CN110222721B - 数据处理方法、装置，区块链节点及存储介质 - Google Patents

数据处理方法、装置，区块链节点及存储介质 Download PDF

Info

Publication number
CN110222721B
CN110222721B CN201910390099.3A CN201910390099A CN110222721B CN 110222721 B CN110222721 B CN 110222721B CN 201910390099 A CN201910390099 A CN 201910390099A CN 110222721 B CN110222721 B CN 110222721B
Authority
CN
China
Prior art keywords
model
data
intelligent contract
training
task
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
CN201910390099.3A
Other languages
English (en)
Other versions
CN110222721A (zh
Inventor
周阳
张跃洋
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.)
Cloudminds Shanghai Robotics Co Ltd
Original Assignee
Cloudminds Robotics 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 Cloudminds Robotics Co Ltd filed Critical Cloudminds Robotics Co Ltd
Priority to CN201910390099.3A priority Critical patent/CN110222721B/zh
Publication of CN110222721A publication Critical patent/CN110222721A/zh
Application granted granted Critical
Publication of CN110222721B publication Critical patent/CN110222721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种数据处理方法、装置，区块链节点及存储介质，涉及通信技术领域。该数据处理方法首先通过接收任务发布端发布的包含有训练数据样本智能合约；然后响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；接着接收所述任务执行端依据所述智能合约建立并推送的数据模型，选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；最后将所述目标数据模型反馈至所述任务发布端，对于没有人工智能分析的能力的机构而言，可以将闲置的历史训练样本数据给人工智能企业，并让人工智能企业对其进行分析并反馈结果从中获取利益，对于人工智能企业而言，获得了更多的历史训练样本数据，从而为以后训练出优秀的数据模型打下良好的基础。

