CN107967539A - 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 - Google Patents
基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 Download PDFInfo
- Publication number
- CN107967539A CN107967539A CN201711227857.7A CN201711227857A CN107967539A CN 107967539 A CN107967539 A CN 107967539A CN 201711227857 A CN201711227857 A CN 201711227857A CN 107967539 A CN107967539 A CN 107967539A
- Authority
- CN
- China
- Prior art keywords
- transaction
- fuel
- machine learning
- prediction
- ether mill
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,步骤如下:首先是获取在以太坊上已发布所有智能合约的URL;其次根据URL获得已验证过的智能合约代码及其相对应的交易的信息;然后对获取到的信息进行处理,建立与函数相关的燃料限制特征集;再其次采用机器学习方法预测以太坊交易燃料限制;最后用户只需要输入智能合约代码就可以得到每个函数预测燃料限制。该发明预测结果更加精确合理,大大减少偏大或者偏小的情况出现;用户操作更加方便,只需要用户提供智能合约就可以给出调用合约函数交易的燃料限制。
Description
技术领域
本发明涉及网络空间安全技术领域,具体涉及一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法。
背景技术
近几年来,区块链技术吸引工业界、学术界和金融界广泛关注和研究。作为区块链比较成功的项目-比特币、以太坊等给吸引了很多开发人员、金融人员的关注。比特币最为核心的创新就是在不需要信任第三方的情况下可以远距离进行转移价值。在比特币出现之前,人们可以面对面地转移实体纸币,但是并没有做到不需要信任中心第三方机构(比如邮局、银行等)远距离的转移价值。但是比特币的缺点在于并没有支持图灵完备的脚本语言。换句话说比特币只做到在分布式环境的条件下存储,但是并没有做到在分布式条件下既能存储也能计算。针对这个问题,Vitalik等人推出以太坊。与比特币相比,以太坊最大的不同点在于以太坊是可以支持图灵完备的脚本语言,允许开发者在上面开发任意应用,实现智能合约。
智能合约是1990年代由尼克萨博提出的概念,几乎与互联网同龄。智能合约是指一份能自动执行本需要手动才能完成任务的协议。智能合约就是任何能自行执行部分功能的协议,比如一份能自动计算合同当事人待付金额,并安排支付这笔金额的合约。智能合约可以有效的减少在协议执行过程中的人工干预。但是由于缺少可执行环境,智能合约并没有被应用到实际的生产过程中。比特币让研究人员重新意识到区块链可以为智能合约提供可信的执行环境。以太坊更是将这种想法付诸实现。在以太坊里,智能合约是一个系统的参与者,它既可对接收到的信息进行回应,也可接收和储存价值,更可向外发送信息和价值。
以太坊在区块链上实现一个运行环境,被称为以太坊虚拟机。每个参与到以太坊网络的节点都会运行以太坊虚拟机作为区块验证协议的一部分。这些节点会验证区块中覆盖的每个交易并在以太坊虚拟机中运行交易所触发的代码(智能合约里面的代码)。每个网络上的全节点都会进行相同的计算并存储相同的值。而在执行这些代码和计算的过程中,每一个命令比如加法、hash等等都会有一个特定的消耗,在以太坊上用燃料来进行计数,例如在以太坊上进行加法的操作就需要消耗3个燃料。
由于在代码执行过程需要消耗一定的燃料,而且燃料的消耗还跟智能合约所在的状态有关系。因此在进行每一笔交易之前都用户预先支付一定数量的燃料。简单来说这个预先支付的金额在以太坊里被称为燃料限制。在网络上的节点进行认证和计算过程中,如果用户的交易用于计算需要使用的燃料数量小于或等于所设置的燃料限制,那么这个交易就会被处理。相反,如果燃料的总消耗超过燃料限制,用户所提供的燃料都会被使用完,甚至在这过程中所有的操作都会被复原。因此对于燃料限制值大小的设置就显得非常重要。虽然用户在交易之前可以利用以太坊提供的接口或者在私链上创建一个一模一样的合约来预测这个交易可能所用到的燃料,但是这种预测由于没有考虑到区块深度这些复杂的情况,会出现得到的燃料限制不够准确的情况,甚至在某些情况下还不能预测出这个燃料限制。在实际的交易过程中,如果预测的燃料限制的结果比实际所用到的燃料偏大,交易可以顺序执行。观察后发现,这种偏大的情况是相对与实际所消耗的燃料要大10倍以上,这也就意味着用户需要预先支付10倍以上的燃料才能保证这个交易的顺利的执行。这种情况使得用户并不能完全的利用自己的燃料。如果恰巧用户在这种情况下迫切需要再执行一笔交易,而用户的当前的账户余额不够,那么用户只能等上一笔交易结束返回剩余的燃料给用户才能继续执行这笔交易。显而易见这种情况用户并不希望出现。在分析以太坊上的智能合约的交易发现还存在着燃料限制偏小的情况,这种情况下用户既浪费燃料,甚至所用的操作状态还会返回原始状态。因此,保证燃料限制的精确就显得非常重要。
机器学习作为人工智能的一个分支,也是比较热门的研究话题。从谷歌的Alphago到现在日常生活中的网易云音乐的歌曲推荐、淘宝的商品推荐等等都用到了人工智能。人工智能的研究是以“推理”为重点到以“知识”为重点,一条自然、清晰的脉络。显然机器学习是实现人工智能的一个途径。而且,经过30多年的发展,机器学习已经比较成熟了,机器学习的算法也比较成熟。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。机器学习的最大优势是工作效率有大幅度的提高。机器学习无法解决人类解决不了的问题,但是它可以接受大量的数据,基于数据迅速建立连接,做出预测。因此在收集到大量数据的情况下,用机器学习来做预测是效率比较高而且是比较准确的。而当前以太坊在目前来说就已经有45331126个交易了。用机器学习来发现这些数据中的规律无疑是一种比较好的办法。因此,用机器学习来预测以太坊上交易的燃料限制是可行的。
