深度探索Hyperledger技术与应用之超级账本初体验(附部署代码)

Hyperledger Fabric 入门必读书籍 下面整理一些 Hyperledger Fabric 一些比较好的区块链书籍,仅供学习参考。 1. 区块链原理、设计与应用 1.1 书籍封面 1.2 介绍 本书由超级账本核心设计和开发者撰写,是区块链开发落地专业指南。由浅入深,系统化介绍超级账本Fabric设计精华、应用开发等。全书分为理论篇和实践篇两大部分;第1-3章介绍区块链技术的由来、核心思想及典型的应用场景;第4-5章重点介绍区块链技术中... 阅读详情

image

本章零基础地介绍了如何快速体验超级账本搭建的区块链网络,我们先绕过了比较复杂的初始化配置,用官方提供的fabric-samples提供的配置和链码示例,展示了如何调用和查询链码,对Hyperledger Fabric实现的功能有一个初步的认识。

1

基础环境安装

Hyperledger Fabric 1.0依赖Docker执行智能合约,需要先安装Docker和Docker Compose的运行环境。

1、Docker的安装和使用

Docker支持Linux、Mac、Windows等多个平台,安装文档参考:https://docs.docker.com/engine/installation。

在Linux环境下Docker的安装

Ubuntu、Debian、CentOS等Linux系统,可以通过Docker官方提供的脚本进行安装:

curl -sSL https://get.docker.com | sh

然后把用户加入到docker组,非root用户USER可以执行docker命令(可能需要重新登录生效):

sudo usermod -aG docker $USER

如果是Ubuntu或者Debian操作系统,修改Docker的配置文件/etc/default/docker,增加Docker的socket绑定,运行在Docker中的进程才能通过映射的socket调用Docker的API执行镜像编译和创建容器等操作。

DOCKER_OPTS=”-s=aufs -r=true –api-cors-header=’*’ -H tcp://0.0.0.0:2375 -H

unix:///var/run/docker.sock “

接着,重启Docker服务让配置生效:

sudo service docker start

CentOS系统采用Systemd进行系统和服务管理,配置文件的修改方法是不一样的。CentOS系统下Docker的配置文件是/etc/sysconfig/docker,同样要修改DOCKER_OPTS选项。

还需要修改/usr/lib/systemd/system/docker.service文件,在[Service]的ExexStart=下面增加一行$DOCKER_OPTS,如下所示:

[Service]

Type=notify

NotifyAccess=all

EnvironmentFile=-/etc/sysconfig/docker

EnvironmentFile=-/etc/sysconfig/docker-storage

EnvironmentFile=-/etc/sysconfig/docker-network

Environment=GOTRACEBACK=crash

Environment=DOCKER_HTTP_HOST_COMPAT=1

Environment=PATH=/usr/libexec/docker:/usr/bin:/usr/sbin

ExecStart=/usr/bin/dockerd-current \

    --add-runtime docker-runc=/usr/libexec/docker/docker-runc-current \  

    --default-runtime=docker-runc \  

    --exec-opt native.cgroupdriver=systemd \  

    --userland-proxy-path=/usr/libexec/docker/docker-proxy-current \  

    $DOCKER_OPTS \  

    $OPTIONS \  

    $DOCKER_STORAGE_OPTIONS \  

    $DOCKER_NETWORK_OPTIONS \  

    $ADD_REGISTRY \  

    $BLOCK_REGISTRY \  

    $INSECURE_REGISTRY  

重启服务让配置生效:

systemctl daemon-reload

systemctl restart docker.service

其他环境下Docker的安装

Windows和Mac都提供了安装包,直接下载即可安装:

Docker for Mac: https://download.docker.com/mac/stable/Docker.dmg

Docker for Windows: https://download.docker.com/win/stable/InstallDocker.msi

Docker国内镜像仓库

国外的镜像下载较慢,可以设置国内的镜像,阿里云和DaoCloud都提供镜像加速的服务,需要登录注册才能使用。

阿里云:登录容器Hub服务https://cr.console.aliyun.com的控制台,左侧的加速器帮助页面会显示为你独立分配的加速地址。

DaoCloud:在https://www.daocloud.io进行注册登录,然后点击加速器,就可以获取加速器的相关配置。

修改Docker镜像仓库的办法是在DOCKER_OPTS里增加registry-mirror参数,比如:

DOCKER_OPTS=”-s=aufs -r=true –api-cors-header=’*’ -H tcp://0.0.0.0:2375

-H unix:///var/run/docker.sock

–registry-mirror=http://069f616f.m.daocloud.io”