Description

数据处理方法、装置，区块链节点及存储介质
技术领域
本公开涉及通信技术领域，具体地，涉及一种数据处理方法、装置，区块链节点及存储介质。
背景技术
随着社会的发展，人工智能分析已经应用到各行各业，例如，银行、企业、医院、高校等等，给人们的生活、工作的体验带来了极大的便捷。对于上述的银行、企业、医院、高校等而言，它们在运营的过程中拥有大量的历史训练样本数据，但是通常没有进行人工智能分析的能力，因而不能合理地利用历史训练样本数据，并对其进行分析以从中获取利益。另外，对于人工智能企业而言，拥有良好的人工智能分析的能力，但是没有足够多的历史训练样本数据作支撑，难以训练出优秀的数据模型。
发明内容
为克服相关技术中存在的问题，本公开提供一种数据处理方法、装置，区块链节点及存储介质。
根据本公开实施例的第一方面，提供了一种数据处理方法，应用于区块链网络中的区块链节点，所述数据处理方法包括：
接收任务发布端发布的智能合约，其中，所述智能合约包含有训练数据样本；
响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；
接收所述任务执行端依据所述智能合约建立并推送的数据模型；
选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；
将所述目标数据模型反馈至所述任务发布端。
可选地，所述智能合约还包含有加密的测试数据、模型验证函数以及提交期限，所述选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型包括：
若在所述提交期限前接收到所述任务发布端推送的解密密钥，则利用所述解密密钥对所述测试数据进行解密；
将解密的测试数据输入每个所述数据模型生成训练结果；
将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
对所述多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，N为大于等于1的整数。
可选地，在所述对所述多个模型验证结果值进行排序之后，所述方法还包括：
将解密的测试数据推送至所述被选择的数据模型对应的任务执行端。
可选地，所述智能合约还包含有模型验证函数和提交期限，所述选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型包括：
若在所述提交期限前未接收到所述任务发布端推送的解密密钥，则将训练数据样本输入每个所述数据模型，生成多个训练结果；
将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
对所述多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，其中，N为大于等于1的整数。
可选地，所述训练结果为正确分类的正例个数，所述模型验证函数为
Figure BDA0002056208060000021
其中，Fβ为模型验证结果值，precision为正确分类的正例个数占分类为正例的实例个数的第一比值，recall为预设定的正确分类的正例个数占实际正例个数的第二比值，β为第二比值的权重与第一比值的权重的比值。
可选地，所述智能合约还包括奖励信息，在所述选择满足被包含于所述智能合约中的模型判定条件的数据模型反馈至所述任务发布端之后，所述方法还包括：
将奖励信息推送至被选择的数据模型对应的任务执行端。
根据本公开实施例的第二方面，提供了一种数据处理装置，应用于区块链网络中的区块链节点，所述数据处理装置包括：
信息接收模块，被配置为接收任务发布端发布的智能合约，其中，所述智能合约包含有训练数据样本；
信息推送模块，被配置为响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；
所述信息接收模块还被配置为接收所述任务执行端依据所述智能合约建立并推送的数据模型；
信息选择模块，被配置为选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；
信息反馈模块，被配置为将所述目标数据模型反馈至任务发布端。
可选地，所述智能合约还包含有加密的测试数据、模型验证函数以及提交期限，所述信息选择模块包括：
解密子模块，被配置为若在所述提交期限前接收到所述任务发布端推送的解密密钥，则利用所述解密密钥对所述测试数据进行解密；
训练结果生成子模块，被配置为将训练数据样本、解密的测试数据输入每个所述数据模型生成训练结果；
结果值生成子模块，被配置为将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
排序子模块，被配置为对所述多个模型验证结果值进行排序；
信息选择子模块，被配置为选择模型验证结果值满足模型判定条件的前N个数据模型为目标数据模型，其中，N为大于等于1的整数。
可选地，所述信息推送模块还被配置成将解密的测试数据推送至被选择的数据模型对应的任务执行端。
可选地，所述智能合约还包含有模型验证函数和提交期限，所述信息选择模块包括：
训练结果生成子模块，被配置成若在所述提交期限前未接收到所述任务发布端推送的解密密钥，则将训练数据样本输入每个所述数据模型生成训练结果；
结果值生成子模块，被配置成将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
排序子模块，被配置成对所述多个模型验证结果值进行排序；
选择子模块，被配置成选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，N为大于等于1的整数。
可选地，所述训练结果为正确分类的正例个数，所述模型验证函数为
Figure BDA0002056208060000041
其中，Fβ为模型验证结果值，precision为正确分类的正例个数占分类为正例的实例个数的第一比值，recall为预设定的正确分类的正例个数占实际正例个数的第二比值，β为第二比值的权重与第一比值的权重的比值。
可选地，所述智能合约还包括奖励信息，
所述信息推送模块还被配置成将奖励信息推送至被选择的数据模型对应的任务执行端。
根据本公开实施例的第三方面，提供了一种区块链节点，应用于区块链网络中，所述区块链节点包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收任务发布端发布的智能合约；
响应任务执行端推送的下载请求，将所述智能合约推送至任务执行端；
接收所述任务执行端依据所述智能合约建立并推送的数据模型；
选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型反馈至任务发布端。
根据本公开实施例的第四方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述方法步骤。