比较常见的机器学习的算法有朴素贝叶斯算法、逻辑回归、线性回归、决策树、SVM支持向量机等等。朴素贝叶斯属于生成式模型(关于生成模型和判别式模型,主要还是在于是否需要求联合分布),比较简单。与朴素贝叶斯算法不一样的是,逻辑回归不必担心数据的特征是否相关,逻辑回归是属于判别式模型。而线性回归的基本思想在于用梯度下降法对最小二乘法形式的误差函数进行优化。在解决分类和回归问题时候,决策树的算法往往比较适合,决策树算法是根据数据的属性采用树状结构建立决策模型。
发明内容
本发明的目的是为了解决现有技术中以太坊合约在执行过程中由于燃料限制设置过小而导致合约无法执行或者燃料限制过多而导致用户浪费太多燃料的问题,提供一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,所述的方法包括下列步骤:
S1、获取在以太坊上已发布所有智能合约的URL;
S2、根据URL获得已验证过的智能合约代码及其相对应的交易的信息;
S3、对获取到的信息进行处理,建立与函数相关的燃料限制特征集;
S4、采用机器学习方法预测以太坊交易燃料限制;
S5、用户需要输入智能合约代码查询得到每个函数预测燃料限制。
进一步地,所述的步骤S1中采用深度优先算法找到网站上所有与智能合约相关的URL。
进一步地,所述的交易的信息包括:交易所在区块高度、交易的hash值、燃料限制、单独执行这个交易实际所用到的燃料、交易所使交易所使用函数的输入数据。
进一步地,所述的步骤S2中获取的数据采用智能合约名称+当前系统时间戳的方式命名。
进一步地,所述的与函数相关的燃料限制特征集中选取的特征包括:交易所在区块的高度、交易所执行SHA256函数次数、交易执行SHA3函数次数、交易执行与操作/或操作/亦或操作次数、交易执行中ADD/PUSH/SUB/DUP/SWAP次数、交易执行乘法/除法次数、交易执行JUMP操作次数、交易执行ADDRESS次数、交易所执行函数中FOR循环次数、交易执行中call函数次数、交易中变量的个数。
进一步地,所述的机器学习方法采用SVM支持向量机的机器学习算法。
本发明相对于现有技术具有如下的优点及效果:
1、预测结果更加精确,基本不会出现燃料不够的情况。
2、预测结果更加合理,在交易顺利执行后所剩的燃料会更加少甚至可以做到0剩余。
3、操作更加方便,用户只需要提供智能合约就可以执行某个函数交易的燃料限制。
附图说明
图1是本发明实施例提供的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法流程图;
图2是本发明实施例提供的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法的应用结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本发明是这样实现的,用机器学习技术和区块链技术预测以太坊上交易的燃料限制。该发明主要涉及五个步骤:
首先是获取在以太坊上已发布所有智能合约的URL;其次根据URL获得已验证过的智能合约代码及其相对应的交易的信息;然后对获取到的信息进行处理,建立与函数相关的燃料限制特征集;再其次采用机器学习方法预测以太坊交易燃料限制;最后用户只需要输入智能合约代码就可以得到每个函数预测燃料限制。
步骤S1、获取在以太坊上已发布所有智能合约的URL。
在使用机器学习技术和区块链技术预测以太坊上交易的燃料限制,首先需要获取已有的交易信息建立数据模型。在本发明方法提出之前,并没有一个快速有效的工具可以获取以太坊上已验证过的智能合约和与这些智能合约相关的交易信息。针对这个问题,本发明首先实现对这些数据进行收集。本专利选取网址为“https://etherscan.io”的这个网站作为收集数据的网站。分析完这个网站的内容后,采用深度优先算法找到网站上所有与智能合约相关的URL。在深度优先搜索的过程中,可能会遇到由于短时间内持续使用同一个IP地址获得数据而导致的IP地址封锁问题。为解决这个问题,构造一个IP代理的方法,这种方法的原理在于每隔一定时间,就会换另外一个有效的IP地址获取数据。这样巧妙避开网站对IP的封锁。通过这样获得所有跟智能合约相关的URL。
步骤S2、根据URL获得已验证过的智能合约代码及其相对应的交易的信息。
通过进一步观察发现部分智能合约并没有经过验证,这些没有验证的智能合约代码并没有在该网站上公布出来,因此需要对区块链上智能合约进行区分,区分为:已验证的智能合约和未验证的智能合约。本发明方法里使用的是已验证的智能合约。通过分析网站源码发现已验证的智能合约是带有一个标签的,所以可以通过找到这个标签来获得那些已验证的智能合约。为了方便后期数据的处理,程序将已验证的智能合约代码下载下来放在文件夹中。由于部分智能合约在区块链上存在着几个版本,版本名称一致而每个版本的代码可能不尽相同。为解决获取数据后命名问题,采用的是一种智能合约名称+当前系统时间戳的方式命名。获取智能合约交易的信息主要有:交易所在区块高度、交易的hash值、燃料限制、单独执行这个交易实际所用到的燃料、交易所使交易所使用函数的输入数据。最后每个文件夹中所包含的文件有:智能合约代码以及每个交易的交易信息。
步骤S3、对获取到的信息进行处理,建立与函数相关的燃料限制特征集。
具体步骤如下:对以太坊消耗燃料研究中发现,在以太坊虚拟机环境下,每进行一个操作都要消耗部分的燃料,比如使用SHA256哈希函数消耗的燃料是60,而进行一个加法操作和减法操作消耗的燃料是3,进行一个乘法或除法的操作消耗燃料是5等等。但是这些仅仅是单个操作所消耗的燃料,并不能代表整个函数所消耗的燃料。这里并没有存在着1+1=2这种关系。为准确预测到一个交易的燃料消耗,本发明选择这些操作码来作为数据的特征。在观察交易信息数据化发现,交易所在的区块高度与这个交易实际消耗的燃料大体上呈现出一种正相关关系。换句话说,交易所在的区块越高,交易中消耗燃料也会增加。因此也选择交易所在区块高度作为机器学习数据中一个重要特征。
