CN110796399A - 基于区块链的资源分配方法以及装置 - Google Patents
基于区块链的资源分配方法以及装置 Download PDFInfo
- Publication number
- CN110796399A CN110796399A CN202010006407.0A CN202010006407A CN110796399A CN 110796399 A CN110796399 A CN 110796399A CN 202010006407 A CN202010006407 A CN 202010006407A CN 110796399 A CN110796399 A CN 110796399A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- prediction result
- service
- intelligent contract
- 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.)
- Granted
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供基于区块链的资源分配方法以及装置,其中所述基于区块链的资源分配方法包括:接收由多个客户端上传的根据将与待预测业务指标相关的目标业务数据输入预先训练的预测模型生成的初始预测结果;调用满足执行条件的智能合约,并执行所述智能合约声明的集成计算逻辑以及归因分析逻辑,对初始预测结果进行归因分析获得与所述初始预测结果对应的所述多个客户端的资源分配占比;根据所述资源分配占比以及智能合约中与待预测业务指标所属业务相关的资源分配策略对所述多个客户端进行资源分配并下发资源分配结果。
Description
技术领域
本说明书实施例涉及区块链技术领域,特别涉及一种基于区块链的资源分配方法。本说明书一个或者多个实施例同时涉及另一种基于区块链的资源分配方法,两种基于区块链的资源分配装置,两种计算设备,以及两种计算机可读存储介质。
背景技术
随着数据技术的发展,为了降低操作风险,提前制定应对措施,在很多业务领域中,都需要对某一业务指标相关的业务数据在未来某一时间区间的发展趋势进行预测,以进行损益控制,目前,通常使用预先训练得到的一个预测模型对于某一业务时间区间的业务数据进行预测,由于机器学习算法是一类能从数据中自动分析获得规律,并利用规律对未知数据进行预测的方法,被广泛应用于诸多领域。以分类模型为例,在诸如业务指标预测、用户画像、异常交易发现等任务中有着广泛的应用,与此同时,大量的数据能够被收集,为机器学习技术的使用、提升机器学习模型的性能创造了条件。
发明内容
有鉴于此,本说明书实施例提供了一种基于区块链的资源分配方法。本说明书一个或者多个实施例同时涉及另一种基于区块链的资源分配方法,两种基于区块链的资源分配装置,两种计算设备,以及两种计算机可读存储介质。以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种基于区块链的资源分配方法,包括:
接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
可选地,所述执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果,包括:
根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
根据预设算法对所述待集成预测结果进行权重估计;
根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
可选地,所述评估指标包括准确度;
相应的,所述根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果,包括:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
将准确度大于预设准确度阈值的初始预测结果确定为待集成预测结果。
可选地,所述评估指标包括准确度以及重合度;
相应的,所述根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果,包括:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
计算测试结果中准确度大于预设准确度阈值的任意两个初始预测结果的重合度;
判断所述重合度是否大于预设重合度阈值;
若是,则将所述任意两个初始预测结果中准确度大的初始预测结果作为所述待集成预测结果;
若否,则将所述测试结果中准确度大于预设准确度阈值的初始预测结果作为所述待集成预测结果。
可选地,所述执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比,包括:
结合各个待集成预测结果的权重以及所述目标预测结果计算所述各个待集成预测结果与所述目标预测结果的误差;
根据所述误差以及所述各个待集成预测结果的权重计算所述多个客户端的资源分配占比。
可选地,所述根据预设算法对所述待集成预测结果进行权重估计,包括:
根据引导聚集算法对所述待集成预测结果进行权重估计。
可选地,所述执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比步骤执行之后,所述根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果步骤执行之前,还包括:
向所述区块链根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略的其他区块链节点发起针对执行所述归因分析逻辑获得的所述多个客户端的资源分配占比的多方共识;
在所述其他区块链节点对所述资源分配占比共识通过后,将所述资源分配占比存入所述区块链。
可选地,所述接收由多个客户端分别上传的待预测业务指标的初始预测结果步骤执行之后,所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果步骤执行之前,还包括:
将所述初始预测结果进行解析,获得相应的验证信息;
在根据所述验证信息确定满足智能合约执行条件的情况下,则执行所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果的步骤。
可选地,所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果步骤执行之前,还包括:
基于所述初始预测结果对应的集成计算逻辑以及所述归因分析逻辑和所述资源分配策略构建所述智能合约;
将用私钥签名的所述智能合约传入所述区块链中;
对传入所述区块链中的所述智能合约进行有效性验证;
当所述智能合约的有效性验证成功后,将所述智能合约部署于所述区块链。
可选地,所述根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果步骤执行之后,还包括:
向所述多个客户端发送所述目标预测结果。
根据本说明书实施例的第二方面,提供了一种基于区块链的资源分配装置,包括:
数据接收模块,被配置为接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用模块,被配置为调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
逻辑执行模块,被配置为执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
策略获取模块,被配置为根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
资源分配模块,被配置为根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
可选地,所述调用模块,包括:
筛选子模块,被配置为根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
权重估计子模块,被配置为根据预设算法对所述待集成预测结果进行权重估计;
目标预测结果计算子模块,被配置为根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
根据本说明书实施例的第三方面,提供了另一种基于区块链的资源分配方法,包括:
获取待预测业务指标相关的目标业务数据;
将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
接收所述区块链返回的资源分配结果。
可选地,所述接收所述区块链返回的资源分配结果步骤执行之后,还包括:
接收所述区块链发送的目标预测结果;
将所述目标预测结果添加到训练样本以形成新的训练样本,基于所述新的训练样本对所述预测模型进行优化。
根据本说明书实施例的第四方面,提供了另一种基于区块链的资源分配装置,包括:
数据获取模块,被配置为获取待预测业务指标相关的目标业务数据;
数据传输模块,被配置为将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
分配结果接收模块,被配置为接收所述区块链返回的资源分配结果。
根据本说明书实施例的第五方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
根据本说明书实施例的第六方面,提供了另一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待预测业务指标相关的目标业务数据;
将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
接收所述区块链返回的资源分配结果。
根据本说明书实施例的第七方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现一种所述基于区块链的资源分配方法的步骤。
根据本说明书实施例的第八方面,提供了另一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现另一种所述基于区块链的资源分配方法的步骤。
本说明书一个实施例实现了通过接收多个客户端分别上传的对待预测业务指标的初始预测结果,并调用智能合约,执行智能合约声明的集成计算逻辑和归因分析逻辑以对各个客户端上传的初始预测结果对目标预测结果的影响进行归因分析,并根据分析结果以及智能合约中声明的资源分配策略向各个客户端进行资源分配,以通过资源分配的方式提高各个客户端根据目标预测结果对模型进行迭代优化的积极性,进而提高各个预测模型输出的初始预测结果以及目标预测结果的准确性。
附图说明
图1是本说明书一个实施例提供的一种基于区块链的资源分配方法的处理流程图;
图2是本说明书一个实施例提供的一种基于区块链的资源分配方法应用于销售业务场景的处理过程流程图;
图3是本说明书一个实施例提供的一种基于区块链的资源分配装置的示意图;
图4是本说明书一个实施例提供的另一种基于区块链的资源分配方法的处理流程图;
图5是本说明书一个实施例提供的另一种基于区块链的资源分配装置的示意图;
图6是本说明书一个实施例提供的一种计算设备的结构框图;
图7是本说明书一个实施例提供的另一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
智能合约:是一种旨在以信息化方式传播、验证或执行合同的计算机协议。智能合约允许在没有第三方的情况下进行可信交易,这些交易可追踪且不可逆转。
在本说明书中,提供了一种基于区块链的资源分配方法。本说明书一个或者多个实施例同时涉及另一种基于区块链的资源分配方法,两种基于区块链的资源分配装置,两种计算设备,以及两种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种基于区块链的资源分配方法的流程图,包括步骤102至步骤110。
步骤102,接收由多个客户端分别上传的待预测业务指标的初始预测结果。
实际应用中,为降低业务操作风险,提前制定应对措施,都需对某一业务指标相关的业务数据在未来某一时间区间的发展趋势进行预测,以进行损益控制,并且在多数业务领域中,用户大多借助模型进行预测,但是,单一的模型预测结果的准确度往往难以满足要求。
基于此,本说明书实施例所述的基于区块链的资源分配方法采用多个预测模型对待预测业务指标进行预测,并通过初始预测结果的权重对初始预测结果进行线性组合获得目标预测结果,有利于提升预测结果准确性。
需要说明的是,本说明书实施例所述的基于区块链的资源分配方法,应用于区块链中的区块链节点,并通过与多个客户端配合实现资源分配,具体的,针对每个客户端,客户端在配合所述区块链节点进行资源分配过程中执行的方法为下述图4示出的根据本说明书一个实施例提供的另一种基于区块链的资源分配方法。
本说明书实施例中,多个客户端通过将各自的预测模型针对待预测业务指标进行预测输出的预测结果上传至区块链,区块链节点根据预测结果调用满足执行条件的智能合约,对上述预测结果进行集成计算以及归因分析,并根据资源分配策略以及归因分析获得的各个客户端对应的资源分配占比对客户端进行资源分配。
由于各个客户端的业务视角以及业务数据等方面存在差异,使得各个客户端的预测结果具备一定的差异性和互补性,因此根据初始预测结果的权重对初始预测结果进行线性组合获得目标预测结果更具有参考价值;并且利用区块链以及智能合约进行处理,一方面保证各个客户端上传的预测结果以及归因分析获得的资源分配占比的不可篡改性,另一方面通过向客户端分配一定占比的资源,有利于激励各个客户端及时对自身的预测模型进行优化,以使预测结果更加准确。
其中,区块链应用是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用。智能合约是运行在区块链之上的、和业务逻辑紧密相关的业务逻辑程序。
智能合约是一段代码和数据的集合,也叫“可编程合约”,即通过程序编码定义合约,预设执行条件,当触发执行条件时执行行为。其中的“智能”是执行上的智能,也就是说达到某个预设条件,合约自动执行。智能合约的本质是一些执行任务的集合,当满足合约中的触发条件或者预置条件后,会按照事先定义好的执行任务进行执行,一般情况下,执行任务可包括操作和交易,交易的执行由区块链节点发起,并对执行结果进行签名。
具体的,本说明书实施例所述的待预测业务指标即某一业务类型中需要进行预测的业务指标,其中,所述业务类型包括:销售业务、理财业务、保险业务等,销售业务中需要进行预测的业务指标包括商品销售数量、用户浏览量等;理财业务中需要进行预测的业务指标包括股票价格涨幅、预期收益等;保险业务中需要进行预测的业务指标包括用户出险的概率等;本说明实施例所述的初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
多个客户端分别从各自的数据库中获取待预测业务指标相关的历史业务数据,根据所述历史业务数据建立预测模型,并通过将与待预测业务指标相关的目标业务数据输入预测模型,获取模型输出的所述待预测业务在指定节点的预测结果,并将所述预测结果上传至区块链;其中,历史业务数据为在客户端从数据库中获取数据之前已生成的存储于数据库中的业务数据,目标业务数据为预测模型建立完成之后生成的,用于计算初始预测结果的业务数据;若客户端对预测模型进行优化,则目标业务数据即为在预测模型最后一次优化完成后生成的业务数据;
区块链节点接收各个客户端上传的预测结果后,根据所述预测结果调用满足执行条件的智能合约,并根据智能合约声明的逻辑对所述预测结果进行处理,以对其进行归因分析,确定其对目标预测结果的影响程度,并根据分析结果进行资源分配。
具体实施时,区块链节点接收初始预测结果后,调用智能合约进行归因分析,但在调用智能合约之前,需先构建智能合约,智能合约构建完成并得到其他区块链节点的共识之后,可将其部署于区块链并调用,本说明书提供的一个实施例中,智能合约的构建以及共识过程具体可通过以下方式实现:
基于所述初始预测结果对应的集成计算逻辑以及所述归因分析逻辑和所述资源分配策略构建所述智能合约;
将用私钥签名的所述智能合约传入所述区块链中;
对传入所述区块链中的所述智能合约进行有效性验证;
当所述智能合约的有效性验证成功后,将所述智能合约部署于所述区块链。
实际应用中,可以通过对等网络或共识算法的方式将智能合约扩散到区块链节点,对等网络是指对等计算机网络,是一种在对等者之间分配任务和工作负载的分布式应用架构,是对等计算模型在应用层形成的一种组网或网络形式,其特点包括非中心化、可扩展性和高性价比等;
智能合约通过网络扩散至区块链的每个区块链节点上,每个区块链节点对存入的智能合约进行有效性验证,有效性验证成功即达成共识,共识是区块链采用的一种在参与者之间无需相互认知并且无需建立信任关系的基础上,由区块链节点完成对智能合约的鉴定和验证过程,只有共识通过的智能合约才会被写入区块并存储到区块链中。
另外,共识是实现不同节点之间建立信任、获取权益的过程,通过对智能合约进行有效性验证,保证了智能合约的真实性,验证通过即达成共识后,将智能合约存储于区块链节点,保证了智能合约的不可篡改。
步骤104,调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果。
具体的,在接收客户端上传的初始预测结果并通过对其进行解析确定满足智能合约执行条件的情况下,调用智能合约并执行智能合约声明的集成计算逻辑,所述集成计算逻辑包括筛选子逻辑以及权重组合子逻辑,分别对应不同的执行过程,其中,筛选子逻辑即通过评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;权重组合子逻辑首先计算由执行筛选子逻辑生成的各个待集成预测结果各自对应的权重,并通过将各个待集成预测结果按照各自对应的权重进行线性组合获得目标预测结果。
由于智能合约的本质是一些执行任务的集合,当满足合约中的触发条件或者预置条件后,会按照事先定义好的执行任务进行执行。
此外,区块链节点在接收初始预测结果后,可调用满足执行条件的智能合约以对所述初始预测结果进行归因分析,但在调用智能合约之前,需确定所述初始预测结果是否满足智能合约的调用或执行条件,即将所述初始预测结果进行解析,获得相应的验证信息,并且在根据所述验证信息确定满足智能合约执行条件的情况下,则调用智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果。
具体实施时,在区块链中,区块链节点会定时遍历智能合约的执行状态、事务以及触发条件,以判断智能合约是否达到执行条件。若智能合约达到执行条件,则从区块链中读取智能合约对应的业务信息,在区块链网络中进行一致性验证,也就是进行智能合约的再一次共识,证明智能合约中的信息没有被篡改过。
区块链节点在接收客户端上传的初始预测结果并通过对其进行解析确定满足智能合约执行条件的情况下,调用智能合约并执行智能合约声明的逻辑和策略,并根据执行结果对客户端进行资源分配,以实现对通过资源分配的方式激励客户端对其自身的预测模型进行及时更新,本说明书提供的一个实施例中,执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果,具体可通过以下方式实现:
1)根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果。
本说明书提供的一个实施例中,所述评估指标包括准确度,所述待集成预测结果的筛选具体可通过以下方式实现:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
将准确度大于预设准确度阈值的初始预测结果确定为待集成预测结果。
具体的,根据不同待预测业务指标的差异性,设定准确度评估指标以及准确度阈值,在分类模型中,可选择以AUC(Area Under Curve)、F1分数(F1 Score)或点估计等指标作为准确度评估指标,在回归模型中,可选择以平均百分比误差(MAPE,mean absolutepercentage error)、平均绝对误差(MAE,Mean Absolute Error)等指标作为准确度评估指标,具体可根据实际业务场景确定,在此不做限定。
以选择AUC指标作为准确度评估指标为例,AUC就是曲线下面积,在比较不同的分类模型时,可以将每个模型的ROC(receiver operating characteristic curve)曲线都画出来,比较曲线下面积作为模型优劣的指标,AUC的取值范围在AUC越接近0.5和1之间,评估结果越接近1,则表示准确性越高,越接近0.5,则准确度最低;若预设准确度阈值为0.8,则将评估结果中准确度大于0.8的初始预测结果确定为待集成预测结果。
上述实施方式使用一个评估指标对初始预测结果进行筛选,为提高筛选、计算结果的准确性,保证资源分配的合理性,本说明书提供的另一个实施例中,使用准确度以及重合度两个评估指标对初始预测结果进行筛选,具体可通过以下方式实现:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
计算测试结果中准确度大于预设准确度阈值的任意两个初始预测结果的重合度;
判断所述重合度是否大于预设重合度阈值;
若是,则将所述任意两个初始预测结果中准确度大的初始预测结果作为所述待集成预测结果;
若否,则将所述测试结果中准确度大于预设准确度阈值的初始预测结果作为所述待集成预测结果。
具体的,根据准确度评估指标对初始预测结果进行筛选的过程可参见前述实施例,在此不再赘述,另外,在根据准确度评估指标进行筛选并获得筛选结果后,对筛选结果中的任意两个初始预测结果进行重合度计算,具体可根据不同待预测业务指标的差异性选择相应的评估指标。例如,对于时序预估业务,可通过皮尔逊相关系数或动态时间规整等进行评估,对于分类业务,可通过交叉熵等指标进行评估,具体可根据实际业务场景确定,在此不做限定。若预设重合度阈值为90%,在根据准确度评估指标进行筛选获得筛选结果后,将筛选结果中的初始预测结果作为一个集合;若集合中存在任意两个初始预测结果的重合度大于90%,则将任意两个初始预测结果中准确度较大的初始预测结果确定为待集成预测结果,或将任意两个初始预测结果中准确度较小的初始预测结果从集合中去除,将集合中剩余的初始预测结果确定为待集成预测结果。
2)根据预设算法对所述待集成预测结果进行权重估计。
本说明书提供的一个实施例中,所述预设算法包括引导聚集算法,引导聚集算法可与其他分类、回归算法结合,提高其准确率、稳定性的同时,通过降低结果的方差,避免过拟合的发生。
3)根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
具体的,将各个待集成预测结果于其各自对应的权重输入线性组合函数,将所述线性组合函数的输出结果作为所述目标预测结果,所述的线性组合函数表达式如式(1)所示:
步骤106,执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比。
具体的,在调用智能合约并执行智能合约声明的集成计算逻辑获得目标预测结果的基础上,继续执行智能合约声明的归因分析逻辑以获得各个客户端的资源分配占比,所述归因分析逻辑包括误差计算子逻辑以及归因分析子逻辑,分别对应不同的执行过程;其中,误差分析子逻辑即结合各个待集成预测结果以及各自对应的权重计算其与目标预测结果间的误差,归因分析子逻辑即根据各个待集成预测结果对应的权重以及误差计算其对目标预测结果的影响程度,并以此确定其资源分配占比。
本说明书提供的一个实施例中,多个客户端的资源分配占比可通过以下方式计算:
a)结合各个待集成预测结果的权重以及所述目标预测结果计算所述各个待集成预测结果与所述目标预测结果的误差。
具体的,将目标预测结果、待集成预测结果以及所述待集成预测结果对应的权重输入误差计算函数,将所述误差计算函数的输出结果作为所述待集成预测结果与所述目标预测结果的误差,所述误差计算函数的表达式如式(2)所示:
b)根据所述误差以及所述各个待集成预测结果的权重计算所述多个客户端的资源分配占比。
以所述待预测业务指标所属业务为理财业务为例,所述待预测业务指标为预期收益,区块链节点接收多个客户端上传的初始预测结果后,调用智能合约并执行智能合约声明的集成计算逻辑,筛选获得待集成预测结果,其中筛选结果为将客户端A1、客户端A2以及客户端A3上传的初始预测结果作为三个待集成预测结果,并计算三个待集成预测结果各自对应的权重,将所述三个待集成预测结果以及各自对应的权重输入线性组合函数获得目标预测结果;然后执行智能合约声明的归因分析逻辑,结合权重获得各个待集成预测结果与目标预测结果的误差,并根据误差以及权重计算获得客户端A1、客户端A2以及客户端A3对应的资源分配占比分别为50%、30%、20%,最后根据智能合约中理财业务的资源分配策略分别向客户端A1、客户端A2以及客户端A3进行资源分配。
进一步的,在获得待集成预测结果对应的客户端的资源分配占比后,所述资源分配占比需通过区块链中其他区块链节点的共识,具体可通过以下方式实现:
向所述区块链根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略的其他区块链节点发起针对执行所述归因分析逻辑获得的所述多个客户端的资源分配占比的多方共识;
在所述其他区块链节点对所述资源分配占比共识通过后,将所述资源分配占比存入所述区块链。
具体的,共识是区块链采用的一种在参与者之间无需相互认知并且无需建立信任关系的基础上,由区块链中的其他区块链节点完成对任意一个区块链节点计算获得的资源分配占比的鉴定和验证过程,只有计算结果通过共识才可以执行后续的资源分配过程,以保证资源分配结果的公开性以及合理性。
步骤108,根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略。
具体的,不同业务的资源分配策略不同,因此在确定各个待集成预测结果对应的客户端的资源分配占比后,需根据初始预测结果中待预测业务指标所属业务的业务标识获取对应的的资源分配策略。
如前所述,本说明书实施例的业务类型包括:销售业务、理财业务、保险业务等,其中,销售业务的资源分配策略可以是根据资源分配占比下发不同额度的优惠券;理财业务的资源分配策略可以是根据资源分配占比下发相应数额的资金;保险业务的资源分配策略可以是为客户端增加信用积分等;本实施例仅以上述资源分配策略为例进行举例说明,实际应用中,不同业务的资源分配策略可根据具体场景确定,在此不做任何限定。
步骤110,根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果。
具体的,确定资源分配策略后,根据各个客户端的资源分配占比分别下发相应的资源。
仍以上述待预测业务指标所属业务为理财业务为例,执行智能合约声明的归因分析逻辑计算获得客户端A1、客户端A2以及客户端A3对应的资源分配占比分别为50%、30%、20%,并且智能合约中声明的理财业务的资源分配策略为:预期下发资金总额为1000元,根据各个客户端分别对应的资源分配占比计算各自对应的资金分配额度,并根据计算结果进行资金分配。因此,根据客户端A1、客户端A2以及客户端A3分别对应的资源分配占比计算可得客户端A1、客户端A2以及客户端A3各自对应的资金分配额度分别为500元、300元、200元,根据计算结果分别向客户端A1、客户端A2以及客户端A3进行资金分配即可。
另外,在向各个客户端下发资源后,还可以向所述多个客户端发送所述目标预测结果以使客户端通过将所述目标预测结果加入至原始训练样本以形成新的训练样本,并利用新的训练样本对其自身的预测模型进行优化,从而实现提高初始预测结果的准确度。
本说明书实施例通过创建智能合约并将智能合约上传到区块链中,使得区块链节点对所述智能合约达成共识,保证了智能合约的不可篡改,业务处理过程中,若满足智能合约的执行条件,则可根据智能合约中声明的集成计算逻辑以及归因分析逻辑以计算待集成预测结果对目标预测结果的影响程度,进而确定各个客户端的资源分配占比,并根据所述资源分配占比以及智能合约中声明的资源分配策略向各个客户端进行资源分配,以通过资源分配的方式提高各个客户端根据目标预测结果对模型进行迭代优化的积极性,进而提高各个预测模型输出的初始预测结果以及目标预测结果的准确性。
下述结合附图2,以本说明书提供的基于区块链的资源分配方法在销售业务场景的应用为例,对所述基于区块链的资源分配方法进行进一步说明。其中,图2示出了本说明书一个实施例提供的一种基于区块链的资源分配方法应用于销售业务场景的处理过程流程图,具体步骤包括步骤202至步骤216。
步骤202,接收由多个客户端分别上传的针对商品销量的初始预测结果。
本说明书实施例所述的基于区块链的资源分配方法,应用于区块链中的区块链节点,并通过与多个客户端配合实现,多个客户端通过将各自的预测模型针对商品销量进行预测输出的预测结果上传至区块链,区块链节点根据预测结果调用满足执行条件的智能合约,对上述预测结果进行集成计算以及归因分析,并根据资源分配策略以及归因分析获得的各个客户端对应的资源分配占比对客户端进行资源分配。
步骤204,基于所述初始预测结果对应的集成计算逻辑以及所述归因分析逻辑和所述资源分配策略构建智能合约。
智能合约的本质是一些执行任务的集合,当满足合约中的触发条件或者预置条件后,会按照事先定义好的执行任务进行执行。
智能合约通过网络扩散并存入区块链的每个节点上,每个区块链节点对存入的智能合约进行有效性验证,有效性验证成功即达成共识,共识是区块链采用的一种在参与者之间无需相互认知并且无需建立信任关系的基础上,由区块链节点完成对智能合约的鉴定和验证过程,只有共识通过的智能合约才会被写入区块并存储到区块链中。
步骤206,将所述初始预测结果进行解析,获得相应的验证信息。
步骤208,根据所述验证信息判断是否满足智能合约执行条件;若是,则执行步骤210;若否,则不做处理即可。
步骤210,调用智能合约,执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果。
具体的,将准确度以及重合度作为评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
根据引导聚集算法对所述待集成预测结果进行权重估计,根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
步骤212,结合各个待集成预测结果的权重以及所述目标预测结果计算所述各个待集成预测结果与所述目标预测结果的误差。
步骤214,根据所述误差以及所述各个待集成预测结果的权重计算所述多个客户端的资源分配占比。
步骤216,根据所述资源分配占比以及智能合约中的资源分配策略对所述多个客户端进行资源分配并下发资源分配结果。
本说明书实施例通过创建智能合约并将智能合约上传到区块链中,使得区块链节点对所述智能合约达成共识,保证了智能合约的不可篡改,业务处理过程中,若满足智能合约的执行条件,则可根据智能合约中声明的集成计算逻辑以及归因分析逻辑以计算待集成预测结果对目标预测结果的影响程度,进而确定各个客户端的资源分配占比,并根据分析结果以及智能合约中声明的资源分配策略向各个客户端进行资源分配,以通过资源分配的方式提高各个客户端根据目标预测结果对模型进行迭代优化的积极性,进而提高各个预测模型输出的初始预测结果以及目标预测结果的准确性。
与上述方法实施例相对应,本说明书还提供了基于区块链的资源分配装置实施例,图3示出了本说明书一个实施例提供的一种基于区块链的资源分配装置的结构示意图。如图3所示,该装置包括:
数据接收模块302,被配置为接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用模块304,被配置为调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
