CN109214641B - 一种基于区块链的企业部门资源数字化控制方法和系统 - Google Patents

一种基于区块链的企业部门资源数字化控制方法和系统 Download PDF

Info

Publication number
CN109214641B
CN109214641B CN201810732718.8A CN201810732718A CN109214641B CN 109214641 B CN109214641 B CN 109214641B CN 201810732718 A CN201810732718 A CN 201810732718A CN 109214641 B CN109214641 B CN 109214641B
Authority
CN
China
Prior art keywords
department
learning model
cross
data
node
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.)
Active
Application number
CN201810732718.8A
Other languages
English (en)
Other versions
CN109214641A (zh
Inventor
朱佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Chain Ai Technology Co ltd
Original Assignee
Guangzhou Chain Ai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Chain Ai Technology Co ltd filed Critical Guangzhou Chain Ai Technology Co ltd
Priority to CN201810732718.8A priority Critical patent/CN109214641B/zh
Publication of CN109214641A publication Critical patent/CN109214641A/zh
Application granted granted Critical
Publication of CN109214641B publication Critical patent/CN109214641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于区块链的企业部门资源数字化控制方法和系统，本发明基于区块链网络对每个企业部门节点的学习模型进行处理，每个参与的部门节点均对跨部门学习模型的参数作出贡献，同时能够不泄漏其他信息，并且保持每个部分信息的一致性，使得跨部门预测企业资源计划可以正确完成，利于使用神经网络来整合在线学习，应用交易大数据来传播模型。本发明作为一种基于区块链的企业部门资源数字化控制方法和系统可广泛应用于及数据处理领域。