重启Docker服务就可以使用镜像加速了。

Docker在Windows和Mac中的版本可以在图形界面添加镜像仓库。

Docker常用命令

Docker常用命令如图所示。

image

更多的命令请查看帮助文档和在线文档:https://docs.docker.com/engine/reference/commandline/docker。

2、Docker Compose的安装和使用

Docker Compose能够在一个主机上创建出相互隔离的网络,通过命令行管理多个Docker容器,快速启动、停止和更新容器。

Docker Compose的安装

Docker在Windows和Mac中都已经集成了Docker Compose工具,不需要单独安装。在Linux系统下有多种安装方法,如下所示:

  • 通过pip进行安装

sudo apt install python-pip

sudo pip install docker-compose

  • 直接下载文件

curl -L

https://github.com/docker/compose/releases/download/1.17.1/docker-compose-uname -s-uname -m -o /usr/local/bin/docker-composechmod +x /usr/local/bin/docker-compose

Docker Compose的配置文件

Compose采用YAML文件定义Docker容器之间的依赖,设置环境变量和文件的持久化。我们看一个配置文件examples/e2e_cli/base/docker-compose-base.yaml的节选:

version: ‘2’

services:

orderer.example.com:

    container_name: orderer.example.com

    image: hyperledger/fabric-orderer

    environment:

        - ORDERER_GENERAL_LOGLEVEL=debug

        - ORDERER_GENERAL_LISTENADDRESS=0.0.0.0

        - ORDERER_GENERAL_GENESISMETHOD=file

    - ORDERER_GENERAL_GENESISFILE=/var/hyperledger/orderer/orderer.genesis.block

    - ORDERER_GENERAL_LOCALMSPID=OrdererMSP

    - ORDERER_GENERAL_LOCALMSPDIR=/var/hyperledger/orderer/msp

    # enabled TLS

    - ORDERER_GENERAL_TLS_ENABLED=true

    - ORDERER_GENERAL_TLS_PRIVATEKEY=/var/hyperledger/orderer/tls/server.key

    - ORDERER_GENERAL_TLS_CERTIFICATE=/var/hyperledger/orderer/tls/server.crt

    - ORDERER_GENERAL_TLS_ROOTCAS=[/var/hyperledger/orderer/tls/ca.crt]

    working_dir: /opt/gopath/src/github.com/hyperledger/fabric

command: orderer

volumes:
  • ../channel-artifacts/genesis.block:/var/hyperledger/orderer/orderer.genesis.block

  • ../crypto-config/ordererOrganizations/example.com/orderers/orderer.example.com/

msp:/var/hyperledger/orderer/msp

  • ../crypto-config/ordererOrganizations/example.com/orderers/orderer.example.com/

tls/:/var/hyperledger/orderer/tls

ports:

    - 7050:7050

peer0.org1.example.com:

container_name: peer0.org1.example.com

extends:

    file: peer-base.yaml

    service: peer-base

environment:

    - CORE_PEER_ID=peer0.org1.example.com

    - CORE_PEER_ADDRESS=peer0.org1.example.com:7051

    - CORE_PEER_CHAINCODELISTENADDRESS=peer0.org1.example.com:7052

    - CORE_PEER_GOSSIP_EXTERNALENDPOINT=peer0.org1.example.com:7051

    - CORE_PEER_LOCALMSPID=Org1MSP

volumes:

    - /var/run/:/host/var/run/
  • ../crypto-config/peerOrganizations/org1.example.com/peers/peer0.org1.example.

com/msp:/etc/hyperledger/fabric/msp

  • ../crypto-config/peerOrganizations/org1.example.com/peers/peer0.org1.example.

com/tls:/etc/hyperledger/fabric/tls

ports:

    - 7051:7051

    - 7052:7052

    - 7053:7053

在这个节选的配置文件中,一共定义了1个排序服务节点orderer.example.com和1个Peer节点peer0.org1.example.com。Docker Compose目前有3个版本,这个配置文件采用的version 2的语法,配置文件的解释如图所示。

image

更多不同版本的配置文件说明请参考在线帮助文档:https://docs.docker.com/compose/compose-file。

Docker Compose的常用命令

Docker Compose的常用命令如图所示。

image

更多的命令查看帮助文档和在线文档:https://docs.docker.com/compose/reference。

3、下载超级账本源代码

超级账本的源代码都托管在https://gerrit.hyperledger.org/r/#/admin/projects/下面,并在https://github.com/hyperledger上提供只读代码。最好的方式是直接通过git下载:

git clone https://github.com/hyperledger/fabric.git

也可以打包下载文件后解压:https://github.com/hyperledger/fabric/archive/release.zip。

2

超级账本部署调用

先最小化地体验一下超级账本的环境,更详细的部署流程参考第11章。

1、下载Docker镜像文件

超级账本源码scripts目录下有多个下载镜像的脚本,我们可以修改权限以后直接运行:

