一种基于物联网的区块链多目标优化方法

本发明设计多目标优化领域，具体涉及一种基于物联网的区块链多目标优化方法。

背景技术：

工业物联网(iiot)以极大的速度向产业链传输海量工业数据。而传统的工业物联网系统过度依赖中心化服务器，由于中央数据存储机制监管困难，访问权限不明确等问题，经常会出现数据传输安全隐患，且其可扩展性面临着严峻的挑战。因此，工业物联网数据传输安全性问题和可扩展性问题，成为了工业制造业发展的热点问题。

区块链技术，在不依赖于第三方信任组织的条件下基于时间戳、共识机制、智能合约达到数据去中心化管理，可以很好的解决工业物联网中传输安全性问题。目前，已有学者将区块链技术应用于工业物联网中来解决数据传输安全性问题，并取得了很好的效果。文章[夏昌琳.基于区块链技术的物联网数据交易系统[d].南京:南京邮电大学,2019.]针对物联网数据安全隐私问题与中心化机构维护困难问题，利用区块链的分布式数据库技术解决了安全隐私问题，利用智能合约技术实现了用户数据的自由交易，并根据分析主流的共识机制，选择了一种适用于物联网平台的共识机制；文章[汪允敏,李挥,王菡,白永杰,宁崇辉.区块链在工业互联网标识数据管理策略研究[j].计算机工程与应用,2020,56(07):1-7.]为实现工业互联网中智能控制与优化经营，利用区块链技术来管理工业互联网标识，同时引入联盟链，使链上各参与方可以共同参与和维护工业链，此外，为提高交易的移动性与实时互动，引入雾计算技术；文章[赵阔,邢永恒.区块链技术驱动下的物联网安全研究综述[j].信息网络安全,2017(05):1-6.]讨论了区块链应用于工业物联网后的安全性问题，考虑用区块链的技术特点来应对物联网中的安全隐患。

上述文献一定程度上解决了数据传输的安全性问题，但在实际应用中，工业物联网存在着海量的工业数据传输，高频的交易情形需要区块链系统具有高吞吐率，因此如何提高使其适应工业场景，成为亟待解决的问题。文章[jiangy,wangc,wangy,et.al.across-chainsolutiontointegratingmultipleblockchainsforiotdatamanagement.[j].sensors(basel,switzerland),2019,19(9).]提出了跨链框架整合多个区块链，提高了区块链本身的可扩展性，以实现高效和安全的物联网数据管理。基于hyperledge结构和iota-tangle实现了模型，并用实验证明了框架的有效性。但是，该框架只适用于资源较少的物联网设备管理，并未对资源成本与可扩展性的综合发展做出考虑。文章[chij,liy,huangj,et.al.asecureandefficientdatasharingschemebasedonblockchaininindustrialinternetofthings[j].journalofnetworkandcomputerapplications,2020,167.]提出了一个综合考虑资料分享的安全性与效率的区块链资料分享方案，设计了一个基于身份认证和超级账本结构的安全数据共享框架，以保障数据的安全性，提出了一种社区检测算法，可以有效缩小查询共享数据的范围，提高数据共享效率。上述方法都在一定程度上解决了区块链应用于工业物联网的可扩展性问题，然而由于iiot中的传感器和执行器产生的海量数据通过网关传输到区块链系统，系统生成节点在协商一致后生成块来存储事务信息，区块链节点数量少难以满足物联网吞吐率的要求。传统的区块链吞吐率性能，在很大程度上取决于单节点的处理能力，而高性能、高配置的硬件节点所投入的资金较大。为满足工业物联网吞吐率的要求，需要更多数量的区块链节点，但这就意味着部署开销成倍增长，使得权衡两者关系变得困难。

技术实现要素：

为了解决现有技术问题，本发明提供一种基于物联网的区块链多目标优化方法。首先以基于区块链性能的多目标优化函数的约束条件为上下阈值随机生成数据作为节点原始样本，随机数据模拟二进制交叉、多项式变异得到子代集。其次，以比特币参数拟合两个区块链性能多目标优化函数，分别为吞吐率函数与部署开销函数。子代集与原始集合并生成新一代父种群作为节点原始样本，区块链性能多目标优化函数作为目标函数，输入优化算法。momob方法为提高优化结果，用oe-nsga-ⅱ算法代替nsga-ⅱ算法，将种群按pareto等级分为z1、z2等多个组进行伪支配值的计算，每组中伪支配最小的个体将直接加入精英种群，其余个体再通过拥挤度比较筛选剩余精英。最后提取最优解集节点数，根据最优节点数部署区块链系统，与基准区块链性能最对比，得出吞吐率与部署开销优化后的结果，并与iiot设备信息交互，观察性能的实际提升情况。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于物联网的区块链多目标优化方法，包括下述步骤：

