CN109120437A - 基于dabft共识机制的人工智能区块云生态系统 - Google Patents
基于dabft共识机制的人工智能区块云生态系统 Download PDFInfo
- Publication number
- CN109120437A CN109120437A CN201810864743.1A CN201810864743A CN109120437A CN 109120437 A CN109120437 A CN 109120437A CN 201810864743 A CN201810864743 A CN 201810864743A CN 109120437 A CN109120437 A CN 109120437A
- Authority
- CN
- China
- Prior art keywords
- task
- matrix
- new
- node
- dabft
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
- H04L41/5054—Automatic deployment of services triggered by the service manager, e.g. service implementation by automatic configuration of network components
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Retry When Errors Occur (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于DABFT共识机制的人工智能区块云生态系统,包括:新区块提出模块用于在收到新任务发布请求时为新任务分配一组任务验证节点和任务处理节点,任务处理节点提出一个新区块;新区块验证模块用于对提出的新区块采用DABFT共识机制进行验证以确定新区块的合法性,DABFT共识机制通过基于人工智能的深度学习,采用一套有效性评估算法,确定新任务的最优拜占庭式容错模式。DABFT通过加入自适应特性得到进一步加强,DABFT是一种具有更高效率的委托机制,能够选择最适合动态和并行任务的BFT。这种适应性是通过深度学习技术实现的,对新任务的实时一致性算法的选择是根据以往任务的训练模型推导出来的。
Description
技术领域
本发明涉及区块链技术领域,特别是涉及一种基于DABFT(委托自适应拜占庭容错)共识机制的人工智能区块云生态系统。
背景技术
目前,现有存在很多区块链协商一致算法,如PoW(Proof of Work)工作量证明共识、PoS(Proof of Stake)股权证明共识和DPoS、PoI(Proof of Importance)重要性证明共识、PoD(Proof of Devotion)贡献证明共识、PoA(Proof of Authority)身份证明共识、BFT(拜占庭式容错)分布一致性共识和DBFT等。
A、PoW工作量证明共识
比特币背后的PoW共识体现的是SHA256哈希(SHA256hash)零和游戏,矿工们借此获得分布账本记帐权。随着区块挖掘难度的增加,PoW浪费了大量的计算能力(电力),大大降低了吞吐量。更糟糕的是,矿工的数量越多,挖掘难度就越高,矿工获得分布账本记帐权的概率也越低,这就导致了更高程度的能源浪费和更长的延迟。这就是为什么Ethereum希望采用PoS算法而不是PoW的关键原因。因此,从开采速度和开采成本的角度来看,PoW不利于区块链为基础的生态系统的长期快速发展,不符合AIBC(人工智能区块云)的效率(高性能)目标和DPoEV的“公平规则”要求。
B、PoS股权证明共识和DPoS
PoS共识衡量的是生态系统中财富的数量和年龄,以授予分类帐记录特权(Buterin,2013),PeerCoin(King and Nadal,2012)、NXT(NXT,2015)、以及Ethereum’sCasper(Buterin,2014)均采用PoS。尽管PoS消耗较低水平的能源,可是它放大财富积累的影响。因此,在PoS生态系统中,更多财富的所有者很容易垄断分布帐本记录。此外,区块确认是概率的,而不是确定性的,因此在理论上,PoS生态系统可能会受到攻击。所以,从矿工构成的角度来看,PoS不利于生态系统参与者的利益,不符合AIBC(人工智能区块云)的公平目标和DPoEV的确定性要求,也不符合“财富规则”和“公平规则”。
