CN110766338A - 一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 - Google Patents
一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 Download PDFInfo
- Publication number
- CN110766338A CN110766338A CN201911048898.9A CN201911048898A CN110766338A CN 110766338 A CN110766338 A CN 110766338A CN 201911048898 A CN201911048898 A CN 201911048898A CN 110766338 A CN110766338 A CN 110766338A
- Authority
- CN
- China
- Prior art keywords
- bifurcation
- dpos
- node
- eos
- block chain
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000003909 pattern recognition Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06N3/08—Learning methods
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,属于人工智能深度学习和区块链技术领域。EOS(Enterprise Operation System)为商用分布式应用设计的一款区块链操作系统,DPOS是EOS.IO软件的去中心化共识算法。DPOS为了避免分叉的出现,可以生成一个预测模型,将节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素形成策略,出现分叉后快速地警告操作者,操作者采取相应的方法解决分叉问题。本发明采用人工智能方法和区块链技术的结合,能有效的预测出DPOS的分叉,使预测结果更加精确合理,从而保证区块链系统高效地运行,不浪费资源,同时也提升了用户的体验。
Description
技术领域
本发明公开了一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,属于人工智能深度学习和区块链技术领域。
背景技术
在2008年诞生的比特币引入了区块链技术,自从那之后企业家和开发者就不断地尝试推广这一技术,以便在单一的区块链平台上支持更为广泛的应用程序。比特币作为区块链1.0,每个全节点都能同步全部比特币链上的数据,从而可知每个地址的余额和交易信息;但比特币无法处理大量交易。以太坊作为区块链2.0,在比特币的基础上改进了对智能合约的支持,使得每个节点存储的数据中包含了可执行的代码(一份智能合约即一段代码),当条件满足时可触发代码执行。但随着用户膨胀,使用频率的增加,交易量增加,导致交易费用的增加以及交易的延时,直接限制了运行在其上的DAPPs。比特币和以太坊之所以吞吐量这么低,是受制于其设想的应用场景以及针对该场景所选择的共识机制——这两者都假设系统运行的环境完全不可信,因此都采用了工作量证明(ProofofWork)这种共识机制。现有区块链平台受高昂的交易手续费和有限的计算能力约束,阻碍了区块链技术的大面积应用;为了赢得广泛的应用,构建在区块链之上的应用需要一个满足以下要求的平台:
1、支持百万级别的用户
2、免费使用
3、容易升级和修复bug
4、低延时
5、串行性能
6、并发性能
EOS作为区块链3.0,能满足以上要求;EOS.IO中的委托股权证明(DPOS)是唯一能满足区块链应用性能需求的去中心化共识算法。在这种算法下,持有EOS.IO软件区块链令牌的人可以通过持续运行的投票系统选择区块生产者,任何人都可以选择参与区块生产,并有机会生产与总票数成正比的区块。EOS.IO软件可以精确到每3秒钟授权一个生产者产生一个区块,如果一个区块没有在规定时间之内产生,则这一区块将被跳过,当一个或多个区块被跳过时,在区块链中会有6秒或6秒以上的间隔。在EOS.IO软件中,区块通过21名生产者轮流产生。在每一轮的开始时,21个区块生产者被选出,获票最高的前20个自动成为生产者,最后一个生产者根据得票比例一定概率选出。选中的生产者通过从区块链取到的时间作为伪随机数来打乱其顺序,打乱顺序是为确保这些生产者与其他生产者保持持续的连接。如果生产者错过了一个块并且在最近24小时内没有产生任何块,则这个出块者将被从候选者列表中删除,直到它被通知要开始再次生产区块。
在一般情况下,一个DPOS区块链不会经历任何的分叉,因为区块生产者是通过合作而非竞争的方式来生产区块。但在一些特殊情况下例外,软件出现bug,网络拥塞,或一个恶意的区块生产者制造了两个或更多的分叉。在分叉开始的9秒内,一个节点就可以警告用户他们极可能正处于分叉中。在连续丢失2个区块后,有95%的概率可以确认一个节点处于分叉中。在连续丢失3个区块后就有99%的概率确认。一旦出现分叉,将会造成区块链网络拥堵、不能最大化利用资源,造成不必要的浪费、安全级别降低且容易受到攻击、用户体验也将极其糟糕。
