请教一个关于拜占庭容错(PBFT)的问题

m0_46479947 2020-05-06 11:10:29
打扰各位了,这张图是从别人文章(《PBFT实用拜占庭容错算法深入详解》https://blog.csdn.net/TurkeyCock/article/details/81672759?utm_source=app) 里复制过来的,我研究了很久,因为能力有限,确实理解不了(我联系了原文的作者,作者应该很长时间没有上线了,所以联系不上)。 我主要有三个问题 一是在这张图里面CHECKPOINT(绿色)为什么是连续的,而CHECKPOINT都是有上百个的间隔(例如100个消息的间隔)。 二是这幅图里面为什么COMMITED消息仍然要被PRE-PREPARE?我记得COMMITED消息已经获得确认而无需再发PRE-PREPARE消息,在P集合中收集的都是没有COMMITTED的消息,难道是在min_s和max_s之间的已经COMMITTED的消息仍然要重新开始PRE-PREPARE? 三是最多的视图VIEW达到了五个,最少的是两个,很奇怪为什么视图会不同步呢?NEW-VIEW应该是由同一个视图的主节点向各个副本发送的,因此我觉得视图应该是同步的,所以非常不理解这幅图的情况。 谢谢大家。
...全文
78 回复 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
资源下载链接为: https://pan.quark.cn/s/abbae039bf2a 在计算机视觉领域,实时目标跟踪是许多应用的核心任务,例如监控系统、自动驾驶汽车和无人机导航等。本文将重点介绍一种在2017年备受关注的高效目标跟踪算法——BACF(Boosted Adaptive Clustering Filter)。该算法因其卓越的实时性和高精度而脱颖而出,其核心代码是用MATLAB编写的。 BACF算法全称为Boosted Adaptive Clustering Filter,是基于卡尔曼滤波器改进的一种算法。传统卡尔曼滤波在处理复杂背景和目标形变时存在局限性,而BACF通过引入自适应聚类和Boosting策略,显著提升了对目标特征的捕获和跟踪能力。 自适应聚类是BACF算法的关键技术之一。它通过动态更新特征空间中的聚类中心,更准确地捕捉目标的外观变化,从而在光照变化、遮挡和目标形变等复杂情况下保持跟踪的稳定性。此外,BACF还采用了Boosting策略。Boosting是一种集成学习方法,通过组合多个弱分类器形成强分类器。在BACF中,Boosting用于优化目标检测性能,动态调整特征权重,强化对目标识别贡献大的特征,从而提高跟踪精度。BACF算法在设计时充分考虑了计算效率,能够在保持高精度的同时实现快速实时的目标跟踪,这对于需要快速响应的应用场景(如视频监控和自动驾驶)至关重要。 MATLAB作为一种强大的数学计算和数据分析工具,非常适合用于算法的原型开发和测试。BACF算法的MATLAB实现提供了清晰的代码结构,方便研究人员理解其工作原理并进行优化和扩展。通常,BACF的MATLAB源码包含以下部分:主函数(实现整个跟踪算法的核心代码)、特征提取模块(从视频帧中提取目标特征的子程序)、聚类算法(实现自适应聚类过程)、Boosting算法(包含特征权重更新的代

794

社区成员

发帖
与我相关
我的任务
社区描述
区块链技术专区
区块链 技术论坛(原bbs)
社区管理员
  • 区块链技术
  • ccc908
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