区块链两个重点是什么？

点对点网络是区块链中核心的技术之一，主要关注的方面是为区块链提供一个稳定的网络结构，用于广播未被打包的交易（交易池中的交易）以及共识过的区块，部分共识算法也需要点对点的网络支撑（如PBFT），另外一个辅助功能，如以太坊的消息网络，也需要点对点网络的支持。

P2P网络分为结构化和非结构化网络两类。结构化网络采用类似DHT算法来构建网络结构；非结构化网络是一种扁平的网络，每个节点都有一些邻居节点的地址。

点对点网络的主要职责有维护网络结构和发送信息这两个方面。网络结构要关注的是新节点的加入和网络更新这两个方面，而发送信息包括广播和单播两个方面

如何建立并维护点对点的整个网络？节点如何加入、退出？

网络结构的建立有两个核心的参数，一个是每个节点向外连接的节点数，第二个是最大转发数。

新节点对于整个网络一无所知，要么通过一个中心的服务获取网络中的一些节点去连接，要么去连接网络中的“种子”节点。

网络更新处理当有新节点加入或者节点退出，甚至原来一些节点网络不好，无法连接，过一段时间又活了，等等这些情况。一般通过节点已有的连接来广播这些路由表的变化。需要注意的是，因为点对点网络的特殊性，每个节点的路由表是不一样的（也叫partialview）

广播一般采用泛洪协议，即收到转发方式，使的消息在网络中扩散，一般要采用一些限制条件，比如一条消息要设置最大的转发数，避免网络的过渡负载。

单播需要结构化网络结构支持，一般是DHT，类似于DNS解析的方式，逐跳寻找目标节点地址，之后进行传输，并且更新本地路由表。

要想快速检索信息，有两种数据结构可以使用，一种是树类型，如AVL树、红黑树、B树等；另外一类是hash表。

哈希表的效率比树更高，但是需要占用更多的内存。

信息的表示采用键值对的方式，即一个键对应一个值，我们要查找的是key，值是附着的信息。

哈希表要解决的问题是如何均匀地为每一个key分配一个存储位置。

这里面有两个重点：1.是为key分配一个存储地点，这个分配算法是固定的，保证存储的时候和查找的时候使用同一个算法，不然存进去之后会找不到；2.是均匀地分配，不能有点地方存放数据多，有点放存放数据少。

一般语言里面的hashtable、map等结构使用这个技术来实现，哈希函数可以直接使用取模函数，key%n，这种方式，n代表有多少个地方，key是整数，如果key是其他类型，需要先进行一次哈希，将key转为整数。这种方式可以解决上面的两个需求，但是当n不够大的时候（小于要存储的数据），会产生冲突，一个地方一定会有两个key要存储，这时候，需要在这个地方放一个链表，将分配到同一地点、不同key，顺序摆放。当一个地点放的key太多后，链表的查找速度太慢，要转化为树类型结构（红黑树或者AVL树）。

上面说过，哈希表效率很高，但是占用内容，使用多台机器就可以解决这个限制。在分布式环境中，可以将上述的地点理解为计算机（后面成为节点），即如何将一个key映射到一个节点上，每个节点有一个节点ID，即key-nodeid的映射，这个映射算法也要固定。

这个算法还有一个非常重要的要求，即scalebility,当新节点加入和退出时候，需要迁移的key要尽量少。

这个映射算法有两种典型结构，一个是环形，一个是树形；环形的叫一致性哈希算法，树形的典型叫kademlia算法。

选点算法就是解决key-nodeid的映射算法，形象的来说就是为一个key选择它生命中的她（节点）。

假设我们使用32哈希，那么总共能容纳的key的数据量是2**32，称之为hash空间，把节点的ID映射成整数，key也映射成整数。把key哈希和节点哈希值接的差值的叫做距离（负数的话要取模，不用绝对值），比如一个key的哈希是100（整数表示），一个节点的哈希是105，则这两个的距离是105-100=5。当然使用其他距离表示也可以，比如反过来减，但是算法要固定。我们把key映射（放到）距离他最近的节点上。距离取模的话，看起来就是把节点和key放到一个环上，key归属到从顺时针角度离它最近的节点上。

kademlia算法的距离采用的是key哈希与节点哈希异或计算之后的数值来表示（整数），从左往右，拥有越多的“相同前缀”，则距离越近，越在左边位置不一样，距离越远。

树结构的体现是，将节点和key看成树的节点，这个算法支持的位数是160bit，即20个8字节，树的高度为160，每个边表示一位。

选点的算法和一致性哈希相同，从所有节点中，选择一个距离key距离最小的节点作为这个key的归宿。

由于是在分布式环境中，为了保证高可用，我们假设没有一个中心的路由表，没有这个可以看到全貌的路由表，带来了一些挑战，比如如何发现节点、查找节点？

在P2P网络中，常用的方法是每个节点维护一个部分路由表，即只包含部分节点的路由信息。在泛洪算法中，这些节点上随机的；在DHT算法中，这个路由表是有结构的，维护的节点也是有选择性的。那么如何合理的选择需要维护路由信息的节点呢？

一个朴素的做法是，每一个节点保存比他大的节点的信息，这样可以组成一个环，但是这样做的话，有一个大问题和一个小问题。大问题是，每个节点知道的信息太少(只有下一个节点的哈希和地址)，当给出一个key时，它不知道网络中还有没有比它距离这个key距离还短的节点，所以它首先判断key是否属于自己和下一个节点,如果是，那么这个key就属于下一个节点，如果不是就调用下一个节点同样的方法，这个复杂度是N(节点数)。一个优化的方法是，每个节点i维护的其他节点有：i+21,i+22,....i+2**31,通过观察这个数据，发现由近到远，节点越来越稀疏。这样可以把复杂度降低到lgN

每个节点保存的其他节点的信息，包括，从左到右，每一位上与本节点不同的节点，最多选择k个（算法的超参数）。比如在节点00110上（为演示起见，选择5位），在要保存的节点路由信息是：

1****:xxx,....,xxx(k个)

01:xxx,....,xxx(k个)

000:xxx,....,xxx(k个)

0010:xxx,....,xxx(k个)

00111:xxx,....,xxx(k个)

以上为一行称为k-bucket。形象的来看，也是距离自己越近，节点越密集，越远，节点越稀疏。这个路由查找、节点查找的算法也是lgN复杂度。