本發(fā)明涉及區(qū)塊鏈，尤其涉及一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法。
背景技術：
1、區(qū)塊鏈技術的興起為實現(xiàn)去中心化的聯(lián)邦學習架構創(chuàng)造了機會。聯(lián)邦學習的分布式協(xié)作訓練過程可以作為自動執(zhí)行的代碼（即智能合約）部署在區(qū)塊鏈上。聯(lián)邦學習的參與者作為區(qū)塊鏈網(wǎng)絡中的節(jié)點，通過發(fā)送交易來調用智能合約，從而驅動區(qū)塊鏈系統(tǒng)的狀態(tài)更新并完成聯(lián)邦學習任務的執(zhí)行。這種計算范式被稱為基于區(qū)塊鏈的聯(lián)邦學習（bcfl）。
2、bcfl的模型訓練過程是通過區(qū)塊鏈交易進行驅動的，并且訓練過程中包含多輪次的模型權重更新與聚合，這產(chǎn)生了大量的交易，因此交易處理的速度直接與模型訓練的效率息息相關，進而影響了整個bcfl系統(tǒng)的吞吐量。然而，受制于區(qū)塊鏈系統(tǒng)固有的標量化指令操作與串行交易處理機制，導致交易處理速度過慢，系統(tǒng)吞吐量低下。evm（ethereumvirtual?machine）作為最流行、生態(tài)最豐富的區(qū)塊鏈交易執(zhí)行引擎之一，常被開發(fā)者用來處理交易，完成交易內(nèi)的計算、i/o邏輯。然而，evm中的標量指令每次只能處理一個元素。缺乏數(shù)據(jù)級并行性導致大量重復和冗余的數(shù)據(jù)i/o和計算操作，顯著增加了執(zhí)行延遲。此外，對于由bcfl任務生成的多個交易，區(qū)塊鏈系統(tǒng)通過單線程的evm串行處理它們以避免數(shù)據(jù)沖突并維持全局區(qū)塊鏈狀態(tài)的一致性。線程級并行性的缺乏進一步加劇了執(zhí)行性能的下降。任務的計算密集型和i/o密集型特性與低效的串行交易處理之間的不匹配限制了bcfl在對延遲敏感的場景中的廣泛應用。
3、主流的區(qū)塊鏈交易處理優(yōu)化方案可以分成兩類，一類是通過設計新的存儲結構來優(yōu)化處理交易時數(shù)據(jù)讀寫的開銷；另一種是引入并行交易處理機制來進行加速。近年來，許多研究致力于優(yōu)化和提高交易處理性能。例如，rainblock和rapidchain通過設計新的存儲結構或采用分片技術，實現(xiàn)系統(tǒng)狀態(tài)的并發(fā)讀寫，從而減少交易處理延遲。然而，這兩種方法都需要對系統(tǒng)成員進行分組，以執(zhí)行不同任務，這會降低系統(tǒng)安全性，因為單個惡意分組可能會破壞整個系統(tǒng)的安全性。pavm提供了跨合約和合約內(nèi)并行性支持，但它要求開發(fā)人員顯式地使用提供的接口定義數(shù)據(jù)依賴關系，并重新設計智能合約，這增加了開發(fā)成本。這些方法不適用于像bcfl這樣的完全去中心化且以安全為核心的系統(tǒng)，而且它們忽視了evm內(nèi)部的計算加速，未能實現(xiàn)足夠的并行性以提高執(zhí)行性能。
技術實現(xiàn)思路
1、本發(fā)明旨在解決上述問題。為此，本發(fā)明提供一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，對區(qū)塊鏈固有的標量化指令操作以及串行處理機制進行優(yōu)化升級，顯著提高了執(zhí)行bcfl任務時的吞吐量和系統(tǒng)響應速度。
2、本發(fā)明提供一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，采用的技術方案如下：包括以下步驟：
3、步驟1：獲取bcfl交易；
4、步驟2：遍歷bcfl交易，將bcfl任務類型相同，且不存在數(shù)據(jù)依賴性和讀寫沖突的交易分到同一交易組，得到多個交易組；
5、步驟3：按順序將交易組取出，基于多evm并行處理機制處理交易組中的交易。
6、進一步的，在步驟2中，對于每個交易，提取并驗證其功能簽名，識別該交易的bcfl任務類型。
7、進一步的，將當前交易分到交易組時，若交易組內(nèi)已存在交易，則當前交易將作為子交易鏈接到交易組內(nèi)的前一交易，前一交易則成為當前交易的父交易，父交易和子交易通過指針定義。