s1:建立区块链吞吐率、区块链部署开销多目标函数，根据比特币区块链主链的吞吐率，提出区块链节点数的约束条件，建立区块链多目标优化数学模型；

s2:以区块链节点数的约束条件为上下阈值随机生成m个个体，作为原始样本；

s3:将原始样本代入多目标函数计算出第一代个体函数值，对函数值进行快速非支配排序后，调用模拟二进制交叉、多项式变异算法，生成个体数量为m的新一代种群，新种群与原始样本结合，得到一个含有2m个个体的新群体，输入oe-nsga-ⅱ算法；

s4:oe-nsga-ⅱ优化算法中种群精英筛选算法按快速非支配排序得到的pareto等级划分为pareto等级为0的z1种群、pareto等级为1的z2种群等，进行伪支配值计算，计算每组个体的伪支配值ξ，提取每组中伪支配值最小个体进入精英种群；

s5：剩余个体进行拥挤度比较筛选剩余精英，得到数量为m个个体的完整精英种群作为多目标优化方法的结果；

s6:调用可控阈值的精英保留策略，控制精英种群规模，得到新的精英种群个体数n；

s7：观察迭代次数，若迭代次数达到要求则结束循环输出结果，若迭代次数未满足要求，则将精英种群作为新一代原始样本重复方法。

进一步的，所述步骤s1中，建立区块链多目标优化模型为：

目标函数为区块链吞吐率，公式如下：

其中，tps表示区块链的吞吐率，s表示系统区块链大小，td表示每条交易平均大小，m表示区块链系统中存在的节点数，α表示传播时延。

目标函数为区块链部署开销，公式如下：

c＝2ωm(m-1)

其中，c表示部署开销，ω表示传递时延开销，m表示区块链系统中存在的节点数。

约束条件为节点数量，公式如下：

m^min＜m＜m^max

其中，m^min表示最低节点数量，按比特币主链tps＝6.67，s＝1mb，td＝250字节，α＝10min计算获得，m^max表示最大节点数，其值等于目前全球最大比特币节点数。

进一步的，所述步骤s3中，按照公式进行模拟二进制交叉(simulatedbinarycrossover，sbx)；

其中，c1和c2表示sbx算子产生的两个后代个体，x1j(t)和x2j(t)表示两个父代个体，β是由分布因子η按下公式动态随机生成的：

η是自定义的参数，其值越大则产生的后代个体逼近父代个体的概率越大。

按照公式进行多项式变异；

x1j(t+1)＝x1j(t)+δj

其中，x1j(t)表示亲代个体，x1j(t+1)表示子代个体，δj表示计算变异算子，由下述公式随机生成：

随机数uj∈[0，1]

进一步的，所述步骤s4中，利用oe-nsga-ⅱ算法中种群精英筛选算法按快速非支配排序得到的pareto等级划分为pareto等级为0的z1种群、pareto等级为1的z2种群等，进行伪支配值计算，计算每组个体的伪支配值ζ，提取每组中伪支配值最小个体进入精英种群，具体步骤如下：

1-1)原始种群生成，对原始种群数据进行非支配排序，得到个体数量为m的子种群p；

1-2)子种群p进行模拟二进制交叉、多项式变异，得到与种群p规模相同的变异种群种群q；

1-3)p与q合并生成种群规模为2m的新一代父种群s，对父种群根据目标函数进行快速排序得到一串升序排列的种群数组，按快速非支配排序得到的pareto等级划分为pareto等级为0的z1种群、pareto等级为1的z2种群，依此类推；

