[發明專利]一種基于深度學習模型訓練的區塊鏈共識方法和系統

有效

• 申請號: 202010318933.0
• 申請日: 2020-04-21
• 公開（公告）號: CN111680793B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 李引
• 申請（專利權）人: 廣州中科易德科技有限公司
• 主分類號: G06N3/09
• 分類號: G06N3/09;G06N3/04;G06Q20/38
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 潘素云

本發明公開了一種基于深度學習模型訓練的區塊鏈共識方法和系統，該系統包括參數和數據獲取器、共識算法調度器、深度學習模型訓練器和共識驗證器；可與現有的區塊鏈系統進行對接，取代POW/POS/POA等共識算法。本發明將區塊鏈過剩的算力引入深度學習模型訓練中，通過區塊鏈的激勵機制，使得投資人能夠將礦機用于進行人工智能模型的訓練，能夠引導將資金、算力、能源投入到更加有意義的工作上，解決算力不足費用昂貴的問題。將區塊鏈的POW算力用來進行大數據的深度學習模型訓練計算，降低了成本，節約了社會資源，將算力用到了有意義的工作上。

技術領域

本發明涉及區塊鏈技術領域，具體涉及一種基于深度學習模型訓練的區塊鏈共識方法和系統。

背景技術

區塊鏈技術的發展已經得到國內外企業、研究機構、高校等普遍認同，認為其是下一代價值互聯網的核心。主流的區塊鏈平臺比特幣、以太坊、萊特幣等，一般采用POW共識算法，通過礦機重復的進行散列值運算來確定出塊的節點，哪個節點投入算力更高，將有更大的概率獲得出塊獎勵。這種機制使得能夠通過機器和算法來實現信任的建立和價值共識，投資人投入大量的金錢用來購買礦機和電力，截止2019年9月，比特幣全網的算力已經達到70EH/S，這些算力和能源被投資者用來進行散列值運算從而獲得獎勵，這種模式下的算力和能源的浪費被極大的詬病。

深度學習(DL,Deep?Learning)是機器學習(ML,Machine?Learning)領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能(AI,ArtificialIntelligence)。深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。根據一份統計，2012年以來，人工智能訓練任務中使用的算力正呈指數級增長，其目前速度為每3.5個月翻一倍(相比之下，摩爾定律是每18個月翻倍)。自2012年以來，人們對于算力的需求增長了超過300,000倍(而如果是以摩爾定律的速度，只會有12倍的增長)。在此期間，硬件算力的提升一直是人工智能快速發展的重要因素。因此，算力對深度學習模型的訓練起著至關重要的作用。

主流的區塊鏈普遍采用POW等共識算法，用來確定出塊節點，存在能源和算力浪費的問題。

發明內容

有鑒于此，為了解決現有技術中區塊鏈的共識算法存在能源和算力浪費的問題，本發明提出一種基于深度學習模型訓練的區塊鏈共識方法和系統。

本發明通過以下技術手段解決上述問題：

一方面，本發明提供一種基于深度學習模型訓練的區塊鏈共識方法，包括如下步驟：

主體采集文件信息存儲到文件系統后返回統一資源定位符URI_文件，主體構造成數據采集交易，按照格式{主體錢包地址，采集獎勵金額，URI_文件}發送給節點，節點將該信息廣播到相鄰節點；

主體獲取到存儲的文件信息，對其進行標注，生成標注文件存儲到文件系統后返回統一資源定位符URI_標注，主體構造成數據標注交易，按照格式{主體錢包地址，標注獎勵金額，URI_文件，URI_標注}發送給節點，節點將該信息廣播到相鄰節點；其中URI_標注對應的文件是對URI_文件對應的文件進行標注的信息；

采用深度學習模型訓練共識算法進行計算和驗證，記賬節點驗證交易的有效性，將其放入緩存池，直到緩沖池中的數據集合A的數量n達到閾值α；