[發(fā)明專利]合約生成模型構(gòu)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011342145.1
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112465117A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 李澤遠(yuǎn);王健宗
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06Q40/04;G06F21/64
• 代理公司: 深圳市世紀(jì)恒程知識(shí)產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 魏潤潔

本發(fā)明涉及模型構(gòu)建，提供一種合約生成模型構(gòu)建方法，該方法包括：當(dāng)檢測(cè)到參與者接收到建模指令時(shí)，獲取參與者對(duì)應(yīng)的合約關(guān)聯(lián)數(shù)據(jù)，并對(duì)合約關(guān)聯(lián)數(shù)據(jù)進(jìn)行特征提取，得到特征矩陣；將特征矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)的卷積層，對(duì)特征矩陣與預(yù)設(shè)卷積核進(jìn)行點(diǎn)乘計(jì)算，得到卷積層輸出的目標(biāo)特征；將經(jīng)過批量標(biāo)準(zhǔn)化處理的目標(biāo)特征輸入到卷積神經(jīng)網(wǎng)絡(luò)的激活層，得到激活層輸出的模型參數(shù)；將模型參數(shù)發(fā)送給組織者，由所述組織者對(duì)模型參數(shù)進(jìn)行整合和梯度反向傳遞，得到合約生成模型。本發(fā)明還公開了一種合約生成模型構(gòu)建裝置、設(shè)備及存儲(chǔ)介質(zhì)。本發(fā)明通過聯(lián)邦學(xué)習(xí)的方法實(shí)現(xiàn)了智能合約的自動(dòng)生成。

技術(shù)領(lǐng)域

本發(fā)明涉及模型構(gòu)建領(lǐng)域，尤其涉及合約生成模型構(gòu)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

區(qū)塊鏈能夠提供安全可靠的數(shù)據(jù)記錄架構(gòu)，是一種具有創(chuàng)造性的技術(shù)。區(qū)塊鏈系統(tǒng)一般由數(shù)據(jù)層、網(wǎng)絡(luò)層、共識(shí)層、激勵(lì)層、合約層和應(yīng)用層組成。合約層是區(qū)塊鏈中的一個(gè)重要組成部分，它能夠提供給區(qū)塊鏈一個(gè)靈活的可編程的平臺(tái)。通過合約層上預(yù)先部署的智能合約，能夠在沒有任何外界的第三方的干擾的情況下進(jìn)行一系列消息傳遞操作和交易操作，保證了信息傳遞和交易過程的高效性和安全性。區(qū)塊鏈中智能合約的應(yīng)用相當(dāng)廣泛，能夠應(yīng)用在金融、醫(yī)療、共享經(jīng)濟(jì)、教育、物聯(lián)網(wǎng)IOT、能源交易、供應(yīng)鏈和版權(quán)等場(chǎng)景。

但是，目前區(qū)塊鏈的合約層上部署的智能合約并不是完全智能的，它的智能體現(xiàn)在當(dāng)達(dá)到觸發(fā)條件時(shí)，相關(guān)的智能合約會(huì)被觸發(fā)，并自動(dòng)地完成消息的傳遞。但實(shí)際上，區(qū)塊鏈中部署的智能合約只是一套預(yù)先設(shè)置好的固定不變的邏輯和規(guī)則。智能合約的固定性在一定程度上限制了區(qū)塊鏈的工作效率，針對(duì)不同的具體應(yīng)用場(chǎng)景，需要部署不同的智能合約，增大了人力資源的投入，同時(shí)也不利于區(qū)塊鏈的智能化發(fā)展。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種合約生成模型構(gòu)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，旨在解決根據(jù)不同的區(qū)塊鏈應(yīng)用場(chǎng)景自動(dòng)生成適用于不同區(qū)塊鏈應(yīng)用場(chǎng)景的智能合約的技術(shù)問題。

此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種合約生成模型構(gòu)建方法，所述合約生成模型構(gòu)建方法包括以下步驟：

當(dāng)檢測(cè)到所述參與者接收到建模指令時(shí)，獲取所述參與者對(duì)應(yīng)的合約關(guān)聯(lián)數(shù)據(jù)，并對(duì)所述合約關(guān)聯(lián)數(shù)據(jù)進(jìn)行特征提取，得到特征矩陣；

將所述特征矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)的卷積層，將所述特征矩陣與預(yù)設(shè)卷積核進(jìn)行點(diǎn)乘計(jì)算，得到所述卷積層輸出的目標(biāo)特征；

將經(jīng)過批量標(biāo)準(zhǔn)化處理的目標(biāo)特征輸入到所述卷積神經(jīng)網(wǎng)絡(luò)的激活層，得到所述激活層輸出的模型參數(shù)；

將所述模型參數(shù)發(fā)送給所述組織者，由所述組織者對(duì)所述模型參數(shù)進(jìn)行整合和梯度反向傳遞，得到合約生成模型。

可選地，所述將所述特征矩陣與預(yù)設(shè)卷積核進(jìn)行點(diǎn)乘計(jì)算，得到所述卷積層輸出的目標(biāo)特征的步驟之后，包括：

對(duì)所述目標(biāo)特征做正態(tài)分布，計(jì)算所述目標(biāo)特征的標(biāo)準(zhǔn)差和均值；

根據(jù)所述標(biāo)準(zhǔn)差和所述均值，計(jì)算所述目標(biāo)特征對(duì)應(yīng)的目標(biāo)數(shù)值，并將所述目標(biāo)數(shù)值作為經(jīng)過批量標(biāo)準(zhǔn)化處理的目標(biāo)特征。

可選地，所述將經(jīng)過批量標(biāo)準(zhǔn)化處理的目標(biāo)特征輸入到所述卷積神經(jīng)網(wǎng)絡(luò)的激活層，得到所述激活層輸出的模型參數(shù)的步驟包括：

將所述目標(biāo)數(shù)值輸入到所述卷積神經(jīng)網(wǎng)絡(luò)的激活層，通過所述激活層中的線性整流函數(shù)，將所述目標(biāo)數(shù)值中小于零的目標(biāo)數(shù)值修改為零，將修改后的目標(biāo)數(shù)值作為所述激活層輸出的模型參數(shù)。

可選地，所述將所述模型參數(shù)發(fā)送給所述組織者，對(duì)所述模型參數(shù)進(jìn)行整合和梯度反向傳遞，得到合約生成模型的步驟包括：

將所述模型參數(shù)發(fā)送給所述組織者，以使所述組織者根據(jù)所述模型參數(shù)和預(yù)設(shè)整合算法，得到目標(biāo)模型參數(shù)，并由所述組織者將所述目標(biāo)模型參數(shù)發(fā)送給所述參與者；