DPoS源自PoS,目前阶段EOS正在使用它(EOS,2018)。主要的不同之处在于,在DPoS机制中,所有的资产持有者都选择了一些代表,并将协商、构建共识的任务委托给他们。DPoS的法规遵从性、性能、资源消耗和容错与PoS相似,DPoS的关键优势是显著减少了块验证和分类记录的节点数量,能够在数秒内达成一致。
C、PoI重要性证明共识
PoI引入了账户重要性的概念,它被用作分配分布账本记帐权的度量(NEM,2018)。PoI在一定程度上解决了PoS的财富垄断困境,但也暴露了一种无利害关系的情况,这使得欺骗的成本相当低。因此,PoI偏离了AIBC(人工智能区块云)合法性目标和DPoEV“关联规则”的要求。
D、PoD贡献证明共识
PoD引入了基于账户贡献的贡献和奖励分布账本记帐权的概念(NAS,2018)。然而,PoD使用毫无意义的伪随机数来确定参与者之间的分类记录特权,这与只将资源用于有意义和有成效的工作的概念不一致。此外,由于设计的局限性,PoD无法达到AIBC(人工智能区块云)要求的效率水平。
E、PoA身份证明共识
PoA类似于PoS(VET,2018)。然而,与POS不同的是,PoA节点不需要持有资产来竞争分类帐记录器特权,而是需要知晓身份并验证身份。这意味着节点没有动机按照自己的兴趣行事。PoA比PoS更便宜、更安全,并提供更高的TPS。
F、BFT分布一致性共识和DBFT
BFT提供F=(N-1)/3容错。拜占庭问题的可能解决办法是在N≥3F+1情况下实现一致性,其中N为校验数,F为错误校验数。在验证节点之间交换信息之后,每个验证节点都获得一个信息列表,并且在三分之二的验证节点中存在信息。BFT的优势在于,可以在安全与稳定的前提下达成共识(Lamport,Shostak and Pease,1982;Driscoll et al.,2003)。
BFT的高性能变种PBFT(实用BFT)可以实现2-5秒的延迟,满足许多商业应用的实时处理需求(Castro和Liskov,2002)。PBFT的高共识效率使其能够满足高频交易的需要。
BFT的缺点是,当三分之一或更多的验证节点停止工作时,系统将无法提供服务;当三分之一或更多的验证节点表现出恶意行为,并且所有的节点被偶然地分割成两个孤岛时,恶意的验证节点可以将系统分离开来,但是它们会留下密码证据。BFT的分权级别没有其他共识高,因此更适合多中心应用程序场景。
DBFT将根据验证节点在生态系统中的地位来选择它们,然后通过BFT算法(NEO,2018)对验证节点的选择达成一致。DBFT与BFT的关系类似于DPoS与PoS的关系,DBFT比BFT有很多改进,它将BFT的客户端/服务端体系结构改进为适合P2P网络的对等节点模式,它从静态一致发展为动态一致,验证节点可以动态地进入和退出,它对账本记录结合了基于验证者的股份的投票机制,它还提出了数字证书的使用,因此解决了验证节点身份验证的问题。
DBFT有许多可取的特性,如专门的簿记员、任何类型的错误的容忍度,以及没有分叉,就像BFT一样,当三分之一或更多的验证节点表现出恶意行为,并且所有的节点被偶然地分割成两个孤岛时,恶意验证节点可以对系统进行分叉,但是它们会留下密码证据。
因此,鉴于现有共识算法的优点和缺点,得出结论:尽管其中一些算法提供了有用的功能,它们中没有一个能够完全满足AIBC(人工智能区块云)的效率、公平性和合法性的目标。
发明内容
本发明针对现有技术存在的问题和不足,提供一种基于DABFT共识机制的人工智能区块云生态系统。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种基于DABFT共识机制的人工智能区块云生态系统,其特点在于,其包括:
一新区块提出模块,用于在收到新任务发布请求时为新任务分配一组任务验证节点和任务处理节点,所述任务处理节点提出一个新区块;
一新区块验证模块,用于对提出的新区块采用DABFT共识机制进行验证以确定新区块的合法性,DABFT共识机制通过基于人工智能的深度学习,采用一套有效性评估算法,确定新任务的最优拜占庭式容错模式。
较佳地,DABFT共识机制采用模块化设计,包括BFT系统、事件系统和质量控制系统;
所述BFT系统用于将拜占庭式容错算法模块化;
所述事件系统用于收集对系统性能和安全性有重大影响的因素,并将新任务信息发送给质量控制系统;
所述质量控制系统用于通过静态、动态或启发式模式来驱动系统,并对关键性能指标KPI和关键特征指标KCI进行评估,从而为新任务选择出最优拜占庭式容错模式。
较佳地,所述质量控制系统用于计算新任务的各竞争BFT协议的评估分数,并选择得分最高的竞争BFT协议;
对于新任务t和竞争BFT协议pi∈BFTS,有一个评估分数Ei,t(element of MatrixE),最优竞争BFT协议pt得到如下:
C是KCI矩阵,P是KPI矩阵,矩阵A代表了协议的配置文件(KCIs),列矩阵U表示KCI用户喜好权重,列矩阵en是单位矩阵,用来逆变矩阵的值(从U到-U),1/a在整数值运算符中排除不匹配矩阵中所有用户喜好的协议U,矩阵B表示协议的KPI(每行一个协议),列矩阵V表示用于评估的KPI用户定义权重,列矩阵W仅在启发式模式中使用,与矩阵V具有相同的约束条件,表示哈达玛乘法运算,运算符表示布尔乘法;
动态调整KPI参数:
针对任务t,所述质量控制系统用于对矩阵B进行训练,得出初始矩阵然后计算剩余矩阵Et:
Bt是由实证检验得到的真实KPI参数矩阵;
具有时变多维相关矩阵的任务规范t由下给出:
Et|Ψt-1~N(0,Ωt=HtRtHt)
a+b<1 (1.3)
Et给定了先前的状态Ψt-l下的t时刻的条件剩余向量,Ωt是Et的条件协方差矩阵,Rt是Et的条件相关矩阵,Ht是Rt的归一化矩阵,K和Λ是Ht对角系数矩阵,Ξt是Et的标准化残差向量,Ot和估值矩阵为Pt,是Et的估值矩阵;
对于时刻t,的预测任务的KPI矩阵:
较佳地,所述系统还包括一新任务分发模块,所述新任务分发模块用于在收到新任务发布请求时选择与新任务最相关的超级节点作为任务验证节点,任务验证节点选择负责管理该新任务的任务处理节点,任务处理节点选择与新任务最相关的资源节点,并将新任务分发给资源节点计算分析。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明结合了现有协商一致算法的一些最佳特性,从概念上说,DABFT采用了一定的PoS特征来加强PoI的合法性,采用一定的PoI特征来提高PoS的公平性,同时利用BFT算法改进PoD的选择机制。
此外,DABFT通过加入自适应特性得到了进一步的加强,DABFT是一种具有更高效率的委托机制,本质上是一种更灵活的DBFT,它能够选择最适合动态和并行任务的BFT。这种适应性是通过深度学习技术实现的,对新任务的实时一致性算法的选择是根据以往任务的训练模型推导出来的。
因此,DABFT是构建高效、合法、公平的AIBC(人工智能区块云)生态系统的完美工具,它只进行有意义的、生产性的活动。
附图说明
图1为本发明较佳实施例的基于DABFT共识机制的人工智能区块云生态系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本实施例提供一种基于DABFT共识机制的人工智能区块云生态系统,其包括一新区块提出模块1、一新区块验证模块2和一新任务分发模块3。
所述新区块提出模块1用于在收到新任务发布请求时为新任务分配一组任务验证节点和任务处理节点,所述任务处理节点提出一个新区块。
所述新区块验证模块2用于对提出的新区块采用DABFT共识机制进行验证以确定新区块的合法性,DABFT共识机制通过基于人工智能的深度学习,采用一套有效性评估算法,确定新任务的最优拜占庭式容错模式。
所述新任务分发模块3用于在收到新任务发布请求时选择与新任务最相关的超级节点作为任务验证节点,任务验证节点选择负责管理该新任务的任务处理节点,任务处理节点选择与新任务最相关的资源节点,并将新任务分发给资源节点计算分析。
其中,DABFT共识机制采用模块化设计,包括BFT系统、事件系统和质量控制系统。
所述BFT系统用于将拜占庭式容错算法模块化。
所述事件系统用于收集对系统性能和安全性有重大影响的因素,并将新任务信息发送给质量控制系统。
所述质量控制系统用于通过静态、动态或启发式模式来驱动系统,并对关键性能指标KPI和关键特征指标KCI进行评估,从而为新任务选择出最优拜占庭式容错模式。
所述质量控制系统用于计算新任务的各竞争BFT协议的评估分数,并选择得分最高的竞争BFT协议。
对于新任务t和竞争BFT协议pi∈BFTS,有一个评估分数Ei,t(element of MatrixE),最优竞争BFT协议pt得到如下:
C是KCI矩阵,P是KPI矩阵,矩阵A代表了协议的配置文件(KCIs),列矩阵U表示KCI用户喜好权重,列矩阵en是单位矩阵,用来逆变矩阵的值(从U到-U),1/a在整数值运算符中排除不匹配矩阵中所有用户喜好的协议U,矩阵B表示协议的KPI(每行一个协议),列矩阵V表示用于评估的KPI用户定义权重,列矩阵W仅在启发式模式中使用,与矩阵V具有相同的约束条件,表示哈达玛乘法运算,运算符表示布尔乘法。
动态调整KPI参数:
针对任务t,所述质量控制系统用于对矩阵B进行训练,得出初始矩阵然后计算剩余矩阵Et:
Bt是由实证检验得到的真实KPI参数矩阵;
具有时变多维相关矩阵的任务规范t由下给出:
Et|Ψt-1~N(0,Ωt=HtPtHt)