1-4)将父种群s分成若干子种群，通过种群精英个体筛选算法计算子种群中每个个体的伪支配值ξ大小，种群大小为2m，目标函数以fm为例，计算函数如下：

1-5)i＝2m时，ξi＝-∞；

1-6)在每个子种群中选取ξi最小的个体直接加入精英种群；

1-7)剩余个体进行拥挤度计算，并根据原始遗传算法，进行pareto等级与拥挤度的排序，按照pareto0到pareto高级的顺序加入精英种群；

1-8)重复上述步骤1-1)-1-7)，直到迭代次数达到要求。

进一步的，所述步骤s5中，拥挤度的计算公式，具体为：

其中，nd表示拥挤度，初始值为0，fm表示优化目标函数，为目标函数最大值，为目标函数最小值。

进一步的，所述步骤s6中，可控阈值的精英保留策略用于计算下一次精英种群规模，具体计算按公式：

2-1)计算第g次迭代种群规模sg

sg＝p×λg

其中，p表示初始种群的个体数，λg表示迭代第g次的精英种群规模参数，该参数随着得到非支配解的数量而自适应增长，增长关系如下：

λg+1＝λg[1+ln(1+ρ)]

其中，λg+1为第g+1代精英保留规模参数,ρ为第g代种群中非支配集解数量与种群规模的比值。

2-2)在sg的种群规模小于种群阈值μ时，种群自由繁殖，提高精英种群规模，达到阈值μ后，种群会进行精英淘汰，根据拥挤度的大小排序将部分精英“杀死”，“杀死”的精英由于选择拥挤度较小的个体杀死，因此不会影响种群精英种群的筛选。“杀死”部分精英后，种群规模恢复到平稳值(平稳值取5/6μ，该取值是在种群阈值增长到30后，根据种群增长的s型曲线，在种群阈值为k时，种群规模处于k/2时种群增长速率最大的与原理计算得到。由于种群阈值从20开始增长，因此平稳值取5/6μ＝25，即(20+30)/2)。

采用上述技术方案所产生的有益效果在于：

本发明提出的一种基于物联网的区块链多目标优化方法针对如何权衡即通过增加节点数量增加系统的吞吐率、又降低因节点数升高造成的开销二者之间关系的问题，本发明基于物联网的区块链多目标优化方法对种群精英筛选过程、精英种群阈值可控保留这两个过程进行改进。本发明将改进后的nsga-ⅱ算法称为oe-nsga-ⅱ算法，数学模型与改进算法结合称为一种基于物联网的区块链多目标优化方法(anmultiobjectiveoptimizationmethodofblockchainbasedoninternetofthings，简称momob)，该方法充分考虑系统节点的可扩展性、吞吐率、以及通讯时延开销，计算分布在pareto前沿的最优解集，寻找在工业物联网部署区块链技术的最优节点数。

本发明与传统nsga-ⅱ优化算法相比：

(1)提出了自选精英保留策略的种群精英筛选算法对精英种群进行筛选，将伪支配点中的最优解加入最优解集，使得结果集更优，敛散性更强；(2)针对精英种群规模延展到无限大，不利于绘制收敛图，也使算法的时间开销极大提升的问题，提出可控阈值的精英保留策略，使精英种群不再被种群精英筛选方法中选取的精英全部占据且不会因为不可控精英种群规模膨胀导致结果发散；(3)区块链多目标优化数学模型建立，与oe-nsga-ⅱ算法结合，根据比特币参数多数学模型进行优化，寻找部署的最优解节点数。

将本发明提出的方法代入比特币区块链主链参数，通过实验分析，验证提出的oe-nsga-ⅱ算法在多目标优化上的有效性，对比算法的超体积指标(hv，hypervolume)，oe-nsga-ⅱ算法hv高于nsga-ⅱ算法39648，将算法得到的精英个体代入区块链多目标优化数学模型，对比nsga-ⅱ算法得到的精英个体，tps提高了0.076，部署开销降低了8217元，能够在提高吞吐率的同时，在经济层面增加部署的可行性。

附图说明

图1是一种基于物联网的区块链多目标优化方法流程图；

图2相同pareto等级下相同拥挤度的伪支配点；

图3oe-nsga-ⅱ优化算法中种群精英筛选步骤流程图；

图4初始化原始种群；

图5交叉、变异后父种群；

图6oe-nsga-ⅱ算法优化结果；

图7nsga-ⅱ算法优化结果；

图8算法对比图；

图9momob方法最优解集；

图10算法花销对比图；

图11算法吞吐率对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进一步详细的说明。

本发明以比特币主链参数为载体，以momob方法作为主要的算法框架，其流程图如图1所示，包括下述步骤：

s1:建立区块链吞吐率、区块链部署开销多目标函数，根据比特币区块链主链的吞吐率，提出区块链节点数的约束条件，建立区块链多目标优化数学模型。

本发明的试验验证区块链多目标优化数学模型，目标函数为区块链吞吐率，公式如下：

其中，tps表示区块链的吞吐率，s表示系统区块链大小，td表示每条交易平均大小，m表示区块链系统中存在的节点数，α表示传播时延。

目标函数为区块链部署开销，公式如下：

c＝2ωm(m-1)

其中，c表示部署开销，ω表示传递时延开销，m表示区块链系统中存在的节点数。

约束条件为节点数量，公式如下：

m^min＜m＜m^max

其中，m^min表示最低节点数量，按比特币主链tps＝6.67，s＝1mb，td＝250字节，α＝10min计算获得，m^max表示最大节点数，其值等于目前全球最大比特币节点数。

s2:以区块链节点数的约束条件为上下阈值随机生成m个个体，作为原始样本；

s3:将原始样本代入多目标函数计算出第一代个体函数值，对函数值进行快速非支配排序后，调用模拟二进制交叉、多项式变异算法，生成个体数量为m的新一代种群，新种群与原始样本结合，得到一个含有2m个个体的新群体，输入oe-nsga-ⅱ算法。

使用的模拟二进制交叉函数，公式如下：

其中，c1和c2表示sbx算子产生的两个后代个体，x1j(t)和x2j(t)表示两个父代个体，β是由分布因子η按下公式动态随机生成的：

η是自定义的参数，其值越大则产生的后代个体逼近父代个体的概率越大。

使用的多项式变异公式如下；

x1j(t+1)＝x1j(t)+δj

其中，x1j(t)表示亲代个体，x1j(t+1)表示子代个体，δj表示计算变异算子，由下述公式随机生成：

随机数uj∈[0，1]

s4:oe-nsga-ⅱ优化算法中种群精英筛选算法按快速非支配排序得到的pareto等级划分为pareto等级为0的z1种群、pareto等级为1的z2种群等，进行伪支配值计算，计算每组个体的伪支配值ξ，提取每组中伪支配值最小个体进入精英种群。

nsga-ⅱ算法的精英保留策略是个体种群根据快速非支配排序后pareto等级由低到高，相同pareto等级下拥挤度由大到小进行子代优良个体的选择，然而在通过拥挤度大小进行筛选的过程中，会出现pareto面断层的情况，如图2的情况所示，这是因为存在因拥挤度小而被淘汰的伪支配点存在(拥有相同pareto等级与拥挤度等级，但由于nsga-ⅱ算法的精英筛选规则而淘汰的解的个体为伪支配个体，在pareto面上未展示的点称为伪支配点)。

图3展示了加入种群精英个体筛选方法后的oe-nsga-ⅱ算法步骤，算法在初始种群交叉、变异、组合生成2倍个体数量的新一代父种群后，将种群分组为多个子种群，计算子种群中个体的伪支配值，子种群中最小伪支配值的个体会被直接加入精英种群。具体流程如下：

1-1)原始种群生成，对原始种群数据进行非支配排序，得到个体数量为m的子种群p；

1-2)子种群p进行模拟二进制交叉、多项式变异，得到与种群p规模相同的变异种群种群q；

1-3)p与q合并生成种群规模为2m的新一代父种群s，对父种群根据目标函数进行快速排序得到一串升序排列的种群数组，按快速非支配排序得到的pareto等级划分为pareto等级为0的z1种群、pareto等级为1的z2种群，依此类推；

1-4)将父种群s分成若干子种群，通过种群精英个体筛选算法计算子种群中每个个体的伪支配值ξ大小，种群大小为2m，目标函数以fm为例，计算函数如下：

1-5)i＝2m时，ξi＝-∞；

1-6)在每个子种群中选取ξi最小的个体直接加入精英种群；

1-7)剩余个体进行拥挤度计算，并根据原始遗传算法，进行pareto等级与拥挤度的排序，按照pareto0到pareto高级的顺序加入精英种群；

1-8)重复上述步骤1-1)-1-7)，直到迭代次数达到要求。

s5：剩余个体进行拥挤度比较筛选剩余精英，得到数量为m个个体的完整精英种群作为多目标优化方法的结果。

拥挤度计算公式如下：

其中，nd表示拥挤度，初始值为0，fm表示优化目标函数，为目标函数最大值，为目标函数最小值。

s6:调用可控阈值的精英保留策略，控制精英种群规模，得到新的精英种群个体数n；

引入种群精英个体筛选方法后，目标解集会随着遗传迭代次数的增加而被筛选出的“精英”全部占据，导致精英种群在迭代未完成时，就不再变化，这不利于种群解集的多样性与最优解的选取，所以为了解决精英解集被占据、丰富结果集多样性，提出可控阈值的精英保留策略。

由于nsga-ⅱ算法的精英保留策略为一个固定值，不利于结果收敛且会被种群精英个体筛选方法选取的精英完全占据精英种群，所以提出扩展精英种群的迭代关系，具体计算步骤如下：

2-1)计算第g次迭代种群规模sg

sg＝p×λg

其中，p表示初始种群的个体数，λg表示迭代第g次的精英种群规模参数，该参数随着得到非支配解的数量而自适应增长，增长关系如下：

λg+1＝λg[1+ln(1+ρ)]

其中，λg+1为第g+1代精英保留规模参数,ρ为第g代种群中非支配集解数量与种群规模的比值。

2-2)在sg的种群规模小于种群阈值μ时，种群自由繁殖，提高精英种群规模，达到阈值μ后，种群会进行精英淘汰，根据拥挤度的大小排序将部分精英“杀死”，“杀死”的精英由于选择拥挤度较小的个体杀死，因此不会影响种群精英种群的筛选。“杀死”部分精英后，种群规模恢复到平稳值(平稳值取5/6μ，该取值是在种群阈值增长到30后，根据种群增长的s型曲线，在种群阈值为k时，种群规模处于k/2时种群增长速率最大的与原理计算得到。由于种群阈值从20开始增长，因此平稳值取5/6μ＝25，即(20+30)/2)。

s7：观察迭代次数，若迭代次数达到要求则结束循环输出结果，若迭代次数未满足要求，则将精英种群作为新一代原始样本重复方法。

基于上述步骤，本发明得到了区块链部署的最优节点数量，首先该方法建立区块链吞吐率、区块链部署开销多目标函数，提出节点数量的约束条件，建立区块链多目标优化的数学模型。其次，根据约束条件生成原始数据，原始数据进行模拟二进制交叉、多项式变异生成子代种群，子代种群与原始数据结合作为2倍个体种群输入改进算法。再次，改进算法提出种群精英筛选策略和可控阈值的精英保留策略，优化nsga-ⅱ算法中伪支配点为题，提高优化结果。最后，将得到的精英种群个体输入回区块链多目标优化数学模型，比较最优的节点部署效果。本发明通过解决伪支配点问题，提高了算法敛散性、区块链吞吐率显著提升、部署通讯开销明显下降，满足区块链落地工业物联网需求。

本发明基于物联网的区块链多目标优化方法的试验验证：

1、原始数据种群生成

实验数据采用以基于区块链性能的多目标优化函数的约束条件为上下阈值随机生成的20组节点数为自变量初始种群，将比特币参数以及自变量初始种群代入提出的区块链多目标优化函数，绘制散点图。如图4所示：

从原始种群代入吞吐率函数的散点图中得到一代个体的吞吐率数据，最值不超过0.005，大部分个体分布在靠近x轴位置，吞吐率接近0，存在极大优化空间。生成的原始种群代入二进制交叉算法、多项式变异算法，生成一代子种群，如图5所示。一代子种群相较于一代个体原始种群，函数值变化不明显，但丰富了原始种群的数量，一代子种群与一代原始种群合并，生成2倍初始个体数量的原始数据父种群代入oe-naga-ⅱ算法，筛选精英个体。

实验一oe-nsga-ⅱ算法性能测试

oe-nsga-ⅱ算法解决了nsga-ⅱ算法收敛结果过于单一问题和存在的伪支配点问题，本节将上述交叉、变异后生成的原始数据父种群作为一代种群代入oe-nsga-ⅱ算法，测试两算法迭代1000次后得到的pareto前沿解的敛散性与伪支配点点情况，funtion1为区块链吞吐率函数，function2为区块链部署开销函数。

为对比两算法的优劣性，随机生成的初始种群个体完全相同，带入如下参数迭代1000次进行筛选最优解集，参数如表1所示：

表1多目标优化对比算法参数

多目标优化算法迭代1000次，多次实验取最优结果集，得到20组pareto最优解，结果如图6、图7，nsga-ⅱ算法出现了明显的断崖现象，在function1函数值4-6区间出现大量空白，原因是nsga-ⅱ算法无法识别伪支配点导致pareto前沿面解集出现断层，与之相比，oe-nsga-ⅱ结果均匀分布在pareto前沿面，结果分布更加均匀，这说明提出的种群精英个体筛选方法和可控阈值的精英选择策略，通过计算伪支配值筛选精英的方法，将nsga-ⅱ算法中无法识别的伪支配点加入了精英结果集，该方法在解决伪支配点与提高敛散性上是有效的。

图8为代入二次函数与相应数据测试的两算法对比图，迭代1000次后得到的pareto最优面，黑色点为nsga-ⅱ算法，空心点为oe-nsga-ⅱ算法，在得到pareto最优解集接近的情况下，oe-nsga-ⅱ算法在最优面上的分布相较于nsga-ⅱ算法更加均匀且与黑心点nsga-ⅱ算法形成图比较，结果并未出现pareto面出现大量空白的断崖情况，oe-nsga-ⅱ算法得到pareto面更加连续，这说明提出的种群精英个体筛选方法和可控阈值的精英选择策略在解决伪支配点与提高敛散性上是不仅适用于区块链多目标优化函数，更具有普适性。

实验二momob模型实验结果

图9为momob模型运算，oe-nsga-ⅱ算法迭代10000次后得到的pareto前沿最优解集，pareto等级为0的个体值为17.058个节点，代入区块链性能多目标优化函数后，得到吞吐率为7.656、通讯开销为821,767均高于比特币部署基准。

图10为oe-nsga-ⅱ算法和nsga-ⅱ算法在迭代10000次后得到的最优解集代入通讯开销函数后的对比图像，图11为oe-nsga-ⅱ算法和nsga-ⅱ算法在迭代了10000次后代入吞吐率函数后的对比图象。数据采用均匀随机模拟数据，得到的结果集代入区块链性能多目标优化函数，在图中可以看出，oe-nsga-ⅱ算法得到的吞吐率明显高于nsga-ⅱ得到的结果集带入吞吐率函数后得到的值，而通讯开销也完全低于nsga-ⅱ得到的结果集带入通讯开销函数后得到的值，证明了算法改进的有效性。

算法的超体积指标(hv，hypervolume)是用来表征算法获得的非支配解集与参照点围成的目标空间中区域的体积。hv值越大，说明算法的综合性能越好。

表2改进nsga-ⅱ算法、nsga-ⅱ算法和原始部署tps、开销对比

由于本算法的部署开销函数是越小越优型函数，故在计算hv时调换了函数值与边界条件的位置，致使得到结果为负值。结果oe-nsga-ⅱ算法的hv远高于nsga-ⅱ算法，证明了改进算法的多样性和收敛性的综合指标更优。

表4展示了oe-nsga-ⅱ算法、nsga-ⅱ算法迭代10000次后得到的最优支配解代入区块链性能多目标优化函数后和原始部署开销基准的对比，两种算法都显著提高了吞吐率，部署开销略有增加，但oe-nsga-ⅱ算法相较于nsga-ⅱ算法吞吐率提升更加明显，通讯部署开销却要低于后者。

考虑到节点需要按整数部署，oe-nsga-ⅱ算法优化并没有高于原始算法完整的整数个数，momob模型优化结果的实际意义在于相比于目前的区块链技术，吞吐率得到了明显提升，且在真实的工业物联网部署环境中，部署的节点数将远大于17，oe-nsga-ⅱ算法的优化结果会因为节点数量的增多而被放大。

momob模型可以用于区块链性能优化且可以显著提升区块链性能，为工业物联网部署区块链技术找到了理论最优节点数，即增加区块链吞吐率来满足工业物联网海量的数据传输，又能依靠区块链技术的本身特性保证传输过程的安全，且降低通讯开销，使得从经济层面增加部署的可行性。

结论

针对区块链节点数量少难以满足物联网吞吐率要求，节点数量过度又会造成部署开销过大的问题，提出了一种基于物联网的区块链多目标优化方法(momob)。使用nsga-ⅱ算法对多目标优化问题进行处理，对nsga-ⅱ算法存在伪支配点问题和解集多样性过小问题进行了改进。利用比特币主链交易频率参数的总结与均匀随机模拟数据进行实验，经实验分析认证，该方法优化了算法的收敛性与多样性综合指标。相比部署基准，区块链吞吐率提高、相比原始算法，tps提高了0.076，部署开销降低了8217元。在已经证实区块链落地物联网可行的背景下，表明可以利用该算法对目前的区块链技术在算法层面进行优化。