通过上述技术方案，本公开提供的数据处理方法，首先通过接收任务发布端发布的包含有训练数据样本智能合约；然后响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；接着接收所述任务执行端依据所述智能合约建立并推送的数据模型，选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；最后将所述目标数据模型反馈至所述任务发布端，对于没有人工智能分析的能力的机构而言，可以将闲置的历史训练样本数据给人工智能企业，并让人工智能企业对其进行分析并反馈结果从中获取利益，对于人工智能企业而言，获得了更多的历史训练样本数据，从而为以后训练出优秀的数据模型打下良好的基础。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种实施环境的示意图；
图2是根据一示例性实施例示出的一种数据处理方法的流程图；
图3是根据一示例性实施例示出的一种数据处理方法的流程图；
图4是根据一示例性实施例示出的一种数据处理方法的流程图；
图5是根据一示例性实施例示出的一种数据处理装置的框图；
图6是根据另一示例性实施例示出的一种数据处理装置的框图；
图7是根据一示例性实施例示出的一种数据处理装置的框图；
图8是根据一示例性实施例示出的一种区块链节点的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本公开的说明书和权利要求书以及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必理解为特定的顺序或先后次序。
为了使本领域技术人员更容易理解本公开实施例提供的技术方案，下面首先对本公开涉及到的相关技术进行简单介绍。
区块链是由区块链网络中所有节点共同参与维护的去中心化分布式数据库系统，它是由一系列基于密码学方法产生的数据块组成，每个数据块即为区块链中的一个区块。根据产生时间的先后顺序，区块被有序地链接在一起，形成一个数据链条，被形象地称为区块链。区块链由其特别的区块和交易产生、验证协议，具有不可更改，不可伪造、完全可追溯的安全特性。
区块链技术中涉及到的相关概念说明：
区块链节点：区块链网络基于P2P(Peer to Peer，对等网络)网络，每个参与交易和区块存储、验证、转发的P2P网络节点都是一个区块链网络中的节点。
区块链数据写入：区块链节点通过向区块链网络发布“交易”(Transaction)实现向区块链写入数据。交易中包含用户使用自己私钥对交易的签名，以证明用户的身份。交易被“矿工”(执行区块链共识竞争机制的区块链节点)记录入产生的新区块，然后发布到区块链网络，并被其他区块链节点验证通过和接受后，交易数据即被写入区块链。
智能合约：从技术角度来讲，智能合约被认为是网络服务器，只是之二写服务器并不是使用IP地址架设在互联网上，而是架设在区块链上，从而可以在其上面运行特定的合约程序。但是与网络服务器不同的是，智能合约不依赖某个特定的硬件设备，事实上，智能合约的代码由所有参与挖矿的设备来执行。
智能合约是编程在区块链上的汇编语言，例如用Solidity或者Javascript类似的专用语言在创建区块链时预先制定智能合约。这些字节码确实给区块链的功能性提供了指引，因此代码可以很容易与它进行交互，例如转移密码学货币和记录事件。
区块链具有的特性：
去中心化：整个区块链系统没有中心化的硬件或者管理机构，任意节点之间的权利和义务都是均等的，且任一节点的损坏或者失去都会不影响整个系统的运作。因此也可以认为区块链具有极好的健壮性。
去信任化：参与整个区块链系统中的每个节点之间进行数据交换是无需互相信任的，整个系统的运作规则是公开透明的，所有的数据内容也是公开的，因此在系统指定的规则范围和时间范围内，节点之间是不能也无法欺骗其它节点。
基于区块链技术，本公开实施例提供一种数据处理方法，该方法可以应用于如图1中所示的区块链网络101中的区块链节点，其中，图1是一种数据处理系统的示意图，包括区块链网络101以及与区块链网络101交互的任务发布端102和任务执行端103。如图2所示，本公开实施例提供的数据处理方法包括：
步骤S21：接收任务发布端102发布的智能合约。
作为其中一种可选地实施方式，可以选择在区块链网络101中的任一区块链节点设置与外接设备可以进行数据交互的接口，设置有可以进行数据交互的接口的区块链节点接收到任务发布端102发布的智能合约后，通过区块链网络101发送至另一个区块链节点，如此循环，直到每个区块链节点均接收到任务发布端102发布的智能合约。
作为另一种可选地实施方式，可以在区块链网络101中的每个区块链节点设置与外接设备可以进行数据交互的接口，每个区块链节点可以通过设置的接口接收任务发布端102发布的智能合约。
另外，智能合约可以由用户在任务发布端102创建，本实施例中，任务发布端102可以是银行、企业、医院、高校等机构的数据处理平台，智能合约包含有训练数据样本，训练数据样本可以为银行、企业、医院、高校的智能终端向数据处理平台发送的数据集，例如，医院的智能终端向数据处理平台发送的慢性病数据集；企业的智能终端向数据处理平台发送的垃圾邮件数据集等等，在此不做限定。
步骤S22：响应任务执行端103发送的下载请求，将智能合约推送至任务执行端103。
可选地，作为其中一种实施例方式，任务执行端103可以每隔预设定的时间(例如，每隔一天或一周)发送下载请求至区块链节点，以下载智能合约；作为另外一种实施方式，区块链节点可以在接收到智能合约后发送通知至任务执行端103，以使任务执行端103接收到通知后发送下载请求至区块链节点，以下载智能合约。
本实施例中，任务执行端103可以为人工智能企业用于训练数据模型的数据处理平台。
步骤S23：接收任务执行端103依据智能合约建立并推送的数据模型。
其中，由于智能合约包括有训练数据样本和训练任务，因此，任务执行端103即可依据智能合约进行模型训练建立数据模型。此外，本公开所述的模型训练是指可以分布式训练的使用人工智能、机器学习、统计学和数据库的交叉方法在相对较大型的数据集中发现模式的计算过程。例如，建立深度学习的神经网络模型、AI(Artificial Intelligence，人工智能)训练、决策树分类模型等，本公开对此不做限定。例如，任务执行端103可以通过人脸图像数据集训练出人脸识别模型；通过慢性病数据集训练出慢性病诊断模型。任务执行端103完成数据模型的训练后即可将数据模型通过区块链网络101发送至每个区块链节点。
需要说明的是，当有多个任务执行端103接收到智能合约时，则每个任务执行端103均会依据智能合约训练数据模型，并将训练的数据模型发送通过区块链网络101发送至每个区块链节点，由此，每个区块链节点会接收到多个训练完毕的数据模型。
步骤S24：选择接收到的数据模型中，满足智能合约中的模型判定条件的目标数据模型。
具体地，作为其中一种可能的实施方式，智能合约还可以包括加密的测试数据、模型验证函数以及提交期限。
其中，对测试数据进行加密是避免任务执行端103通过智能合约拿到测试数据后，直接使用测试数据进行训练数据模型，以在验证模型时可以得到良好的模型验证结果，然而这样生成的模型验证结果是不真实的，欺骗了任务发布端102的用户，因而需要对测试数据进行加密，由于上述原因加密密钥通常只有任务发布端102方持有。模型验证结果用于对数据模型的训练结果进行验证，以识别出训练出的数据模型优劣。
提交期限是指将解密密钥提交给任务执行端的期限，例如，可以为2019年4月10上午9：00。也就是说，可以在智能合约中约定将用于对加密的测试数据进行解密的密钥提交给任务执行端的时间，在具体实施时，该提交期限可以是在任务发布端得到对数据模型的验证结果之后。
