CN110784507B - 人口信息数据的融合方法及系统 - Google Patents

人口信息数据的融合方法及系统 Download PDF

Info

Publication number
CN110784507B
CN110784507B CN201910839273.8A CN201910839273A CN110784507B CN 110784507 B CN110784507 B CN 110784507B CN 201910839273 A CN201910839273 A CN 201910839273A CN 110784507 B CN110784507 B CN 110784507B
Authority
CN
China
Prior art keywords
node
pcd
block
information
strategy
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
CN201910839273.8A
Other languages
English (en)
Other versions
CN110784507A (zh
Inventor
胡耀
罗磊
徐永斌
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.)
Guizhou Renhe Zhiyuan Data Services Co ltd
Original Assignee
Guizhou Renhe Zhiyuan Data Services 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 Guizhou Renhe Zhiyuan Data Services Co ltd filed Critical Guizhou Renhe Zhiyuan Data Services Co ltd
Priority to CN201910839273.8A priority Critical patent/CN110784507B/zh
Publication of CN110784507A publication Critical patent/CN110784507A/zh
Application granted granted Critical
Publication of CN110784507B publication Critical patent/CN110784507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • 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
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提出了一种人口信息数据的融合方法及系统，系统内的第一节点将符合融合标准且完整的PCD在区块链系统中机进行广播，第二节点收到广播后立即开始进行训练，训练完成后对结果进行广播，同时生成区块并加入区块主链，其他未完成训练的节点对其进行投票，区块主链根据投票结果选择对应区块加入且将进行全节点广播。第二节点若投票正确，则直接获取区块价值函数，若投票不正确则获取自身价值函数，实现强化学习的模型更新。本发明实施例中，将区块链技术、强化学习技术和数据融合嫁接在了一起，提升了学习训练效果，提高了数据融合的效率，减少了人的工作量。