Description

一种基于区块链的企业部门资源数字化控制方法和系统
技术领域
本发明涉及数据处理领域，尤其是一种基于区块链的企业部门资源数字化控制方法和系统。
背景技术
跨部门可相互操作的预测模型可以改善企业的运转效率，特别是在企业资源计划方面。例如，作为企业资源计划的一项重要任务，如果预测是基于多部门的数据，那么预测购货量的模型将是更适用的。
预测模型可以“学习”，也就是说，其参数可以经由源自其他部门的数据来评估。不过，使用所有数据去训练预测模型是不平凡的，因为来自各部门的数据带有不可控制的噪声，而这些噪声可以导致不正确的预测结果。此外，一些部门也许有保密的需求，那意味着它们不想与其他部门分享数据。所以，通常使用某些中心化算法来转换预测模型，而不是散布个别部门的数据。不过，企业中的主从式结构也会有少许潜在风险，例如单点失效，假如中心服务器因维修而关闭，则整个网络都停止工作。另外，参与部门不可能随时加入或退出网络，因为分析过程会受到干扰，服务器需要处理恢复问题。还有，没有中心服务器的认证和重构，新部门也不可能加入网络。最后，同样重要的是，主从式结构可能在分布式网络上产生一致性/同步性的问题，参与部门需要在事故可能导致失效的约束条件下，就总体模式达成协议，这就是典型的拜占庭将军问题。
发明内容
为了解决上述技术问题，本发明的目的是：提供一种基于区块链的通过交换模型数据实现企业部门资源数字化，同时避免泄漏部们其他信息的控制方法。
为了解决上述技术问题，本发明的另一目的是：提供一种基于区块链的通过交换模型数据实现企业部门资源数字化，同时避免泄漏部们其他信息的控制系统。
本发明所采用的技术方案是：一种基于区块链的企业部门资源数字化控制方法，包括有以下步骤：
A、根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
B、每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
C、根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易；
D、建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
E、根据跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
F、当有部门节点的数据更新时，
采用更新的部门节点数据对跨部门学习模型进行训练，并根据训练后跨部门学习模型的数据为每一个部门节点创建一个区块链交易，或者
将更新的部门节点数据输入至跨部门学习模型，输出测试结果。
进一步，所述区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
进一步，所述部门节点状态信息为初始状态、已训练状态或已更新状态。
进一步，所述跨部门学习模型采用递归神经网络模型。
进一步，所述步骤D具体包括有以下子步骤：
D1、建立跨部门学习模型；
D2、输入第一个部门节点的数据对跨部门学习模型进行训练；
D3、将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
D4、若存在部门节点的数据未输入至跨部门学习模型进行训练，则执行步骤D3，否则完成跨部门学习模型的训练。
本发明所采用的另一技术方案是：一种基于区块链的企业部门资源数字化控制系统，包括有
第一创建模块，用于根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
第一计算模块，用于对每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
第一交易创建模块，用于根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易；
第二创建模块，用于建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
第二交易创建模块，用于根据训练后的跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
更新测试模块，用于在有部门节点的数据更新时，采用更新的部门节点数据对跨部门学习模型进行训练，或者将更新的部门节点数据输入至跨部门学习模型输出测试结果。
进一步，所述第一交易创建模块和第二交易创建模块创建的区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
进一步，所述部门节点状态信息为初始状态、已训练状态或已更新状态。
进一步，所述第二创建模块建立的跨部门学习模型为递归神经网络模型。
进一步，所述第二创建模块包括有以下子模块：
初始化子模块，用于建立跨部门学习模型；
迭代训练模块，用于执行以下训练步骤：
输入第一个部门节点的数据对跨部门学习模型进行训练；
将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
若存在部门节点的数据未输入至跨部门学习模型进行训练，则继续执行上一训练步骤，否则完成跨部门学习模型的训练。
本发明的有益效果是：本发明基于区块链网络对每个企业部门节点的学习模型进行处理，每个参与的部门节点均对跨部门学习模型的参数作出贡献，同时能够不泄漏其他信息，并且保持每个部分信息的一致性，使得跨部门预测企业资源计划可以正确完成，利于使用神经网络来整合在线学习，应用交易大数据来传播模型。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明具体实施例中区块结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
参照图1，一种基于区块链的企业部门资源数字化控制方法，包括有以下三个阶段：
阶段一，启动阶段，包括步骤A-C：