图3是在智能合约包括加密的测试数据、模型验证函数以及提交期限的情况下，步骤S24包括的方法流程：
步骤S241：判断在提交期限前是否接收到任务发布端102推送的解密密钥，如果否，则执行步骤S242至步骤244，如果是，则执行步骤S245至步骤S249。
步骤S242：将训练数据样本输入每个数据模型，生成多个训练结果。
步骤S243：将每个训练结果输入模型验证函数，生成多个模型验证结果值。
步骤S244：对多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型反馈至任务发布端102，其中，N为大于等于1的整数。
训练结果为正确分类的正例个数，模型验证函数可以为
Figure BDA0002056208060000101
其中，Fβ为模型验证结果值(即查全率与查准率加权调和平均)，precision为正确分类的正例个数占分类为正例的实例个数的第一比值(即精确率)，recall为预设定的正确分类的正例个数占实际正例个数的第二比值(即召回率)，β为第二比值的权重与第一比值的权重的比值。当然地，也可以直接将精确率作为模型验证结果，还可以将召回率作为模型验证结果，在此不做限定。需要说明的是，将查全率与查准率加权调和平均Fβ作为模型验证结果，更具备可靠性。
步骤S245：利用解密密钥对测试数据进行解密。
若任务执行端在提交期限前接收到任务发布端102推送的解密密钥，则表明任务发布端102的用户愿意将测试数据贡献给公众：由于解密后的测试数据由于被包含于区块链节点的智能合约，因而所有区块链节点可以进行查阅。
步骤S246：将解密的测试数据输入每个数据模型生成训练结果。
利用将测试数据输入数据模型进行训练最终得到的训练结果，不会出现过度拟合的情况(由于先前训练模型时训练数据样本没有参加数据模型训练过程)，相对于利用训练数据输入数据模型得到的训练结果，更为精确。
步骤S247：将每个训练结果输入模型验证函数，生成多个模型验证结果值。
训练结果为正确分类的正例个数，模型验证函数可以为
Figure BDA0002056208060000111
其中，Fβ为模型验证结果值(即查全率与查准率加权调和平均)，precision为正确分类的正例个数占分类为正例的实例个数的第一比值(即精确率)，recall为预设定的正确分类的正例个数占实际正例个数的第二比值(即召回率)，β为第二比值的权重与第一比值的权重的比值。当然地，也可以直接将精确率作为模型验证结果，还可以将召回率作为模型验证结果，在此不做限定。需要说明的是，将查全率与查准率加权调和平均Fβ作为模型验证结果，更具备可靠性。
步骤S248：对多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，其中，N为大于等于1的整数。
将模型验证结果值按照从高到低的顺序排列，即模型验证结果值越高的排序越靠前，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，即选择的训练结果最优的N个数据模型作为目标数据模型反馈至任务发布端102。假设有10个模型验证结果值，分别为5、5、6、4、5、6、7、8、9、7，则按照从高到低的顺序排列为4、5、5、5、6、6、7、7、8、9，若模型判定条件为模型验证结果值需要大于等于6，则满足条件的模型验证结果值为6、6、7、7、8、9，若N等于2，则选择模型验证结果值为8、9的数据模型作为目标数据模型反馈至任务发布端102。另外，当N等于1时，选择模型验证结果值为9的数据模型(即训练结果最优的数据模型)作为目标数据模型。
可选地，该方法在步骤S248之后，还可以包括：
步骤S249：将解密的测试数据推送至被选择的数据模型对应的任务执行端103。
由于测试数据通常是任务发布端102方最新产生的内部数据，对于任务执行端103方，测试数据是很有利用价值的，将解密的测试数据推送至被选择的数据模型对应的任务执行端103，从而使得人工智能企业能得到更多的利益。
图3只是对步骤S24的一种可能的实施方式进行的说明，本领域技术人员应该理解，根据任务发布端对数据模型的实际需求。可以编写并发布相应的智能合约，例如对于私密性较强的数据，出于隐私保护的需求，可以对训练样本数据也进行加密，例如采用已确定的任务执行端的公钥对训练样本数据进行加密，使得只有任务执行端可以使用自身的私钥进行解密得到训练样本数据，区块链网络中非任务执行端的节点无法获得训练样本数据。
步骤S25：将目标数据模型反馈至任务发布端102。
任务发布端102可以根据实际应用需求选择获得的N个数据模型中的其中一个使用。可选地，在反馈数据模型的同时可以将每个数据模型的模型验证结果值发送至任务发布端102，以供任务发布端102的用户选择使用模型时进行参考。
可选地，请结合参阅图4，该方法还可以包括：
步骤S26：将奖励信息推送至被选择的数据模型对应的任务执行端103。
其中，奖励信息可以为但不限于代币(如，比特币)，从而进一步使得人工智能企业能得到更多的利益。需要说明的是，步骤S25～步骤S26可以没有先后顺序。
图5是根据一示例性实施例示出的一种数据处理装置500的框图，该装置应用于区块链网络101中的区块链节点，用于实施上述方法实施例中。需要说明的是，本发明实施例所提供的数据处理装置500，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。如图5所示，该装置至少包括信息接收模块501、信息推送模块502、信息选择模块503以及信息反馈模块504。
信息接收模块501被配置为接收任务发布端102发布的智能合约。
其中，智能合约包含有训练数据样本。可以理解地，信息接收模块501可以执行上述的步骤S21。
信息推送模块502被配置为响应任务执行端103发送的下载请求，将智能合约推送至任务执行端103。
可以理解地，信息推送模块502可以执行上述的步骤S22。
信息接收模块501还被配置为接收任务执行端103依据智能合约建立并推送的数据模型。
可以理解地，信息接收模块501还可以执行上述的步骤S23。
信息选择模块503被配置为选择接收到的数据模型中，满足智能合约中的模型判定条件的目标数据模型。
可以理解地，信息选择模块503可以执行上述的步骤S24。
信息反馈模块504被配置为将目标数据模型反馈至任务发布端102。
可以理解地，信息反馈模块504可以执行上述的步骤S25。
可选地，作为其中一种实施方式，如图6所示，智能合约还包含有加密的测试数据、模型验证函数以及提交期限，信息选择模块503包括解密子模块5031、训练结果生成子模块5032、结果值生成子模块5033、排序子模块5034以及信息选择子模块5035。
解密子模块5031被配置为若在提交期限前接收到任务发布端102推送的解密密钥，则利用解密密钥对测试数据进行解密。
可以理解地，解密子模块5031可以执行上述的步骤S245。
训练结果生成子模块5032被配置为将训练数据样本、解密的测试数据输入每个数据模型生成训练结果。
可以理解地，训练结果生成子模块5032可以执行上述的步骤S246。
结果值生成子模块5033被配置为将每个训练结果输入模型验证函数，生成多个模型验证结果值。
可以理解地，结果值生成子模块5033可以执行上述的步骤S247。
可选地，训练结果为正确分类的正例个数，模型验证函数为
Figure BDA0002056208060000141
其中，Fβ为模型验证结果，precision为正确分类的正例个数占分类为正例的实例个数的第一比值，recall为预设定的正确分类的正例个数占实际正例个数的第二比值，β为第二比值的权重与第一比值的权重的比值。
排序子模块5034被配置为对多个模型验证结果值进行排序。
信息选择子模块5035被配置为选择模型验证结果值满足模型判定条件的前N个数据模型为目标数据模型，其中，N为大于等于1的整数。
可以理解地，排序子模块5034、信息选择子模块5035可以执行上述的步骤S248。
可选地，信息推送模块502还被配置成将解密的测试数据推送至被选择的数据模型对应的任务执行端103。
可以理解地，信息推送模块502可以执行上述的步骤S249。
可选地，如图7所示，作为另一种实施方式，智能合约还包含有模型验证函数、提交期限，信息选择模块503包括训练结果生成子模块5032、结果值生成子模块5033、排序子模块5034、信息选择子模块5035。
训练结果生成子模块5032被配置成若在提交期限前未接收到任务发布端102推送的解密密钥，则将训练数据样本输入每个数据模型，生成训练结果。
可以理解地，训练结果生成子模块5032可以执行上述的步骤S242。
结果值生成子模块5033被配置为将每个训练结果输入模型验证函数，生成多个模型验证结果值。
可以理解地，结果值生成子模块5033可以执行上述的步骤S243。
排序子模块5034被配置成对多个模型验证结果值进行排序。
信息选择子模块5035被配置成选择模型验证结果值满足模型判定条件的前N个数据模型选择为目标数据模型，其中，N为大于等于1的整数。
可以理解地，排序子模块5034、信息选择子模块5035可以执行上述的步骤S244。
可选地，智能合约还包括奖励信息，信息推送模块502还被配置成将奖励信息推送至被选择的数据模型对应的任务执行端103。
本公开还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述方法的步骤。
本公开还提供了一种区块链节点，应用于区块链网络101中，该区块链节点包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为：
执行上述实施例所述数据处理方法。
图8是根据一示例性实施例示出的一种区块链节点1100的框图，该区块链节点1100可以是移动电话，计算机，数字广播终端，消息收发设备，平板设备，个人数字助理等。
参照图8，区块链节点1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电力组件1106，多媒体组件1108，音频组件1110，输入/输出(I/O)的接口1112，传感器组件1114，以及通信组件1116。
处理组件1102通常控制区块链节点1100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令，其中，处理组件1102可以完成上述图1所示的数据处理方法的全部或部分步骤；此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理组件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。
存储器1104被配置为存储各种类型的数据以支持在区块链节点1100的操作。这些数据的示例包括用于在区块链节点1100上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件1106为区块链节点1100的各种组件提供电力。电力组件1106可以包括电源管理系统，一个或多个电源，及其他与为区块链节点1100生成、管理和分配电力相关联的组件。
多媒体组件1108包括在所述区块链节点1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1108包括一个前置摄像头和/或后置摄像头。当区块链节点1100处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风(MIC)，当区块链节点1100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。
I/O接口1112为处理组件1102和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1114包括一个或多个传感器，用于为区块链节点1100提供各个方面的状态评估。例如，传感器组件1114可以检测到区块链节点1100的打开/关闭状态，组件的相对定位，例如所述组件为区块链节点1100的显示器和小键盘，传感器组件1114还可以检测区块链节点1100或区块链节点1100一个组件的位置改变，用户与区块链节点1100接触的存在或不存在，区块链节点1100方位或加速/减速和区块链节点1100的温度变化。传感器组件1114可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1114还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1114还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1116被配置为便于区块链节点1100和其他设备之间有线或无线方式的通信。区块链节点1100可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1116还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，区块链节点1100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的数据处理方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1104，上述指令可由区块链节点1100的处理器1120执行以完成上述的数据处理方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
综上所述，本公开提供的数据处理方法、装置，区块链节点及存储介质，首先通过接收任务发布端发布的包含有训练数据样本智能合约；然后响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；接着接收所述任务执行端依据所述智能合约建立并推送的数据模型，选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；最后将所述目标数据模型反馈至所述任务发布端，对于没有人工智能分析的能力的机构而言，可以将闲置的历史训练样本数据给人工智能企业，并让人工智能企业对其进行分析并反馈结果从中获取利益，对于人工智能企业而言，获得了更多的历史训练样本数据，从而为以后训练出优秀的数据模型打下良好的基础。并且利用区块链网络去中心化的特性，各个区块链节点上都维护了所有的智能合约，可以便于对人工智能决策过程的审计，也避免了传统人工智能数据提供商的中心服务器宕机可能造成的各种数据损失。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (8)