Description

人口信息数据的融合方法及系统
【技术领域】
本发明涉及大数据技术领域，尤其涉及一种人口信息数据的融合方法及系统。
【背景技术】
人口信息数据(Population Information Data，PCD)的融合是民生大数据技术的重要一环。近年来，随着区块链和深度学习技术领域的飞速发展，促进了大量单独地区块链应用和机器学习应用的产生，但是目前基于数据融合、深度学习和区块链的技术交叉一直处于空白状态。
【发明内容】
有鉴于此，本发明实施例提供了一种人口信息数据的融合方法及系统。第一方面，本发明实施例提供了一种人口信息数据的融合方法，该方法包括：
S1、第一节点接收人口信息数据包PCD，当所述PCD符合融合标准，判断该PCD是否完整，若是，将该PCD向各第二节点进行广播，否则，将该PCD修复后向各第二节点进行广播；
S2、第二节点在接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合；
S3、若第二节点在执行S2后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；若第二节点在执行S2过程中接收到其他第二节点的区块广播，则对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链；
S4、区块主链判断是否出现时间戳相同的不同种类区块；若是，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；否则，直接将该区块加入区块主链，并进行全节点广播；
S5、第二节点在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，若是，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，否则，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，S1包括以下步骤：
S11、第一节点接收人口信息数据包PCD，若所述PCD携带本地社保信息或本地身份信息，则所述PCD符合融合标准；若所述PCD不携带本地社保信息或本地身份信息，获取PCD的位置信息，得出多个时间段内在各采集点的位置信息，若出现天数大于预设天数，则所述PCD符合融合标准，否则获取PCD的出入信息，得出多个时间段内出入本地次数，若出现天数与出入本地次数的比值大于预设阈值，则所述PCD符合融合标准；若所述PCD不符合融合标准，则直接将其删除；
S12、判断所述PCD中是否包括社保信息、身份信息、征信信息、外貌信息、指纹信息和声音信息中的全部，若是，该PCD向各第二节点进行广播；
S13、若所述PCD中缺少身份信息、外貌信息、指纹信息和声音信息中的一种，则向录入端反馈重新录入信息，重新接受录入以将该PCD修复，然后向各第二节点进行广播；
若所述PCD中缺少社保信息和/或征信信息，则接入对应的应用程序接口API去获取对应的数据以将该PCD修复，然后向各第二节点进行广播。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，具体包括：
基于PCD建立遗憾函数模型：
Figure GDA0003831175520000031
其中，[T]为采样步数，t∈[T]时的策略为π(t)，c(xt,at)为每步采样的代价，假设存在最优策略π*，
Figure GDA0003831175520000032
为在最优策略π*下每步采样的代价；
定义遗憾函数模型的V函数：
Figure GDA0003831175520000033
以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
Figure GDA0003831175520000034
将遗憾函数模型拆分为以下子模型：
Figure GDA0003831175520000035
其中，
Figure GDA0003831175520000036
根据子模型进行训练学习，分别生成基于文件类型的深度知识网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，多个深度知识网络迁移到单一的策略神经网络上进行数据融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括，在加入区块主链的区块上写入节点工作值，并对区块的哈希值进行更新，所述节点工作值作为区块链代币可在节点之间进行转入与转出。
第二方面，本发明实施例提供了人口信息数据的融合系统，所述系统包括：
至少一个第一节点，所述第一节点包括：
接收模块，用于接收人口信息数据包PCD；
第一判断模块，用于判断该PCD是否完整；
修复模块，用于在第一判断模块结果为是时，将该PCD向各第二节点进行广播，以及在第一判断模块结果为否时，将该PCD修复后向各第二节点进行广播；
至少一个第二节点，所述第二节点包括：
强化学习模块，用于接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合；
处理模块，用于在强化学习模块执行完成后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；以及在若第二节点在强化学习模块执行过程中接收到其他第二节点的区块广播，则在停止计算处理，并对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链；
模型反馈模块，用于在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，在判断结果为是时，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，在判断结果为否时，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中；
区块主链，包括：
判断单元，用于判断是否出现时间戳相同的不同种类区块；
计算单元，用于在第三判断模块结果为是时，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；以及在第三判断模块结果为否时，直接将该区块加入区块主链，并进行全节点广播。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的方法中，提出了一种人口信息数据的融合方法及系统，该方法将区块链技术、强化学习技术和数据融合嫁接在了一起，提升了学习训练效果，提高了数据融合的效率，减少了人的工作量。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例所提供的一种人口信息数据的融合方法的流程示意图；
