CN109710691A - 一种基于深度学习的混合区块链模型构建方法 - Google Patents

Abstract

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。

Description

一种基于深度学习的混合区块链模型构建方法

技术领域

本申请涉及区块链技术领域，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。

背景技术

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。

发明内容

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送任务要求，对任务进行描述，并将验证数据上传至区块链，其中，任务要求包括目前已完成工作、输入数据属性、预期成果、参与者可获得的报酬、检测数据、运算能力要求、预设评分、预设数量。检测数据用于验证混合区块链模型是否满足任务要求；运算能力要求用于在参与节点中选取满足运算能力的参与节点作为检测节点，对混合区块链模型进行检测；预设评分用于选取符合要求的运算模型；预设数量用于选取相等数量的运算模型进行融合，以便生成混合区块链模型。

优选地，任务节点还可以提供初始特征提取器，用于对区块链中的公链数据和/或私链数据进行初步特征提取，如利用CNN和聚类方法分别提取图片的形状与纹理特征。

优选地，任务节点也可以为参与节点。

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；

其中，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。

具体地，参与节点接收到任务要求之后，根据深度学习方法，对任务要求建立神经网络训练模型，并利用区块链中的公链数据和/或自身存储的私链数据，对神经网络训练模型进行训练。

在训练过程中，参与节点利用神经网络建立特征提取器和对应的特征解析器，参与节点利用特征提取器，提取公链数据和/或私链数据中的至少一组特征向量，且该特征向量不可逆，即不能由特征向量推导出公链数据和/或私链数据，以保证构成特征向量的数据的隐私。之后参与节点利用特征解析器对提取的特征向量进行解析，构建运算模型。

优选地，参与节点利用神经网络建立特征提取器的过程中，可以神经网络对任务节点提供的初始特征提取器进行分析，在初始特征提取器的基础上，生成特征提取器和对应的特征解析器。

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；

具体地，当任务节点发布任务要求时，参与节点可以根据任务要求和自身的实际情况，确定自身是否可以作为泛化节点，并将是否作为泛化节点的决定发送至任务节点和其余参与节点，以便于获取其余参与节点的运算模型和任务节点对参与节点进行报酬发放。

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。

具体地，泛化节点对其余参与节点生成的运算模型进行检验，检验过程中运用的数据为自身存储的私链数据，各个泛化节点单独对运算模型(第一模型)进行检验，检验完成后再将检验结果发送至其余泛化节点，由全部的泛化节点根据统一的要求对检验结果进行整理，将符合要求的运算模型(第二模型)发送至任务节点，以便于任务节点对运算模型进行融合，其中，检验结果可以为准确度评分。

进一步地，步骤24可以通过以下方法实现：

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。

具体地，各个泛化节点根据自身存储的私链数据对第一模型进行检测，得到对应的准确度评分，记作第一泛化评分，泛化节点将第一泛化评分进行发送，以便于各个泛化节点对第一泛化评分进行平均值计算，将计算结果记作第二泛化评分。再根据任务节点发送的任务要求中的预设评分，对第一模型进行筛选，将大于或等于预设评分的第二泛化评分所对应的第一模型标记为第二模型，并将第二模型发送至任务节点。

优选地，由于泛化节点不计算自身运算模型的第一泛化评分，因此，在计算第二泛化评分时，可以采用加权算法，对泛化节点所对应的第一评分进行加权，之后在进行第一评分的平均值计算，以提高生成混合区块链模型的准确性。

更进一步地，步骤24还可以通过以下方法实现：

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。

具体地，各个泛化节点根据自身存储的私链数据对第一模型进行检测，得到对应的准确度评分，记作第一泛化评分，泛化节点将第一泛化评分进行发送，以便于各个泛化节点对第一泛化评分进行平均值计算，将计算结果记作第二泛化评分。再根据第二泛化评分由高到低的顺序，对第一模型进行排序，依次选取预设数量的第一模型，发送至任务节点。

优选地，由于泛化节点不计算自身运算模型的第一泛化评分，因此，在计算第二泛化评分时，可以采用加权算法，对泛化节点所对应的第一评分进行加权，之后在进行第一评分的平均值计算，以提高生成混合区块链模型的准确性。

进一步地，为了提高合成混合区块链模型的准确性，还可以设置检测节点，对运算模型进行融合，判断生成的混合区块链模型是否符合任务要求，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；

具体地，通过泛化节点对运算模型进行检测、评分，得出神经网络训练模型的训练结果，其评分越高，表明该模型的训练程度越高，即与预期成果越接近，选取评分最高的第二模型，有利于提高模型融合的效率和融合模型的可靠性。

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；

具体地，设定第二泛化评分的高低顺序对应的融合子模型的顺序为融合子模型1、融合子模型2、…、融合子模型n，在对待融合模型进行融合时，首先将融合子模型1与待融合模型进行融合，生成融合模型1，再将融合子模型2与融合模型1进行融合，生成融合模型2，依次选取融合子模型，对待融合模型进行累加融合。

优选地，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。

具体地，以融合子模型i和融合子模型i+1为例，如图2所示，获取融合子模型i的特征提取器i和特征解析器i，其中，特征提取器i可以分为特征提取器i(A)、特征提取器i(B)和特征提取器i(C)，用于对不同的特征进行提取，对应的，特征解析器i可以分为特征解析器i(A)、特征解析器i(B)和特征解析器i(C)，用于对不同的特征进行解析。

