一种改进的预言机选择优化模型

摘要

在区块链系统中，预言机节点的选择对于保障上链数据的可靠性及系统运行的经济性至关重要。传统方法在动态环境中面临链上计算负担过重、信誉评估静态化及节点选择容易陷入局部最优等问题。为此，本文提出了一种基于贝叶斯信誉更新与多因素聚类优化的预言机选择模型(bayesian reputation updating and multifactor clustering optimisation for oracle selection models, BRMCO)。该模型通过引入贝叶斯信誉更新机制、k-means聚类算法及梯度老虎机策略，实现了对预言机节点多维度表现的动态评估与优化选择。实验结果表明，在节点可靠性不稳定的情况下，BRMCO所选择节点的上链数据准确率达96%,且成本极低。与传统方法相比，BRMCO显著优化了节点选择流程，且在噪声干扰和高故障节点环境中依然表现出较强的鲁棒性。

关键词

区块链 / 预言机 / 贝叶斯信誉更新 / k-means聚类 / 梯度老虎机策略