图2为本发明实施例所提供的第一节点执行S1的流程示意图；
图3为本发明实施例所提供的第二节点执行S2和S3的流程示意图；
图4为本发明实施例所提供的第二节点执行S5的流程示意图；
图5为本发明实施例所提供的区块主链执行S4的流程示意图；
图6为本发明实施例所提供的一种人口信息数据的融合系统的结构示意图；
图7为本发明实施例所提供的第一节点的功能方块图；
图8为本发明实施例所提供的第二节点的功能方块图；
图9为本发明实施例所提供的区块主链的功能方块图；
图10发明实施例所提供的节点设备的硬件示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，其为本发明实施例所提供的一种人口信息数据的融合方法，如图所示，该方法包括以下步骤：
S1、第一节点接收人口信息数据包PCD，当所述PCD符合融合标准，判断该PCD是否完整，若是，将该PCD向各第二节点进行广播，否则，将该PCD修复后向各第二节点进行广播。
需要说明的是，图2为本发明实施例所提供的第一节点执行S1的流程示意图，如图2所示，第一节点接收人口信息数据包PCD，判断PCD是否符合融合标准，若符合融合标准则向将PCD各第二节点广播，若不符合则判断出PCD不符合融合标准的具体原因，针对性的进行修复，修复完成后，将PCD各第二节点广播。
本发明在具体实施过程中，S1步骤可以进行如下细化：
S11、第一节点接收人口信息数据包PCD，若所述PCD携带本地社保信息或本地身份信息，则所述PCD符合融合标准；若所述PCD不携带本地社保信息或本地身份信息，获取PCD的位置信息，得出多个时间段内在各采集点的位置信息，若出现天数大于预设天数，则所述PCD符合融合标准，否则获取PCD的出入信息，得出多个时间段内出入本地次数，若出现天数与出入本地次数的比值大于预设阈值，则所述PCD符合融合标准；若所述PCD不符合融合标准，则直接将其删除；
S12、判断所述PCD中是否包括社保信息、身份信息、征信信息、外貌信息、指纹信息和声音信息中的全部，若是，该PCD向各第二节点进行广播；
S13、若所述PCD中缺少身份信息、外貌信息、指纹信息和声音信息中的一种，则向录入端反馈重新录入信息，重新接受录入以将该PCD修复，然后向各第二节点进行广播；
若所述PCD中缺少社保信息和/或征信信息，则接入对应的应用程序接口API去获取对应的数据以将该PCD修复，然后向各第二节点进行广播。
需要说明的是，S13中的身份信息、外貌信息、指纹信息和声音信息是由对应人口进行采集录入的，所以缺少这些信息，可以发送反馈信息，提示对应人口重新录入补充完整即可。社保信息和征信信息也可以一并录入，但是考虑到这两种信息自行录入不一定完整，则在这两种信息缺少时，直接对应网站或者应用程序的数据接口进行采集。
S2、第二节点在接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
S3、若第二节点在执行S2后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；若第二节点在执行S2过程中接收到其他第二节点的区块广播，则对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链。
需要说明的是，图3为本发明实施例所提供的第二节点执行S2和S3的流程示意图，如图3所示，步骤a为第二节点在接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合，步骤b为接收到其他第二节点的区块广播。判断步骤a和步骤的先后，若步骤a在前，则将将数据融合结果附加时间戳进行区块广播，若步骤b在前，则对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链。
具体的，通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，具体包括：
基于PCD建立遗憾函数模型：
Figure GDA0003831175520000081
其中，[T]为采样步数，t∈[T]时的策略为π(t)，c(xt,at)为每步采样的代价，假设存在最优策略π*，
Figure GDA0003831175520000082
为在最优策略π*下每步采样的代价；
定义遗憾函数模型的V函数：
Figure GDA0003831175520000083
以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
Figure GDA0003831175520000084
将遗憾函数模型拆分为以下子模型：
Figure GDA0003831175520000085
其中，
Figure GDA0003831175520000086
根据子模型进行训练学习，分别生成基于文件类型的深度知识网络。
需要说明的是，文件类型包括文本、图像、音频和视频中的一种或多种，可基于文件生成相应的深度知识网络，然后在将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
具体的，数据融合的步骤具体包括：将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
单个深度知识网络对应的玻尔兹曼策略可用如下公式进行表示
Figure GDA0003831175520000087
然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即最小化如下玻尔兹曼策略与多任务模拟网络的交叉熵，即最小化如下公式：
Figure GDA0003831175520000088
损失函数可以由以下公式进行确定
Figure GDA0003831175520000091
整个学习过程可以写做
Figure GDA0003831175520000092
然后对学习过程做梯度下降，每轮梯度下降中参数变化记为
Figure GDA0003831175520000093
不断迭代，能够收敛到一个稳定的点，即可实现数据融合。
S4、区块主链判断是否出现时间戳相同的不同种类区块；若是，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；否则，直接将该区块加入区块主链，并进行全节点广播；
需要说明的是，图5为本发明实施例所提供的区块主链执行S4的流程示意图，如图5所示，区块主链接收附加投票结果的区块，然后判断是否出现时间戳相同的不同种类区块，若是，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，若否，直接将该区块加入区块主链，最后进行全节点广播。