总的来说,本专利选取的特征就有:交易所在区块的高度、交易所执行SHA256函数次数、交易执行SHA3函数次数、交易执行与操作/或操作/亦或操作次数、交易执行中ADD/PUSH/SUB/DUP/SWAP次数、交易执行乘法/除法次数、交易执行JUMP操作次数、交易执行ADDRESS次数、交易所执行函数中FOR循环次数、交易执行中call函数次数、交易中变量的个数。利用这几个特征建立与燃料限制相关的特征集。
步骤S4、采用机器学习方法预测以太坊交易燃料限制。
具体步骤如下:在生成一个与燃料限制相关的数据集后,使用一个合理的机器学习算法进行预测以太坊交易的燃料限制。根据数据集的特点以及为了让燃料限制尽可能接近实际所用到的燃料,采用SVM支持向量机作为机器学习算法。SVM支持向量机的优势在于具体解决小样本下机器学习问题、解决非线性问题、解决无局部极小值问题、可以很好的处理高纬度数据集和泛化能力比较强。经过训练之后就可以得到一个数据模型。
步骤S5、用户只需要输入智能合约代码就可以得到每个函数预测燃料限制。
具体步骤如下:用户输入智能合约代码,然后程序会根据输入代码最终会输出当前智能合约所调用函数的燃料限制。
综上所述,上述实施例公开的一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,预测结果更加精确合理,大大减少偏大或者偏小的情况出现;用户操作更加方便,只需要用户提供智能合约就可以给出调用合约函数交易的燃料限制。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的方法包括下列步骤:
S1、获取在以太坊上已发布所有智能合约的URL;
S2、根据URL获得已验证过的智能合约代码及其相对应的交易的信息;
S3、对获取到的信息进行处理,建立与函数相关的燃料限制特征集;
S4、采用机器学习方法预测以太坊交易燃料限制;
S5、用户输入智能合约代码查询得到每个函数预测燃料限制。
2.根据权利要求1所述的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的步骤S1中采用深度优先算法找到网站上所有与智能合约相关的URL。
3.根据权利要求1所述的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的交易的信息包括:交易所在区块高度、交易的hash值、燃料限制、单独执行这个交易实际所用到的燃料、交易所使交易所使用函数的输入数据。
4.根据权利要求1所述的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的步骤S2中获取的数据采用智能合约名称+当前系统时间戳的方式命名。
5.根据权利要求1所述的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的与函数相关的燃料限制特征集中选取的特征包括:交易所在区块的高度、交易所执行SHA256函数次数、交易执行SHA3函数次数、交易执行与操作/或操作/亦或操作次数、交易执行中ADD/PUSH/SUB/DUP/SWAP次数、交易执行乘法/除法次数、交易执行JUMP操作次数、交易执行ADDRESS次数、交易所执行函数中FOR循环次数、交易执行中call函数次数、交易中变量的个数。
6.根据权利要求1所述的基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法,其特征在于,所述的机器学习方法采用SVM支持向量机的机器学习算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227857.7A CN107967539B (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227857.7A CN107967539B (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967539A true CN107967539A (zh) | 2018-04-27 |
CN107967539B CN107967539B (zh) | 2020-11-13 |
Family
ID=61997788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711227857.7A Active CN107967539B (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967539B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003051A (zh) * | 2018-07-18 | 2018-12-14 | 杭州复杂美科技有限公司 | 一种车辆保险定损理赔系统、方法、设备和存储介质 |
CN109670800A (zh) * | 2018-11-15 | 2019-04-23 | 亦非云互联网技术(上海)有限公司 | 基于以太坊的交易处理方法及系统、存储介质及终端 |
CN109710385A (zh) * | 2018-12-29 | 2019-05-03 | 杭州趣链科技有限公司 | 一种基于Java虚拟机的智能合约复杂度限制方法 |
CN109741183A (zh) * | 2018-12-29 | 2019-05-10 | 北京金山安全软件有限公司 | 一种信息获取方法及装置 |
CN110428056A (zh) * | 2018-04-30 | 2019-11-08 | 慧与发展有限责任合伙企业 | 使用区块链的分散式机器学习的系统和方法 |