进入fabric/scripts目录

chmod +x bootstrap-1.0.0.sh

MacOS系统执行如下命令(不下载二进制文件)

sed -i ” ‘s/curl/#curl/g’ bootstrap-1.0.0.sh

其他系统执行如下命令(不下载二进制文件)

sed -i ‘s/curl/#curl/g’ bootstrap-1.0.0.sh

直接下载Docker镜像文件

./bootstrap-1.0.0.sh

根据网络情况,可能需要等待一段时间。下面是下载的Docker镜像文件:

localhost:dive-into-fabric clarity$ docker images

REPOSITORY TAG IMAGE ID SIZE

hyperledger/fabric-tools latest 0403fd1c72c7 1.32GB

hyperledger/fabric-tools x86_64-1.0.0 0403fd1c72c7 1.32GB

hyperledger/fabric-couchdb latest 2fbdbf3ab945 1.48GB

hyperledger/fabric-couchdb x86_64-1.0.0 2fbdbf3ab945 1.48GB

hyperledger/fabric-kafka latest dbd3f94de4b5 1.3GB

hyperledger/fabric-kafka x86_64-1.0.0 dbd3f94de4b5 1.3GB

hyperledger/fabric-zookeeper latest e545dbf1c6af 1.31GB

hyperledger/fabric-zookeeper x86_64-1.0.0 e545dbf1c6af 1.31GB

hyperledger/fabric-orderer latest e317ca5638ba 179MB

hyperledger/fabric-orderer x86_64-1.0.0 e317ca5638ba 179MB

hyperledger/fabric-peer latest 6830dcd7b9b5 182MB

hyperledger/fabric-peer x86_64-1.0.0 6830dcd7b9b5 182MB

hyperledger/fabric-javaenv latest 8948126f0935 1.42GB

hyperledger/fabric-javaenv x86_64-1.0.0 8948126f0935 1.42GB

hyperledger/fabric-ccenv latest 7182c260a5ca 1.29GB

hyperledger/fabric-ccenv x86_64-1.0.0 7182c260a5ca 1.29GB

hyperledger/fabric-ca latest a15c59ecda5b 238MB

hyperledger/fabric-ca x86_64-1.0.0 a15c59ecda5b 238MB

REPOSITORY代表的是镜像的仓库名称,每个仓库下面都有打了不同TAG的标签名称,代表不同的版本。通常最少有两个标签,一个是latest;另外一个的命名规则是“主机CPU类型–超级账本主版本号–snapshot–代码库版本号”,其中主机CPU类型为x86_64,说明是Intel的64位CPU,超级账本的主版本为1.0.0,snapshot是固定名称,代码库版本号为58cde93,它是git代码库最近一次提交版本号的前7位。snapshot和代码库版本号只有通过本地编译的时候才会出现。每次make docker的时候都会检查是否有文件改动,如果有变化的文件,则会重新构建,生成新的镜像再标记成latest。镜像文件详细的解释请参考第11章的相关内容。

2、部署超级账本网络

运行超级账本需要设置较多的初始化配置,我们先绕开初始化过程,用fabric-samples工程中已经生成的配置文件来体验部署安装的过程:

git clone https://github.com/hyperledger/fabric-samples.git

进入basic-network目录,利用docker-compose启动容器:

cd fabric-samples/basic-network

docker-compose -f docker-compose.yml up -d

查看已经启动的容器(输出进行了删减):

localhost:basic-network clarity$ docker ps

CONTAINER ID IMAGE NAMES

efddfbf4fc0a hyperledger/fabric-peer:x86_64-1.0.0 peer0.org1.example.com

606d13c1e7a2 hyperledger/fabric-couchdb:x86_64-1.0.0 couchdb

d8c870db8634 hyperledger/fabric-ca:x86_64-1.0.0 ca.example.com

c6f25a5e6fd6 hyperledger/fabric-tools:x86_64-1.0.0 cli

a5f6331c5bc5 hyperledger/fabric-orderer:x86_64-1.0.0 orderer.example.com

切换到管理员用户再创建通道和加入通道:

切换环境到管理员用户的MSP,进入Peer节点容器peer0.org1.example.com

docker exec -it -e “CORE_PEER_MSPCONFIGPATH=/etc/hyperledger/msp/users/Admin@

org1.example.com/msp” peer0.org1.example.com bash

创建通道

peer channel create -o orderer.example.com:7050 -c mychannel -f /etc/hyperledger/

configtx/channel.tx

加入通道

peer channel join -b mychannel.block

退出Peer节点容器peer0.org1.example.com

exit

#退出Peer节点容器peer0.org1.example.com,进入cli容器安装链码和实例化:

# 进入cli容器

docker exec -it cli /bin/bash

给Peer节点peer0.org1.example.com安装链码

peer chaincode install -n mycc -v v0 -p github.com/chaincode_example02

实例化链码

peer chaincode instantiate -o orderer.example.com:7050 -C mychannel -n mycc -v

v0 -c ‘{“Args”:[“init”,”a”,”100”,”b”,”200”]}’

3、链码调用和查询

链码实例化以后,可以查询初始值,同样是在cli容器里执行下面的操作:

peer chaincode query -C mychannel -n mycc -v v0 -c ‘{“Args”:[“query”,”a”]}’

查询结果显示为Query Result: 100,详细信息如下:

2017-08-09 14:47:05.853 UTC [msp] GetLocalMSP -> DEBU 001 Returning existing

local MSP

2017-08-09 14:47:05.853 UTC [msp] GetDefaultSigningIdentity -> DEBU 002 Obtaining

default signing identity

2017-08-09 14:47:05.853 UTC [chaincodeCmd] checkChaincodeCmdParams -> INFO 003

Using default escc

2017-08-09 14:47:05.854 UTC [chaincodeCmd] checkChaincodeCmdParams -> INFO 004

Using default vscc

2017-08-09 14:47:05.854 UTC [msp/identity] Sign -> DEBU 005 Sign: plaintext: 0A9

1070A6708031A0C08A9A694D00510…6D7963631A0A0A0571756572790A0161

2017-08-09 14:47:05.854 UTC [msp/identity] Sign -> DEBU 006 Sign: digest: E18FC9

7C13D550C5E3349AAD49523A6D7C71B4E51C219CD9A8799DEF54FFFE66

Query Result: 100

2017-08-09 14:47:05.886 UTC [main] main -> INFO 007 Exiting…..

调用链码,从“a”转移10到“b”:

peer chaincode invoke -C mychannel -n mycc -v v0 -c ‘{“Args”:[“invoke”,”a”,

“b”,”10”]}’

显示调用成功的结果:

2017-08-09 14:49:46.018 UTC [chaincodeCmd] chaincodeInvokeOrQuery -> INFO 0cb

Chaincode invoke successful. result: status:200

再次查询“a”和“b”的值:

peer chaincode query -C mychannel -n mycc -v v0 -c ‘{“Args”:[“query”,”a”]}’

peer chaincode query -C mychannel -n mycc -v v0 -c ‘{“Args”:[“query”,”b”]}’

查询结果显示“a”的值为Query Result: 90,“b”的值为Query Result: 210。

4、常见错误

请求调用者权限不足

调用的时候设置了错误的MSP,比如需要管理员才能执行创建通道的操作,但是设置了普通的成员MSP,会出现Error: Got unexpected status: BAD_REQUEST的错误:

2017-08-09 14:49:04.652 UTC [msp] GetLocalMSP -> DEBU 001 Returning existing

local MSP

2017-08-09 14:49:04.652 UTC [msp] GetDefaultSigningIdentity -> DEBU 002 Obtaining

default signing identity

2017-08-09 14:49:04.654 UTC [channelCmd] InitCmdFactory -> INFO 003 Endorser and

orderer connections initialized

2017-08-09 14:49:04.656 UTC [msp] GetLocalMSP -> DEBU 004 Returning existing

local MSP

2017-08-09 14:49:04.656 UTC [msp] GetDefaultSigningIdentity -> DEBU 005 Obtaining

default signing identity

2017-08-09 14:49:04.657 UTC [msp] GetLocalMSP -> DEBU 006 Returning existing

local MSP

2017-08-09 14:49:04.657 UTC [msp] GetDefaultSigningIdentity -> DEBU 007 Obtaining

default signing identity

2017-08-09 14:49:04.657 UTC [msp/identity] Sign -> DEBU 008 Sign: plaintext: 0A8

8060A074F7267314D535012FC052D…53616D706C65436F6E736F727469756D

2017-08-09 14:49:04.657 UTC [msp/identity] Sign -> DEBU 009 Sign: digest: F77320

AE89B131CE75A858A4A450CF0F35301DA62FE1DE465CAEF4439F6FC520

2017-08-09 14:49:04.657 UTC [msp] GetLocalMSP -> DEBU 00a Returning existing

local MSP

2017-08-09 14:49:04.657 UTC [msp] GetDefaultSigningIdentity -> DEBU 00b Obtaining

default signing identity

2017-08-09 14:49:04.657 UTC [msp] GetLocalMSP -> DEBU 00c Returning existing

local MSP

2017-08-09 14:49:04.657 UTC [msp] GetDefaultSigningIdentity -> DEBU 00d Obtaining

default signing identity

2017-08-09 14:49:04.657 UTC [msp/identity] Sign -> DEBU 00e Sign: plaintext: 0AB

F060A1508021A0608E0D591D00522…A38A58EED7B94AC4CB800B86F0A5EF03

2017-08-09 14:49:04.658 UTC [msp/identity] Sign -> DEBU 00f Sign: digest: 475A33

426FA36D50F090AAF7C3AAAB2BF34339191BA74D4A60BF13460B241329

Error: Got unexpected status: BAD_REQUEST

Usage:

peer channel create [flags]

Flags:

-c, --channelID string   In case of a newChain command, the channel ID to

create.

-f, --file string        Configuration transaction file generated by a tool

such as configtxgen for submitting to orderer

-t, --timeout int        Channel creation timeout (default 5)

Global Flags:

    --cafile string              Path to file containing PEM-encoded trusted

certificate(s) for the ordering endpoint

    --logging-level string     Default logging level and overrides, see

core.yaml for full syntax

-o, --orderer string            Ordering service endpoint

    --test.coverprofile string   Done (default "coverage.cov")

    --tls                Use TLS when communicating with the orderer endpoint

-v, --version            Display current version of fabric peer server

传递错误的通道名称

比如通道名称是mychannel,传递参数的时候写成了错误的myc:

peer chaincode query -C myc -n mycc -v v0 -c ‘{“Args”:[“query”,”a”]}’

会出现如下错误:

2017-08-09 14:40:36.703 UTC [msp] GetLocalMSP -> DEBU 001 Returning existing

local MSP

2017-08-09 14:40:36.703 UTC [msp] GetDefaultSigningIdentity -> DEBU 002 Obtaining

default signing identity

2017-08-09 14:40:36.706 UTC [chaincodeCmd] checkChaincodeCmdParams -> INFO 003

Using default escc

2017-08-09 14:40:36.706 UTC [chaincodeCmd] checkChaincodeCmdParams -> INFO 004

Using default vscc

2017-08-09 14:40:36.707 UTC [msp/identity] Sign -> DEBU 005 Sign: plaintext: 0A9

1070A6708031A0C08A4A394D00510…30300A000A04657363630A0476736363

2017-08-09 14:40:36.707 UTC [msp/identity] Sign -> DEBU 006 Sign: digest: F085E1

89A0765713209DD8802DDF57B054EBCD294305A500F56BC34CB3D2E577

Error: Error endorsing chaincode: rpc error: code = Unknown desc = chaincode

error (status: 500, message: chaincode exists mycc)

Usage:

peer chaincode instantiate [flags]

Flags:

-C, --channelID string   The channel on which this command should be executed

(default “testchainid”)

-c, --ctor string      Constructor message for the chaincode in JSON format

(default “{}”)

-E, --escc string    The name of the endorsement system chaincode to be used

for this chaincode

-l, --lang string     Language the chaincode is written in (default "golang")

-n, --name string     Name of the chaincode

-P, --policy string      The endorsement policy associated to this chaincode

-v, --version string     Version of the chaincode specified in install/

instantiate/upgrade commands

-V, --vscc string        The name of the verification system chaincode to be

used for this chaincode

Global Flags:

    --cafile string              Path to file containing PEM-encoded trusted

certificate(s) for the ordering endpoint

    --logging-level string    Default logging level and overrides, see core.

yaml for full syntax

-o, --orderer string             Ordering service endpoint

    --test.coverprofile string   Done (default "coverage.cov")

    --tls                Use TLS when communicating with the orderer endpoint

3

节点的配置参数传递规则

在docker-compose.yml文件中,我们可以看到有ORDERER_GENERAL_LEDGERTYPE= ram的设置,这是传递给节点的参数。给节点传递参数的方法有多种方式:环境变量、配置文件、动态环境变量、默认值。

程序在启动的时候会读取配置文件和环境变量的值,分别保存到不同变量缓存起来,在程序需要获取某个变量值的时候,不同传递方法的参数读取流程图如图所示。

从图中可以看到,如果配置了自动从环境变量获取参数的值,那么每次都实时地从环境变量中获取,否则依次读取程序启动时从环境变量、配置文件中读取后缓存到内存中的值,优先获取到的值作为返回值。如果都没有获取到,则返回空,交给程序进行处理,程序可能会以默认值运行,也可能会报错停止运行,这跟业务逻辑有关系。所以,只有在设置了自动从环境变量中获取参数的情况下,才能在运行时通过修改环境变量改变参数的值。

每个环境变量的名称都有一个前缀,每个模块都是单独设置的,比如ORDERER_GENERAL_

LEDGERTYPE的前缀是ORDERER,通常每个模块的前缀是不一样的。比如这里的ORDERER代表的是排序服务节点,Peer节点的变量名称前缀是CORE。环境变量名称是以“_”作为分隔符的,代表一种层级,是和配置文件一一对应的,比如ORDERER_GENERAL_LEDGERTYPE对应orderer.yaml配置文件的General.LedgerType。环境变量和配置文件的变量名称都是不区分大小写的,内部会统一转换成小写的变量名称进行处理。

配置文件路径优先读取环境变量设置的路径,排序服务节点和Peer节点都是相同的环境变量。如果没有设置环境变量,则默认是应用程序所在的目录,然后环境变量GOPATH路径对应到模块代码工程下的目录,比如排序服务节点的目录是 GOPATH/src/github.com/hyperledger/fabric/orderer,Peer节点的目录是 GOPATH/src/github.com/hyperledger/fabric/peer。

image

节点配置参数的传递规则

一般情况下,配置文件的名称设置成模块前缀的小写,比如排序服务节点的配置文件名称是orderer,Peer节点的配置文件名称是core。

配置文件名称的后缀支持:json、toml、yaml、properties、props、prop,它们分别对应JSON文件、TOML文件、YAML文件和Properties文件,程序设置配置文件的时候如果不指定后缀,则按支持的后缀顺序在配置文件路径下进行搜索,找到第一个匹配的文件作为最终的配置文件。文件路径和文件后缀按照广度优先的搜索顺序,即在同一路径下匹配完所有文件后缀再进入下一个文件路径。假设Peer节点没有设置配置文件路径,$GOPATH的路径是/opt/gopath,则有两个目录下的文件如下所示:

vagrant@hyperledger-devenv:v0.2.2-58cde93: /opt/gopath/bin$ tree .

.

├── core.yaml

└── peer

vagrant@hyperledger-devenv:v0.2.2-58cde93: /opt/gopath/bin$ tree /opt/gopath/

src/github.com/hyperledger/fabric/peer

.

├── core.json

└── peer

搜索路径顺序是:

./core.json

./core.toml

./core.yaml

./core.properties

./core.props

./core.prop

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.json

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.toml

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.yaml

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.properties

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.props

/opt/gopath/src/github.com/hyperledger/fabric/peer/core.prop

所以最终获取到的配置文件是:./core.yaml。

而不是/opt/gopath/src/github.com/hyperledger/

fabric/peer/core.json。

本文内容节选自《深度探索区块链:Hyperledger技术与应用》一书的第2章《超级账本初体验》。

本书作者:张增骏,董宁,朱轩彤,陈剑雄

感谢机械工业出版社华章分社的支持和分享。

以下是我们的社区介绍,欢迎各种合作、交流、学习:)

image

MCP协议在工业物联网的落地实践:从数据接入到AI应用 大模型要真正在工业现场发挥作用,前提是能安全、高效地访问设备数据。然而传统工业系统接口繁杂、协议各异,成为AI落地的核心堵点。MCP(模型上下文协议)通过统一AI模型与外部数据源的交互规范,像USB-C一样打通了从系统数据到模型认知的最后一公里。它不替代OPC UA、MQTT等设备侧协议,而是解决平台侧到AI侧的标准化接入问题。基于统一接口的生态效应,设备厂商、集成商与制造工厂正在将MCP用于设备状态快查、班前会报告生成、报警溯源等只读场景,并通过安全链路、语义映射和异步设计规避写操作与实时性风险。从边缘网 阅读详情

相关推荐

hyperledgerfabric开发实战-快速掌握区块链技术

书是自己找的 没有什么 自己也看 搞技术 欢迎同道中人 来共勉 可以加个人qq 278697796

hyperledger开发分享——一线开发者在超级账本项目开发实践(实录)

本章零基础地介绍了如何快速体验超级账本搭建的区块链网络,我们先绕过了比较复杂的初始化配置,用官方提供的fabric-samples提供的配置和链码示例,展示了如何调用和查询链码,对Hyperledger Fabric实现的功能有一个初步的认识。 1 基础环境安装 Hyperledger Fabric 1.0依赖Docker执行智能合约,需要先安装Docker和Docker Compose的运行环...

weixin_34117522的博客 314

使用Hyperledger Composer开发区块链应用

使用Hyperledger Composer开发区块链应用。只要掌握了,就不需要再学习nodejs和go啦。Composer 简化了区块链开发的流程。

hyperledger fabric 实战开发——水产品溯源交易平台(二)

大黄鱼追溯平台开发

专攻毕设大企鹅的博客 7197

利用Hyperledger Fabric开发第一个区块链应用

通过一个简单的示例程序来了解 Fabric 应用是如何运行的。在这个例子中使用的应用程序和智能合约(链码)统称为 FabCar。这个例子很好地提供了一个开始用于理解 Hyperledger Fabric。将学会如何开发一个应用程序和智能合约来查询和更新账本,如何利用 CA 来生成一个应用程序需要的用于和区块链交互的 X.509 证书。