逻辑执行模块306,被配置为执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
策略获取模块308,被配置为根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
资源分配模块310,被配置为根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
可选地,所述调用模块304,包括:
筛选子模块,被配置为根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
权重估计子模块,被配置为根据预设算法对所述待集成预测结果进行权重估计;
目标预测结果计算子模块,被配置为根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
可选地,所述评估指标包括准确度;
相应的,所述筛选子模块,还被配置为:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
将准确度大于预设准确度阈值的初始预测结果确定为待集成预测结果。
可选地,所述评估指标包括准确度以及重合度;
相应的,所述筛选子模块,还被配置为:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
计算测试结果中准确度大于预设准确度阈值的任意两个初始预测结果的重合度;
判断所述重合度是否大于预设重合度阈值;
若是,则将所述任意两个初始预测结果中准确度大的初始预测结果作为所述待集成预测结果;
若否,则将所述测试结果中准确度大于预设准确度阈值的初始预测结果作为所述待集成预测结果。
可选地,所述逻辑执行模块306,包括:
误差计算子模块,被配置为结合各个待集成预测结果的权重以及所述目标预测结果计算所述各个待集成预测结果与所述目标预测结果的误差;
资源分配占比计算子模块,被配置为根据所述误差以及所述各个待集成预测结果的权重计算所述多个客户端的资源分配占比。
可选地,所述权重估计子模块,进一步被配置为:
根据引导聚集算法对所述待集成预测结果进行权重估计。
可选地,所述基于区块链的资源分配装置,还包括:
共识请求发送模块,被配置为向所述区块链根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略的其他区块链节点发起针对执行所述归因分析逻辑获得的所述多个客户端的资源分配占比的多方共识;
数据存储模块,被配置为在所述其他区块链节点对所述资源分配占比共识通过后,将所述资源分配占比存入所述区块链。
可选地,所述基于区块链的资源分配装置,还包括:
解析模块,被配置为将所述初始预测结果进行解析,获得相应的验证信息;
在根据所述验证信息确定满足智能合约执行条件的情况下,则运行所述调用模块304。
可选地,所述基于区块链的资源分配装置,还包括:
基于所述初始预测结果对应的集成计算逻辑以及所述归因分析逻辑和所述资源分配策略构建所述智能合约;
将用私钥签名的所述智能合约传入所述区块链中;
对传入所述区块链中的所述智能合约进行有效性验证;
当所述智能合约的有效性验证成功后,将所述智能合约部署于所述区块链。
可选地,所述基于区块链的资源分配装置,还包括:
目标预测结果发送模块,被配置为向所述多个客户端发送所述目标预测结果。
本说明书实施例通过创建智能合约并将智能合约上传到区块链中,使得区块链节点对所述智能合约达成共识,保证了智能合约的不可篡改,业务处理过程中,若满足智能合约的执行条件,则可根据智能合约中声明的集成计算逻辑以及归因分析逻辑以计算待集成预测结果对目标预测结果的影响程度,进而确定各个客户端的资源分配占比,并根据所述资源分配占比以及智能合约中声明的资源分配策略向各个客户端进行资源分配,以通过资源分配的方式提高各个客户端根据目标预测结果对模型进行迭代优化的积极性,进而提高各个预测模型输出的初始预测结果以及目标预测结果的准确性。
上述为本实施例的一种基于区块链的资源分配装置的示意性方案。需要说明的是,该基于区块链的资源分配装置的技术方案与上述的基于区块链的资源分配方法的技术方案属于同一构思,基于区块链的资源分配装置的技术方案未详细描述的细节内容,均可以参见上述基于区块链的资源分配方法的技术方案的描述。
图4示出了根据本说明书一个实施例提供的另一种基于区块链的资源分配方法的流程图,包括步骤402至步骤406。
步骤402,获取待预测业务指标相关的目标业务数据。
步骤404,将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链。
步骤406,接收所述区块链返回的资源分配结果。
具体的,本说明书实施例所述的基于区块链的资源分配方法应用于客户端,所述待预测业务指标即业务中需要进行预测的业务指标,所述业务类型包括:销售业务、理财业务、保险业务等,销售业务中需要进行预测的业务指标包括商品销售数量、用户浏览量等;理财业务中需要进行预测的业务指标包括股票价格涨幅、预期收益等;保险业务中需要进行预测的业务指标包括用户出险的概率等;
此外,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
多个客户端分别从各自的数据库中获取待预测业务指标相关的历史业务数据,根据所述历史业务数据建立预测模型,并通过将与待预测业务指标相关的目标业务数据输入预测模型,获取模型输出的所述待预测业务在指定节点的预测结果,并将所述预测结果上传至区块链;其中,历史业务数据为在客户端从数据库中获取数据之前已生成的存储于数据库中的业务数据,目标业务数据为预测模型建立完成之后生成的,用于计算初始预测结果的业务数据;若客户端对预测模型进行优化,则目标业务数据即为在预测模型最后一次优化完成后生成的业务数据;
区块链中的区块链节点接收各个客户端上传的预测结果后,根据所述预测结果调用满足执行条件的智能合约,并根据智能合约声明的逻辑对所述预测结果进行处理,以对其进行归因分析,确定其对目标预测结果的影响程度,并根据分析结果进行资源分配,下发资源分配结果。
本说明书提供的一个实施例中,区块链节点将计算生成的目标预测结果发送至客户端,客户端接收所述目标预测结果,将所述目标预测结果添加到训练样本以形成新的训练样本,并基于所述新的训练样本对所述预测模型进行优化。
由于各个客户端的业务视角以及业务数据等方面存在差异,使得各个客户端的预测结果具备一定的差异性和互补性,因此根据初始预测结果的权重对初始预测结果进行线性组合获得目标预测结果更具有参考价值;并且利用区块链以及智能合约进行处理,一方面保证各个客户端上传的预测结果以及归因分析获得的资源分配占比的不可篡改性,另一方面通过向客户端分配一定占比的资源,有利于激励各个客户端及时对自身的预测模型进行优化,以使预测结果更加准确。
与上述方法实施例相对应,本说明书还提供了另一种基于区块链的资源分配装置实施例,图5示出了本说明书一个实施例提供的另一种基于区块链的资源分配装置的结构示意图。如图5所示,该装置包括:
数据获取模块502,被配置为获取待预测业务指标相关的目标业务数据;
数据传输模块504,被配置为将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
分配结果接收模块506,被配置为接收所述区块链返回的资源分配结果。
可选地,所述基于区块链的资源分配装置,还包括:
目标预测结果接收模块,被配置为接收所述区块链发送的目标预测结果;
模型优化模块,被配置为将所述目标预测结果添加到训练样本以形成新的训练样本,基于所述新的训练样本对所述预测模型进行优化。
上述为本实施例的另一种基于区块链的资源分配装置的示意性方案。需要说明的是,该基于区块链的资源分配装置的技术方案与上述的另一种基于区块链的资源分配方法的技术方案属于同一构思,基于区块链的资源分配装置的技术方案未详细描述的细节内容,均可以参见上述基于区块链的资源分配方法的技术方案的描述。
图6示出了根据本说明书一个实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接,数据库650用于保存数据。
