✨ 长期致力于工作量证明、DDoS攻击、区块截留攻击、重复博弈、动态演化博弈研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于非对称演化博弈的区块截留攻击策略分析：
将矿池间的区块截留（BWH）攻击建模为非对称演化博弈。设定大算力矿池和小算力矿池两个种群，各自策略空间为诚实挖矿、渗透攻击或混合策略。收益矩阵考虑挖矿奖励、攻击渗透成本、被惩罚风险和算力损耗，引入监管强度因子λ和惩罚力度因子κ。复制动态方程组描述两种群策略比例随时间演化。结合Lyapunov第一方法分析系统平衡点的渐近稳定性，得出高λ高κ环境下仅诚实挖矿为演化稳定策略，低λ低κ环境下攻击策略可能成为稳定点的临界条件。在Matlab仿真中，模拟100个矿池的长期演化，大算力池初始攻击概率0.2，小算力池0.1。当λ=0.15，κ=0.3时，系统收敛至全部攻击；当λ=0.45，κ=0.7时，收敛至全部诚实。中间状态会出现周期性震荡。该模型准确揭示了不同监管环境对矿池长期行为的影响，为制定动态惩罚措施提供了理论基础。
（2）环境自适应重复博弈缓解DDoS攻击收益损失：
针对网络层DDoS攻击，构建矿池间的无限次重复博弈模型。单阶段收益基于囚徒困境结构，添加攻击成本、防御投入和收益损失函数。通过子博弈精炼均衡分析得到触发策略：只要对方前一轮未发起DDoS攻击，本矿池保持合作；一旦监测到攻击，则立即转入永久惩罚阶段，将算力转向防御并公布对手行为。在此框架下，提出一种环境自适应重复博弈机制（EARGM），矿池根据实时网络延迟和丢包率评估DDoS攻击强度，动态调整触发惩罚的门槛和惩罚时长：当网络环境恶化（丢包率>5%），放宽触发门槛以减少误报复；当环境优良，则收紧门槛强化威慑。仿真表明，EARGM使矿池在动态变化的网络环境中平均挖矿收益提高14.3%，遭受DDoS攻击时收益损失收窄22.7%。在包含30个矿池的比特币测试网络中进行2周的数据回放模拟，发起DDoS攻击的矿池比例从初始15.2%下降到长期均衡时的3.8%。
（3）非对称动态演化博弈下大-小算力矿池最优应对：
进一步考虑算力非对称性，提出非对称动态演化博弈（ADEG）模型。大矿池的决策影响网络难度调整，小矿池则更多是价格接受者。在复制动态系统中引入规模因子，使大矿池的收益缩放函数为非线性。通过Friedman方法分析系统雅可比矩阵，获得不同网络环境参数下确切的最优策略解。特别是当网络状况从差逐渐变好，大算力矿池的最优策略从诚实挖矿逐渐转向选择性DDoS攻击小矿池以压制竞争，而小矿池的最优策略是保持诚实并期望监管。ADEG模型预测的转折点与实际算力集中度数据趋势吻合。在基于SimBlock区块链模拟器的验证中，当大矿池算力占比>35%且网络延迟<50ms时，发起DDoS攻击的概率上升至0.48，与模型预测一致。这为区块链社区根据算力分布和网络状态动态调整共识安全参数提供了决策参考。
import numpy as np from scipy.integrate import solve_ivp class ADEGMinerGame: # 非对称动态演化博弈 def __init__(self, alpha, beta, lambda_reg, kappa): self.alpha = alpha # 大池算力比例 self.beta = beta self.lambda_reg = lambda_reg self.kappa = kappa def payoff_matrix(self, large_prob, small_prob): # 收益矩阵计算 R_large_honest = 1.0 + 0.2 * self.alpha R_large_attack = 1.3 + 0.25 * self.alpha - self.kappa * self.alpha * small_prob R_small_honest = 1.0 * (1 - self.alpha) R_small_attack = 1.2 * (1 - self.alpha) - self.lambda_reg * large_prob return R_large_honest, R_large_attack, R_small_honest, R_small_attack def replicator_dynamics(self, t, state): x, y = state # 大池攻击概率，小池攻击概率 Rh, Ra, Sh, Sa = self.payoff_matrix(x, y) x_dot = x * (1 - x) * (Ra - Rh) y_dot = y * (1 - y) * (Sa - Sh) return [x_dot, y_dot] def simulate(self, T=100): sol = solve_ivp(self.replicator_dynamics, [0,T], [0.2, 0.1], max_step=1.0) return sol.y[:,-1] class EARGM_RepeatedGame: # 环境自适应重复博弈 def __init__(self, punishment_length=10): self.p_length = punishment_length self.cooperate = True self.opp_coop_history = [] def adapt_threshold(self, loss_rate): if loss_rate > 0.05: return 0.3 # 放宽门槛 else: return 0.1 def decide_action(self, opp_last_action, loss_rate): threshold = self.adapt_threshold(loss_rate) if len(self.opp_coop_history) == 0: return 'cooperate' if sum(self.opp_coop_history[-self.p_length:])/self.p_length < threshold: return 'attack' # 惩罚 return 'cooperate'