a+b<1 (1.3)
Et给定了先前的状态Ψt-1下的t时刻的条件剩余向量,Ωt是Et的条件协方差矩阵,Pt是Et的条件相关矩阵,Ht是Pt的归一化矩阵,K和Λ是Ht对角系数矩阵,Ξt是Et的标准化残差向量,Ot和估值矩阵为Pt,是Et的估值矩阵。
需要指出的是,方程(1.2)和(1.3)只从在任务t回朔到任务t-1,这是为了减少计算复杂度。
对于时刻t,的预测任务的KPI矩阵:
此后,DABFT根据公式(1.1a)和(1.1b)选择评价得分最高的BFT协议。对于任何BFT选择,DABFT提供了容错功能对于由N个任务验证节点组成的一致集合。这种容错包括安全性和可用性,在任何网络环境中都能抵抗一般和拜占庭式的故障。DABFT提供了确定性。因此确认即是最终确认,链不能被分叉,事务不能被撤销或回滚。
在DABFT协商一致机制下,估计每0.1到0.5秒生成一个块。该系统具30000TPS的可持续性事务吞吐量,经过适当的优化,有可能达到1000000TPS,使AIBC(人工智能区块云)生态系统能够支持高频大规模的商业应用。
DABFT有一个选项,可以将数字识别技术整合到AIBC(人工智能区块云)中,使其成为基于真实姓名的,从而使冻结、撤销、继承、检索和检索成为可能。因此支持在司法判决下资产转移。这一特性使得发行符合法规要求的金融产品成为可能。
A、叉选择
DABFT为每个任务建立权威链,并在每个块的高度上设置区块分数。在公平、合法的原则下,选择经济价值最高的分块链加入权威链。每个分叉链的经济价值是其头分叉块及其后代的经济价值之和。这是可以实现的,因为所有任务都由它们相应的侧链跟踪,将达到最终结果。
B、投票规则
为了抵御对协商一致过程的恶意攻击,DABFT借鉴了Casper的最小惩罚机制的概念来约束任务验证者的行为。投票程序遵循以下基本规则:单个区块的一致过程有严格的顺序。只有在第一阶段的投票总数达到2/3多数后,才能开始下一阶段的协商一致。后续区块的协商一致不需要等到当前区块的协商一致意见结束。多个块的协商一致可以并发,但是不能完全打乱顺序。一般来说,在当前块的协商一致完成2/3之后,后续块的一致性就可以开始了。
C、激励分析
任务验证节点(包括任务处理节点)根据DPoEV激励共识机制协商一致意见,以CFTX令牌的形式接收任务的奖励。授予任务验证节点的令牌总数是分配给任务的令牌总数的一个百分比,并由所有参与的任务验证节点和处理节点共享。授予任务处理节点和每个任务验证节点的令牌数量取决于它对完成任务的贡献。这些数字由DPoEV动态决定,特别是它的EVG引擎。
D、作弊分析
分布式协商一致中有几种值得特别关注的攻击,其中分析最多的攻击有三种,分别是双重支付攻击、短程攻击和51%攻击。在具有DPoEV-DABFT的双共识的AIBC(人工智能区块云)生态系统中,我们的设计使得没有一种攻击有机会成功。
当恶意节点试图通过两个任务向两个不同的目的地发起相同的令牌交易时,就会发生双重支付攻击。在委托的验证机制(例如DPoS或DBFT)中,要使这样的攻击成功,恶意节点必须首先通过选举(并提供存款)成为验证节点,然后贿赂至少三分之一的其他验证节点,以使两个交易都达到最终状态。在DPoEV-DABFT的双共识的AIBC(人工智能区块云)生态系统中,不可能成功地实现双重支出。原因是验证节点(超级节点)是根据它们与任务的相关性而不是它们的存款来选择的,验证节点不允许启动任务,且验证节点是根据它们的贡献级别而不是其他校验节点来奖励的。因此,出现双重支付攻击的条件并不存在。
当H+1区块未过期时,恶意节点伪造链(A链)替换合法链(B链),从而发起短程攻击。在一个委托的机制中,为了使这个攻击成功,攻击者需要贿赂验证者,以使区块A1得分高于区块B1。因此,从本质上讲,短程攻击非常类似于在A1/B1区块级别的双充支付攻击,由于同样的原因,这种攻击没有成功的机会。
在PoW中,51%的攻击需要一个恶意节点在系统中拥有51%的计算能力,在PoS中,恶意节点在系统中拥有51%的存款,在POD中,恶意节点在系统中拥有认证账户的51%。在DPoEV-DABFT的双共识AIBC(人工智能区块云)生态系统中,在经济模型的约束下,任何节点都不可能拥有超过51%的经济价值。更重要的是,由于验证节点本身不允许启动任务,一个带有恶意的验证节点必须贿赂其它验证节点发起这样的攻击。然而,验证节点的奖励是基于他们的贡献水平,而不是其他验证节点。因此,发生51%攻击的条件也不存在。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (4)
1.一种基于DABFT共识机制的人工智能区块云生态系统,其特征在于,其包括:
