tps演算法

❶ 區塊鏈的TPS

眾所周知，比特幣每秒只能進行大約7筆交易，以太坊稍微好一些，也就10-20筆。作為一個支付系統，這是遠遠遠遠不夠的，經常也有人拿這點來說事，認為區塊鏈效率低雲雲。

其實現在有很多的方案在試圖解決TPS的問題，比如說fabric可以到數千的TPS，石墨烯系列可以到上萬的TPS，比特幣和以太坊的Off-chain方案理論上支持無限的TPS。那麼是不是說這些新的技術才是區塊鏈的未來呢？這個問題總是很難回答，要說一大堆共識，分布式，安全之類的事情。

過年期間看了BM的一個訪談，他提到了VB的一個理論，Scalability，Decentralization和Security在區塊鏈中不能兼顧，類似於分布式系統裡面的CAP理論。

我發現這個理論用來解釋區塊鏈技術真是簡單粗暴而有效。

比如說：聯盟鏈通過准入機制，控制了驗證節點的數量，通過犧牲Decentralization提升了Scalability；石墨烯系列的DPOS，RippleNet的共識也是同理；比特幣通過提高每個區塊的容量，也可以達到擴容的目的，但結果是對礦機提出了更高的要求，形成自然的准入門檻，實際上也是犧牲了Decentralization；比特幣和以太坊挖礦難度都可以調整，降低挖礦難度實際上也可以提升Scalability，但付出的代價是抗攻擊能力下降了，犧牲的是Security。

但這個理論放在off-chain類型的方案上就失效了，比如說閃電網路（雷電網路），以太坊的plasma還有R3 Corda（這個比較特殊，直接把鏈都省了）。對off-chain方案原理感興趣的童鞋移步這里， http://www.8btc.com/ln-rn-corda 。大致方案就是交易雙方鎖定準備金，把海量的交易打包以後上鏈，鏈上只保存交易的最終結果。通過智能合約和線下的多重簽名機制，作弊方將會被罰沒准備金。

Off-chain方案看上去很完美，保證Decentralization和Security，同時無限擴展。

但天下沒有免費的午餐，我們以閃電網路為例（事實上plasma我還沒完全理解😅），至少它有下面幾個缺點：

1.閃電網路中鎖定的比特幣只能用在閃電網路中，只有交易通道關閉的時候才能真正成為鏈上承認的貨幣，這在理論上會出現類似銀行擠兌的情況。如果大家對閃電網路失去信心，集中關閉通道，會拖垮比特幣網路。但，這個似乎也不是很大的問題，只要閃電網路沒有爆出什麼漏洞，比如說簽名演算法被攻破之類的。

2.交易是在鏈外執行，鏈上無法驗證提交的交易是否最新版本，雖然腳本保證了提交舊版本交易的攻擊者有被罰沒准備金的風險，但前提是要防禦者監控網路並提交更新版本交易的證據。也就是說從原來比特幣的被動防禦（私鑰不丟失就能保證資金安全）轉變成主動防禦。從這個角度看也算是降低了Security吧。這個主動防禦的操作交給用戶也不太現實，最終必然會衍生出一些服務公司，代替用戶保存鏈外交易憑證，並防止作弊。某種意義上面又從「去中介化的信任」轉變為需要信任中介了。這個角度看，似乎也是犧牲了Decentralization。

3.閃電網路中只有保存最終的資金狀態保存，中間的交易細節全部被忽略，支持者認為是保護了用戶的隱私，反對者認為是損失了交易數據。

4.因為通道需要准備金維持，不可能任意兩個用戶間都存在交易通道，用戶之間轉賬可以通過中轉的方法，最終很可能會有大資金形成中心化的中轉節點。

❷ 諾亞方舟的演算法具有哪些特性

諾亞方舟的演算法具有以下特性：有窮性、持續性和可行性。

❸ ICP演算法的迭代就近點演算法

在20世紀80年代中期，很多學者開始對點集數據的配准進行了大量研究。1987年，Horn[1]、Arun[2]等人用四元數法提出點集對點集配准方法。這種點集與點集坐標系匹配演算法通過實踐證明是一個解決復雜配准問題的關鍵方法。1992年，計算機視覺研究者Besl和Mckay[3]介紹了一種高層次的基於自由形態曲面的配准方法，也稱為迭代就近點法ICP（Iterative Closest Point）。以點集對點集（PSTPS）配准方法為基礎，他們闡述了一種曲面擬合演算法，該演算法是基於四元數的點集到點集配准方法。從測量點集中確定其對應的就近點點集後，運用Faugera和Hebert提出的方法計算新的就近點點集。用該方法進行迭代計算，直到殘差平方和所構成的目標函數值不變，結束迭代過程。ICP配准法主要用於解決基於自由形態曲面的配准問題。
迭代就近點法ICP就近點法經過十幾年的發展，不斷地得到了完善和補充。Chen和Medioni[4]及Bergevin等人[5]提出了point-to-plane搜索就近點的精確配准方法。Rusinkiewicz和Levoy提出了point-to-p rojection搜索就近點的快速配准方法。Soon-Yong和Murali提出了Contractive-projection-point搜索就近點的配准方法。此外，Andrew和Sing[6]提取了基於彩色三維掃描數據點紋理信息的數據配准方法，主要在ICP演算法中考慮三維掃描點的紋理色彩信息進行搜索就近點。Natasha等人[7]分析了ICP演算法中的點雲數據配准質量問題。
基本原理
三維空間R3存在兩組含有n個坐標點的點集，分別為： PL和PR。三維空間點集PL中各點經過三維空間變換後與點集PR中點一一對應，其單點變換關系式為：
(0-1)
上式中，R為三維旋轉矩陣，t為平移向量。
在ICP配准方法中，空間變換參數向量X可表示為[9] 。參數向量中四元數參數滿足約束條件為：
(0-2)
根據迭代的初值X0，由式(0-1)計算新點集Pi為：
(0-3)
式中，P表示原始未修改過的點集，Pi的下標i表示迭代次數，參數向量X的初始值X0為 。
根據以上數據處理方法，ICP配准演算法可以概括為以下七個步驟：
1） 根據點集Plk中的點坐標，在曲面S上搜索相應就近點點集Prk；
2） 計算兩個點集的重心位置坐標，並進行點集中心化生成新的點集；
3） 由新的點集計算正定矩陣N，並計算N的最大特徵值及其最大特徵向量；
4） 由於最大特徵向量等價於殘差平方和最小時的旋轉四元數，將四元數轉換為旋轉矩陣R；
5） 在旋轉矩陣R被確定後，由平移向量t僅僅是兩個點集的重心差異，可以通過兩個坐標系中的重心點和旋轉矩陣確定；
6） 根據式(0-3)，由點集Plk計算旋轉後的點集P』lk。通過Plk與P』lk計算距離平方和值為fk+1。以連續兩次距離平方和之差絕對值 作為迭代判斷數值；
7） 當 時，ICP配准演算法就停止迭代，否則重復1至6步，直到滿足條件 後停止迭代。