A、根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
B、每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
C、根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易；
参照图2，进一步作为优选的实施方式，所述区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
进一步作为优选的实施方式，所述部门节点状态信息为初始状态、已训练状态或已更新状态。
这一阶段的目的是完成相应的企业部门节点的初始化，首先用每个部门节点自身的数据来获得带有验证损失信息的本地学习模型M，该阶段的步骤可参照以下伪代码：
Figure BDA0001721302800000061
其中的θi表示经过训练后获得正确结果最高概率的参数，此时具有最小的验证损失loss＝L(θi)。
阶段二，训练阶段，包括步骤D、E：
D、建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
进一步作为优选的实施方式，所述跨部门学习模型采用递归神经网络模型RNN。
进一步作为优选的实施方式，所述步骤D具体包括有以下子步骤：
D1、建立跨部门学习模型；
D2、输入第一个部门节点的数据对跨部门学习模型进行训练；
D3、将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
D4、若存在部门节点的数据未输入至跨部门学习模型进行训练，则执行步骤D3，否则完成跨部门学习模型的训练。
E、根据跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
这一阶段的目的是利用所有部门节点的数据训练得到跨部门信息的模型Mall，获取所有本地学习模型Mi的联合参数，实现最小的全局级别的验证损失
Figure BDA0001721302800000071
在每一时间步，使用来自一个部门节点的数据Xi，加上前一部门的输出Yi-1，执行相关操作，将Xi和Yi-1放在一起，得到嵌入信息作为RNN的输入。由于每个部门的信息不同，输入向量Xi也不同，其中一些可以改善模型的综合性能，在某些次的迭代之后，直到RNN收敛，此时可以获得最佳模型Mall。完成训练后再次为每个部门创建一宗交易，这一阶段中参数θi由RNN产生，而非来自本地学习模型Mi。该阶段的步骤可参照以下伪代码：
Figure BDA0001721302800000072
Figure BDA0001721302800000081
阶段三，更新测试阶段，包括步骤F：
F、当有部门节点的数据更新时，
采用更新的部门节点数据对跨部门学习模型进行训练，并根据训练后跨部门学习模型的数据为每一个部门节点创建一个区块链交易，或者
将更新的部门节点数据输入至跨部门学习模型，输出测试结果；
当发现部门节点更新时，可以有两种处理方式：第一种是根据更新数据对跨部门学习模型进行训练，获取跨部门学习模型最新的验证损失信息，然后将最新的信息更新到区块链网络；第二种是将更新数据作为输入，在跨部门学习模型，输出测试结果，该测试结果可用于企业部门所需要数据的预测。该阶段的步骤可参照以下伪代码：
Figure BDA0001721302800000091
结合上述三个阶段的步骤可知，针对典型的拜占庭将军问题，本发明方法中基于区块链技术实现，每一次交易的核实都是通过多数工作量证明机制POW来完成，因此每个部门都能保持对其计算资源的完全控制，同时能够避免单点失效的风险，每个部门都能自由地加入或离开网络，而无需强行架空中心服务器，或干扰机器学习过程。每个参与的部门节点都对模型参数的评价作出贡献，而并未泄露其它信息，在跨部门间只有与模型相关的数据被交换。因此，本发明方法可广泛应用于企业资源规划中，例如根据企业数据进行销售预测和原材料采购预测，在预测数据的计算过程中，使用RNN作为一致性模型来同步所有部门节点，然后在下一次新的请求送达这个节点时将使用新的参数设定来预测，并得到新的验证损失。
本发明具体实施例中，利用一家制造商的数据来进行销售预测和原材料采购预测，这些数据包括过去十年5个部门的每日销售量和原材料采购量及相关信息。为简化评估，采用RBF神经网络和RNN作为学习模型，用均方根误差RMSE作为所有部门的评价标准。由于采用80％的数据作训练，20％的数据作测试，所以最后比较取自20％数据的RMSE平均值。比较结果如下表1所示：
表1本发明基于区块链的企业部门资源数字化控制方法预测结果的RMSE值与RBF、RNN预测结果的RMSE值
Figure BDA0001721302800000111
由表1可见，无论是RBF神经网络还是RNN，仅基于单个部门的数据比较其运行，采用本发明方法在执行两项任务时均表现更佳。如果使用RNN，对于销售预测，采用本发明方法可完成平均18.5的RMSE值，而对于原材料采购预测，RMSE平均值为43.5。这一结果比位列第二的部门最少改善20％。
作为本发明的另一具体实施例，与上述一种基于区块链的企业部门资源数字化控制方法相对应的一种基于区块链的企业部门资源数字化控制系统，包括有
第一创建模块，用于根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
第一计算模块，用于对每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
第一交易创建模块，用于根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易；
第二创建模块，用于建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
第二交易创建模块，用于根据训练后的跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