一新区块提出模块,用于在收到新任务发布请求时为新任务分配一组任务验证节点和任务处理节点,所述任务处理节点提出一个新区块;
一新区块验证模块,用于对提出的新区块采用DABFT共识机制进行验证以确定新区块的合法性,DABFT共识机制通过基于人工智能的深度学习,采用一套有效性评估算法,确定新任务的最优拜占庭式容错模式。
2.根据权利要求1所述的人工智能区块云生态系统,其特征在于,DABFT共识机制采用模块化设计,包括BFT系统、事件系统和质量控制系统;
所述BFT系统用于将拜占庭式容错算法模块化;
所述事件系统用于收集对系统性能和安全性有重大影响的因素,并将新任务信息发送给质量控制系统;
所述质量控制系统用于通过静态、动态或启发式模式来驱动系统,并对关键性能指标和关键特征指标进行评估,从而为新任务选择出最优拜占庭式容错模式。
3.根据权利要求2所述的人工智能区块云生态系统,其特征在于,所述质量控制系统用于计算新任务的各竞争BFT协议的评估分数,并选择得分最高的竞争BFT协议;
对于新任务t和竞争BFT协议pi∈BFTS,有一个评估分数Ei,t,最优竞争BFT协议pt得到如下:
C是KCI矩阵,P是KPI矩阵,矩阵A代表了协议的配置文件,列矩阵U表示KCI用户喜好权重,列矩阵en是单位矩阵,用来逆变矩阵的值,1/a在整数值运算符中排除不匹配矩阵中所有用户喜好的协议U,矩阵B表示协议的KPI,列矩阵V表示用于评估的KPI用户定义权重,列矩阵W仅在启发式模式中使用,与矩阵V具有相同的约束条件,表示哈达玛乘法运算,运算符表示布尔乘法;
动态调整KPI参数:
针对任务t,所述质量控制系统用于对矩阵B进行训练,得出初始矩阵然后计算剩余矩阵Et:
Bt是由实证检验得到的真实KPI参数矩阵;
具有时变多维相关矩阵的任务规范t由下给出:
Et|Ψt-1~N(0,Ωt=HtPtHt)
a+b<1
Et给定了先前的状态Ψt-1下的t时刻的条件剩余向量,Ωt是Et的条件协方差矩阵,Pt是Et的条件相关矩阵,Ht是Pt的归一化矩阵,K和Λ是Ht对角系数矩阵,Ξt是Et的标准化残差向量,Ot和估值矩阵为Rt,是Et的估值矩阵;
对于时刻t,的预测任务的KPI矩阵:
4.根据权利要求1所述的人工智能区块云生态系统,其特征在于,所述系统还包括一新任务分发模块,所述新任务分发模块用于在收到新任务发布请求时选择与新任务最相关的超级节点作为任务验证节点,任务验证节点选择负责管理该新任务的任务处理节点,任务处理节点选择与新任务最相关的资源节点,并将新任务分发给资源节点计算分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864743.1A CN109120437B (zh) | 2018-08-01 | 2018-08-01 | 基于dabft共识机制的人工智能区块云生态系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864743.1A CN109120437B (zh) | 2018-08-01 | 2018-08-01 | 基于dabft共识机制的人工智能区块云生态系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109120437A true CN109120437A (zh) | 2019-01-01 |
CN109120437B CN109120437B (zh) | 2021-06-15 |
Family
ID=64862460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864743.1A Active CN109120437B (zh) | 2018-08-01 | 2018-08-01 | 基于dabft共识机制的人工智能区块云生态系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120437B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947740A (zh) * | 2019-01-25 | 2019-06-28 | 北京邮电大学 | 区块链系统的性能优化方法及装置 |
CN112671746A (zh) * | 2020-12-17 | 2021-04-16 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习模型中毒检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445711A (zh) * | 2016-08-28 | 2017-02-22 | 杭州云象网络技术有限公司 | 一种应用于区块链的拜占庭容错共识方法 |
