AutoML证明：灾难场景下基于SDN与区块链的安全能源交易

在常规能源基础设施受损的灾难场景中，太阳能家庭与移动充电单元之间安全且可追溯的能源交易成为必需。为确保此类交易在区块链网络上的完整性，稳健且不可预测的nonce生成至关重要。本研究提出了一种SDN赋能的架构，其中利用机器学习回归器并非为了其准确性，而是为了其生成适合作为nonce候选的随机值的潜力。因此，该方法被新命名为AutoML证明（Proof of AutoML）。在此，SDN允许在碎片化或退化的网络中对数据流和能源路由策略进行灵活控制，确保在紧急情况下的自适应响应。使用包含9000个样本的数据集，我们评估了五种AutoML选择的回归模型——Gradient Boosting、LightGBM、Random Forest、Extra Trees和K-Nearest Neighbors——评估标准不是其预测准确性，而是它们在打乱的数据输入下产生多样化和非确定性输出的能力。随机性分析表明，Random Forest和Extra Trees回归器表现出对随机性的完全依赖，而Gradient Boosting、K-Nearest Neighbors和LightGBM则显示出强烈但略低的随机性得分（分别为97.6%、98.8%和99.9%）。这些发现表明，某些机器学习模型，特别是基于树的集成模型，可以在抗灾的、基于区块链和SDN的能源交易基础设施中充当有效且轻量级的nonce生成器。