共識算法是一個很大的話題，在區(qū)塊鏈出現(xiàn)之前，分布式系統(tǒng)和數(shù)據(jù)庫領(lǐng)域都已經(jīng)有很多的共識算法的研究和沉淀。但區(qū)塊鏈的共識與之前的研究又有非常大的不同，如果不注意很容易掉進(jìn)傳統(tǒng)共識的老套路里面。實際上不僅僅是區(qū)塊鏈有自己的獨特需要，我的感覺是數(shù)據(jù)庫會議上的共識研究和分布式系統(tǒng)上的共識研究也是有不小的區(qū)別。其實這非常好理解，因為場景不同嘛，設(shè)計自然不同。

基本要求

共識的基本度量包括兩個方面，正確性和性能。正確性簡單來說包括：

· 一致性（Consistency） - 節(jié)點最終能看到相同的本地狀態(tài)

· 活性（Liveness） - 請求/交易總會在有限時間內(nèi)被處理

正確性是最最基本的要求，這也是大部分區(qū)塊鏈共識都能做到的。要在異步網(wǎng)絡(luò)中始終保證一致性和活性是一個非常難的任務(wù)，因此共識設(shè)計通常會選擇保證一點而在一些特定情況下放棄另外一點，例如Bitcoin使用的Nakamoto共識選擇優(yōu)先保證活性，而BFT共識則優(yōu)先保證一致性。

性能包括：

· 吞吐量（Throughput） - 單位時間內(nèi)系統(tǒng)可以處理的請求數(shù)量

· 延遲（Latency） - 一個請求/交易從發(fā)起到處理完畢/完全確定 2所需要的時間

對吞吐量和延遲的影響因素很多，例如共識節(jié)點的數(shù)量，共識的消息復(fù)雜度，消息驗證需要的時間，共識可用的帶寬，共識設(shè)計的傾向等等。一般來說，吞吐量和延遲也難以兩全，這是因為共識的消息復(fù)雜度有一個下限：對于每一輪共識，參與共識的節(jié)點至少要收到一次消息（否則連要共識的東西是什么都不知道）。如果要低延遲，就要盡快對每個請求/交易的達(dá)成一致，意味著單個請求/交易需要更高的消息復(fù)雜度；如果要高吞吐，就要盡可能的對請求/交易進(jìn)行批量處理，以此降低單個請求/交易的消息復(fù)雜度，但也會造成高延遲。

對于共識性能，Nervos研究團隊的張韌提出的一個比較有參考性的指標(biāo)是共識對帶寬的利用率 ：給定相同的帶寬，共識對帶寬的占用越低，共識的吞吐量越高。

區(qū)塊鏈共識的特點

動態(tài)的參與者集合

無論是permissionless（翻譯成“無需許可”太繞口了，用“公有鏈”又不是很準(zhǔn)確 2，這里還是用單詞）還是permissioned blockchain，最重要的一個特征是它是一個長期運行的開放系統(tǒng)。長期運行和開放疊加的結(jié)果是，共識的參與者會一直變化，每隔一段時間，總會有老的共識節(jié)點離開，新的共識節(jié)點加入，共識參與者是一個動態(tài)集合。如何處理共識參與者的動態(tài)變化，是區(qū)塊鏈共識的一個核心問題。

與區(qū)塊鏈共識不同，傳統(tǒng)的共識研究往往先假設(shè)一個固定的參與者集合，然后研究如何在這個集合內(nèi)達(dá)成共識，偶爾討論參與者集合變化時的處理，基本上不關(guān)心參與共識需要什么樣的資格。研究的重心在于如何保證共識的正確性（e.g. 一致性與活性），形成共識集合的方式只是個附屬課題。傳統(tǒng)共識的應(yīng)用場景往往是中心化控制的網(wǎng)絡(luò)，增加或者減少的服務(wù)器都是自己的，形成這樣的側(cè)重也很自然。

數(shù)量眾多的參與者

去中心化是permissionless blockchain共識協(xié)議的一個獨特目標(biāo)。我們通常用參與共識的門檻來度量去中心化程度（為什么這是一個好的度量？），參與門檻越低，去中心化程度越高。低參與門檻的自然結(jié)果是共識參與者的集合可以非常的大，因此共識協(xié)議的設(shè)計必須考慮到這一點，保證共識效率不會因為參與者的增多而下降。

最小的信任模型

執(zhí)行共識算法的目的是為了能對一個計算請求產(chǎn)生一致的計算結(jié)果，在這個過程中一定會有發(fā)起請求的節(jié)點和處理請求的節(jié)點。在傳統(tǒng)共識模型中，有的完全在請求處理節(jié)點集合內(nèi)部執(zhí)行共識算法，有的是由請求發(fā)起節(jié)點和處理節(jié)點一起執(zhí)行共識算法，無論何種情況，信任邊界一般是在請求發(fā)起節(jié)點和請求執(zhí)行節(jié)點之間，發(fā)起節(jié)點將計算請求發(fā)送給執(zhí)行節(jié)點，執(zhí)行節(jié)點計算出結(jié)果后返回給發(fā)起節(jié)點，發(fā)起節(jié)點信任執(zhí)行節(jié)點的計算結(jié)果（反過來，執(zhí)行節(jié)點不一定信任發(fā)起節(jié)點的消息，如果發(fā)起節(jié)點參與共識過程的話）。

