相关推荐
区块链三难困境的本质与工程化解法
区块链三难困境(Blockchain Trilemma)指安全性、去中心化与可扩展性三者无法同时最优,其根源并非算法缺陷,而是网络带宽、传播延迟、硬件资源等物理约束下的系统工程极限。理解该困境需回归威胁模型定义安全、地理熵值衡量去中心化、单位资源吞吐评估可扩展性。主流破局路径——分片、Layer2(如ZK-Rollup)、DAG、新型BFT共识——实为在三角边界上做差异化权衡,而非消除矛盾。例如ZK-Rollup通过链下计算压缩验证负担,却引入证明生成延迟与DA成本波动;分片降低单节点负载,却加剧跨片通信开
Hashgraph —— 或许是目前最为优秀的共识协议
背景 在深入探索Hashgraph之前,我们先聊聊关于共识协议的背景,众所周知比特币和以太坊目前都采用POW共识机制,如果暂不考虑大矿场联合做些小动作,工作量证明机制确实是个非常安全的协议,简单粗暴的算法设计从经济收益层面杜绝了几乎99%的潜在攻击,比特币网络从2009年运行至今几乎没出过什么严重的BUG,即使从软件代码上来看也称得上是一...
25、区块链共识算法解析
本文深入解析了多种区块链共识算法,包括Raft、Ripple协议共识算法(RPCA)以及基于有向无环图(DAG)的Tangle和Hashgraph算法。文章详细阐述了各算法的工作原理、特点、优缺点及适用场景,并通过比较分析展示了不同共识机制在去中心化、安全性、效率和可扩展性等方面的差异。同时探讨了当前面临的技术挑战与未来发展趋势,为区块链技术的应用选择提供了理论支持和实践指导。
HashDAG:交互式修改压缩稀疏体素表示
HashDAG:交互式修改压缩稀疏体素表示 项目介绍 HashDAG 是一个开源项目,基于论文《交互式修改压缩稀疏体素表示》,提供了高效处理复杂几何数据的解决方案。通过使用稀疏体素 DAG(有向无环图),该项目实现了高分辨率实时渲染的能力,特别适用于那些需要在保持高效率的同时进行动态编辑的场景。它解决了传统稀疏体素结构在处理静态数据上的限制,引入了一种新数据结构,使得对压缩后的体素几何结构进行互动...
HashDAG:交互式修改压缩的稀疏体素表示
哈希DAG 此存储库包含我们论文“交互式修改压缩的稀疏体素表示形式”的源代码。 该论文可在此处下载: : 视频: : 谈话: : 抽象的 体素是编码复杂几何图形的流行选择。 它们的规则性使更新变得容易,并允许随机检索值。 主要限制在于分辨率的缩放比例不佳。 稀疏体素DAG(有向无环图)克服了这一障碍,并提供了用于实时渲染的高分辨率表示,但仅处理静态数据。 我们引入了一种新颖的数据结构,可以在不需要解压缩和重新压缩的情况下对这种压缩的体素几何进行交互式修改。 除了用于编码几何的二进制数据外,它还支持压缩属性(例如,颜色)。 我们通过交互式大型体素编辑器(支持雕刻,填充,复制和绘画)说明了表示的有用性。 演示版 可在以下位置找到适用于Windows的可下载演示: : 性能说明 上面链接的演示使用了Epic Citadel,分辨率为2 ^ 17。 它将需要具有至少 8GB
永磁同步电机高效标定技术:从理论到实践的全面解析
本文全面解析永磁同步电机高效标定技术,从MTPA标定、弱磁区优化到初始角校准,详细介绍了理论原理和实战技巧。针对新能源汽车应用场景,提供标定系统集成要点和AI辅助优化方案,帮助工程师提升电机性能标定效率与精度。
聊聊DAG的共识和牛逼的hashgraph
转自:http://www.bitcoin86.com/block/19171.html可能因为IOTA和byteball的原因,一提到DAG,很多人就会担心DAG可能有中心化的问题。包括iota依赖validator节点,byteball依赖witness节点。这篇文章尝试为iota和byteball正名,更重要的,介绍一个让我很兴奋的东西,hashgraph。什么是区块链的共识谈到区块链,共识...
Win10下ISE14.7 iMPACT闪退?三步搞定DLL替换(附详细路径)
本文详细介绍了在Windows 10系统下解决Xilinx ISE14.7 iMPACT工具闪退问题的三步DLL替换方案。通过替换关键DLL文件,有效解决了FPGA开发中的兼容性问题,帮助开发者快速恢复工作流程。
java dag图算法库,关于图形:合并两个DAG的高效算法
我有两个加权DAG(有向无环图),需要将它们合并为一个,因此我可以进行拓扑排序(某些情况下可以超过两个)。 问题在于,每个图都是非循环的,但可以一起形成一个循环。 而且,这些图很大(100k +个节点,500k +个边)。有没有巧妙的方法来合并图形? 同样好的算法可以"一次"遍历所有图形。编辑:"合并"是指将两个图形的所有边和顶点合并在一起(当然会保留权重)(如果它们不创建循环)。 如果边缘已经存...
C#中使用OpenCV的常用函数
c# opencv 常见操作
Mixly/Arduino实战:WS2812点阵动态显示自定义图案与汉字
本文手把手教你使用Mixly和Arduino驱动WS2812点阵屏,实现自定义图案与汉字的动态显示。内容涵盖硬件连接、取模软件设置、高效数据处理技巧(巧用Excel)、Mixly图形化编程及Arduino代码解析,并深入探讨动态显示与滚动汉字原理,最后提供常见问题排查与性能优化心得,助你从零开始轻松玩转智能硬件。
Java实现有向图去环得到DAG
package 算法; import java.util.HashSet; import java.util.Iterator; import java.util.LinkedList; import java.util.List; import java.util.Set; import java.util.Stack; public class DAG { static int ...
使用 Simulink + Simscape Electrical 实现一个三相半控桥式整流器的仿真模型
本文详细介绍了使用Simulink搭建三相半控桥式整流器仿真模型的方法。主要内容包括系统结构设计、建模步骤(从创建项目到参数配置)、移相触发控制的实现,以及阻感负载下的动态响应分析。通过合理设置三相电源、整流器模块、触发控制和测量模块,实现了输出电压和电流波形的仿真观测。文章还提供了优化建议,如添加滤波器、实时控制等改进方向,为电力电子变换器的仿真研究和性能优化提供了实用指导。
区块链 OUT 了,DAG、哈希图(Hashgraph)是它的接班人
作者简介:David D. Buehlmann是一名金融科技企业家,是Quotip公司的创始人兼CEO。我在上一篇文章《加密货币:是郁金香热潮2.0还是别的什么?》中探讨了加密货币的现状。...
【系统架构设计师-2026上半年真题】综合知识-参考答案及详解(75题完全回忆版)
【系统架构设计师-2026上半年真题】综合知识-参考答案及详解(75题完全回忆版)
ABAP 平台下配置 OAuth 2.0 Authorization Code 授权类型的完整指引
本文是面向ABAP管理员和SAP开发者的OAuth 2.0授权码配置实战指南。文章详细介绍了在ABAP平台启用Authorization Code的完整流程,包括前置条件检查(如TLS配置和系统用户准备)、SOAUTH2事务码中各字段配置要点(授权类型启用、Redirect URI设置、授权码有效期等)、Scope分配规则以及验证方法。通过一个销售订单OData接口的实际案例,说明了如何将抽象规范转化为具体配置。最后提供了多种验证方式(事务码测试、端点测试和Postman测试)以及关键配置参数(如授权码有效
央行数字货币技术架构---HashGraph共识算法1
最近央行动作在数字货币领域动作频频,在2019年下半年,大有加快数字货币研发的趋势,有可能正式推出央行数字货币CBDC。虽然目前还不确定央行数字货币的具体技术架构,但是从央行数字货币研究所前所长姚前,以及谢平等人的观点来看,央行数字货币投放将采用两层结构,即央行将数字货币配发给商业银行或运营机构,由商业银行或运营机构负责公众服务,商业银行和运营机构各自维护自己的账本,央行维护统一的账本。对于商业银...
MySQL数据库面试题(2022版)
序列号 内容 链接 1 Java基础知识面试题(2022版) https://blog.youkuaiyun.com/qq_43061290/article/details/124023797 2 Java集合容器面试题(2022版) https://blog.youkuaiyun.com/qq_43061290/article/details/124043363 3 Java异常面试题(2022版) https://blog.youkuaiyun.com/qq_43061290/article/details/124....
【我的区块链之路】- 去中心化的神级大作Hashgraph的讲解
【转载请标明出处】: https://blog.youkuaiyun.com/qq_25870633/article/details/82057232 本文章参考自: https://blog.youkuaiyun.com/lcloveyou/article/details/80289258 https://jiasule.v2ex.com/t/446575 首先今天我们来说一说HashGraph是个什么东西,在...
文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况
主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
区块链怎么运用到项目上_聊聊那些不是“区块链”的区块链项目
ZB创新智库ZB Nexus区块链Blockchain组合单词“Block+Chain”很形象地描绘了区块链底层的数据结构:由区块组成的链式结构,每一个区块记录一段时间内的交易信息,区块之间通过不可篡改的哈希值形成链接,也即所谓的“指针”,通过哈希指针可以从当前区块链追溯至创世区块形成一条有时间戳证明的交易链条。区块链的优点是不可篡改、快速验证和安全,缺点是性能、存储和效率。目前很多项目...
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。
DAG/树图技术
DAG( Directed Acyclic Graph ) 即通过有向无环图这个就够来保存交易,一般通过带有方向的图的边(edge)来表达交易之间的先后确认关系。 DAG技术相比传统的链式结构,有先天的高并发优势,因此受到市场的广泛关注和研究,但双发的判断更加复杂,目前也还没有很成熟(充分被时间和市场验证)的项目。 1.1. Conflux Conflux是使用树图结构(为什么称为树图,可以...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
分布式账本
文章目录什么是分布式账本?不同类型的分布式账本分布式分类账的优点和好处分布式账本的未来 什么是分布式账本? 围绕区块链对话,“分布式账本” 这个词已被抛出太多次了。许多人认为区块链技术和分布式账本是同一件事。这在技术上并不正确,尽管两者是相关的。 在明确分布式账本之前,我们要先了解分类账的概念。在社会变得复杂并且需要一个记账系统来跟踪重要的经济活动时,分类账随之诞生。分类账只复杂相关数据的记录。 接下来说一下账本: 在 20 世纪 80 年代和 90 年代计算机无法访问之前,账本存在于纸上。从纸质分类帐
公链开发学习笔记(一)
0 引言 进入了区块链行业,有很多东西要学习。 网上关于区块链的资料并不算丰富,能搜索到的大多也是炒币的信息,关于技术的十分稀缺。 最近,硅谷live推出了公链开发课程,课表的内容很充实,我报名参加了,现准备将笔记整理成文。 1 区块链架构:应用层、功能层、核心层 应用层:需要支持各种dApp 功能层:需要能支持dApp的编译器 核心层:需要新的虚拟机,新的交易处理方式 设计包括四个方面:acc...
哈希图最早介绍
这篇文章写于2016年7月29日,有点老但是很有参考价值 正如很多人在这里所知道的,我对共识机制的兴趣遍布全球。在毕马威的研究报告中,我共同撰写了“共识:价值互联网的不变协议”,讨论了许多共识机制。在论文的附录3中,该领域的许多主要参与者讨论了他们的共识方法。Swirlds Hashgraph Consensus算法是一种不存在于论文中的共识机制。那个白皮书是一个很好的阅读,这个共识机制有相当多的...
分布式共识规则引擎:Hashgraph游标规则的形式化验证与实践
分布式共识算法是构建高可靠分布式系统的核心技术,旨在解决异步网络环境下多个节点对事件顺序达成一致的根本问题。其核心原理通常基于拜占庭容错(BFT)理论,通过虚拟投票、事件图(DAG)排序等机制,在节点可能故障或存在恶意行为的情况下,确保所有诚实节点最终形成唯一、不可篡改的全局状态序列。这项技术的核心价值在于为金融结算、物联网协同、去中心化治理等场景提供了强一致性的可信基础。形式化验证,特别是高阶逻辑(HOL)的应用,将共识规则从代码实现提升至数学证明层面,通过定理证明器严格验证其确定性、终局性等关键属性,从
What is a Distributed Ledger Technology?
本文转载自 TEAMZ, Medium The term ‘distributed ledger’ has been thrown around too many times around blockchain conversations. Many people consider blockchain technology and distributed ledger as one and...
443



被折叠的 条评论
为什么被折叠?