CN107341660A (zh) * | 2017-05-27 | 2017-11-10 | 唐盛(北京)物联技术有限公司 | 一种区块链底层共识机制以及基于该共识机制的区块链系统 |
CN107547529A (zh) * | 2017-08-21 | 2018-01-05 | 集合智造(北京)餐饮管理有限公司 | 一种基于区块链实现共享零售的方法、系统 |
CN107579848A (zh) * | 2017-08-30 | 2018-01-12 | 上海保险交易所股份有限公司 | 实用拜占庭容错共识机制中动态更改共识节点的方法 |
CN108229981A (zh) * | 2018-01-29 | 2018-06-29 | 杭州云象网络技术有限公司 | 一种基于区块链的供应链金融防伪溯源方法 |
WO2018130910A1 (en) * | 2017-01-13 | 2018-07-19 | Digitus | Peer-to-peer exchange platform |
-
2018
- 2018-08-01 CN CN201810864743.1A patent/CN109120437B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106445711A (zh) * | 2016-08-28 | 2017-02-22 | 杭州云象网络技术有限公司 | 一种应用于区块链的拜占庭容错共识方法 |
WO2018130910A1 (en) * | 2017-01-13 | 2018-07-19 | Digitus | Peer-to-peer exchange platform |
CN107341660A (zh) * | 2017-05-27 | 2017-11-10 | 唐盛(北京)物联技术有限公司 | 一种区块链底层共识机制以及基于该共识机制的区块链系统 |
CN107547529A (zh) * | 2017-08-21 | 2018-01-05 | 集合智造(北京)餐饮管理有限公司 | 一种基于区块链实现共享零售的方法、系统 |
CN107579848A (zh) * | 2017-08-30 | 2018-01-12 | 上海保险交易所股份有限公司 | 实用拜占庭容错共识机制中动态更改共识节点的方法 |
CN108229981A (zh) * | 2018-01-29 | 2018-06-29 | 杭州云象网络技术有限公司 | 一种基于区块链的供应链金融防伪溯源方法 |
Non-Patent Citations (1)
Title |
---|
张永 等: "一种改进的区块链共识机制的研究与实现", 《电子设计工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947740A (zh) * | 2019-01-25 | 2019-06-28 | 北京邮电大学 | 区块链系统的性能优化方法及装置 |
CN109947740B (zh) * | 2019-01-25 | 2020-12-29 | 北京邮电大学 | 区块链系统的性能优化方法及装置 |
CN112671746A (zh) * | 2020-12-17 | 2021-04-16 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习模型中毒检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109120437B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bravo-Marquez et al. | Proof-of-learning: a blockchain consensus mechanism based on machine learning competitions | |
CN112434280B (zh) | 一种基于区块链的联邦学习防御方法 | |
Shibata | Proof-of-search: combining blockchain consensus formation with solving optimization problems | |
CN111026578B (zh) | 一种基于预言机的智能合约安全检测方法 | |