深度学习和模式识别都是人工智能的分支,也是非热门的研究话题。深度学习的概念源于人工神经网络的研究,深度学习是机器学习中一种基于对数据进行表征学习的方法,它能接受大量的数据,对数据进行自动分析得到规律,并利用规律对未知数据进行预测。由于区块链的数据极其庞大,而当前EOS无疑能给深度学习提供足够多的数据供其分析,所以采用深度学习预测DPOS分叉是一种比用机器学习更好的方法。常见的模式识别方法有贝叶斯分类、Fisher判据、模糊模式识别、人工神经网络模式识别、支持向量机、基于核的分类等。
发明内容
本发明提供了一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,用以解决区块操作者不能及时发现分叉问题而导致网络资源的浪费以及提升用户的体验。
本发明的技术方案是:一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,所述方法的具体步骤如下:
S1、获取EOS.IO软件中可能使DPOS发生分叉的所有因素。
S2、对获取的信息进行模式识别处理。
S3、构建与函数相关的区块链DPOS分叉特征集;包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素。
S4、采用深度学习的方法预测区块链DPOS分叉模型,形成策略。
S5、预测出现分叉后立即警告区块操作者。
所述步骤S1的具体步骤如下:
S1.1、采用人工智能中深度优先搜索算法找到EOS.IO软件中可能使DPOS发生分叉的所有因素。
S1.2、深度优先搜索算法如下:
S1.2.1、把起始节点S放到未扩展节点OPEN表中。如果此节点为一目标节点,则得到一个解。
S1.2.2、如果OPEN为一空表,则失败退出。
S1.2.3、把第一个节点(节点n)从OPEN表移到CLOSED表。
S1.2.4、如果节点n的深度等于最大深度,则执行步骤S1.2.2。
S1.2.5、扩展节点n,产生其余全部后裔,并把它们放入OPEN表的前头。如果没有后裔,则执行步骤S1.2.2。
S1.2.6、如果后继节点中有任何一个目标为节点,则求得一个解;否则,执行步骤S1.2.2。
所述步骤S2的具体步骤如下:
S2.1、对步骤S1.1中找到的数据信息进行模式识别处理,包括数据采集、数据预处理、特征提取与特征选择及模式识别。
S2.1.1、所述的特征提取与特征选择的具体步骤是对数据信息进行分析,去掉对分类无效或容易造成混淆的特征因素,得到最能反映模式本质的特征。
S2.1.2、所述的模式识别的具体步骤是首先按设想的分类判决数学模型对训练样本模式进行训练,得到分类的判决规则;然后利用判决规则对待识别模式的特征进行识别,输出识别结果;最后将已识别的分类结果与已知类别的输入模式做对比,不断改进判决规则和特征选择与提取方法。
所述步骤S3的具体步骤如下:
S3.1、经模式识别后,构建为与函数相关的区块链DPOS分叉特征集:包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素。
所述步骤S4的具体步骤如下:
S4.1、所述的深度学习方法是基于人工神经网络算法的深度学习方法。
S4.2、Hopfield网络的学习算法。
S4.2.1、将输入向量X=[xi1,xi2,﹒﹒﹒xin]T存入Hopfield网络中,则在网络中第i,j两个节点间的权重系数按下列公式计算:
确定输出向量Y=[y1,y2,﹒﹒﹒yn]T。
S4.2.2、将X中的各个分量的x1,x2,﹒﹒﹒xn分别作为第一层网络n结点的输入,则结点有相应的初始状态Y(t=0),即yi(0)=xj,j=1,2,﹒﹒﹒n。
S4.2.3、对于二值神经元,计算当前Hopfield网络输出:
Uj(t+1)=∑wijyi(t)+xj–θj,j=1,2,﹒﹒﹒n
yi(t+1)=f(Uj(t+1)),j=1,2,﹒﹒﹒n
其中,xj为外部输入;f是非线性函数,可以选择阶跃函数;θj为阈值函数。
S4.2.4、利用最终输出与训练样本进行匹配,找出最相近的训练样本向量,其类别即是待测样本类别。所以,即是待测样本并不完全或部分不正确,也能找到正确的结果。
S4.3、将预测的模型形成策略。
所述步骤S5的具体步骤如下:
S5.1、预测出现分叉后系统将会立即警告操作者,操作者采取相应的方法解决分叉问题。
S5.1.1、简单的做法就是等待15/21的确认(21个区块生产者中的15个给出确认,交易不可逆)直到警告消失。
本发明的有益效果是:
1、本发明的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,采用人工智能方法和区块链技术的结合,能有效的预测出DPOS的分叉,使预测结果更加精确合理。
2、本发明的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,对分叉采取及时解决,能使DPOS共识算法更高效地运行,从而保证EOS系统最大化利用资源。
3、本发明的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,能提升用户的安全性,同时能提升交易处理能力、降低延迟,给用户带来堪比中心化服务的体验。
附图说明
图1是本发明实施例提供的基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法流程图。
图2是本发明实施例提供的基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法中的深度优先搜索算法框图。
具体实施方式
实施例,如图1和图2所示,本发明是由如下方式实现的;