之后进入特征融合阶段，根据特征提取器i，对根据区块链数据建立的待融合模型和前i-1个融合子模型累加融合后的融合模型进行特征提取，将提取后的特征进行全连接层进行融合。进入特征解析阶段后，利用特征解析器i进行特征解析，将解析结果记作解析特征，将解析特征进行融合，恢复解析特征的维度，即利用神经网络进行维度变换，转化为与输出维度一致的向量。

若得到的融合模型i不是最终融合模型，则获取融合子模型i+1的特征提取器i+1和特征解析器i+1，再次对融合模型i进行融合，得到融合模型i+1。

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。

具体地，按照第二泛化评分的高低顺序，依次选取融合子模型，生成对应的融合模型，计算融合模型i的融合评分i与融合模型i+1的融合评分i+1之间的差值，由于是对融合模型的累加融合，其融合评分的变化对应于增加或者保持不变，当融合评分i与融合评分i+1之间的差值小于零时，表明融合模型i+1的准确率高于融合模型i的准确率，当融合评分 i与融合评分i+1之间的差值等于零时，表明融合模型i+1的准确率与融合模型i的准确率相同，即将融合子模型i+1与融合模型i进行融合后，对于融合模型i的准确率并没有提升，考虑到融合子模型i+2的泛化评分低于融合子模型i+1的泛化评分，因此，无需再对融合模型i进行融合，判定融合模型i为准确率最高的融合模型。

在本实施例中，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。

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；

具体地，待融合模型的选取，可以与上述检测节点选取待融合模型的方法相同，此处不再赘述，也可以采用随机选取的方式，在运算模型中确定任一运算模型为待融合模型，还可以根据接收到各个参与节点的运算模型的时间，选取最先接收到的运算模型作为待融合模型，又可以根据参与节点以往的相关历史数据，进行加权计算，选取加权得分最高的参与节点对应的运算模型作为待融合模型。

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。

具体地，待融合模型的累加融合方法与检测节点的累加融合方法相似，此处不再赘述。

更进一步地，混合区块链模型构建方法还包括：

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。

具体地，智能合约通过Web3.js API提取验证结果，并与发起者在发起阶段预设的期望分数进行比较，若达到预设分数，智能合约将通过以太坊区块链为有贡献的参与者分发报酬。若未达到预设分数，智能合约将通知发起者验收失败，终止任务。

在本实施例中，如图3所示，构建混合区块链模型的方法可以分为发起阶段、模型计算阶段和验收阶段。

发起阶段，任务发起者(任务节点)在DApp中输入任务描述，通过输入任务描述信息(如输入数据属性，预期输出和财务补偿等)启动任务。

模型计算阶段，优化者(参与节点)计算模型，利用其私链上的数据训练模型，使用分布式文件系统IPFS(InterPlanetary File System，星际文件系统)存储模型参数，智能合约通过IPFS哈希值进行初始化，并将IPFS返回的哈希值导入DApp，将模型上传至IPFS。分享者(泛化节点)在私链上对模型进行泛化测试后，在DApp上提交测试结果。验证者(检验节点)收到计算模型后，通过哈希值访问模型并进行测试，在所处私链上对模型进行评估，并由验证者在DApp上提交评估结果。

验收阶段，模型得分与对应账户信息通过Web3.js API发送给智能合约，智能合约检查模型是否符合发起者期望，若符合期望，智能合约将通过以太坊区块链为有贡献的参与者分发报酬。若不符合期望，则跳过测模型，并判断该模型是否为最后一个模型，如果是，则表明生成的混合区块链模型中没有符合任务要求的模型，如果不是，则选取下一个模型，重新由智能合约检查该模型是否符合发起者期望。

以上结合附图详细说明了本申请的技术方案，本申请提出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。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (9)

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之后，还包括：

步骤25，根据所述任务要求中的运算能力要求，确定任一所述参与节点为检测节点；

步骤26，选取所述第二泛化评分最高的所述第二模型，记作待融合模型，并将其余所述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，依次选取所述融合子模型，由所述检测节点将所述融合子模型与所述待融合模型进行累加融合，将融合后的所述待融合模型记作融合模型；

步骤28，所述检测节点根据所述任务要求中的检测数据，对所述融合模型进行检测评分，记作融合评分；

步骤29，判断相邻的两个所述融合模型的所述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，判断所述融合子模型对应的所述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。

7.如权利要求6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27中的累加融合对应的方法通过以下方法实现：

获取所述融合子模型的特征提取器和特征解析器；

按照所述融合子模型的选取顺序，依次根据所述特征提取器，对所述待融合模型利用全连接层进行融合；

根据对应的所述特征解析器，解析全连接层融合后的所述待融合模型，生成所述融合模型。

8.如权利要求6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，步骤3具体包括：

步骤31，所述任务节点选取一个所述运算模型，记作待融合模型，将其余所述运算模型记作融合子模型；

步骤32，选取任一所述融合子模型与所述待融合模型进行累加融合，记作融合模型；

步骤33，根据所述任务要求中的检测数据，对所述融合模型进行检测评分，记作融合评分；

步骤34，判断相邻的两个所述融合模型的所述融合评分之间的差值是否等于零，若为零，将所述融合模型记作所述混合区块链模型，若不为零，判断是否还有所述融合子模型未与所述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。

9.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，还包括：

步骤4，所述任务节点根据智能合约对所述混合区块链模型进行验证；

步骤5，所述任务节点根据验证结果，向所述参与节点分发报酬。