Privacy. 2022: 1317-1334. [5] Li P, Wang G, Chen X, et al. Gosig: Scalable Byzantine Consensus on Adversarial Wide Area Network for Blockchains[OL]. 2018. DOI:10.48550/arXiv.1802.01315. [6] Liu C, Duan S, Zhang H. EPIC: Efficient Asynchronous BFT with Adaptive Security[C]// 50th IEEE/IFIP Annual International Conference on Dependable Systems and Networks (DSN). 2020: 437-451. [7] Neiheiser R, Matos M, Rodrigues L. Kauri: Scalable BFT Consensus with Pipelined Tree-Based Dissemination and Aggregation[C]// Proceedings of the ACM SIGOPS 28th Symposium on Operating Systems Principles. 2021: 35-48. [8] Tian J F, Tian J, Xu H. TSBFT: A scalable and efficient leaderless byzantine consensus for consortium blockchain. Computer Networks, 2023, 222:109541. [9] Wang Q, Li R. A Weak Consensus Algorithm and Its Application to High-Performance Blockchain[C]//. IEEE Conference on Computer Communications, 2021: 1-10. [10] Zhang R. Zhang D. Wang Q et al.NC-Max: Breaking the Security-Performance Tradeoff in Nakamoto Consensus. Proceedings 2022 Network and Distributed System Security Symposium 2022. [11] Androulaki, E.; Cachin, C.; De Caro, A.; Kokoris-Kogias, E., Channels: Horizontal Scaling and Confidentiality on Permissioned Blockchains. Computer Security (Esorics 2018), Pt I 2018, 11098, 111-131. [12] David, B. M.; Magri, B.; Matt, C.; Nielsen, J. B.; Tschudi, D., GearBox: Optimal-size Shard Committees by Leveraging the Safety-Liveness Dichotomy. Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security 2022. [13] Hong, Z.; Guo, S.; Li, P.; Chen, W.; Ieee, Pyramid: A Layered Sharding Blockchain System. Ieee Conference on Computer Communications (Ieee Infocom 2021) 2021. [14] Marson G A, Andreina S, Alluminio L, et al. Mitosis: Practically Scaling Permissioned Blockchains[C]// Annual Computer Security Applications Conference. 2021: 773-783. [15] Zheng P, Xu Q, Zheng Z, et al. Meepo: Multiple Execution Environments per Organization in Sharded Consortium Blockchain[J]. IEEE Journal on Selected Areas in Communications, 2022, 40 (12): 3562-3574. [16] Ruan P, Dinh T, T. A.; Loghin, D.; Zhang, M.; Chen, G.; Lin, Q.; Chin Ooi, B., Blockchains vs. Distributed Databases: Dichotomy and Fusion. Arxiv 2021. [17] Zhang C, Xu C, Wang H, et al. Ieee In Authenticated Keyword Search in Scalable Hybrid-Storage Blockchains, 37th IEEE International Conference on Data Engineering (IEEE ICDE), Electr Network, 2021
Apr 19-22; Electr Network, 2021; pp 996-1007. [18] Xie T, Zhang J, Cheng Z, et al. zkbridge: Trustless cross-chain bridges made practical[C]// Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security. 2022: 3003-3017. [19] Wang J. Scale out blockchain with asynchronized consensus zones[OL]. Google Patents: 2022. [20] Alom I, Ferdous M S, Chowdhury M J M. Blockmeter: An application agnostic performance measurement framework for private blockchain platforms[J]. IEEE Transactions on Services Computing, 2023, 16(6): 3879-3891. [21] Alsahan L, Lasla N, Abdallah M. Local bitcoin network simulator for performance evaluation using lightweight virtualization, 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), IEEE: 2020: 355-360. [22] Bartoletti M, Lande S, Pompianu L. A general framework for blockchain analytics, Proceedings of the 1st Workshop on Scalable and Resilient Infrastructures for Distributed Ledgers, 2017; pp 1-6. [23] Chacko, J. A.; Mayer, R.; Jacobsen, H.-A.; Assoc Comp, M. In Why Do My Blockchain Transactions Fail? A Study of Hyperledger Fabric, ACM SIGMOD International Conference on Management of Data (SIGMOD), Electr Network, 2021
Jun 20-25; Electr Network, 2021; pp 221-234. [24] Gervais, A.; Karame, G. O.; Wüst, K.; Glykantzis, V.; Ritzdorf, H.; Capkun, S. In On the security and performance of proof of work blockchains, Proceedings of the 2016 ACM SIGSAC conference on computer and communications security, 2016; pp 3-16. [25] Kim, S. K.; Ma, Z.; Murali, S.; Mason, J.; Miller, A.; Bailey, M. In Measuring ethereum network peers, Proceedings of the Internet Measurement Conference 2018, 2018; pp 91-104. [26] Ponnapalli, S.; Shah, A.; Tai, A.; Banerjee, S.; Chidambaram, V.; Malkhi, D.; Wei, M., Rainblock: Faster Transaction Processing in Public Blockchains. Arxiv 2020. [27] Tien Tuan Anh, D.; Wang, J.; Chen, G.; Liu, R.; Ooi, B. C.; Tan, K.-L.; Acm, S., BLOCKBENCH: A Framework for Analyzing Private Blockchains. Sigmod'17: Proceedings of the 2017 Acm International Conference on Management of Data 2017, 1085-1100. [28] Yasaweerasinghelage, R.; Staples, M.; Weber, I. In Predicting latency of blockchain-based systems using architectural modelling and simulation, 2017 IEEE International Conference on Software Architecture (ICSA), IEEE: 2017; pp 253-256. [29] Zhang, R.; Preneel, B.; Ieee, Lay Down the Common Metrics: Evaluating Proof-of-Work Consensus Protocols' Security. 2019 Ieee Symposium on Security and Privacy (Sp 2019) 2019, 175-192. [30] Mazzoni, M.; Corradi, A.; Di Nicola, V., Performance evaluation of permissioned blockchains for financial applications: The ConsenSys Quorum case study. Blockchain: Research and applications 2022, 3 (1), 100026. [31] Androulaki, E.; Barger, A.; Bortnikov, V.; Cachin, C.; Christidis, K.; De Caro, A.; Enyeart, D.; Ferris, C.; Laventman, G.; Manevich, Y. In Hyperledger fabric: a distributed operating system for permissioned blockchains, Proceedings of the thirteenth EuroSys conference, 2018; pp 1-15. [32] Ampel, B.; Patton, M.; Chen, H. In Performance modeling of hyperledger sawtooth blockchain, 2019 IEEE International Conference on Intelligence and Security Informatics (ISI), IEEE: 2019; pp 59-61. [33] Rubin, J., Btcspark: Scalable analysis of the bitcoin blockchain using spark. Dec 2015, 16, 1-14.
版权声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任。
| 
京公网安备 11010802032778号 )
发表于 2024-4-18 13:40:23