一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,所述方法的具体步骤如下:
S1、获取EOS.IO软件中可能使DPOS发生分叉的所有因素。
S2、对获取的信息进行模式识别处理。
S3、构建与函数相关的区块链DPOS分叉特征集;包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素。
S4、采用深度学习的方法预测区块链DPOS分叉模型,形成策略。
S5、预测出现分叉后立即警告区块操作者。
作为本发明的进一步方案,所述步骤S1的具体步骤如下:
S1.1、采用人工智能中深度优先搜索算法找到EOS.IO软件中可能使DPOS发生分叉的所有因素。
S1.2、深度优先搜索算法如下:
S1.2.1、把起始节点S放到未扩展节点OPEN表中。如果此节点为一目标节点,则得到一个解。
S1.2.2、如果OPEN为一空表,则失败退出。
S1.2.3、把第一个节点(节点n)从OPEN表移到CLOSED表。
S1.2.4、如果节点n的深度等于最大深度,则执行步骤S1.2.2。
S1.2.5、扩展节点n,产生其余全部后裔,并把它们放入OPEN表的前头。如果没有后裔,则执行步骤S1.2.2。
S1.2.6、如果后继节点中有任何一个目标为节点,则求得一个解;否则,执行步骤S1.2.2。
本发明中首先将收集到的可能使DPOS发生分叉的因素建立数据模型;本专利数据收集来源于网站“https://etherscan.io/”和“https://eos.io/”,然后对这个网站进行分析,分析完这个网站的数据信息后,采用深度优先算法找到网站中跟DPOS发生分叉有关的所有因素。
作为本发明的进一步方案,所述步骤S2的具体步骤如下:
S2.1、对步骤S1.1中找到的数据信息进行模式识别处理,包括数据采集、数据预处理、特征提取与特征选择及模式识别。
S2.1.1、所述的特征提取与特征选择的具体步骤是对数据信息进行分析,去掉对分类无效或容易造成混淆的特征因素,得到最能反映模式本质的特征。
S2.1.2、所述的模式识别的具体步骤是首先按设想的分类判决数学模型对训练样本模式进行训练,得到分类的判决规则;然后利用判决规则对待识别模式的特征进行识别,输出识别结果;最后将已识别的分类结果与已知类别的输入模式做对比,不断改进判决规则和特征选择与提取方法。
本发明采用的是人工神经网络模式识别;将建立的数据模型进行数据采集、数据预处理、特征提取与特征选择及模式识别。人工神经网络的优势在于具体解决特征的提取与特征选择问题、解决非线性问题。首先对数据模型进行分析,然后利用已得到的判决规则对可能使DPOS发生分叉的因素进行识别,将对分叉无效的因素或容易造成混淆的因素排除掉,再将剩下的识别结果因素与分叉特征集做对比,得到比较精确的造成分叉的因素。
作为本发明的进一步方案,所述步骤S3的具体步骤如下:
S3.1、经模式识别后,构建为与函数相关的区块链DPOS分叉特征集:包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素。
作为本发明的进一步方案,所述步骤S4的具体步骤如下:
S4.1、所述的深度学习方法是基于人工神经网络算法的深度学习方法。
S4.2、Hopfield网络的学习算法。
S4.2.1、将输入向量X=[xi1,xi2,﹒﹒﹒xin]T存入Hopfield网络中,则在网络中第i,j两个节点间的权重系数按下列公式计算:
确定输出向量Y=[y1,y2,﹒﹒﹒yn]T。
S4.2.2、将X中的各个分量的x1,x2,﹒﹒﹒xn分别作为第一层网络n结点的输入,则结点有相应的初始状态Y(t=0),即yi(0)=xj,j=1,2,﹒﹒﹒n。
S4.2.3、对于二值神经元,计算当前Hopfield网络输出:
Uj(t+1)=∑wijyi(t)+xj–θj,j=1,2,﹒﹒﹒n
yi(t+1)=f(Uj(t+1)),j=1,2,﹒﹒﹒n
其中,xj为外部输入;f是非线性函数,可以选择阶跃函数;θj为阈值函数。
S4.2.4、利用最终输出与训练样本进行匹配,找出最相近的训练样本向量,其类别即是待测样本类别。所以,即是待测样本并不完全或部分不正确,也能找到正确的结果。
S4.3、将预测的模型形成策略。
本发明在生成一个与DPOS发生分叉相关的数据集后,采用一个合理的深度学习算法来预测分叉。根据EOS.IO系统和数据集的特点,本发明采用人工神经网络算法作为深度学习的算法;Hopfield网络的训练和分类利用的是Hopfield网络的联想记忆功能,当它进行联想记忆时,首先通过一个学习训练过程确定网络中的权重,使所有记忆的信息在网络的n维超立方体的某一个顶角的能量最小。当网络的权值被确定之后,只要给网络输入向量,即使这个向量不完全或者是部分不正确的数据,但网络仍然产生所记忆的信息的完整输出。人工神经网络在特征的提取和预测、非线性系统的问题解决以及不能用规则或公式描述的大量原始数据的处理等方面具有比经典计算方法优越的性能,并且有及强的灵活性和自适应性。经过训练之后就可以得到一个预测模型。
作为本发明的进一步方案,所述步骤S5的具体步骤如下:
S5.1、预测出现分叉后系统将会立即警告操作者,操作者采取相应的方法解决分叉问题。
S5.1.1、简单的做法就是等待15/21的确认(21个区块生产者中的15个给出确认,交易不可逆)直到警告消失。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述方法的具体步骤如下:
S1、获取EOS.IO软件中可能使DPOS发生分叉的所有因素;
S2、对获取的信息进行模式识别处理;
S3、构建与函数相关的区块链DPOS分叉特征集,包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素;
S4、采用深度学习的方法预测区块链DPOS分叉模型,形成策略;
S5、预测出现分叉后立即警告区块操作者。
2.根据权利要求书1所诉的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述步骤S1的具体步骤如下:
S1.1、采用人工智能中深度优先搜索算法找到EOS.IO软件中可能使DPOS发生分叉的所有因素;
S1.2、深度优先搜索算法如下:
S1.2.1、把起始节点S放到未扩展节点OPEN表中,如果此节点为一目标节点,则得到一个解;
S1.2.2、如果OPEN为一空表,则失败退出;
S1.2.3、把节点n从OPEN表移到CLOSED表,其中节点n包括第一个节点;
S1.2.4、如果节点n的深度等于最大深度,则执行步骤S1.2.2;
S1.2.5、扩展节点n,产生其余全部后裔,并把它们放入OPEN表的前头;如果没有后裔,则执行步骤S1.2.2;
S1.2.6、如果后继节点中有任何一个目标为节点,则求得一个解;否则,执行步骤S1.2.2。
3.根据权利要求书1所诉的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述步骤S2的具体步骤如下:
S2.1、对步骤S1.1中找到的数据信息进行模式识别处理,包括数据采集、数据预处理、特征提取与特征选择及模式识别;
S2.1.1、所述的特征提取与特征选择的具体步骤是对数据信息进行分析,去掉对分类无效或容易造成混淆的特征因素,得到最能反映模式本质的特征;
S2.1.2、所述的模式识别的具体步骤是首先按设想的分类判决数学模型对训练样本模式进行训练,得到分类的判决规则;然后利用判决规则对待识别模式的特征进行识别,输出识别结果;最后将已识别的分类结果与已知类别的输入模式做对比,不断改进判决规则和特征选择与提取方法。
4.根据权利要求书1所诉的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述步骤S3的具体步骤如下:
S3.1、经模式识别后,构建与函数相关的区块链DPOS分叉特征集:包括节点丢失的信息、最近的参与率、出块者产生区块的时间以及其他因素。
5.根据权利要求书1所诉的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述步骤S4的具体步骤如下:
S4.1、所述的深度学习方法是基于人工神经网络算法的深度学习方法;
S4.2、Hopfield网络的学习算法;
S4.2.1、将输入向量X=[xi1,xi2,﹒﹒﹒xin]T存入Hopfield网络中,则在网络中第i,j两个节点间的权重系数按下列公式计算:
确定输出向量Y=[y1,y2,﹒﹒﹒yn]T;
S4.2.2、将X中的各个分量的x1,x2,﹒﹒﹒xn分别作为第一层网络n结点的输入,则结点有相应的初始状态Y(t=0),即yi(0)=xj,j=1,2,﹒﹒﹒n;
S4.2.3、对于二值神经元,计算当前Hopfield网络输出:
Uj(t+1)=∑wijyi(t)+xj–θj,j=1,2,﹒﹒﹒n
yi(t+1)=f(Uj(t+1)),j=1,2,﹒﹒﹒n
其中,xj为外部输入;f是非线性函数,可以选择阶跃函数;θj为阈值函数;
S4.2.4、利用最终输出与训练样本进行匹配,找出最相近的训练样本向量,其类别即是待测样本类别;
S4.3、将预测的模型形成策略。
6.根据权利要求书1所诉的一种基于人工智能和区块链技术EOS.IO的DPOS分叉预测模型方法,其特征在于,所述步骤S5的具体步骤如下:
S5.1、预测出现分叉后系统将会立即警告操作者,操作者采取相应的方法解决分叉问题;
S5.1.1、其做法是等待21个区块生产者中的15个给出确认,该交易不可逆直到警告消失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911048898.9A CN110766338A (zh) | 2019-10-31 | 2019-10-31 | 一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911048898.9A CN110766338A (zh) | 2019-10-31 | 2019-10-31 | 一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766338A true CN110766338A (zh) | 2020-02-07 |
Family
ID=69334761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911048898.9A Pending CN110766338A (zh) | 2019-10-31 | 2019-10-31 | 一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464335A (zh) * | 2020-03-10 | 2020-07-28 | 北京邮电大学 | 一种内生可信网络的服务智能定制方法及系统 |
-
2019