8、進一步的，交易組的交易數(shù)量上限為執(zhí)行交易所用的硬件設備中的cpu的核心數(shù)。
9、進一步的，根據(jù)軟件邏輯需求，通過指針定義交易組內(nèi)的交易之間的順序以及交易組的交易數(shù)量上限。
10、進一步的，在步驟3中，交易組串行執(zhí)行，交易組內(nèi)的交易并行執(zhí)行。
11、進一步的，在步驟3中，按順序將交易組取出，基于多evm并行處理機制處理交易組中的交易的過程為：
12、步驟3.1：按順序將交易組取出，并推送到調度隊列；
13、步驟3.2：將交易組從調度隊列中取出，根據(jù)交易組中交易的數(shù)量分配多個evm實例和內(nèi)存；
14、步驟3.3：交易在多個evm上并行執(zhí)行，交易的執(zhí)行結果緩存到中間存儲中；
15、步驟3.4：所有交易都執(zhí)行成功后，將所有執(zhí)行結果提交到公共存儲中，并清空中間存儲；跳轉到步驟3.2。
16、進一步的，在步驟3.3中，若有交易出現(xiàn)執(zhí)行錯誤，則從并行執(zhí)行方式改為串行執(zhí)行方式，清空中間存儲，然后按照交易的順序依次串行執(zhí)行交易。
17、進一步的，在步驟3中，使用向量操作指令進行寫入和聚合操作。
18、進一步的，向量操作指令包括bstore、bagg和bdl；
19、bstore用于從evm的內(nèi)存中獲取一個向量，并將其寫入slot，所述向量由8個標量元素組成；
20、bagg用于從三個slot中讀取向量，計算三個向量的平均值并將結果寫入目標slot；
21、bdl用于從slot中讀取一個向量，并將其存儲到evm的內(nèi)存中。
22、本發(fā)明實施例中的上述一個或多個技術方案，至少具有如下技術效果之一：
23、1.線程級別并行處理：本發(fā)明的線程級并行性通過交易簽名驗證和讀寫沖突檢測，將交易劃分為可并行處理的交易組，進而實現(xiàn)多個evm在線程間的管理和調度，以并行處理交易，從而提升系統(tǒng)吞吐量。
24、2.數(shù)據(jù)級別并行處理：本發(fā)明對原生bcfl關鍵任務對應的字節(jié)碼與指令流進行解構分析，理解其中的計算邏輯與數(shù)據(jù)組織原理。通過使用超長指令字設計能夠在一個指令周期內(nèi)處理多個元素的向量化指令集，以優(yōu)化計算、i/o開銷，提高交易處理的效率。
25、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。
1.一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，在步驟2中，對于每個交易，提取并驗證其功能簽名，識別該交易的bcfl任務類型。
3.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，將當前交易分到交易組時，若交易組內(nèi)已存在交易，則當前交易將作為子交易鏈接到交易組內(nèi)的前一交易，前一交易則成為當前交易的父交易，父交易和子交易通過指針定義。
4.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，交易組的交易數(shù)量上限為執(zhí)行交易所用的硬件設備中的cpu的核心數(shù)。
5.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，根據(jù)軟件邏輯需求，通過指針定義交易組內(nèi)的交易之間的順序以及交易組的交易數(shù)量上限。
6.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，在步驟3中，按順序將交易組取出，基于多evm并行處理機制處理交易組中的交易的過程為：
7.如權利要求6所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，在步驟3.3中，若有交易出現(xiàn)執(zhí)行錯誤，清空中間存儲，然后按照交易的順序依次串行執(zhí)行交易。
8.如權利要求1所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，在步驟3中，使用向量操作指令進行寫入和聚合操作。
9.如權利要求8所述的一種面向聯(lián)邦學習的區(qū)塊鏈混合粒度并行交易處理方法，其特征在于，向量操作指令包括bstore、bagg和bdl；