CN110544113A (zh) * | 2019-08-14 | 2019-12-06 | 清华大学 | 基于智能合约的交易中燃油费的输入确定方法及装置 |
CN110569033A (zh) * | 2019-09-12 | 2019-12-13 | 北京工商大学 | 一种数字化交易类智能合约基础代码生成方法 |
CN110599343A (zh) * | 2019-09-21 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 合约数据处理方法、相关设备及介质 |
WO2020024896A1 (zh) * | 2018-08-03 | 2020-02-06 | 上海点融信息科技有限责任公司 | 用于搜索区块链数据的方法、装置及存储介质 |
CN111898766A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于自动机器学习的以太坊燃料限制预测方法及装置 |
CN111970112A (zh) * | 2020-08-10 | 2020-11-20 | 山东大学 | 基于zynq异构计算平台的以太坊部署方法及系统 |
CN112069250A (zh) * | 2019-06-11 | 2020-12-11 | 南京慕测信息科技有限公司 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
CN108665372B (zh) * | 2018-04-28 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 基于区块链的信息处理、查询、储存方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951307A (zh) * | 2017-03-06 | 2017-07-14 | 钱德君 | 一种智能合约虚拟机实现方法 |
-
2017
- 2017-11-29 CN CN201711227857.7A patent/CN107967539B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951307A (zh) * | 2017-03-06 | 2017-07-14 | 钱德君 | 一种智能合约虚拟机实现方法 |
Non-Patent Citations (2)
Title |
---|
TING CHEN 等: "nder-Optimized Smart Contracts Devour Your Money", 《24TH IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ANALYSIS, EVOLUTION AND REENGINEERING (SANER)》 * |
李赫 等: "基于区块链2.0的以太坊初探", 《中国金融电脑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665372B (zh) * | 2018-04-28 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 基于区块链的信息处理、查询、储存方法和装置 |
CN110428056A (zh) * | 2018-04-30 | 2019-11-08 | 慧与发展有限责任合伙企业 | 使用区块链的分散式机器学习的系统和方法 |
CN110428056B (zh) * | 2018-04-30 | 2023-07-14 | 慧与发展有限责任合伙企业 | 使用区块链的分散式机器学习的系统和方法 |
CN109003051A (zh) * | 2018-07-18 | 2018-12-14 | 杭州复杂美科技有限公司 | 一种车辆保险定损理赔系统、方法、设备和存储介质 |
WO2020024896A1 (zh) * | 2018-08-03 | 2020-02-06 | 上海点融信息科技有限责任公司 | 用于搜索区块链数据的方法、装置及存储介质 |
CN109670800A (zh) * | 2018-11-15 | 2019-04-23 | 亦非云互联网技术(上海)有限公司 | 基于以太坊的交易处理方法及系统、存储介质及终端 |
CN109710385A (zh) * | 2018-12-29 | 2019-05-03 | 杭州趣链科技有限公司 | 一种基于Java虚拟机的智能合约复杂度限制方法 |
CN109741183A (zh) * | 2018-12-29 | 2019-05-10 | 北京金山安全软件有限公司 | 一种信息获取方法及装置 |
CN112069250A (zh) * | 2019-06-11 | 2020-12-11 | 南京慕测信息科技有限公司 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
CN112069250B (zh) * | 2019-06-11 | 2022-05-17 | 南京慕测信息科技有限公司 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
CN110544113A (zh) * | 2019-08-14 | 2019-12-06 | 清华大学 | 基于智能合约的交易中燃油费的输入确定方法及装置 |
CN110569033B (zh) * | 2019-09-12 | 2022-11-01 | 北京工商大学 | 一种数字化交易类智能合约基础代码生成方法 |
CN110569033A (zh) * | 2019-09-12 | 2019-12-13 | 北京工商大学 | 一种数字化交易类智能合约基础代码生成方法 |
CN110599343B (zh) * | 2019-09-21 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 合约数据处理方法、相关设备及介质 |