- 2019-10-31 CN CN201911048898.9A patent/CN110766338A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464335A (zh) * | 2020-03-10 | 2020-07-28 | 北京邮电大学 | 一种内生可信网络的服务智能定制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wierstra et al. | Modeling systems with internal state using evolino | |
CN113434859B (zh) | 入侵检测方法、装置、设备及存储介质 | |
Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
CN109120462A (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
Adhao et al. | Feature selection using principal component analysis and genetic algorithm | |
US20210350234A1 (en) | Techniques to detect fusible operators with machine learning | |
Zhou et al. | A priori trust inference with context-aware stereotypical deep learning | |
CN112966714A (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
Vijayalakshmi et al. | Hybrid dual-channel convolution neural network (DCCNN) with spider monkey optimization (SMO) for cyber security threats detection in internet of things | |
Awad et al. | Addressing imbalanced classes problem of intrusion detection system using weighted extreme learning machine | |
Malik et al. | Credit scoring using classification and regression tree (CART) algorithm and binary particle swarm optimization | |
Ferreira et al. | A new evolutionary method for time series forecasting | |
CN116881916B (zh) | 基于异质图神经网络的恶意用户检测方法及装置 | |
CN110766338A (zh) | 一种基于人工智能和区块链技术eos.io的dpos分叉预测模型方法 | |
Mahammed et al. | Fake profiles identification on social networks with bio inspired algorithm | |
Ghareeb et al. | Analysis of feature selection and phishing website classification using machine learning | |
Rodriguez et al. | An IR-based artificial bee colony approach for traceability link recovery | |
Munikoti et al. | Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks | |
Benaddy et al. | Evolutionary prediction for cumulative failure modeling: A comparative study | |
Li et al. | Multiple landscape measure-based approach for dynamic optimization problems | |
Islam et al. | Exploring Node Classification Uncertainty in Graph Neural Networks | |
CN113886579B (zh) | 行业资讯正负面模型构建方法和系统、识别方法和系统 | |
Khang et al. | IncWAD: An Incremental Learning Approach for Web Attack Detection using MLOps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200207 |
|
WD01 | Invention patent application deemed withdrawn after publication |