图4为本发明实施例所提供的第二节点执行S5的流程示意图，具体请参考图4：
S5、第二节点在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，若是，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，否则，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中。
需要说明的是，该投票过程反映的私当前节点对于区块的认同度，即当前节点是否认可生成区块节点的训练学习结果。如果当前节点的投票结果是认同，则当前节点最终的结果倾向和生成节点的区块是一致的。这样无论当前节点的学习训练计算是否完成，当前节点都可以选择直接继承当前区块的价值函数，完成对强化学习模型的更新，但是奖励是由生成区块节点直接获得的。这样不仅可以起到鼓励节点进行学习训练的目的，对于学习训练速度较慢的节点也可增加其计算效率。如果当前节点的投票结果是不认同，则当前节点最终的结果倾向和生成节点的区块是不一致的，则说明当前节点的训练学习结果可能存在问题的，则此时需要等到起计算完毕，或其自身的价值函数以完成对强化学习模型的更新。
本发明实施例的方法中所提及的节点为具有运算能力的装置或设备，第一节点和第二节点的组成功能结构可以是相同的，两种节点的不同命名只是对单次人口信息数据融合过程中扮演不同的角色进行区分，另外所有节点之间建立通信连接，且均接入区块主链。
第一节点将符合融合标准且完整的PCD在区块链系统中机进行广播。第二节点收到广播后立即开始进行训练，训练完成后对结果进行广播，同时生成区块并加入区块主链，其他未完成训练的节点对其进行投票，若出现时间戳相同的不同种类区块，则生成分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，同时将指定时长内区块长度较短的分叉链所对应的区块确定为无效区块，且将区块进行全节点广播。若投票正确，则直接获取区块价值函数，若投票不正确则获取自身价值函数，实现强化学习的模型更新。在加入区块主链的区块上写入节点工作值，并对区块的哈希值进行更新，所述节点工作值作为区块链代币可在节点之间进行转入与转出。节点工作值为对节点贡献计算量的奖励，其为区块链系统的应通货代币，以鼓励节点不断贡献计算量。
本发明实施例的方法中，提出了一种人口信息数据的融合方法及系统，该方法将区块链技术、强化学习技术和数据融合嫁接在了一起，减少了节点在强化学习时的运算量，提升了学习训练效果，提高了数据融合的效率，减少了人的工作量。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。图6为本发明实施例所提供的一种人口信息数据的融合系统的结构示意图；图7为本发明实施例所提供的第一节点的功能方块图；图8为本发明实施例所提供的第二节点的功能方块图；图9为本发明实施例所提供的区块主链的功能方块图；
请参考图6，所述系统包括：
至少一个第一节点100，如图7所示，第一节点包括：
接收模块110，用于接收人口信息数据包PCD；
第一判断模块120，用于判断该PCD是否完整；
修复模块130，用于在第一判断模块结果为是时，将该PCD向各第二节点进行广播，以及在第一判断模块结果为否时，将该PCD修复后向各第二节点进行广播。
至少一个第二节点200，如图8所示，第二节点包括：
强化学习模块210，用于接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合；
处理模块220，用于在强化学习模块执行完成后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；以及在若第二节点在强化学习模块执行过程中接收到其他第二节点的区块广播，则在停止计算处理，并对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链；
模型反馈模块230，用于在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，在判断结果为是时，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，在判断结果为否时，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中；
全部节点相互连接形成区块链计算系统，节点通过计算生成的区块加入到区块主链上并同步至全部节点，无效的临时区块分叉链进行区块湮灭。
区块主链300，如图9所示，包括：
判断单元310，用于判断是否出现时间戳相同的不同种类区块；
计算单元320，用于在第三判断模块结果为是时，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；以及在第三判断模块结果为否时，直接将该区块加入区块主链，并进行全节点广播。
由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。
图10是本发明的一个实施例节点设备的硬件示意图。请参考图10，在硬件层面，该节点设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该节点设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成电价的定价装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的节点工作方法。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述如本发明图实施例提供的节点设备执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种人口信息数据的融合方法，其特征在于，所述方法包括：
S1、第一节点接收人口信息数据包PCD，当所述PCD符合融合标准，判断该PCD是否完整，若是，将该PCD向各第二节点进行广播，否则，将该PCD修复后向各第二节点进行广播；
S2、第二节点在接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合；
S3、若第二节点在执行S2后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；若第二节点在执行S2过程中接收到其他第二节点的区块广播，则对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链；
S4、区块主链判断是否出现时间戳相同的不同种类区块；若是，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；否则，直接将该区块加入区块主链，并进行全节点广播；