计算设备600还包括接入设备640,接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图6所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
其中,所述存储器610用于存储计算机可执行指令,处理器620用于执行如下计算机可执行指令:
接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的一种基于区块链的资源分配方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述一种基于区块链的资源分配方法的技术方案的描述。
图7示出了根据本说明书一个实施例提供的另一种计算设备700的结构框图。该计算设备700的部件包括但不限于存储器710和处理器720。处理器720与存储器710通过总线730相连接,数据库750用于保存数据。
计算设备700还包括接入设备740,接入设备740使得计算设备700能够经由一个或多个网络760通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备740可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备700的上述部件以及图7中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图7所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备700可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备700还可以是移动式或静止式的服务器。
其中,所述存储器710用于存储计算机可执行指令,处理器720用于执行如下计算机可执行指令:
获取待预测业务指标相关的目标业务数据;
将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
接收所述区块链返回的资源分配结果。
上述为本实施例的另一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的另一种基于区块链的资源分配方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述另一种基于区块链的资源分配方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以实现一种所述基于区块链的资源分配方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的一种基于区块链的资源分配方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述一种基于区块链的资源分配方法的技术方案的描述。
本说明书一实施例还提供另一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于实现另一种所述基于区块链的资源分配方法的步骤。
上述为本实施例的另一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的另一种基于区块链的资源分配方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述另一种基于区块链的资源分配方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (19)
1.一种基于区块链的资源分配方法,应用于区块链中的区块链节点,包括:
接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
2.根据权利要求1所述的基于区块链的资源分配方法,所述执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果,包括:
根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
根据预设算法对所述待集成预测结果进行权重估计;
根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
3.根据权利要求2所述的基于区块链的资源分配方法,所述评估指标包括准确度;
相应的,所述根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果,包括:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
将准确度大于预设准确度阈值的初始预测结果确定为待集成预测结果。
4.根据权利要求2所述的基于区块链的资源分配方法,所述评估指标包括准确度以及重合度;
相应的,所述根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果,包括:
根据预设测试规则测试所述多个客户端分别上传的初始预测结果的准确度;
计算测试结果中准确度大于预设准确度阈值的任意两个初始预测结果的重合度;
判断所述重合度是否大于预设重合度阈值;
若是,则将所述任意两个初始预测结果中准确度大的初始预测结果作为所述待集成预测结果;
若否,则将所述测试结果中准确度大于预设准确度阈值的初始预测结果作为所述待集成预测结果。
5.根据权利要求3或4所述的基于区块链的资源分配方法,所述执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比,包括:
结合各个待集成预测结果的权重以及所述目标预测结果计算所述各个待集成预测结果与所述目标预测结果的误差;
根据所述误差以及所述各个待集成预测结果的权重计算所述多个客户端的资源分配占比。
6.根据权利要求2所述的基于区块链的资源分配方法,所述根据预设算法对所述待集成预测结果进行权重估计,包括:
根据引导聚集算法对所述待集成预测结果进行权重估计。
7.根据权利要求1所述的基于区块链的资源分配方法,所述执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比步骤执行之后,所述根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果步骤执行之前,还包括:
向所述区块链根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略的其他区块链节点发起针对执行所述归因分析逻辑获得的所述多个客户端的资源分配占比的多方共识;
在所述其他区块链节点对所述资源分配占比共识通过后,将所述资源分配占比存入所述区块链。
8.根据权利要求1所述的基于区块链的资源分配方法,所述接收由多个客户端分别上传的待预测业务指标的初始预测结果步骤执行之后,所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果步骤执行之前,还包括:
将所述初始预测结果进行解析,获得相应的验证信息;
在根据所述验证信息确定满足智能合约执行条件的情况下,则执行所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果的步骤。
9.根据权利要求1所述的基于区块链的资源分配方法,所述调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果步骤执行之前,还包括:
基于所述初始预测结果对应的集成计算逻辑以及所述归因分析逻辑和所述资源分配策略构建所述智能合约;
将用私钥签名的所述智能合约传入所述区块链中;
对传入所述区块链中的所述智能合约进行有效性验证;
当所述智能合约的有效性验证成功后,将所述智能合约部署于所述区块链。
