基于分布式存储的最优存储节点匹配方法、装置及介质与流程

本发明涉及分布式存储技术领域，特别涉及一种基于分布式存储的最优存储节点匹配方法、装置及介质。

背景技术：

随着互联网的普及与发展，数据在人类生活中起着越来越重要的作用，人们对数据的可靠性和安全性有了更高的要求，传统的网络存储系统采用集中的存储服务器存放所有数据，存储服务器成为系统性能的瓶颈，也是可靠性和安全性的焦点，系统的可靠性和安全性都通过存储服务器体现，已不能满足大规模存储应用的需要。

而为了满足大规模存储应用的需要，越来越多的存储系统采用分布式存储系统，分布式存储是将数据分散存储在多台独立的设备上，通常其物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点相连。分布式网络存储系统采用可扩展的系统结构，利用多台存储服务器分担存储负荷，利用位置服务器定位存储信息，它不但提高了系统的可靠性、可用性和存取效率，还易于扩展。

现有技术中，用户采用分布式存储系统存储文件时多采用就近方案将数据文件存储于分布式存储系统内，没有考虑数据文件存储到分布存储节点的其他因素，评估各个存储节点存储能力的判断依据也较为单一；中国专利申请(公开号为cn106230953a)公开了一种基于分布式存储的d2d通信方法及装置，来优化存储节点的匹配，但随着存储节点及存储成本的不断增加，仍存在存储节点的匹配并不是最优解的问题，从而导致数据文件存储和读取时效率降低，也降低了资源利用率。

技术实现要素：

为解决上述现有技术中所匹配的节点不是最优节点，导致数据文件存储读取效率低的不足，本发明提供的一种基于分布式存储的最优存储节点匹配方法、装置及介质，通过匹配最优节点能够提高数据文件存储和读取的效率。

第一方面，本申请实施例提供了一种基于分布式存储的最优存储节点匹配方法，应用于智能合约，所述方法包括：

接收智能终端发布的存储需求；

广播所述存储需求，根据所述存储需求匹配存储节点；

利用评分匹配方法匹配最优节点。

进一步地，智能终端可根据需求模板发布所述存储存储需求，所述存储需求包括但不限于数据文件类型、数据文件存储时间、数据文件存储大小、数据文件存储份数或所述存储节点的各项指标；

所述存储节点的剩余存储均大于所述数据文件存储大小，所述存储节点的数量大于所述数据文件存储份数。

进一步地，所述评分匹配方法对各所述存储节点进行综合评分，所述综合评分通过所述存储节点的各项指标与各项指标对应的融合权重相乘得出，选取所述综合评分高的所述存储节点作为所述最优节点进行匹配。

进一步地，所述指标包括但不限于所述存储节点的存储与读取的成功率、在线时间、存储空间、带宽、服务器配置运算能力、用户与节点的位置、用户所在的运营商或网络时延情况。

进一步地，所述融合权重包括第一权重和第二权重，所述综合评分包括与所述第一权重对应的第一综合评分及与所述第二权重对应的第二综合评分，所述综合评分为所述第一综合评分与所述第二综合评分融合相加后的平均值；

所述评分匹配方法包括

s1：根据所述存储节点和指标的数量建立原始指标数据矩阵，原始指标数据矩阵为x＝(xij)nm(i＝1，2，…，n；j＝1，2，…，m)，其中，n为所述存储节点的数量，m为所述指标的数量，xij为第i个所述存储节点的第j个指标值；

s2：所述指标包括正向指标和负向指标，分别对所述正向指标和所述负向指标归一化处理，所述正向指标归一化为

所述负向指标归一化为

s3：通过主成分分析方法计算所述第一综合评分；

s4：通过熵权法计算所述第二综合评分；

s5：根据(zi+si)/2计算所述综合评分。

进一步地，根据以下步骤计算所述第一综合评分

s31：输入样本集合d＝{x1,…,xn}，计算均值矢量μ和协方差矩阵∑；

s32：根据计算协方差矩阵∑的特征值和特征矢量，并将所述特征矢量按照相应的所述特征值从大至小排序；

s33：选择前d'个特征矢量作为列矢量构成矩阵e＝(e1,e2,...,ed')；

s34：d维样本矢量x可以转换为d'维矢量x'：x'＝e^t(x-μ)

s35：构建综合评价函数f＝α1y1+α2y2+…+αmym，其中，每个主成分yi的贡献率作为基础权重，得出

s36：再将所述基础权重取绝对值形成所述第一权重；

s37：根据zi＝|w1|x1+|w2|x2+…+|wp|xp+b计算所述第一综合评分。

进一步地，根据以下步骤计算第二综合评分，

s41：通过计算每个所述指标下的每个所述存储节点的比重；

s42：通过计算第j项指标的熵值，其中，n∈n⁺，0≤ej≤log2n；

s43：通过dj＝log2n-ej定义信息熵冗余度；

s44：利用求权值；

s45：根据计算每个所述存储节点得分，并利用修正得出所述第二权重；

s46：根据si＝w1x1+w2x2+…+wpxp计算所述第二综合评分。

第二方面，本申请实施例提供了一种基于分布式存储的最优存储节点匹配方法，应用于智能终端，所述方法包括

发布存储需求，以使智能合约接收并广播所述存储需求，根据所述存储需求匹配存储节点，再利用评分匹配方法匹配最优节点。

第三方面，本申请实施例提供了一种基于分布式存储的最优存储节点匹配装置，应用于智能合约，所述装置包括

接收模块，用于接收智能终端发布的存储需求；

广播模块，用于广播所述存储需求，根据所述存储需求匹配存储节点；

匹配模块，用于利用最优评分匹配方法匹配最优存储节点。

第四方面，本申请实施例提供了一种基于分布式存储的最优存储节点匹配装置，应用于智能终端，所述装置包括

发布模块，用于发布存储需求，以使智能合约接收并广播所述存储需求，根据所述存储需求匹配存储节点由近及远广播找出若干存储节点，再利用评分匹配方法匹配最优节点再利用最优匹配方法匹配最优存储节点。

第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机被处理器执行时实现如上任一项所述的一种基于分布式存储的最优存储节点匹配方法。

第六方面，本申请实施例提供了一种电子设备，包括至少一个处理器、及与所述处理器通信连接的存储器，其中所述存储器存储可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使所述处理器执行如上任一项所述的一种基于分布式存储的最优存储节点匹配方法。

与现有技术相比，本发明提供的一种基于分布式存储的最优存储节点匹配方法、装置及介质，智能合约接收智能终端发布的存储需求后，广播存储需求并根据存储需求匹配存储节点，通过评分匹配方法动态计算、实时利用各存储节点的状态匹配最优节点，利用最优节点进行数据文件存储，提高了数据文件存储和读取的效率，降低了存储备份的成本，满足用户多种数据文件类型的存储和读取，提高资源利用率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的最优存储节点匹配方法应用于智能合约的流程图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，下面所描述的本发明不同实施方式中所设计的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例一

图1为本发明提供的最优存储节点匹配方法应用于智能合约的流程图，如图1所示，一种基于分布式存储的最优存储节点匹配方法，应用于智能合约，所述方法包括：

sa：接收智能终端发布的存储需求；

sb：广播所述存储需求，根据所述存储需求匹配存储节点；

sc：利用评分匹配方法匹配最优节点。

具体实施时，现有技术中用户存储数据文件是多采用就近方案实现信息存储于分布式存储系统内，没有考虑数据文件存储到分布存储节点的其他因素，因此，为了能够满足现有存储节点不断增加、存储效率最优化及存储成本的最小化，本发明提供的一种基于分布式存储的最优存储节点匹配方法，智能合约接收智能终端发布的存储需求后，广播存储需求并根据存储需求匹配存储节点，再利用评分匹配方法在若干存储节点中匹配最优节点，最优节点的数量可以是一个也可以是多个，然后再通过最优节点进行相关数据文件的分片存储，能够提高数据文件存储和读取的效率，降低存储备份的成本，满足用户多种文件类型的存储和读取，提高资源利用率。

具体地，首先，智能终端向区块链的智能合约发布存储需求时，可以根据模板发布存储需求，存储需求包括但不限于文件类型、数据文件存储时间、数据文件存储大小、数据文件存储份数或所述存储节点的各项指标，也可以根据自身实际需要直接发布至区块链的智能合约。

接着，当存储需求发布至区块链的智能合约上时，智能合约可以由近及远的广播存储需求，并根据存储需求找出匹配若干个存储节点，所找出匹配的必要条件是每个存储节点的剩余存储均大于数据文件所需的存储大小，存储节点的数量大于数据文件的存储份数，或存储节点的数量大于m×数据文件的存储份数，其中m可以是整个数据存储备份流程完成用户体验最优的最小值。

然后，智能合约利用评分匹配方法对各存储节点进行综合评分，综合评分通过存储节点的各项指标与各项指标对应的融合权重相乘得出，选取综合评分高的存储节点作为最优节点进行匹配；本实施中，最优节点的数量可以是一个或多个，存储节点的指标包括不限于所述存储节点的存储与读取的成功率、在线时间、存储空间、带宽、服务器配置运算能力、用户与节点的位置、用户所在的运营商或网络时延情况。

融合权重包括第一权重和第二权重，综合评分包括与第一权重相对应的第一综合评分及与第二权重对应的第二综合评分，综合评分可以是第一综合评分与第二综合评分融合相加后的平均值，综合评分也可以是第一权重和第二权重取平均融合再与存储节点的各项指标相乘得出。

具体地，评分匹配方法包括

s1：根据所述存储节点和指标的数量建立原始指标数据矩阵，原始指标数据矩阵为x＝(xij)nm(i＝1，2，…，n；j＝1，2，…，m)，其中，n为所述存储节点的数量，m为所述指标的数量，xij为第i个所述存储节点的第j个指标值；

s2：所述指标包括正向指标和负向指标，分别对所述正向指标和所述负向指标归一化处理，所述正向指标归一化为

所述负向指标归一化为

s3：通过主成分分析方法计算所述第一综合评分；

s4：通过熵权法计算所述第二综合评分；

s5：根据(zi+si)/2计算所述综合评分。

具体实施时，首先根据所述存储节点和指标的数量建立原始指标数据矩阵，原始指标数据矩阵为

x＝(xij)nm(i＝1，2，…，n；j＝1，2，…，m)，其中，n为所述存储节点的数量，m为所述指标的数量，xij为第i个所述存储节点的第j个指标值；

由于存储节点的各项指标计量单位不统一，因此在计算综合指标前，需要先对各项指标进行归一化处理，即把指标的绝对值转换为相对值，从而解决各项不同质指标值的同质化问题，而指标包括正向指标和负向指标，通常情况下正向指标和负向指标数值代表的含义不同，正向指标数值越高越好，负向指标数值越低越好，因此，分别对正向指标和负向指标归一化处理，

其中，正向指标归一化为

负向指标归一化为

最后，通过主成分分析方法计算第一权重或第一综合评分zi，通过熵权法计算第二权重或第二综合评分si，最后根据(zi+si)/2计算所述综合评分或第一权重和第二权重取平均融合后即(αi+ωi)/2，再与存储节点的各项指标相乘得出。

具体地，主成分分析是一种降维算法，主成分分析算法输出的每一个主成分都是其所有输入指标的线性映射，并且所有主成分两两正交(相关性为0)，而且所有主成分根据方差的不同有一个排序，方差最大的叫第一主成分，其次叫第二主成分，以此类推。一般来说随着数据维度的减小，数据信息会有所损失，主成分分析就是为了尽可能在信息损失最少的情况下对数据进行降维，具体的降维操作其实就是把排名靠后的若干个主成分直接去掉，也就是说如果经过主成分分析方法变换后保留所有主成分，则不会有信息损失，但是这样维度就没有发生变化。主成分分析在特征工程中属于特征提取操作，其本质是把一个特征空间映射到了另外一个特征空间。

通常默认情况下在直角坐标系里任何矢量的始点为坐标原点，终点即为坐标上的某点。一般情况下样本均以矢量的形式在直角坐标系中存在，由于矢量始点为原点，因此矢量终点就可以唯一表示一个样本，因此一个样本就是一个坐标点，也就是所谓的样本点。这些在二维或三维的直角坐标系里很容易理解(因为人脑可以很容易想象出二维或三维中的图形)，并且这些假设和结论同样也可以推广到高维。既然样本以矢量形式唯一表示，那么样本在不同的坐标系下的样本点则不一样，因为不同的坐标系原点不一样。主成分分析的本质就是把在原始坐标空间的样本点映射到另外一个坐标空间。

假设在原始坐标空间的一个样本矢量为x，这个样本映射到另外一个坐标空间的样本矢量为x'，如果新坐标的原点在原始坐标空间中对应的矢量为μ，显然有x＝μ+x'，分别将矢量x和x'写成两个坐标系下的坐标形式

x＝(x1,...,xd)^t

x'＝(a1,...,ad)^t

则有

其中ei为新坐标系下的单位基矢量。对上式进行变换推导可得：

然而如果只保留新坐标系下d'<d个元素，然后用保留的d'个元素来恢复原坐标系下的d维矢量：

显然只是对x的近似，用来代替x就会出现一定的误差。在主成分分析方法中，新坐标系的原点选择在样本集d＝{x1,…,xn}的均值矢量μ上，然后寻找一组最优的基矢量{e1,…,ed}，使得在只保留前d'个元素的条件下，由新的坐标恢复样本集d的均方误差最小，即求解如下的优化问题：

如果用aki表示第k个样本在新坐标系下的第i维特征，则可以得到

所以

如果定义矩阵：

这恰好是样本集d的协方差矩阵，则优化问题变为

由于单位基矢量正交且长度为1，因此实际上这是一个约束优化问题，通过构造拉格朗日函数转化为无约束问题：

对每一个基矢量求导：

上式可得优化问题的解因满足：

∑ej＝λjej

显然，使得上式成立的λj和ej分别为矩阵∑的特征值和对应的特征矢量。由此可以得到这样的结论：如果希望将一个样本集合中的d维特征矢量在一个新的坐标系下只用d'个特征表示，那么应该将新坐标系的原点放在d的均值μ的位置，而以d的协方差矩阵的特征矢量作为基矢量，这样可以保证只用保留的d'维特征恢复原矢量时均方误差最小。

通过这样的方式可以得到一个最优的新坐标系，注意到∑是一个d×d的矩阵，存在d个特征值和特征矢量，现在的问题是只希望保留新坐标系中的d'个坐标，应该保留哪些坐标才能够保证恢复出的d维特征矢量的均方误差最小？把优化问题的解应满足的条件带入优化函数：

因此要使优化函数最小只需要选择λd'+1,...,λd是最小的d-d'个特征值。这里需要注意一点，在整个推导过程中约定的是要保留新坐标系下前d'个特征，而放弃掉后面的d-d'个特征，因此在新的坐标系下应该选择保留的是∑最大的d'个特征值对应的特征矢量作为新坐标系的基矢量。

由此，通过主成分分析方法计算第一综合评分zi包括以下步骤，

s31：输入样本集合d＝{x1,…,xn}，计算均值矢量μ和协方差矩阵∑；

s32：根据计算协方差矩阵∑的特征值和特征矢量，并将所述特征矢量按照相应的所述特征值从大至小排序；

s33：选择前d'个特征矢量作为列矢量构成矩阵e＝(e1,e2,...,ed')；

s34：d维样本矢量x可以转换为d'维矢量x'：x'＝e^t(x-μ)

s35：构建综合评价函数f＝α1y1+α2y2+…+αmym，其中，每个主成分yi的贡献率作为基础权重，得出

s36：再将所述基础权重取绝对值形成所述第一权重；

s37：根据zi＝|w1|x1+|w2|x2+…+|wp|xp+b计算所述第一综合评分。

具体实施时，首先，输入样本集合d＝{x1,…,xn}，计算均值矢量μ和协方差矩阵∑，其中，均值矢量μ通过计算，协方差矩阵∑为

接着，根据计算协方差矩阵∑的特征值和特征矢量，并将所述特征矢量按照相应的所述特征值从大至小排序，选择前d'个特征矢量作为列矢量构成矩阵e＝(e1,e2,...,ed')；d维样本矢量x可以转换为d'维矢量x'：x'＝e^t(x-μ)；

然后，构建综合评价函数f＝α1y1+α2y2+…+αmym，其中，每个主成分yi的贡献率作为基础权重，得出

而传统的主成分分析方法中，ei为新坐标系下的基矢量，这个基矢量的终点可以在原始坐标系下的任意一个位置，也就是说这个矢量中的元素是可以为负数的，因此可以看出传统的基于主成分分析的方法中的综合评价函数f对某个变量xi的偏导数是有可能为负数的，这就和所有变量都转化为了正向指标的前置操作矛盾。

虽然主成分分析中构成每个主成分的原始指标对应的权重有可能为负数，但是某个权重的绝对值越大代表相应的指标对这个主成分的贡献越大。从图形方面考虑就是：这些权重向量(基矢量)的2范数为1，其中的每个元素(权重)都决定了基矢量的方向，元素(权重)越大越靠近相应指标本身的正方向，反之则是反方向，因此权重越大的指标贡献度越大。

因此，本实施例中，仍按照主成分的方差贡献率加权，但不是直接对主成分加权，即对基础权重取绝对值，基于取绝对值后形成第一权重矢量对原始指标加权，最后，根据zi＝|w1|x1+|w2|x2+…+|wp|xp+b计算所述第一综合评分，从而避免了基础权重为负数时影响第一综合评分。

熵权法是一种客观赋权法，其根据各项指标观测值所提供的信息的大小来确定指标权重，某项指标信息量越大则该指标越重要。熵是对不确定性的一种度量，信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性就越大，熵也就越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵来判断某个指标的离散程度，指标的离散程度越大，信息量越大，熵越小，该指标对综合评价的影响越大。因此，可根据各项指标的信息熵冗余度，利用信息熵冗余度计算各个指标的权重，为多指标综合评价提供依据。

通过熵权法计算所述第二综合评分包括以下步骤，

s41：通过计算每个所述指标下的每个所述存储节点的比重；

s42：通过计算第j项指标的熵值，其中，n∈n⁺，0≤ej≤log2n；

s43：通过dj＝log2n-ej定义信息熵冗余度；

s44：利用求权值；

s45：根据计算每个所述存储节点得分，并利用修正得出所述第二权重；

s46：根据si＝w1x1+w2x2+…+wpxp计算所述第二综合评分。

具体实施时，首先，通过计算每个所述指标下的每个所述存储节点的比重；通过计算第j项指标的熵值，其中，n∈n⁺，0≤ej≤log2n；

其次，由于熵越小的指标权重应该越大，因此，通过dj＝log2n-ej定义信息熵冗余度；再利用求权值；根据计算每个所述存储节点得分，并利用修正得出所述第二权重；

最后，根据si＝w1x1+w2x2+…+wpxp计算所述第二综合评分。

在计算第一综合评分zi和第二综合评分si后，根据(zi+si)/2计算所述综合评分对各存储节点进行排序，选取综合评分高的一个或若干个最优节点进行数据文件的备份或存储。

实施例二

本申请实施例二提供了一种基于分布式存储的最优存储节点匹配方法，应用于智能终端，所述方法包括

发布存储需求，以使智能合约接收并广播所述存储需求，根据所述存储需求匹配存储节点，再利用评分匹配方法匹配最优节点。

具体实施时，智能终端可以根据需求模板发布存储需求，也可以根据用户自身的需求直接发布到区块链的智能合约上，以便智能合约匹配出最优节点，进行数据文件的存储或备份，具体描述参照本申请其他实施例的相关描述，在此不作赘述。

与现有技术相比，本发明提供的一种基于分布式存储的最优存储节点匹配方法，智能合约接收智能终端发布的存储需求后，广播存储需求并根据存储需求匹配存储节点，通过评分匹配方法动态计算、实时利用各存储节点的状态匹配最优节点，利用最优节点进行数据文件存储，提高了数据文件存储和读取的效率，降低了存储备份的成本，满足用户多种数据文件类型的存储和读取，提高资源利用率。

实施例三

本实施例提供的一种基于分布式存储的最优存储节点匹配装置，应用于智能合约，所述装置包括接收模块、广播模块和匹配模块，上述接收模块、广播模块和匹配模块可以实现智能合约一侧的方法。

具体实施时，接收模块用于接收智能终端发布的存储需求；广播模块用于广播所述存储需求，根据所述存储需求匹配存储节点；匹配模块用于利用最优评分匹配方法匹配最优存储节点。本申请实施例三提供的一种基于分布式存储的最优存储节点匹配装置，可以执行上述各方法中智能合约的技术方案，其实现原理和技术效果类似，在此不再赘述。

实施例四

本实施例提供的一种基于分布式存储的最优存储节点匹配装置，应用于智能终端，所述装置包括发布模块，发布模块可以实现智能终端一侧的方法。

具体实施时，发布模块用于发布存储需求，以使智能合约接收并广播所述存储需求，根据所述存储需求匹配存储节点由近及远广播找出若干存储节点，再利用评分匹配方法匹配最优节点再利用最优匹配方法匹配最优存储节点。本申请实施例四提供的一种基于分布式存储的最优存储节点匹配装置，可以执行上述各方法中智能终端的技术方案，其实现原理和技术效果类似，在此不再赘述。

实施例五

本申请实施例五提供的计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时可实现上述任一项所述的一种基于分布式存储的最优存储节点匹配方法。

具体实施时，计算机可读存储介质为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；计算机可读存储介质还可以包括上述种类的存储器的组合。

实施例六

本申请实施例六提供的电子设备，该电子设备包括至少一个处理器及与所述处理器通信连接的存储器，其中所述存储器存储可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述处理器执行如上述方法实施例中描述的对应于智能合约或智能终端的方法，具体参见上述方法实施例中的说明。

具体实施时，处理器的数量可以是一个或多个，处理器可以为中央处理器，(centralprocessingunit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器与处理器可以通过总线或其他方式通信连接，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使处理器执行如上实施例一或实施例二中任一项所述的一种基于分布式存储的最优存储节点匹配方法。

实施例七

本申请实施例七提供采用如上任一项所述的一种基于分布式存储的最优存储节点匹配方法在用户存储数据文件的应用，其中，智能合约接收到用户通过智能终端发布的存储需求后，广播存储需求匹配出若干存储节点；

若干存储节点的指标包括存储与读取的成功率、节点在线时间、节点存储空间等等，且已经有不同节点对应指标的具体数据；然后智能合约根据上述实施例中的方法进行计算出每个节点的综合评分数值，综合评分数值为w1*存储与读取的成功率+w2*节点在线时间+w3*节点存储空间，其中w1、w2、w3为融合权重，再根据综合评分从高到低的排列选出的一个或几个最优节点对用户的数据文件进行存储备份。

与现有技术相比，本发明提供的一种基于分布式存储的最优存储节点匹配方法、装置及介质，智能合约接收智能终端发布的存储需求后，广播存储需求并根据存储需求匹配存储节点，通过评分匹配方法动态计算、实时利用各存储节点的状态匹配最优节点，利用最优节点进行数据文件存储，提高了数据文件存储和读取的效率，降低了存储备份的成本，满足用户多种数据文件类型的存储和读取，提高资源利用率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。