S5、第二节点在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，若是，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，否则，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中；
通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，具体包括：
基于PCD建立遗憾函数模型：
Figure FDA0003831175510000011
其中，[T]为采样步数，t∈[T]时的策略为π(t)，c(xt,at)为每步采样的代价，假设存在最优策略
Figure FDA0003831175510000012
为在最优策略π*下每步采样的代价；
定义遗憾函数模型的V函数：
Figure FDA0003831175510000021
以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
Figure FDA0003831175510000022
将遗憾函数模型拆分为以下子模型：
Figure FDA0003831175510000023
其中，
Figure FDA0003831175510000024
根据子模型进行训练学习，分别生成基于文件类型的深度知识网络；
多个深度知识网络迁移到单一的策略神经网络上进行数据融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
2.根据权利要求1所述的方法，其特征在于，S1包括以下步骤：
S11、第一节点接收人口信息数据包PCD，若所述PCD携带本地社保信息或本地身份信息，则所述PCD符合融合标准；若所述PCD不携带本地社保信息或本地身份信息，获取PCD的位置信息，得出多个时间段内在各采集点的位置信息，若出现天数大于预设天数，则所述PCD符合融合标准，否则获取PCD的出入信息，得出多个时间段内出入本地次数，若出现天数与出入本地次数的比值大于预设阈值，则所述PCD符合融合标准；若所述PCD不符合融合标准，则直接将其删除；
S12、判断所述PCD中是否包括社保信息、身份信息、征信信息、外貌信息、指纹信息和声音信息中的全部，若是，该PCD向各第二节点进行广播；
S13、若所述PCD中缺少身份信息、外貌信息、指纹信息和声音信息中的一种，则向录入端反馈重新录入信息，重新接受录入以将该PCD修复，然后向各第二节点进行广播；
若所述PCD中缺少社保信息和/或征信信息，则接入对应的应用程序接口API去获取对应的数据以将该PCD修复，然后向各第二节点进行广播。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括，在加入区块主链的区块上写入节点工作值，并对区块的哈希值进行更新，所述节点工作值作为区块链代币可在节点之间进行转入与转出。
4.一种人口信息数据的融合系统，其特征在于，包括：
至少一个第一节点，所述第一节点包括：
接收模块，用于接收人口信息数据包PCD；
第一判断模块，用于判断该PCD是否完整；
修复模块，用于在第一判断模块结果为是时，将该PCD向各第二节点进行广播，以及在第一判断模块结果为否时，将该PCD修复后向各第二节点进行广播；
至少一个第二节点，所述第二节点包括：
强化学习模块，用于接收到第一节点的广播后立即通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，将多个深度知识网络迁移到单一的策略神经网络上进行数据融合；
处理模块，用于在强化学习模块执行完成后未接收到其他第二节点的区块广播，则将数据融合结果附加时间戳进行区块广播；以及在若第二节点在强化学习模块执行过程中接收到其他第二节点的区块广播，则对该区块广播进行投票后，将投票结果附加在区块并上传至区块主链；
模型反馈模块，用于在接收到全节点广播后，判断加入区块主链的区块是否与投票结果对应，在判断结果为是时，获取区块的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中，在判断结果为否时，获取自身处理生成的价值函数值并将价值函数值加入该第二节点对应的强化学习模型中；
区块主链，包括：
判断单元，用于判断是否出现时间戳相同的不同种类区块；
计算单元，用于在第三判断模块结果为是时，则生成分叉链，根据投票结果分别延伸各自对应的分叉链，并将指定时长内区块长度较长的分叉链所对应的区块加入区块主链，并进行全节点广播；以及在第三判断模块结果为否时，直接将该区块加入区块主链，并进行全节点广播；
通过强化学习模型对PCD进行训练学习以生成多个深度知识网络，具体包括：
基于PCD建立遗憾函数模型：
Figure FDA0003831175510000041
其中，[T]为采样步数，t∈[T]时的策略为π(t)，c(xt,at)为每步采样的代价，假设存在最优策略
Figure FDA0003831175510000047
为在最优策略π*下每步采样的代价；
定义遗憾函数模型的V函数：
Figure FDA0003831175510000043
以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
Figure FDA0003831175510000044
将遗憾函数模型拆分为以下子模型：
Figure FDA0003831175510000045
其中，
Figure FDA0003831175510000046
根据子模型进行训练学习，分别生成基于文件类型的深度知识网络；
多个深度知识网络迁移到单一的策略神经网络上进行数据融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合多个深度知识网络迁移到单一的策略神经网络上进行数据融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
CN201910839273.8A 2019-09-05 2019-09-05 人口信息数据的融合方法及系统 Active CN110784507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910839273.8A CN110784507B (zh) 2019-09-05 2019-09-05 人口信息数据的融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910839273.8A CN110784507B (zh) 2019-09-05 2019-09-05 人口信息数据的融合方法及系统