区块链|超级账本HyperLedger 入门基础讲解ppt

超级账本(hyperledger)是Linux基金会于2015年发起的推进区块链数字技术和交易验证的开源项目。是近期最火的区块链项目,这个ppt 讲解了超级账本的基本知识,适合新手学习扫盲,高手也可以看看。

Hyperledger Fabric Chaincode开发详解(实例说明)

导言 目前fabric开发主要分两大块,一是chaincode链上代码的开发,二是基于SDK的application开发; 本文主要是介绍fabric chaincode api,对api的功能和参数进行说明,同时针对每个主要api都给出了 使用例子。 目标: 熟悉fabric chaincode常用api的功能和使用方法; 熟悉fabric chaincode的开发流程以及能够编写cha...

草根工厂——技术虐我千百遍,我依然待你如初恋 6354

从零到壹实现Marbles资产管理系统 (Fabric-SDK-Node).epub

通过一个 Marbles 示例项目分析基于 fabric-sdk-node 的比较复杂的web项目的实现过程。演示如何利用 Hyperledger Fabric 在许多Marble所有者之间创建、转移或删除资产。应用程序在 Node.js 中调用在Hyperledger Fabric网络中运行的 GoLang 代码(链码)来实现具体功能。

hyperledger fabric 实战开发——水产品溯源交易平台(一)

文章目录前言环境准备水产品溯源交易平台设计实现步骤1.两个组织原始数据上传区块链,并通过couchdb查询2.两个组织原始数据再上传数据库,并通过mysql查询3.两个组织原始数据上传数据库,加密上传区块链,MySQL查询后再验证。4.实现可视化界面操作5.四个组织交易溯源平台实现虚拟机优化(根据个人喜好选择) 前言 在万字解析——区块链hyperledger fabric2.2部署实战教程中,我对fabric2.2官方文档的一个示例和两个实战项目进行了操作展示,现在我准备开发一个水产品溯源交易平台,在写下

专攻毕设大企鹅的博客 9466

20道SpringSecurity常见面试题汇总(超详细回答 !!!)

本文中,我们将探讨一些与 Spring Security 相关的面试问题。Spring Security 是一款流行的 Java 应用程序安全框架,它提供了一套全面且易于使用的安全解决方案。

小斜同学的博客 3076

​非线性分析-增加位移量可能出现下面错误。虽然求解无法在所有时间点完成,但在某些点上仍能够求解部分结果。请参阅“帮助系统”中的故障排除,以了解更多信息详情。由于受约束,规划求解引擎无法收敛

基于收敛状态拆分载荷步‌:在已收敛的载荷步基础上,将未收敛的关键区域拆分为更细的子步,比如在载荷突变点前设置5~10个子步,逐步加载。替换冲突约束为弱约束‌:若存在约束冲突,将刚性约束替换为弱弹簧约束(刚度设为1e-6~1e-4),既限制刚体位移,又不影响结构的变形自由度,命令流:SPRING, NODE, K, 1e-6。部分区域约束完整,但存在未被约束的刚体自由度,或约束类型与大变形/接触逻辑冲突,比如某部件的位移约束在初始阶段有效,但大变形后约束位置脱离实际受力点,导致求解器在该阶段无法收敛。

qq_15963745的博客 150

深度探索Hyperledger技术与应用之超级账本的系统架构

本文从逻辑结构、节点结构等2个方面介绍了Hyperledger Fabric 1.0的架构。

HiBlock的博客 2303

深入RKNN Toolkit2:自定义算子与内存优化秘籍

本文系统探讨了RKNNToolkit2在模型转换中的关键技术与优化策略。首先介绍了该工具包的基础功能及模型转换流程,重点阐述了自定义算子的实现方法,包括算子分析、代码编写和注册集成等步骤,并以ReduceLogSumExp算子为例进行案例分析。在内存优化方面,详细论述了模型量化、内存复用和参数配置等策略,通过具体案例展示优化效果。最后结合智能安防项目实践,分享了YOLOv5模型部署经验及问题解决方案。文章指出,随着AI技术发展,RKNNToolkit2将在算子支持、量化技术和硬件适配等方面持续优化,为边缘计

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 1391

超级账本Fabric教程(一):超级账本入门

本节分享有关拆超级账本的概念以及体验部署过程。 一、简介 是一个带有可插入各种功能模块架构的区块链实施方案,目标是打造成一个由全社会共同维护的开源超级账本。由Linux 基金会的开源项目,全称是Hyperledger Fabric)是区块链的商用平台。开源地址:https://github.com/hyperledger。 二、为什么用超级账本? 会员众多:包括Cisco、 IB...