區(qū)塊鏈共識的信任模型則大為不同，對信任的要求往往要小的多。在permissionless blockchain網(wǎng)絡(luò)中，同一個節(jié)點即發(fā)起交易又參與共識，節(jié)點對于共識結(jié)果要進(jìn)行驗證，并不是簡單的信任其他節(jié)點的共識結(jié)果。以Bitcoin為例，如果一個全節(jié)點參與挖礦，它就同時是一個發(fā)起請求（交易）的節(jié)點和處理請求（交易）的節(jié)點。即使它只想做一個安靜的全節(jié)點，不參與挖礦，它也會自行驗證收到的請求處理結(jié)果（區(qū)塊），并不信任其他共識節(jié)點提供的結(jié)果。這樣的全節(jié)點只是選擇跟隨多數(shù)算力選擇的交易排序，不相信多數(shù)算力給出的交易結(jié)果。這是一個最小的信任模型。

SPV/輕節(jié)點使用一個比全節(jié)點更強的信任模型（更強意味著對信任的假設(shè)更多），并不驗證交易的執(zhí)行，只驗證區(qū)塊頭的有效性。如何驗證區(qū)塊頭的有效性則是區(qū)塊鏈共識設(shè)計的另一個核心問題。如果只是通過對區(qū)塊頭附帶的非對稱簽名來驗證有效性，這個信任模型基本上和傳統(tǒng)共識的信任模型是等價的，因為傳統(tǒng)共識中的請求處理節(jié)點也可以對結(jié)果附加簽名，這個模型在結(jié)合動態(tài)參與者集合時會遇到一系列的問題，例如大家熟知的長程攻擊。如果是通過PoW來驗證區(qū)塊頭有效性則天然沒有這些麻煩，主流的研究方向是在于如何進(jìn)一步提高區(qū)塊頭的驗證效率。

一個簡單的分析框架

根據(jù)以上的分析，我們可以整理出一個簡單的區(qū)塊鏈共識分析框架，用于比較各種區(qū)塊鏈共識：

進(jìn)入方式* - 購買算力 / 抵押代幣 / …

出塊方式* - 輪流出塊 / PoW隨機選擇 / 鏈上偽隨機 / VRF隨機選擇 / …

共識方式* - Nakamoto Consensus / BFT / …

退出方式* - 停止挖礦 / 解除抵押 / …

一致性 - 可以容忍多少惡意節(jié)點/算力/Stake/…

活性 - 可以容忍多少惡意節(jié)點/算力/Stake/…

延遲 - 交易被完全確認(rèn)（被推翻的概率小于x）所需要的時間

帶寬效率 - 共識對帶寬的利用率，越高越好

節(jié)點數(shù)量 - 共識節(jié)點的數(shù)量上限是高還是低

舉例說明：

對于一個區(qū)塊鏈共識協(xié)議來說，前四點（帶*）基本上決定了后面的特征。通過這個框架也容易看到，我們通常所說的“PoW共識”或者“PoS共識”是非常模糊的描述，PoW/PoS僅僅是選擇出塊節(jié)點的方式，不能表達(dá)具體的共識過程是什么樣子。我們甚至可以設(shè)計一些非?；齑畹墓沧R協(xié)議，例如設(shè)計一個需要通過抵押代幣來參與，通過PoW來選擇出塊節(jié)點，通過Nakamoto Consensus形成最長（重）鏈的協(xié)議（可以給它取名叫StakingPoW，完美結(jié)合Staking熱點），或者是設(shè)計一個需要通過PoW來參與（必須提供滿足一定難度的PoW才能參與共識），通過VRF來選擇出塊節(jié)點，通過BFT來達(dá)成共識的協(xié)議（這個可以起名叫PoW+VRF/BFT，讓人一看就從心底油然升起專業(yè)的感覺）。

激勵分析

在上面的框架之上，我們還可以疊加一個在傳統(tǒng)共識中沒有的維度：共識激勵。區(qū)塊鏈在共識中引入了經(jīng)濟激勵，通過機制設(shè)計將納什均衡與系統(tǒng)目標(biāo)融合在一起，引導(dǎo)參與者遵守協(xié)議，共識參與者的效用函數(shù)可以方便的以其經(jīng)濟收益（即獲得的獎勵減去參與共識的成本）來衡量。共識獎勵往往通過系統(tǒng)內(nèi)原生代幣實現(xiàn)，獎勵價值由代幣價值決定，在一個正確設(shè)計的共識協(xié)議中參與者應(yīng)該按照付出的多少獲得相應(yīng)的回報。共識成本的組成比較復(fù)雜，對應(yīng)上面的框架，我們需要分析共識的進(jìn)入成本，出塊成本，共識成本，退出成本，這些成本共同構(gòu)成了節(jié)點參與共識的成本。正確的共識激勵對網(wǎng)絡(luò)的安全性和去中心化程度都有影響，因此激勵分析是共識分析的一個重要部分。