Publications (2)

Publication Number Publication Date
CN110784507A CN110784507A (zh) 2020-02-11
CN110784507B true CN110784507B (zh) 2022-12-09

Family

ID=69383384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910839273.8A Active CN110784507B (zh) 2019-09-05 2019-09-05 人口信息数据的融合方法及系统

Country Status (1)

Country Link
CN (1) CN110784507B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753319B (zh) * 2020-06-22 2021-06-25 上海富数科技有限公司 基于联邦学习实现数据探索性分析处理的方法
CN112613601B (zh) 2020-12-24 2024-01-16 暨南大学 神经网络模型更新方法、设备及计算机存储介质
CN113888526B (zh) * 2021-10-21 2022-09-23 北京实力伟业环保科技有限公司 基于微生物的废气处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851099A (zh) * 2015-05-21 2015-08-19 周口师范学院 一种基于表示学习的图像融合方法
DE202016004627U1 (de) * 2016-07-27 2016-09-23 Google Inc. Training eines neuronalen Wertnetzwerks
CN108323200A (zh) * 2018-01-25 2018-07-24 深圳前海达闼云端智能科技有限公司 基于区块链的数据训练方法、装置、存储介质及区块链节点
CN108648078A (zh) * 2018-05-02 2018-10-12 杭州秘猿科技有限公司 一种交易预处理方法、装置及电子设备
CN108805282A (zh) * 2018-04-28 2018-11-13 福建天晴在线互动科技有限公司 基于区块链方式的深度学习数据共享方法、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109716346A (zh) * 2016-07-18 2019-05-03 河谷生物组学有限责任公司 分布式机器学习系统、装置和方法
US10673775B2 (en) * 2018-02-27 2020-06-02 International Business Machines Corporation Orchestration engine using a blockchain for a cloud resource digital ledger

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851099A (zh) * 2015-05-21 2015-08-19 周口师范学院 一种基于表示学习的图像融合方法
DE202016004627U1 (de) * 2016-07-27 2016-09-23 Google Inc. Training eines neuronalen Wertnetzwerks
CN108323200A (zh) * 2018-01-25 2018-07-24 深圳前海达闼云端智能科技有限公司 基于区块链的数据训练方法、装置、存储介质及区块链节点
CN108805282A (zh) * 2018-04-28 2018-11-13 福建天晴在线互动科技有限公司 基于区块链方式的深度学习数据共享方法、存储介质
CN108648078A (zh) * 2018-05-02 2018-10-12 杭州秘猿科技有限公司 一种交易预处理方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Coordinating SON instances: Reinforcement learning with distributed value function;Ovidiu Iacoboaiea;《2014 IEEE 25th Annual International Symposium on Personal, Indoor, and Mobile Radio Communication (PIMRC)》;20150629;全文 *
一种基于区块链的身份识别技术;苏宣瑞;《中兴通讯技术》;20181127;第24卷(第6期);41-48 *
大数据下的用户金融肖像模型及其反馈演化机制研究;朱建楠;《中国优秀硕士学位论文全文数据库》;20190115;全文 *

Also Published As

Publication number Publication date
CN110784507A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110784507B (zh) 人口信息数据的融合方法及系统
KR102532658B1 (ko) 신경 아키텍처 검색
CN108765159B (zh) 一种基于区块链的上链与状态处理方法、装置及互联系统
WO2019114423A1 (zh) 对模型预测值进行融合的方法、装置和设备
CN110740356B (zh) 基于区块链的直播数据的监控方法及系统
CN107515857B (zh) 基于定制技能的语义理解方法及系统
CN107832275A (zh) 区块链中智能合约标识的生成方法、装置及系统
WO2017143773A1 (zh) 一种众包学习方法及装置
CN111899008B (zh) 资源转移方法、装置、设备及系统
CN109151521B (zh) 一种用户原创值获取方法、装置、服务器及存储介质
CN111125521A (zh) 一种信息推荐方法、装置、设备及存储介质
CN111611558B (zh) 一种身份验证的方法及装置
CN105243098A (zh) 人脸图像的聚类方法及装置
CN116167868A (zh) 基于隐私计算的风险识别方法、装置、设备以及存储介质
CN108596581B (zh) 资源转移的验证方法、装置和电子支付验证方法、装置
CN112070342B (zh) 微服务评价方法和装置、电子设备和计算机可读存储介质
CN111769984A (zh) 区块链网络中添加节点的方法及区块链系统
CN116450937A (zh) 推荐、推荐模型的训练方法、装置、电子设备及存储介质
CN106611100B (zh) 一种用户行为分析方法和装置
CN112434817B (zh) 构建通信算法数据库的方法、装置和计算机存储介质
CN110046141B (zh) 一种基于数据回放的数据存储方法及系统
CN113407156A (zh) 基于去中心化可验证延迟函数生成随机数的方法及系统
CN111639490A (zh) 楼盘数据处理方法、装置、电子设备和存储介质
CN111461346A (zh) 一种网络节点表征方法、装置和设备
CN116340942B (zh) 一种基于对象传播图和指针分析的函数调用图构建方法

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