MAC多原混合共識機制 ，區塊鏈華山論劍奪冠，武功秘籍解析

MAC多原混合共識機制 （Multiple Hybrid consensus mechanism），以下簡稱MHCM，到底是什麼？

MHCM集成了NDPOS.DPOS.POS.POW.PBFT的優勢，通過演算法反推共識機制打散且通過非同步排序以及離散轉連續的方式進行擇優錄取。

1. MHCM這樣一個集大成者於華山論劍取勝，背後有怎樣神奇的武功？

從比特幣到以太坊到EOS柚子到多原鏈，區塊鏈經歷了從1.0，2.0到3.0的快速而飛躍的技術革新。那麼與EOS的DPOS 相比，多原鏈的NDPOS有怎樣的革新？

MHCM從共識層面將優勢放大提高tps的速度，我們團隊進行研發時發現，單單的通過傳統的共識層面去提高tps,都是受限的，傳統的共識機制不管是POW/POS/DPOS/NDPOS以及PBFT單一的共識機制經過多次運算都無法實現質的突破，所以我們通過演算法反推並運用獨創技術將共識打碎並擇取優勢部分，從而使tps進行了質的突破。

2．那麼MAC的獨家秘笈（獨創技術）到底包括哪些？

（1）非同步排序打破tps提速需要犧牲節點以及網路穩定性的魔咒。

非同步排序是什麼？

當前的共識演算法，在規模(Scalability)、安全(Security),效率(Efficiency)上的不可調和，形成 SSE 矛盾。比如經典的 PoW，滿足規模和安全的要求，但運算開銷大；PoS 滿足功耗的要求，但在規模和安全性上存在不足；DPoS 滿足規模和功耗的要求，但安全性上存在不足；PBFT滿足安全和功耗的要求，但當節點規模特別大時，網路開銷問題就會變得非常突出；Hashgraph 滿足規模和功耗的要求，但在安全性上存在不足,並且由於其結構和流程上的限制。比如結點的連通性不足，對部分交易的確認時延會比較大；Algorand 滿足規模、安全和功耗的要求，但其對網路的整體連通性有比較嚴格的要求，在網路分片的情況下，共識時延會變得不可預測。

綜合當前主流共識演算法的優缺點，我們提出了全新的基於「微實數」的非同步排序技術（e - differential agreement, EDA），將共識問題轉化為對非同步系統中大規模並發請求的處理以及在此環境下數據的排序問題。對於網路的整體連通性有非常強的魯棒性，在非全連通網路的環境下，甚至是每次網路連接比例小於 50% 的系統中也能夠正常運行。該共識演算法的另外一大顯著特點就是線性擴展性， 即性能隨節點規模增大而線性加速，節點規模越大收斂越快，性能越好，在 100K 節點的網路環境下，TPS 達到了 10W，並首次將交易的確認延遲提升到秒級。

（2）.人工神經網路（Artificial Neural Networks）的黑暗叢林法則。

一個神經網路是由簡單處理元構成的規模宏大的並行發布處理器。天然具有存儲經驗知識和使之可用的特性。

神經網路從兩個方面上模擬大腦：

神經網路獲取的知識是從外界環境中學習得來的。

內部神經元的連接強度，即突觸權值，用於存儲獲取的知識。

ANNS模仿動物神經網路行為特徵，進行分散式並行信息處理的演算法數學模型。這種網路依靠系統的複雜程度，通過調整內部大量節點之間相互連接的關係，從而達到處理信息的目的。

通過對人腦的基本單元——神經元的建模和聯接，探索模擬人腦神經系統功能的模型，並研製一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。

神經網路的學習過程：在其所處環境的激勵下，相繼給網路輸入一些樣本模式，並按照一定的規則（學習演算法）調整網路各層的權值矩陣，待網路各層權值都收斂到一定值，學習過程結束。然後我們就可以用生成的神經網路來對真實數據做分類。並把學習的結果分布存儲於網路的突觸連接中。

發展歷程：

1984年，J.Hopfield設計研製了Hopfield網-Tank電路。較好地著名的TPS問題，找到了最佳解的近似解。

a) 交互與競爭的IAC神經網路

網路的輸出神經元之間相互競爭以求被激活，結果在每一時刻只有一個輸出神經元被激活。這個被激活的神經元稱為競爭獲勝神經元，而其他神經元的狀態被抑制，故稱為Winner Taker ALL.

b) 離散Hopfield 神經網路

c) 自組織神經網路，又稱為自組織競爭神經網路，特別適合於解決模式分類和識別方面的應用問題。它包括自組織特徵映射網路SOM,自適應共振理論網路ART,對傳CP,協同神經網路SNN。

神經元的組織原理是有序排列。因此當人腦通過感官接受外界的特定時空信息時，大腦皮層的特定區域興奮，而且類似的外界信息在對應區域是連續映像的。

對於某一圖形或某一頻率的特定興奮過程，神經元的有序排列以及對外界信息的連續映像是自組織特徵映射網中競爭機制的生物學基礎。

d) 脈衝耦合神經網路

Pulse-Coupled Neural Network,PCNN來源於對哺乳動物貓的視覺皮層神經細胞的研究成果，具有同步脈衝激發現象、閥值衰減以及參數可控性。由於其具有生物學特性的背景、以空間鄰近和亮度相似集群的特點，因此在數字圖像處理等領域具有廣闊的應用前景。將PCNN的最新理論研究成果與其他新技術相結合，開發出具有實際應用價值的新演算法是當今神經網路研究的主要方向之一。

（3）離散轉連續——傳奇的凌波微步

傳統離散型共識演算法投票升級成了連續型隨機取樣，只選取所有節點中的一部分來獲得一個結果，往複多輪取樣，實現全覆蓋。當隨機取樣的結果收斂到一個可信值，共識達成。

改變：不需在共識過程中與大多數節點連接，並獲取投票，節省系統數據傳輸，降低節點對網體依賴，節點隨機選擇，使用隨機可計算函數，用戶根據計算得知其是否被選擇中，並將結果反饋和廣播給其它用戶。

優勢：並行共識提升非同步系統的運行效率，配合非同步系統多節點設計，進一步提升系統的並發性能。線性擴展性，即性能隨節點規模增大而線性加速，節點規模越大收斂越快，性能越好。

Citation:

(1).http://www.zsbatech.com/list/post/423969/.神經網路共識演算法

（2）http://www.docin.com/p-82736143.html 人工神經網路 Artificial Neural Networks

若想了解更多資訊，請關註：

推薦閱讀：