1.一种数据处理方法，其特征在于，应用于区块链网络中的区块链节点，所述数据处理方法包括：
接收任务发布端发布的智能合约，其中，所述智能合约包含有训练数据样本；
响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；
接收所述任务执行端依据所述智能合约建立并推送的数据模型；
选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；
将所述目标数据模型反馈至所述任务发布端；
所述智能合约还包含有加密的测试数据、模型验证函数以及提交期限，所述选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型包括：
若在所述提交期限前接收到所述任务发布端推送的解密密钥，则利用所述解密密钥对所述测试数据进行解密；
将解密的测试数据输入每个所述数据模型生成训练结果；
将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
对所述多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，N为大于等于1的整数。
2.根据权利要求1所述的数据处理方法，其特征在于，在所述对所述多个模型验证结果值进行排序之后，所述方法还包括：
将解密的测试数据推送至所述被选择的数据模型对应的任务执行端。
3.根据权利要求1所述的数据处理方法，其特征在于，所述智能合约还包含有模型验证函数和提交期限，所述选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型包括：
若在所述提交期限前未接收到所述任务发布端推送的解密密钥，则将训练数据样本输入每个所述数据模型生成训练结果；
将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
对所述多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，N为大于等于1的整数。
4.根据权利要求1或3所述的数据处理方法，其特征在于，所述训练结果为正确分类的正例个数，所述模型验证函数为
Figure FDA0003099516070000021
其中，Fβ为模型验证结果值，precision为正确分类的正例个数占分类为正例的实例个数的第一比值，recall为预设定的正确分类的正例个数占实际正例个数的第二比值，β为第二比值的权重与第一比值的权重的比值。
5.根据权利要求1所述的数据处理方法，其特征在于，所述智能合约还包括奖励信息，在所述选择满足被包含于所述智能合约中的模型判定条件的数据模型反馈至所述任务发布端之后，所述方法还包括：
将奖励信息推送至被选择的数据模型对应的任务执行端。
6.一种数据处理装置，其特征在于，应用于区块链网络中的区块链节点，所述数据处理装置包括：
信息接收模块，被配置为接收任务发布端发布的智能合约，其中，所述智能合约包含有训练数据样本；
信息推送模块，被配置为响应任务执行端发送的下载请求，将所述智能合约推送至任务执行端；
所述信息接收模块还被配置为接收所述任务执行端依据所述智能合约建立并推送的数据模型；
信息选择模块，被配置为选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型；
信息反馈模块，被配置为将所述目标数据模型反馈至任务发布端；
所述智能合约还包含有加密的测试数据、模型验证函数以及提交期限，所述信息选择模块包括：
解密子模块，被配置为若在所述提交期限前接收到所述任务发布端推送的解密密钥，则利用所述解密密钥对所述测试数据进行解密；
训练结果生成子模块，被配置为将训练数据样本、解密的测试数据输入每个所述数据模型生成训练结果；
结果值生成子模块，被配置为将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
排序子模块，被配置为对所述多个模型验证结果值进行排序；
信息选择子模块，被配置为选择模型验证结果值满足模型判定条件的前N个数据模型为目标数据模型，其中，N为大于等于1的整数。
7.一种区块链节点，其特征在于，应用于区块链网络中，所述区块链节点包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收任务发布端发布的智能合约；
响应任务执行端推送的下载请求，将所述智能合约推送至任务执行端；
接收所述任务执行端依据所述智能合约建立并推送的数据模型；
选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型反馈至任务发布端；
其中，所述智能合约还包含有加密的测试数据、模型验证函数以及提交期限，所述选择接收到的数据模型中，满足所述智能合约中的模型判定条件的目标数据模型包括：
若在所述提交期限前接收到所述任务发布端推送的解密密钥，则利用所述解密密钥对所述测试数据进行解密；
将解密的测试数据输入每个所述数据模型生成训练结果；
将每个所述训练结果输入模型验证函数，生成多个模型验证结果值；
对所述多个模型验证结果值进行排序，选择模型验证结果值满足模型判定条件的前N个数据模型作为目标数据模型，N为大于等于1的整数。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～5任一项所述方法的步骤。
CN201910390099.3A 2019-05-10 2019-05-10 数据处理方法、装置，区块链节点及存储介质 Active CN110222721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910390099.3A CN110222721B (zh) 2019-05-10 2019-05-10 数据处理方法、装置，区块链节点及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910390099.3A CN110222721B (zh) 2019-05-10 2019-05-10 数据处理方法、装置，区块链节点及存储介质