更新测试模块，用于在有部门节点的数据更新时，采用更新的部门节点数据对跨部门学习模型进行训练，或者将更新的部门节点数据输入至跨部门学习模型输出测试结果。
进一步作为优选的实施方式，所述第一交易创建模块和第二交易创建模块创建的区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
进一步作为优选的实施方式，所述部门节点状态信息为初始状态、已训练状态或已更新状态。
进一步作为优选的实施方式，所述第二创建模块建立的跨部门学习模型为递归神经网络模型。
进一步作为优选的实施方式，所述第二创建模块包括有以下子模块：
初始化子模块，用于建立跨部门学习模型；
迭代训练模块，用于执行以下训练步骤：
输入第一个部门节点的数据对跨部门学习模型进行训练；
将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
若存在部门节点的数据未输入至跨部门学习模型进行训练，则继续执行上一训练步骤，否则完成跨部门学习模型的训练。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于区块链的企业部门资源数字化控制方法，其特征在于，包括有以下步骤：
A、根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
B、每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
C、根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易，其中，部门节点的数据包括所述本地学习模型的相关参数；
D、建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
E、根据跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
F、当有部门节点的数据更新时，
采用更新的部门节点数据对跨部门学习模型进行训练，并根据训练后跨部门学习模型的数据为每一个部门节点创建一个区块链交易，或者
将更新的部门节点数据输入至跨部门学习模型，输出测试结果。
2.根据权利要求1所述的一种基于区块链的企业部门资源数字化控制方法，其特征在于：所述区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
3.根据权利要求2所述的一种基于区块链的企业部门资源数字化控制方法，其特征在于：所述部门节点状态信息为初始状态、已训练状态或已更新状态。
4.根据权利要求1所述的一种基于区块链的企业部门资源数字化控制方法，其特征在于：所述跨部门学习模型采用递归神经网络模型。
5.根据权利要求4所述的一种基于区块链的企业部门资源数字化控制方法，其特征在于，所述D步骤具体包括有以下子步骤：
D1、建立跨部门学习模型；
D2、输入第一个部门节点的数据对跨部门学习模型进行训练；
D3、将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
D4、若存在部门节点的数据未输入至跨部门学习模型进行训练，则执行步骤D3，否则完成跨部门学习模型的训练。
6.一种基于区块链的企业部门资源数字化控制系统，其特征在于：包括有
第一创建模块，用于根据企业部门建立区块链网络中相应的部门节点，每个部门节点中设置有本地学习模型；
第一计算模块，用于对每个部门节点采用其部门本地数据计算得到带有验证损失信息的本地学习模型；
第一交易创建模块，用于根据部门节点的数据对于相应的每一个部门节点创建一个区块链交易，其中，部门节点的数据包括所述本地学习模型的相关参数；
第二创建模块，用于建立跨部门学习模型，依次输入每个部门节点的数据对跨部门学习模型进行迭代训练；
第二交易创建模块，用于根据训练后的跨部门学习模型的数据为每一个部门节点创建一个区块链交易；
更新测试模块，用于在有部门节点的数据更新时，采用更新的部门节点数据对跨部门学习模型进行训练，或者将更新的部门节点数据输入至跨部门学习模型输出测试结果。
7.根据权利要求6所述的一种基于区块链的企业部门资源数字化控制系统，其特征在于：所述第一交易创建模块和第二交易创建模块创建的区块链交易中包括有部门节点状态信息、学习模型信息、学习模型的验证损失信息和学习模型的散列。
8.根据权利要求7所述的一种基于区块链的企业部门资源数字化控制系统，其特征在于：所述部门节点状态信息为初始状态、已训练状态或已更新状态。
9.根据权利要求6所述的一种基于区块链的企业部门资源数字化控制系统，其特征在于：所述第二创建模块建立的跨部门学习模型为递归神经网络模型。
10.根据权利要求9所述的一种基于区块链的企业部门资源数字化控制系统，其特征在于，所述第二创建模块包括有以下子模块：初始化子模块，用于建立跨部门学习模型；
迭代训练模块，用于执行以下训练步骤：
输入第一个部门节点的数据对跨部门学习模型进行训练；
将跨部门学习模型当前训练的输出和下一个部门节点的数据输入至跨部门学习模型进行训练；
若存在部门节点的数据未输入至跨部门学习模型进行训练，则继续执行上一训练步骤，否则完成跨部门学习模型的训练。
CN201810732718.8A 2018-07-05 2018-07-05 一种基于区块链的企业部门资源数字化控制方法和系统 Active CN109214641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810732718.8A CN109214641B (zh) 2018-07-05 2018-07-05 一种基于区块链的企业部门资源数字化控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810732718.8A CN109214641B (zh) 2018-07-05 2018-07-05 一种基于区块链的企业部门资源数字化控制方法和系统