10.根据权利要求1所述的基于区块链的资源分配方法,所述根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果步骤执行之后,还包括:
向所述多个客户端发送所述目标预测结果。
11.一种基于区块链的资源分配装置,包括:
数据接收模块,被配置为接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用模块,被配置为调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
逻辑执行模块,被配置为执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
策略获取模块,被配置为根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
资源分配模块,被配置为根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的业务数据输入预先训练的预测模型生成。
12.根据权利要求11所述的基于区块链的资源分配装置,所述调用模块,包括:
筛选子模块,被配置为根据评估指标筛选满足预设评估指标阈值的初始预测结果作为待集成预测结果;
权重估计子模块,被配置为根据预设算法对所述待集成预测结果进行权重估计;
目标预测结果计算子模块,被配置为根据权重估计结果对所述待集成预测结果进行线性组合获得所述目标预测结果。
13.一种基于区块链的资源分配方法,应用于客户端,包括:
获取待预测业务指标相关的目标业务数据;
将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
接收所述区块链返回的资源分配结果。
14.根据权利要求13所述的基于区块链的资源分配方法,所述接收所述区块链返回的资源分配结果步骤执行之后,还包括:
接收所述区块链发送的目标预测结果;
将所述目标预测结果添加到训练样本以形成新的训练样本,基于所述新的训练样本对所述预测模型进行优化。
15.一种基于区块链的资源分配装置,包括:
数据获取模块,被配置为获取待预测业务指标相关的目标业务数据;
数据传输模块,被配置为将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
分配结果接收模块,被配置为接收所述区块链返回的资源分配结果。
16.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
接收由多个客户端分别上传的待预测业务指标的初始预测结果;
调用满足执行条件的智能合约,并执行所述智能合约声明的与所述初始预测结果对应的集成计算逻辑,获得所述待预测业务指标的目标预测结果;
执行所述智能合约声明的归因分析逻辑,基于所述目标预测结果生成分别与所述初始预测结果对应的所述多个客户端的资源分配占比;
根据所述初始预测结果中所述待预测业务指标所属业务的业务标识获取所述智能合约中声明的所述业务的资源分配策略;
根据所述资源分配占比以及所述资源分配策略对所述多个客户端进行资源分配并下发资源分配结果;
其中,所述初始预测结果根据将与所述待预测业务指标相关的目标业务数据输入预先训练的预测模型生成。
17.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待预测业务指标相关的目标业务数据;
将所述目标业务数据输入预先训练的预测模型并获取输出结果,并将所述输出结果作为初始预测结果上传至区块链;
接收所述区块链返回的资源分配结果。
18.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至10任意一项所述基于区块链的资源分配方法的步骤。
19.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求13至14任意一项所述基于区块链的资源分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006407.0A CN110796399B (zh) | 2020-01-03 | 2020-01-03 | 基于区块链的资源分配方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006407.0A CN110796399B (zh) | 2020-01-03 | 2020-01-03 | 基于区块链的资源分配方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796399A true CN110796399A (zh) | 2020-02-14 |
CN110796399B CN110796399B (zh) | 2020-05-26 |
Family
ID=69448483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010006407.0A Active CN110796399B (zh) | 2020-01-03 | 2020-01-03 | 基于区块链的资源分配方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796399B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112598382A (zh) * | 2020-12-23 | 2021-04-02 | 深圳市富途网络科技有限公司 | 业务资源分配方法、装置、电子设备和存储介质 |
CN113657507A (zh) * | 2021-08-18 | 2021-11-16 | 平安信托有限责任公司 | 基于决策树的产品分配方法、装置、设备及存储介质 |
US11354639B2 (en) | 2020-08-07 | 2022-06-07 | Oracle Financial Services Software Limited | Pipeline modeler supporting attribution analysis |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108471362A (zh) * | 2018-03-30 | 2018-08-31 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
CN109102113A (zh) * | 2018-07-27 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 事件预测方法及装置、电子设备 |
CN109146146A (zh) * | 2018-07-27 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 事件预测方法及装置、电子设备 |
US20190197413A1 (en) * | 2017-12-27 | 2019-06-27 | Elasticsearch B.V. | Forecasting for Resource Allocation |
-
2020
- 2020-01-03 CN CN202010006407.0A patent/CN110796399B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197413A1 (en) * | 2017-12-27 | 2019-06-27 | Elasticsearch B.V. | Forecasting for Resource Allocation |
CN108471362A (zh) * | 2018-03-30 | 2018-08-31 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