Publications (2)

Publication Number Publication Date
CN110222721A CN110222721A (zh) 2019-09-10
CN110222721B true CN110222721B (zh) 2021-07-30

Family

ID=67820844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910390099.3A Active CN110222721B (zh) 2019-05-10 2019-05-10 数据处理方法、装置，区块链节点及存储介质

Country Status (1)

Country Link
CN (1) CN110222721B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461191B (zh) * 2020-03-25 2024-01-23 杭州跨视科技有限公司 为模型训练确定图像样本集的方法、装置和电子设备
CN111427962B (zh) * 2020-04-10 2023-08-25 重庆新致金服信息技术有限公司 基于区块链的企业内部激励机制信息处理方法、系统以及设备
CN111753984A (zh) * 2020-06-28 2020-10-09 中国银行股份有限公司 基于区块链进行分布式ai训练方法、装置及系统
CN111858753B (zh) * 2020-06-30 2023-11-17 全链通有限公司 基于区块链的训练参数处理方法、设备及存储介质
CN111858754A (zh) * 2020-06-30 2020-10-30 全链通有限公司 基于区块链的人工智能训练方法、区块链节点及介质
CN112801292A (zh) * 2021-04-12 2021-05-14 链博(成都)科技有限公司 基于区块链智能合约的神经网络训练方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945090A (zh) * 2017-11-30 2018-04-20 深圳市轱辘车联数据技术有限公司 基于区块链的车辆尾气数据分析方法、装置及服务器
CN108683626A (zh) * 2018-03-15 2018-10-19 众安信息技术服务有限公司 一种数据访问控制方法及装置
CN109035014A (zh) * 2018-06-26 2018-12-18 上海数据交易中心有限公司 数据交易系统
JP2019003402A (ja) * 2017-06-15 2019-01-10 Kddi株式会社 管理装置、管理方法及びプログラム
CN109191293A (zh) * 2018-08-09 2019-01-11 济南纳维信息技术有限公司 一种基于智能合约和通证的人工智能服务系统及方法
CN109462588A (zh) * 2018-11-13 2019-03-12 上海物融智能科技有限公司 一种基于区块链的去中心化数据交易方法及系统
CN109561066A (zh) * 2018-10-15 2019-04-02 深圳前海达闼云端智能科技有限公司 数据处理方法、装置、终端及接入点计算机

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274184A (zh) * 2017-05-11 2017-10-20 上海点融信息科技有限责任公司 基于零知识证明的区块链数据处理
CN109657424B (zh) * 2018-12-11 2020-12-11 浙江大学 一种基于区块链的遥感成果版权管理方法
CN109657008A (zh) * 2018-12-18 2019-04-19 北京工业大学 基于Spark和区块链的数据处理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019003402A (ja) * 2017-06-15 2019-01-10 Kddi株式会社 管理装置、管理方法及びプログラム
CN107945090A (zh) * 2017-11-30 2018-04-20 深圳市轱辘车联数据技术有限公司 基于区块链的车辆尾气数据分析方法、装置及服务器
CN108683626A (zh) * 2018-03-15 2018-10-19 众安信息技术服务有限公司 一种数据访问控制方法及装置
CN109035014A (zh) * 2018-06-26 2018-12-18 上海数据交易中心有限公司 数据交易系统
CN109191293A (zh) * 2018-08-09 2019-01-11 济南纳维信息技术有限公司 一种基于智能合约和通证的人工智能服务系统及方法
CN109561066A (zh) * 2018-10-15 2019-04-02 深圳前海达闼云端智能科技有限公司 数据处理方法、装置、终端及接入点计算机
CN109462588A (zh) * 2018-11-13 2019-03-12 上海物融智能科技有限公司 一种基于区块链的去中心化数据交易方法及系统

Also Published As

Publication number Publication date
CN110222721A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110222721B (zh) 数据处理方法、装置，区块链节点及存储介质
CN111356995B (zh) 跨全异的不可变分布式账本网络进行身份解析的系统和方法
CN110336797B (zh) 基于区块链的企业认证、认证追溯方法、装置及设备
US10542013B2 (en) User behavior profile in a blockchain
US11157833B2 (en) Learning service blockchain
JP6763094B2 (ja) 地図アプリケーションのブロックチェーンベースのクラウドソーシング
JP2022000757A (ja) モデルトレーニングシステムおよび方法および記憶媒体
EP2985969A1 (en) Multi-dimensional framework for defining criteria that indicate when authentication should be revoked
CA2970274C (en) Method, apparatus, and computer-readable medium for data exchange
CN111708927B (zh) 信息推荐方法、装置及电子设备
GB2588072A (en) Malleability of transactions for inclusion in a blockchain
CN112184218B (zh) 一种数据处理方法、装置和用于数据处理的装置
CN110909259A (zh) 基于区块链的用户推荐方法、装置、设备及存储介质
JP2023535927A (ja) デジタル台帳ベースのヘルスデータ共有および管理
US10795945B2 (en) Digital documents in a distributed storage environment
Islam et al. A survey on consensus algorithms in blockchain-based applications: Architecture, taxonomy, and operational issues
Rajaguru Effects of contemporary technologies, such as blockchain and artificial intelligence (AI) in enhancing consumers’ trustworthiness of online reviews
Khalil et al. Leveraging a novel NFT-enabled blockchain architecture for the authentication of IoT assets in smart cities
US20230065507A1 (en) Systems and methods for bifurcated blockchain-based digital encryption
Barclay et al. Innovative applications of blockchain technology in crime and security
Weber A Generic Approach for the Automated Notarization of Cloud Configurations Using Blockchain-Based Trust
KR102510353B1 (ko) 블록체인 기반 골프 서비스 제공 방법 및 시스템
KR20230144462A (ko) 스마트 컨트랙트를 생성 및 관리할 수 있는 방법 및 시스템
Manocha Using innovation from block chain technology to address privacy and security problems of Internet of Things
Jamal Aplikace pro odesílání zpráv postavená na technologiích blockchain

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

Effective date of registration: 20210305

Address after: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Applicant after: Dalu Robot Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: Shenzhen Qianhaida Yunyun Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai

Patentee after: Dayu robot Co.,Ltd.

Address before: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Patentee before: Dalu Robot Co.,Ltd.

CP03 Change of name, title or address