一种基于深度学习的混合区块链模型构建方法技术

本申请公开了一种基于深度学习的混合区块链模型构建方法，该方法中的参与节点用于根据公链数据和/或私链数据构建运算模型，任务节点用于根据运算模型，构建混合区块链模型，该方法包括：任务节点向参与节点发送任务要求；参与节点根据任务要求、存储于区块链中的公链数据和/或自身存储的私链数据，利用深度学习方法，构建神经网络训练模型，记作运算模型；任务节点获取运算模型，并利用深度学习算法融合运算模型，记作混合区块链模型。通过本申请中的技术方案，有利于提高区块链中私链数据的利用率，提高了根据区块链数据处理过程中的准确性。

A Hybrid Block Chain Model Construction Method Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的混合区块链模型构建方法
本申请涉及区块链
，具体而言，涉及一种基于深度学习的混合区块链模型构建方法。
技术介绍
区块链主要分为公链与私链两类。公链是一种去中心化，去信任的分布式记账体系，代表实例有比特币、以太坊等。存储于公链中的数据可以被任何人读取且保障数据正确性，用户可根据公链中的记录获取所需数据集进行筛选分析，训练神经网络。私链是指由某个组织或机构控制的区块链，由于参与节点的有限性与可控性，相比公链而言，私链因其较好的隐私保护机制得以记录大量私人数据，只有获得授权的用户才能使用私链数据训练模型。公私链间目前常用的交互方式为智能合约编程，交易双方事先约定智能合约，交易过程中智能合约对不同事件进行响应，自动执行合约内容，完成基于区块链数据的数学模型建立。而现有技术中，主要存在以下几点问题。首先，区块链中的数据利用率较低，公链仅记录交易信息，而私链上非公开的私链数据蕴含大量未被利用的信息，导致私链数据难以发挥出真正价值。其次，由于公链中公开的数据十分有限，数学模型的泛化性能难以保证，常常出现过拟合现象，导致处理数据过程中的准确性偏低，模型质量难以得到真正提升。
技术实现思路
本申请的目的在于：提高了区块链中存储数据的利用率，降低了数学模型构建过程中出现过拟合现象的可能性，提高了数学模型的准确性。本申请的技术方案是：提供了一种基于深度学习的混合区块链模型构建方法，该方法包括：步骤1，任务节点向参与节点发送任务要求；步骤2，参与节点根据任务要求、存储于区块链中的公链数据和/或自身存储的私链数据，利用深度学习方法，构建神经网络训练模型，记作运算模型；步骤3，任务节点获取运算模型，并利用深度学习算法融合运算模型，记作混合区块链模型。上述任一项技术方案中，进一步地，任务节点也可以为参与节点。上述任一项技术方案中，进一步地，在步骤2之后，还包括：步骤21，确定至少两个参与节点为泛化节点；步骤22，泛化节点获取其余参与节点的运算模型，记作第一模型；步骤23，泛化节点利用自身存储的私链数据对第一模型进行检测；步骤24，当泛化节点判定第一模型符合要求时，将第一模型记作第二模型，并将第二模型发送至任务节点。上述任一项技术方案中，进一步地，步骤24通过以下方法实现：泛化节点根据检测结果，对第一模型进行评分，记作第一泛化评分；计算各个泛化节点对任一第一模型的第一泛化评分的平均值，记作第一模型的第二泛化评分；当判定第二泛化评分大于或等于任务要求中的预设评分时，将第一模型记作第二模型，并将第二模型发送至任务节点。上述任一项技术方案中，进一步地，步骤24通过以下方法实现：泛化节点根据检测结果，对第一模型进行评分，记作第一泛化评分；计算各个泛化节点对任一第一模型的第一泛化评分的平均值，记作第一模型的第二泛化评分；根据第二泛化评分，按照由高至低的顺序对第一模型进行排序；选取与任务要求中预设数量相等的第一模型记作第二模型，并将第二模型发送至任务节点。上述任一项技术方案中，进一步地，在步骤2之后，还包括：步骤25，根据任务要求中的运算能力要求，确定任一参与节点为检测节点；步骤26，选取第二泛化评分最高的第二模型，记作待融合模型，并将其余第二模型记作融合子模型；步骤27，按照第二泛化评分的高低顺序，依次选取融合子模型，由检测节点将融合子模型与待融合模型进行累加融合，将融合后的待融合模型记作融合模型；步骤28，检测节点根据任务要求中的检测数据，对融合模型进行检测评分，记作融合评分；步骤29，判断相邻的两个融合模型的融合评分之间的差值是否等于零，若为零，执行步骤3，若不为零，判断融合子模型对应的第二泛化评分是否最低，若是最低，执行步骤2，若不是最低，执行步骤27。上述任一项技术方案中，进一步地，步骤27中的累加融合对应的方法通过以下方法实现：获取融合子模型的特征提取器和特征解析器；按照融合子模型的选取顺序，依次根据特征提取器，对待融合模型利用全连接层进行融合；根据对应的特征解析器，解析全连接层融合后的待融合模型，生成融合模型。上述任一项技术方案中，进一步地，步骤3具体包括：步骤31，任务节点选取一个运算模型，记作待融合模型，将其余运算模型记作融合子模型；步骤32，选取任一融合子模型与待融合模型进行累加融合，记作融合模型；步骤33，根据任务要求中的检测数据，对融合模型进行检测评分，记作融合评分；步骤34，判断相邻的两个融合模型的融合评分之间的差值是否等于零，若为零，将融合模型记作混合区块链模型，若不为零，判断是否还有融合子模型未与待融合模型进行累加融合，若是，执行步骤32，若否，执行步骤2。上述任一项技术方案中，进一步地，还包括：步骤4，任务节点根据智能合约对混合区块链模型进行验证；步骤5，任务节点根据验证结果，向参与节点分发报酬。本申请的有益效果是：参与节点根据任务节点的任务要求，利用自身存储的私链数据建立运算模型，并将运算模型发送至任务节点，由任务节点利用深度学习算法对运算模型进行融合，生成混合区块链模型，有利于提高区块链中存储数据的利用率，降低了任务节点根据公链数据构建数学模型存在过拟合的可能性，提高了任务节点建立数学模型的准确性。本申请通过确定泛化节点，由泛化节点利用自身的私链数据对接收到的运算模型进行检测，筛选出符合要求的运算模型，用于任务节点生成混合区块链模型，降低了运算模型中存在过拟合运算模型的可能性，有利于提高混合区块链模型的泛化性能指标。通过确定检测节点，由检测节点对运算模型进行融合，判断融合后的模型是否符合任务要求，有利于减小任务节点的运算压力，提高了生成混合区块链模型的效率和准确性。通过判断融合过程中相邻的两个融合模型的融合评分之间的差值是否为零，有利于提高生成混合区块链模型的可靠性和全面性，降低了模型融合不充分的可能性。附图说明本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是根据本申请的一个实施例的基于深度学习的混合区块链模型构建方法的示意流程图；图2是根据本申请的一个实施例的运算模型融合过程示意图；图3是根据本申请的一个实施例的混合区块链模型构建的示意流程图。具体实施方式为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。以下将参照图1-3对本申请的实施方式进行说明。如图1所示，本实施例提供了一种基于深度学习的混合区块链模型构建方法，适用于含有多个参与节点和任务节点的区块链，参与节点用于根据公链数据和/或私链数据构建运算模型，任务节点用于根据运算模型，构建混合区块链模型。具体地，参与节点在构建运算模型时，可以仅根据自身的私链数据进行模型构建，也可以仅根据区块链中的公链数据进行模型构建，还可以根据公链数据和私链数据进行模型构建。混合区块链模型的构建方法包括：步骤1，任务节点向参与节点发送任务要求；具体地，任务节点通过广播的方式，向区块链中的参与节点发本文档来自技高网...

【技术保护点】
1.一种基于深度学习的混合区块链模型构建方法，其特征在于，包括：步骤1，任务节点向参与节点发送任务要求；步骤2，所述参与节点根据所述任务要求、存储于区块链中的公链数据和/或自身存储的私链数据，利用深度学习方法，构建神经网络训练模型，记作运算模型；步骤3，所述任务节点获取所述运算模型，并利用深度学习算法融合所述运算模型，记作混合区块链模型。

【技术特征摘要】
1.一种基于深度学习的混合区块链模型构建方法，其特征在于，包括：步骤1，任务节点向参与节点发送任务要求；步骤2，所述参与节点根据所述任务要求、存储于区块链中的公链数据和/或自身存储的私链数据，利用深度学习方法，构建神经网络训练模型，记作运算模型；步骤3，所述任务节点获取所述运算模型，并利用深度学习算法融合所述运算模型，记作混合区块链模型。2.如权利要求1所述的基于深度学习的混合区块链模型构建方法，其特征在于，所述任务节点也可以为所述参与节点。3.如权利要求1所述的基于深度学习的混合区块链模型构建方法，其特征在于，在步骤2之后，还包括：步骤21，确定至少两个所述参与节点为泛化节点；步骤22，所述泛化节点获取其余所述参与节点的所述运算模型，记作第一模型；步骤23，所述泛化节点利用自身存储的所述私链数据对所述第一模型进行检测；步骤24，当所述泛化节点判定所述第一模型符合要求时，将所述第一模型记作第二模型，并将所述第二模型发送至所述任务节点。4.如权利要求3所述的基于深度学习的混合区块链模型构建方法，其特征在于，所述步骤24通过以下方法实现：所述泛化节点根据检测结果，对所述第一模型进行评分，记作第一泛化评分；计算各个所述泛化节点对任一第一模型的所述第一泛化评分的平均值，记作所述第一模型的第二泛化评分；当判定所述第二泛化评分大于或等于所述任务要求中的预设评分时，将所述第一模型记作所述第二模型，并将所述第二模型发送至所述任务节点。5.如权利要求3所述的基于深度学习的混合区块链模型构建方法，其特征在于，所述步骤24通过以下方法实现：所述泛化节点根据检测结果，对所述第一模型进行评分，记作第一泛化评分；计算各个所述泛化节点对任一第一模型的所述第一泛化评分的平均值，记作所述第一模型的第二泛化评分；根据所述第二泛化评分，按照由高至低的顺序对所述第一模型进行排序；选取与所述任务要求中预设数量相等的所述第一模型记作所述第二模型，并将所述第二模型发送至所述任务节点。6.如权利要求4或5所述的基于深度学习的混合区块链模型构建方法，其特征在于，在步骤2...

【专利技术属性】
技术研发人员：黄晋，蔡钰，赵曦滨，胡昱坤，张恩德，刘尧，
申请(专利权)人：清华大学，中车信息技术有限公司，
类型：发明
国别省市：北京,11