CN109819022A (zh) | 一种基于信用评价的区块链共识方法 | |
CN109993004B (zh) | 基于信用机制的区块链自治方法及系统 | |
Pouryazdan et al. | Game-theoretic recruitment of sensing service providers for trustworthy cloud-centric Internet-of-Things (IoT) applications | |
CN113704810B (zh) | 一种面向联邦学习的跨链共识方法及系统 | |
Sun et al. | RTChain: A reputation system with transaction and consensus incentives for e-commerce blockchain | |
CN112396357B (zh) | 一种应用于基于区块链的人员考核系统的共识方法 | |
Fullam et al. | Learning trust strategies in reputation exchange networks | |
CN115499129A (zh) | 一种多模信任跨链共识方法、系统、介质、设备及终端 | |
CN109120437A (zh) | 基于dabft共识机制的人工智能区块云生态系统 | |
CN114358907A (zh) | 一种基于区块链联邦学习的金融风险预测方法和系统 | |
Schmid et al. | Tangle ledger for decentralized learning | |
CN114693241A (zh) | 一种基于区块链的电子简历系统及其实现方法 | |
Alotaibi et al. | PPIoV: A privacy preserving-based framework for IoV-fog environment using federated learning and blockchain | |
CN112599249A (zh) | 一种基于信用等级划分的医疗数据安全共识方法 | |
Vangulick et al. | Blockchain: A novel approach for the consensus algorithm using Condorcet voting procedure | |
Sata et al. | Connecting AI-based Oracles to Blockchains via an Auditable Auction Protocol | |
Li et al. | Blockchain‐Based Crowdsourcing Framework with Distributed Task Assignment and Solution Verification | |
Sun et al. | An efficient and secure trading framework for shared charging service based on multiple consortium blockchains | |
Byers | Combating Front-Running in the Blockchain Ecosystem | |
Ma et al. | A worker selection scheme for vehicle crowdsourcing blockchain | |
Wang et al. | Lever: breaking the shackles of scalable on-chain validation |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210302 Address after: 201199 5th and 6th floor, 380 Xinsong Road, Minhang District, Shanghai Applicant after: Shanghai Youyuan Network Technology Co., Ltd Address before: 201106 room 312, No.1 Lane 666, Shenhong Road, Minhang District, Shanghai Applicant before: MEILAI NETWORK TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |