Hybrid Deep Consensus Chain Algorithm (HDCCA)

HDCCA-Reproducibility-Package/│├── README.md├── LICENSE│├── datasets/│ ├── tx_simulation_dataset.csv│ ├── energy_measurements_raw.csv│ ├── anomaly_samples.json│ └── graph_topology_50_nodes.gml│├── docker/│ ├── docker-compose.yml│ ├── Dockerfile-node│ ├── Dockerfile-monitoring│ ├── prometheus.yml│ ├── grafana-dashboard.json│ └── start_network.sh│├── src/│ ├── gnn/│ │ ├── gnn_model.py│ │ ├── gnn_train.py│ │ └── gnn_inference.py│ ││ ├── lstm/│ │ ├── lstm_model.py│ │ ├── lstm_train.py│ │ └── lstm_predict_energy.py│ ││ ├── autoencoder/│ │ ├── ae_model.py│ │ ├── ae_train.py│ │ └── ae_detect_anomaly.py│ ││ ├── ga/│ │ ├── ga_optimizer.py│ │ └── ga_fitness.py│ ││ ├── consensus/│ │ ├── hdc_consensus.py│ │ ├── hybrid_score.py│ │ └── validator_selection.py│ ││ ├── utils/│ │ ├── metrics.py│ │ ├── energy_model.py│ │ └── graph_tools.py│ ││ └── run_experiments.py│├── notebooks/│ ├── HDCCA_GNN_Training.ipynb│ ├── HDCCA_LSTM_Energy.ipynb│ ├── HDCCA_AE_Anomaly.ipynb│ ├── HDCCA_GA_Optimization.ipynb│ └── Visualization_Plots.ipynb│├── results/│ ├── raw_logs/│ │ ├── latency_logs.csv│ │ ├── energy_logs.csv│ │ ├── throughput_logs.csv│ │ └── anomaly_logs.csv│ ││ ├── processed/│ │ ├── summary_statistics.xlsx│ │ └── plots/│ │ ├── energy_efficiency.png│ │ ├── throughput_comparison.png│ │ ├── hybrid_score_distribution.png│ │ └── validator_role_heatmap.png│└── environment/ ├── requirements.txt ├── conda_environment.yml └── deployment_notes.txt ------------------------------------------------- hdcca/├── README.md├── requirements.txt├── run_demo.sh├── src/│ ├── __init__.py│ ├── data/│ │ └── demo_data.py│ ├── models/│ │ ├── gnn.py│ │ ├── lstm.py│ │ └── ae.py│ ├── ga/│ │ └── ga_tuner.py│ ├── consensus/│ │ ├── hybrid_score.py│ │ └── hdc_pipeline.py│ ├── utils/│ │ ├── metrics.py│ │ └── energy_model.py│ └── run_experiments.py└── examples/ └── sample_graph.gml