weixin_30731305的博客 1790

【电容/电感】电路板会“滋滋”的响,我们称它为啸叫

一、啸叫的起源 大部分硬件工程师应该都遇到过,PCBA上电后出现“滋滋滋”的叫声,其声响或大或小,或时有时无,或深沉或刺耳,或变化无常者皆有。该现象我们称为“啸叫”,一般分为电感啸叫和电容啸叫。

云轩阁 6万+

Docker:快速部署 Temporal 工作流引擎的技术指南

Temporal是一个开源的分布式工作流引擎,适用于复杂业务流程(如订单处理、支付流程等),提供状态持久化、自动重试、多语言SDK支持等特性。部署简单,支持Docker Compose,包含核心服务、Web UI及数据库。以TypeScript为例,开发者可快速编写工作流(如订单处理)和Worker,通过CLI或SDK启动和管理。Temporal简化了分布式系统的可靠性设计,适合电商、自动化任务等场景。

木头 644

Hyperledger Fabric 超级账本 区块链技术 概述 优点

超级账本概述 区块链的第一个也是最被广泛认可的应用是比特币,另一种加密货币以太坊采取了不同的方法,它集成了许多与比特币相同的特征,添加了智能合约来创建分布式应用程序的平台。比特币和以太坊属于区块链,我们将其归类为无公开许可的区块链技术。基本上,这些都是对任何人开放的公共网络,参与者可以匿名互动。 随着比特币、以太坊和其他一些衍生技术的普及,将区块链的底层技术、分布式账本和分布式应用平台应用到更具创新性的企业用例的兴趣也在增长。然而,许多企业用例需要无许可区块链技术(目前)无法提供的性能特征。此外,在许多用例

littleshenyue的博客 2344

AWR2243的等效相位中心与虚拟通道

在俯仰维方向上,不重合的虚拟通道有8个,排序为1:4,9:12。每个虚拟阵元之间的间隔为lambda/2。实际y轴方向虚拟阵列只跨越了8*lambda/2的距离。等效相位中心与虚拟通道类似,只是每个相位中心之间间隔为lambda/4,实际y轴方向等效相位中心只跨越了8*lambda/4=7.59mm的距离

qq_50974341的博客 1983

百度超级链联合超级账本:区块链技术如何提升金融行业互信与安全

区块链技术被IT界誉为最有潜力触发新一轮科技革命浪潮的新兴技术,这也使得众多企业、金融机构互信和协作成为可能。6月27日,百度超级链学院联合超级账本Hyperledger共同开展了主题为...

baiduxuperchain的博客 1430

LightGBM之LGBMRegressor()参数详解以及调参

LightGBMLight Gradient Boosting Machine)是一种梯度提升框架,它使用决策树作为基学习器。LightGBM 可以说是在 XGBoost 上做的优化。LightGBM 为高效并行计算而生,它的 Light 体现在以下几个点上:更快的训练速度更低的内存使用支持单机多线程,多机并行计算,以及 GPU 训练能够处理大规模数据。

我走的每一步都算数 3753

深入C++学习还必须掌握的一基础知识精讲

施磊C++语言基础提高课程笔记,包括了new/delete;malloc/free;引用和指针;const,指计和引用的结合;函数重载,inline的数,参数带默认值的函数;函数模板等知识点

GeniusAng的博客 1481

超级账本北京 MEET UP 在北京大学成功举办,这7位行业大咖究竟讲了啥?

8月25日下午,由HYPERLEDGER(超级账本)、民生银行和民生科技联合举办的超级账本MEET UP(面对面)活动在北京大学顺利拉开帷幕。做为会议全程特约媒体,优快云出席本次活动,并做相关的深度报道。 会议开始,由民生银行信息科技部软件开发部副总经理蔡膺红做大会致辞。蔡膺红谈到《孟子.梁惠王下》中的“独乐乐不如众乐乐”所描述的就是一个去中心化的生态体系,可能是最早的区块链思维。 ...

区块链大本营 2527

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

探索区块链的未来之路:Hyperledger Fabric-SDK-Py深度解析与应用实践

探索区块链的未来之路:Hyperledger Fabric-SDK-Py深度解析与应用实践 在区块链的世界里,Hyperledger Fabric以其企业级特性引领着分布式账本技术的发展。而Fabric-SDK-Py,作为Hyperledger Fabric生态中不可或缺的一部分,为Python开发者打开了通向这一高级分布式账本技术的大门。本文将深入浅出地介绍这一神器,展示其技术魅力,探讨应用场景...

gitblog_00966的博客 774

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: hyperledger开发分享——一线开发者在超级账本项目开发实践(实录)
下一篇: 深入理解Solidity之源文件及合约结构——Solidity中文文档(4)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值