CN109102113A (zh) * | 2018-07-27 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 事件预测方法及装置、电子设备 |
CN109146146A (zh) * | 2018-07-27 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 事件预测方法及装置、电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
CN111401788B (zh) * | 2020-04-10 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
US11354639B2 (en) | 2020-08-07 | 2022-06-07 | Oracle Financial Services Software Limited | Pipeline modeler supporting attribution analysis |
CN111985726A (zh) * | 2020-08-31 | 2020-11-24 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN111985726B (zh) * | 2020-08-31 | 2023-04-18 | 重庆紫光华山智安科技有限公司 | 资源数量预测方法、装置、电子设备及存储介质 |
CN112598382A (zh) * | 2020-12-23 | 2021-04-02 | 深圳市富途网络科技有限公司 | 业务资源分配方法、装置、电子设备和存储介质 |
CN112598382B (zh) * | 2020-12-23 | 2024-01-23 | 深圳市富途网络科技有限公司 | 业务资源分配方法、装置、电子设备和存储介质 |
CN113657507A (zh) * | 2021-08-18 | 2021-11-16 | 平安信托有限责任公司 | 基于决策树的产品分配方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110796399B (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796399B (zh) | 基于区块链的资源分配方法以及装置 | |
US11599840B2 (en) | System for discovering hidden correlation relationships for risk analysis using graph-based machine learning | |
US20200320462A1 (en) | Calculating online social network distance between entities of an organization | |
Miglani et al. | Blockchain management and machine learning adaptation for IoT environment in 5G and beyond networks: A systematic review | |
US20220300618A1 (en) | Privacy preserving cooperative learning in untrusted environments | |
CN113221183A (zh) | 实现隐私保护的多方协同更新模型的方法、装置及系统 | |
Kim | Network traffic prediction based on INGARCH model | |
US20220414661A1 (en) | Privacy-preserving collaborative machine learning training using distributed executable file packages in an untrusted environment | |
CN110851482B (zh) | 为多个数据方提供数据模型的方法及装置 | |
CN113282935A (zh) | 一种基于模型的预测方法、装置和存储介质 | |
Song et al. | Minimizing entropy for crowdsourcing with combinatorial multi-armed bandit | |
Szostak et al. | Machine learning methods for traffic prediction in dynamic optical networks with service chains | |
Monteil et al. | Resource reservation within sliced 5G networks: A cost-reduction strategy for service providers | |
Zhao et al. | Spatiotemporal graph convolutional recurrent networks for traffic matrix prediction | |
Wang et al. | Ppefl: Privacy-preserving edge federated learning with local differential privacy | |
CN113592593B (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
Jalodia et al. | A Deep Neural Network-Based Multi-Label Classifier for SLA Violation Prediction in a Latency Sensitive NFV Application | |
Guo et al. | Trust-based service composition and selection in service oriented architecture | |
Hua et al. | A maximum consensus improvement method for group decision making under social network with probabilistic linguistic information | |
Taylor et al. | Reputation assessment: a review and unifying abstraction | |
Do Xuan et al. | A novel approach for software vulnerability detection based on intelligent cognitive computing | |
CN110796450B (zh) | 可信关系处理方法以及装置 | |
Wang et al. | Random networks with heterogeneous reciprocity | |
Dahanayaka et al. | Robust open-set classification for encrypted traffic fingerprinting | |
Khan et al. | On the pitfalls of security evaluation of robust federated learning |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023140 Country of ref document: HK |