Publications (2)

Publication Number Publication Date
CN109214641A CN109214641A (zh) 2019-01-15
CN109214641B true CN109214641B (zh) 2021-11-23

Family

ID=64990203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810732718.8A Active CN109214641B (zh) 2018-07-05 2018-07-05 一种基于区块链的企业部门资源数字化控制方法和系统

Country Status (1)

Country Link
CN (1) CN109214641B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197285B (zh) * 2019-05-07 2021-03-23 清华大学 基于区块链的安全协作深度学习方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101774844B1 (ko) * 2017-04-18 2017-09-19 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
CN107346315A (zh) * 2016-05-06 2017-11-14 曲立东 对象数据关联索引系统及该系统的构建与应用方法
CN107392813A (zh) * 2017-09-12 2017-11-24 杭州趣链科技有限公司 一种基于区块链的学籍信息共享系统
CN107864198A (zh) * 2017-11-07 2018-03-30 济南浪潮高新科技投资发展有限公司 一种基于深度学习训练任务的区块链共识方法
CN108076133A (zh) * 2016-11-17 2018-05-25 成都勤智未来科技有限公司 数联网
CN108234127A (zh) * 2016-12-22 2018-06-29 中国移动通信集团公司 一种基于区块链的物联方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346315A (zh) * 2016-05-06 2017-11-14 曲立东 对象数据关联索引系统及该系统的构建与应用方法
CN108076133A (zh) * 2016-11-17 2018-05-25 成都勤智未来科技有限公司 数联网
CN108234127A (zh) * 2016-12-22 2018-06-29 中国移动通信集团公司 一种基于区块链的物联方法及装置
KR101774844B1 (ko) * 2017-04-18 2017-09-19 주식회사 더디엔에이시스템 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈
CN107392813A (zh) * 2017-09-12 2017-11-24 杭州趣链科技有限公司 一种基于区块链的学籍信息共享系统
CN107864198A (zh) * 2017-11-07 2018-03-30 济南浪潮高新科技投资发展有限公司 一种基于深度学习训练任务的区块链共识方法

Also Published As

Publication number Publication date
CN109214641A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
US11461145B2 (en) Building neural networks for resource allocation for iterative workloads using reinforcement learning
US11836576B2 (en) Distributed machine learning at edge nodes
CA3080050A1 (en) Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data
JP7223007B2 (ja) 学習済み動的制御複合システムを制御する方法
US20190244287A1 (en) Utilizing a machine learning model and blockchain technology to manage collateral
US11055139B2 (en) Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster
EP3746884A1 (en) Method and system for flexible pipeline generation
JP2018060547A (ja) 指示分析のためのシステムおよび方法
Zeydan et al. Post-quantum blockchain-based secure service orchestration in multi-cloud networks
CN109214641B (zh) 一种基于区块链的企业部门资源数字化控制方法和系统
WO2022127474A1 (en) Providing explainable machine learning model results using distributed ledgers
Guerrero et al. A performance/cost model for a CUDA drug discovery application on physical and public cloud infrastructures
Li et al. Auto-tuning with reinforcement learning for permissioned blockchain systems
CN116341634A (zh) 神经结构搜索模型的训练方法、装置及电子设备
US11526345B2 (en) Production compute deployment and governance
Mohammadi et al. Machine learning assisted stochastic unit commitment: A feasibility study
Xie et al. Global-local metamodel-assisted stochastic programming via simulation
Suerich et al. Reinforcement learning for efficient scheduling in complex semiconductor equipment
CN113743614A (zh) 用于使用最佳模型运行技术设施的方法和系统
US20200372306A1 (en) Utilizing a machine learning model to automatically correct rejected data
WO2020155167A1 (en) Application of cross-organizational transactions to blockchain
Mira et al. Machine Learning (ML) as a Service (MLaas): Enhancing IoT with Intelligence, Adaptive Online Deep and Reinforcement Learning, Model Sharing, and Zero-knowledge Model Verification
CN113056725A (zh) 信息处理系统以及信息处理方法
CN110489430A (zh) 一种基于数据块签名和校验的溯源方法及其系统
EP4075348A1 (en) Quality control of a machine learning model

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