CN110599343A (zh) * | 2019-09-21 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 合约数据处理方法、相关设备及介质 |
WO2021135467A1 (zh) * | 2020-07-31 | 2021-07-08 | 平安科技(深圳)有限公司 | 基于自动机器学习的以太坊燃料限制预测方法、装置、计算机设备及存储介质 |
CN111898766A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于自动机器学习的以太坊燃料限制预测方法及装置 |
CN111898766B (zh) * | 2020-07-31 | 2023-02-24 | 平安科技(深圳)有限公司 | 基于自动机器学习的以太坊燃料限制预测方法及装置 |
CN111970112A (zh) * | 2020-08-10 | 2020-11-20 | 山东大学 | 基于zynq异构计算平台的以太坊部署方法及系统 |
CN111970112B (zh) * | 2020-08-10 | 2022-01-21 | 山东大学 | 基于zynq异构计算平台的以太坊部署方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107967539B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967539A (zh) | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 | |
Harl et al. | Explainable predictive business process monitoring using gated graph neural networks | |
Tao et al. | Modelling of combinable relationship-based composition service network and the theoretical proof of its scale-free characteristics | |
Jula et al. | Cloud computing service composition: A systematic literature review | |
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
Mei et al. | An adaptive service selection approach to service composition | |
Sharma et al. | Latent DIRICHLET allocation (LDA) based information modelling on BLOCKCHAIN technology: a review of trends and research patterns used in integration | |
CN111079015A (zh) | 一种推荐方法、装置、计算机设备和存储介质 | |
Chen et al. | Building and analyzing a global co-authorship network using google scholar data | |
WO2014159296A1 (en) | A method, system and program product for matching of transaction records | |
CN110033331A (zh) | 一种优惠券的发放方法、系统及终端设备 | |
CN110457577A (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
CN110287002A (zh) | 一种以太坊虚拟机缺陷检测方法及系统 | |
CN109102176A (zh) | 一种基于区块链的贸易金融评估方法及装置 | |
Ding et al. | A genetic algorithm based approach to transactional and QoS-aware service selection | |
CN109918375A (zh) | 一种基于区块链和分布式存储的大文本存储、索引及检索方法 | |
CN112765482A (zh) | 产品投放方法、装置、设备及计算机可读介质 | |
CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
Naghavipour et al. | Hybrid metaheuristics for QoS-aware service composition: a systematic mapping study | |
CN113609345A (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
Kumar et al. | Banking 4.0: The era of artificial intelligence‐based fintech | |
Dunke et al. | A data-driven methodology for the automated configuration of online algorithms | |
Wang et al. | Marked temporal dynamics modeling based on recurrent neural network | |
CN107239853B (zh) | 一种基于云计算的智慧管家系统及其工作方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |