[發明專利]一種適用于區塊鏈工作量證明的多邊緣服務器緩存算法在審
| 申請號: | 202010062160.4 | 申請日: | 2020-01-20 |
| 公開(公告)號: | CN111275200A | 公開(公告)日: | 2020-06-12 |
| 發明(設計)人: | 徐精忠;陸凱宇 | 申請(專利權)人: | 杭州加密矩陣科技有限公司 |
| 主分類號: | G06N20/00 | 分類號: | G06N20/00;G06N3/04;G06N3/08;G06N5/00;G06F16/27 |
| 代理公司: | 杭州華知專利事務所(普通合伙) 33235 | 代理人: | 張德寶 |
| 地址: | 310013 浙江省杭*** | 國省代碼: | 浙江;33 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 適用于 區塊 工作量 證明 多邊 服務器 緩存 算法 | ||
一種適用于區塊鏈工作量證明的多邊緣服務器緩存算法,包括以下步驟:S1:上傳用戶終端的區塊鏈工作量證明的計算任務并進行計算,采用深度學習算法獲取用于訓練神經網絡的數據集;S2:以步驟S1中獲取的數據集為標簽,訓練通用神經網絡模型和局部神經網絡模型,使用訓練的神經網絡模型遍歷訓練的數據集,更新網絡參數;S3:在步驟S2中的已訓練完成神經網絡模型基礎上,進行進一步的訓練優化,獲得新的神經網絡模型。本發明的有益效果為:本發明提供的方法在用戶終端能夠減少本地計算能量損耗,同時還能夠解決由信道增益造成任務傳輸的時延,在面對新任務時,可以快速適應,在保證獲利的情況下最小化任務執行總時間從而最大化系統的總收益。
技術領域
本發明涉及無線通信領域,具體涉及一種適用于區塊鏈工作量證明的多邊緣服務器緩存算法。
背景技術
區塊鏈技術建立分布式信任的能力已被廣泛應用于各個領域,但區塊鏈工作量證明任務受限于用戶終端的計算算力和存儲容量,隨著邊緣計算技術的發展,目前可以通過邊緣計算技術解決算力和存儲有限的問題。
針對多個用戶終端和多個邊緣服務器在多種區塊鏈應用下的動態工作量證明需求,當計算任務被分流到邊緣服務器時,對于每一個計算任務,執行總時間有一個規定的閾值,若超過這個時間則計算任務不能夠獲得收益,因此要保證在不同的信道增益下做出合理的緩存決策,盡可能的縮短計算任務執行的總時間且盡可能的小,使得最終獲得的收益最高。這個過程需要考慮邊緣服務器緩存任務所需哈希表帶來的收益以及代價對最終執行任務后的總收益的影響。
用戶終端可以減少自己的能耗,但由于傳輸任務通過無線信道傳輸,需要一定的時間,因此會造成傳輸時延,當信道增益改變時,需要邊緣服務器還能夠做出合理的緩存決策仍能使總體時間不超過計算任務規定的時間,使得計算任務有最大概率能獲得收益,因此本發明提供了最優的邊緣服務器對于工作量證明的計算任務需要的哈希表的緩存決策方法。
發明內容
本發明提供了一種適用于區塊鏈工作量證明的多邊緣服務器緩存算法,針對多個用戶終端和多個邊緣服務器在多種區塊鏈應用下的動態工作量證明需求,能夠在減少用戶本地計算能量損耗的同時,保證工作量證明的計算任務能夠獲利,并減少計算任務的總時間。
本發明的技術方案如下所示:1、一種適用于區塊鏈工作量證明的多邊緣服務器緩存算法,包括以下步驟:
S1:上傳用戶終端的區塊鏈工作量證明的計算任務并進行計算,采用深度學習算法獲取用于訓練神經網絡的數據集;
S2:以步驟S1中獲取的數據集為標簽,訓練通用神經網絡模型和局部神經網絡模型,使用訓練的神經網絡模型遍歷訓練的數據集,更新網絡參數;
S3:在步驟S2中的已訓練完成神經網絡模型基礎上,進行進一步的訓練優化,獲得新的神經網絡模型;
步驟S1中所述的數據集包含區塊鏈系統中用戶工作量證明需求的不同組合,并以i,(i∈{1,2,…,I})代表不同組合;步驟S1中所述的獲取數據集的具體步驟為:
S1.1:預先設置I個計算任務組合,每個組合包含N個區塊鏈移動終端用戶以及用戶對應的工作量證明計算任務;
S1.2:對每個組合i(i∈I),采集F組信道增益{h1,h2,…,hN}f,f∈F;
S1.3:對每組信道增益{h1,h2,…,hN},生成N個用戶對應的2N個二進制緩存決策;
S1.4:給定某個組合i和某一組信道增益f,對每一個緩存決策,求解優化問題TMP,得到該決策對應的最大的代幣收益值;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于杭州加密矩陣科技有限公司,未經杭州加密矩陣科技有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010062160.4/2.html,轉載請聲明來源鉆瓜專利網。





