构建和测试自己的区块链网络

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 336平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-04-19 11:39:39 发布 336 阅读 AI 写同款· GEO 优化 ›

区块链专栏收录该内容

¥59.90 ¥99.00

70篇文章

订阅专栏

区块链技术在过去几年中取得了广泛发展，成为了许多行业的焦点。构建和测试自己的区块链网络是一个有趣且有挑战性的任务，可以帮助我们更好地理解区块链的基本原理和运作方式。在本文中，我们将介绍如何使用Python编程语言构建一个简单的区块链网络，并进行测试。

定义区块和区块链
在开始构建区块链网络之前，我们需要明确区块和区块链的概念。区块是区块链中的基本单位，包含了一些数据和一个指向前一个区块的哈希值。区块链是由多个区块按顺序链接而成的链式数据结构。
实现区块类
我们首先定义一个区块类，用于表示区块的结构和行为。一个基本的区块包括索引（index）、时间戳（timestamp）、数据（data）、前一个区块的哈希值（previous_hash）和当前区块的哈希值（hash）。

import hashlib
import time

class Block:
    def __init__(self

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#区块链 #python #php

顶级区块链开发人员工具：涉及框架、IDE、安全工具、测试网络、区块链预言机和节点服务据报道，现在区块链是发展最快的领域之一。随着区块链项目(DeFi、NFT、DAO)的激增，对区块链开发人员的需求也在直线上升。如果已经在区块链上进行了构建，或者计划构建，那么这里有关于创建区块链应用程序的一些最佳工具的介绍。... 阅读详情

相关推荐

使用Substrate搭建你的第一条区块链

文章目录使用Substrate搭建你的第一条区块链为什么使用区块链什么是Substrate搭建区块链准备环境创建和编译节点程序方式一方式二本地开发网络本地多节点测试网络使用新账户启动本地测试网络总结参考资料使用Substrate搭建你的第一条区块链 为什么使用区块链 比特币网络作为最早的区块链网络，已经存在了十年时间。在今天，区块链技术还没有像互联网那样深刻地改变着我们每个人的生活，但是它的优势...

weixin_43941564的博客 2689

C#语言的区块链

区块链是一种去中心化的分布式账本技术，最初因比特币而为人所知。近年来，区块链技术因其透明、安全和不可篡改的特性而受到越来越多的关注。在众多编程语言中，C#作为一种功能强大且易于使用的语言，逐渐成为开发区块链应用的重要工具。本文将探讨如何使用C#语言构建区块链系统，分析其核心概念与实现步骤，并给出实际示例代码。

2501_90300675的博客 2020

Hyperledger Fabric和Composer实现区块链应用程序

目前无法绕过技术领域的是区块链话题。但除了加密货币之外，还有更多有趣的应用程序可以带来许多激动人心的软件生态系统。这也适用于Hyperledger项目，该项目提供了一个非常模块化的区块链框架。让我们看看使用Hyperledger Fabric和Composer实现区块链应用程序是多么容易。关于项目Hyperledger Hyperledger是一个umbrella项目的名称，在该项目下开源区块链...

mongo_node的专栏 905

fabric性能测试

实验目标：在solo模式下，测试fabric性能测试，得出每秒最大交易笔数基于fabric v1.0.5版本压力测试工具abcentos下安装 yum -y install httpd-tools实验环境：采用fabric的go语言sdk对区块链进行操作,利用beego封装sdk,对外提供http请求接口以e2e实验构建区块链网络系统吞吐量（TPS）、用户并发量、性能测试概念和公式一．系统吞度量要...

btqszl的博客 6299

Hyperledger Fabric 实战教程：企业级区块链应用开发指南

本文从环境搭建、链码开发、网络部署到客户端应用开发，全面介绍了 Hyperledger Fabric 的开发流程。通过实践，您可以深入理解 Fabric 的架构和工作机制，为构建企业级区块链应用打下坚实基础。

CiaoAI做市机器人，让您的代币更具流动性和活跃性 907

如何使用Hyperledger Fabric和Composer构建区块链网络

如何使用Hyperledger Fabric和Composer构建区块链网络，这是一个区块链开发入门人员的教程。在开始之前要说明Hyperledger Fabric仅在基于Unix的操作系统上运行。因此，它将无法在Windows上运行，这将对你可以执行的操作进行限制。如果你在继续操作之前运行Windows，我建议你设置虚拟机。本文假设你有一些Javascript知识。它不是针对初学者程序员的教程...

mongo_node的专栏 1552

Java区块链安全测试的7大暗礁与3步扫雷指南：你的代码在‘链’上裸奔吗？

🔥关注墨瑾轩，带你探索编程的奥秘！🚀🔥超萌技术攻略，轻松晋级编程高手🚀🔥技术宝库已备好，就等你来挖掘🚀🔥订阅墨瑾轩，智趣学习不孤单🚀🔥即刻启航，编程之旅更有趣🚀。

java专栏 1035

区块链数字货币商城系统开发指南

通过使用智能合约、前端和后端开发技术，我们可以构建一个安全、透明的数字货币商城系统，使用户能够使用数字货币进行购物。请注意，本文提供的示例仅供参考，实际开发过程中可能需要根据具体需求进行调整和扩展。如果您对区块链开发和相关技术感兴趣，建议进一步学习相关文档和教程，以便更深入地了解和应用区块链技术。在本文中，我们将探讨如何开发一个基于区块链的数字货币商城系统。该系统允许用户使用数字货币进行购物，并确保交易的安全性和透明度。我们将涵盖系统的设计和实现，并提供相应的源代码示例。

YekForth的博客 684

21、构建物联网络：从化身到测试床的探索

本文探讨了物联网络（WoT）中化身技术的核心概念与架构优势，介绍了通过物理测试床实现真实场景模拟的方法，并分析了WoT在工业、医疗、交通等领域的广泛应用前景。文章还阐述了人工智能、区块链和边缘计算等技术融合趋势，同时指出了安全、隐私和标准互操作性等未来挑战，展望了物联网络向更智能、可靠方向发展的潜力。

uu89012的博客 40

基于区块链/Hyperledger Fabric的商品交易溯源系统开发模式搭建

本文章记录了基于区块链/Hyperledger Fabric的商品交易溯源系统的开发模式搭建过程，打开开发模式方便调试项目。

TrueTechLabs 官方博客 3113

20. Fabric2.2 使用Caliper进行性能测试

查看网上很多教程，大多使用Caliper工具进行查询性能测试（QPS），针对插入类交易（写入账本的交易）进行性能测试并没有，但是大部分同学的需求，我们基于前面的多Orderer集群的课程，使用Caliper进行插入类交易性能测试。

菜鸟的博客 1万+

43、虚拟化与区块链NFT在网络安全与证据系统中的应用

本文探讨了虚拟化技术与基于区块链的NFT在网络安全和证据系统中的应用。通过对比VMware和VirtualBox的性能，分析了虚拟化在测试与部署中的优势；同时介绍了NFT在确保数据不可篡改、数字所有权管理等方面的作用，并讨论了二者在实际场景中的互补性及未来发展趋势。

plum99的博客 75

软件工程领域测试的区块链测试要点

区块链技术作为分布式账本技术的典型代表，其去中心化、不可篡改和共识机制等特性给软件测试带来了全新的挑战。本文旨在系统性地阐述区块链系统测试的关键要点，覆盖从底层协议到上层应用的完整测试体系。本文首先介绍区块链测试的基本概念和挑战，然后深入探讨各测试领域的详细方法，包括功能测试、性能测试、安全测试等。接着通过实际案例展示测试实践，最后讨论相关工具和未来趋势。区块链测试：针对区块链系统特有属性设计的专门测试方法智能合约：部署在区块链上的自执行合约代码共识算法：区块链节点间达成一致性的机制跨链测试。

软件工程实践的博客 1124

绕线机的制作与研究

本文详细阐述了绕线机的制作过程，涵盖从设计规划到实际制作的各个环节。通过对绕线机工作原理的深入分析，确定了关键技术参数，并依此完成机械结构与控制系统的设计。在制作阶段，运用多种加工工艺完成零件制造与设备组装。经测试，自制绕线机性能达到预期，能够满足特定线圈绕制需求，为相关领域的生产实践与技术研究提供了参考。

道亦无名 1436

别再让信号‘撞墙’了！手把手教你用嘉立创阻抗计算器搞定PCB高速线（附免费压层结构选择）

本文详细介绍了如何使用嘉立创阻抗计算器解决PCB高速线设计中的阻抗匹配问题，避免信号反射和传输损耗。通过免费压层结构选择和五步计算法，帮助工程师快速掌握USB3.0差分线等高速信号的设计技巧，提升PCB设计效率和信号质量。

weixin_30736301的博客 278

芯片设计新手必看：5分钟搞懂工艺角（Process Corner）到底是什么，为啥仿真总要用它？

本文详细解析了芯片设计中的工艺角（Process Corner）概念及其在仿真中的重要性。通过类比马拉松运动员的性能差异，解释了晶体管制造过程中的天然波动，并介绍了TT/FF/SS等工艺角代码的含义。文章还探讨了为何需要跑全工艺角仿真，以及现代芯片验证的完整流程，包括PVT矩阵和多模式分析（MMMC），帮助芯片设计新手快速掌握这一关键概念。

weixin_28713947的博客 244

Minitab田口设计实战：如何用正交试验优化遗传算法参数（附完整操作步骤）

本文详细介绍了如何利用Minitab田口设计进行遗传算法参数优化，通过正交试验方法显著提升效率。文章涵盖实验设计、Minitab操作步骤、结果分析及高级技巧，帮助工程师快速掌握这一工业级优化技术，实现算法性能的显著提升。

wind6的博客 865

关闭搜狗输入法右下角广告的解决方案

本文主要介绍了关闭搜狗输入法右下角广告的解决方案，希望能对使用搜狗输入法的同学们有所帮助。文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 1万+

QCC304x系列开发教程（基础篇）之2.1-QCC3040之开发环境搭建

一、安装MDE 1.解压qualcomm_mde.win.2.4_installer_2.4.1.4压缩包，安装MDE_WIN_2.4.1.4_x64.exe，路径自定义点击NEXT, 安装完成后，点击Finish. 完成安装后，桌面生成快捷方式

心跳包的博客 6078

超分辨率重建：ESPCN与SRGAN技术对比

超分辨率重建：ESPCN与SRGAN技术对比人工智能，计算机视觉，大模型，AI，超分辨率重建是一种通过技术手段，将低分辨率图像转换为高分辨率图像的过程。它的目的是恢复低分辨率图像中丢失的细节信息，使图像具有更高的清晰度和视觉质量。

不踩坑，不知道坑有多深；不总结，踩过的坑白踩。 7万+

星敏感器：卫星姿态测量的“星空导航仪”

在卫星、航天器和深空探测器的姿态控制系统中，星敏感器（Star Tracker）是最精确的姿态测量设备之一。它通过识别恒星的位置，计算出航天器在惯性空间中的三轴姿态，精度可达角秒级（arcsecond），是许多高精度任务（如遥感、天文观测、深空探测）的核心传感器。

ScilogyHunter的博客 3693

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")