CN111368262A - 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 - Google Patents
一种基于区块链的人工智能模型保护、松耦合分布式训练方法 Download PDFInfo
- Publication number
- CN111368262A CN111368262A CN201811596925.1A CN201811596925A CN111368262A CN 111368262 A CN111368262 A CN 111368262A CN 201811596925 A CN201811596925 A CN 201811596925A CN 111368262 A CN111368262 A CN 111368262A
- Authority
- CN
- China
- Prior art keywords
- model
- artificial intelligence
- training
- block chain
- intelligence model
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 188
- 238000012549 training Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010168 coupling process Methods 0.000 title claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 14
- 230000008878 coupling Effects 0.000 title claims abstract description 13
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Technology Law (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区块链的人工智能模型保护、松耦合分布式训练方法,包括:模型设计者通过模型训练智能合约在区块链上征求模型训练参与者,模型训练参与者提供算力对加入区块链的人工智能模型进行分布式训练,得到最终人工智能模型及其相关信息;人工智能模型的模型所有者通过确权智能合约在所述区块链上确认对应人工智能模型的所有权;模型使用者通过防篡改智能合约验证其使用的人工智能模型的正确性;模型所有者之间、模型所有者和模型训练参与者之间可通过交易智能合约针对人工智能模型的所有权进行交易。本发明提供了人工智能模型权益转让的交易机制,形成人工智能模型的市场,促使更多企业投入到人工智能模型的开发和使用中来,产生更加高附加值的价值。
Description
技术领域
本发明涉及一种人工智能技术领域,具体涉及一种基于区块链的人工智能模型保护、松耦合分布式训练方法。
背景技术
以深度学习为代表的人工智能,其模型规模越来越大、参数越来越多、结构越来越复杂,这使得训练模型需要的计算量越来越大,个人、甚至小机构都很难根据自己的需求训练自己的模型。由于在模型训练过程中,需要一个集中的参数服务器,这使得分散的计算机无法自动组织在一起、训练同一个模型;同时,拥有分散的计算机的用户也没有足够的动力组织起来参与同一模型训练。
另一方面,人工智能模型有可能被不法人员利用,产生对用户不利、甚至有害的结果。例如,通过修改模型中非常微小的参数或数据依赖关系,就可以改变模型的某些关键属性,致使模型无法辨识某些目标、或者把特定目标识别为不法人员制定的类型。例如,无人机、无人送货车等配备人工智能模型用于识别目标门牌号,通过修改其模型,可致使其把货物送达错误的地点。由于人工智能模型的规模和复杂性,这些微小的改变很难被发现。使用公开、被广泛传播的人工智能模型将存在被非法人员利用的风险,同样即使已经使用中的模型也可能被篡改,产生风险。因此,人工智能模型在使用之前要确保是原始的、未被篡改的,在使用过程中要实时确保从未被篡改。
目前,还没有关于人工智能模型保护方面专门的研究。使用者从互联网直接下载人工智能模型使用,网站采用传统手段保护数据安全,并未针对人工智能模型专门进行保护。另外,人工智能模型的发布和使用都是免费的,没有针对人工智能模型所有权、使用权交易方面的机制,而大企业内部用的人工智能模型则不会发布。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于区块链的人工智能模型保护、松耦合分布式训练法,该方法可以解决现有技术中人工智能模型有可能被不法人员利用,产生对用户不利、甚至有害的结果和模型训练难度大的问题。
技术方案:本发明所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,包括:
(1)模型设计者通过模型训练智能合约在区块链上征求模型训练参与者,模型训练参与者提供算力对加入区块链的人工智能模型进行分布式训练,得到最终人工智能模型及其相关信息;
(2)人工智能模型的模型所有者通过确权智能合约在所述区块链上确认对应人工智能模型的所有权;
(3)模型使用者通过防篡改智能合约验证其使用的人工智能模型的正确性;
(4)模型所有者之间、模型所有者和模型训练参与者之间以及模型所有者和模型使用者之间可通过交易智能合约针对人工智能模型的所有权进行交易,所述模型参与者为欲通过付出所有权通证获得所述人工会智能模型的所有权的用户。
优选的,所述步骤(1)具体包括:
(11)模型设计者通过所述模型训练智能合约发布待训练人工智能模型及训练请求,所述训练请求包括训练达到的精度、验证方法、模型放置的位置、模型所有者及本地唯一标识;
(12)所述模型设计者作为区块链的第一使用终端加入区块链,并公布模型训练参与者提供算力的报酬通证;模型训练参与者作为区块链的第二使用终端加入区块链,在区块链上搜索所述训练请求;
(13)模型训练参与者使用所述算力完成所述待训练模型的训练任务,并向所述模型训练者提交训练结果,更新所述人工智能模型;
(14)所述区块链根据所述模型训练智能合约选取完成训练的模型训练参与者,并把模型设计者提供的所述报酬通证转给被选取的模型训练参与者,并同时发布下次训练请求;
(15)重复步骤(13)和(14),每次迭代的模型训练参与者可不同,直到训练后的最终人工智能模型达到所述训练请求中的精度。
优选的,所述步骤(2)具体包括:
(21)模型参与者作为区块链第三使用终端加入区块链中,通过支付所述区块链发行的所有权通证获取最终人工智能模型的所有权;所述模型参与者欲通过付出所有权通证获得所述人工会智能模型的所有权;
(22)将所述最终人工智能模型存储于区块链中,所述模型所有者发布所述最终人工智能模型存储时的第一块哈希,
或所述最终人工智能模型存放在可被公共访问的互联网地址,将最终人工智能模型对应的本地唯一标识、所述互联网地址和其他相关信息存储到所述区块链中,所述模型所有者发布存储时得到的第二块哈希。
优选的,所述步骤(3)具体包括:
(31)所述模型使用者作为区块链第四使用终端加入区块链中,通过向所述模型所有者支付所述区块链发行的使用权通证获取最终人工智能模型的使用权;
(32)所述模型使用者读取所述区块链中的对应数据,若结果为所述最终人工智能模型存储于区块链中,则下载所述模型;
否则,从所述互联网地址获取最终人工智能模型,并生成区块链唯一标识,
若所述区块链唯一标识与本地唯一标识不同或人工智能模型分布的各节点没有达到共识,则所述最终人工智能模型错误,报警或重新下载所述模型;
否则,所述最终人工智能模型是正确的。
优选的,所述模型使用者付出的使用权通证可在模型所有者之间的根据自身所有权进行分享。
优选的,所述步骤(4)中,模型所有者作为区块链第三使用终端加入区块链中,获取一定数量的所有权通证转移模型的所有权;模型参与者通过提供一定比例的所有权通证,共享此人工智能模型的所有权。。
优选的,所述模型训练智能合约定义了模型训练参与者通过区块链完成人工智能模型训练的事务,包括人工智能模型训练请求的发布、接收人工智能训练请求、提交训练结果、付出/获取训练报酬。
优选的,所述确权智能合约定义了所述模型所有者通过区块链实现人工智能模型所有权的确认函数。
优选的,所述防篡改智能合约定义了所述模型使用者通过区块链防止被恶意篡改的函数。
优选的,所述交易智能合约定义了模型使用者与模型所有者之间的交易事务函数以及人工智能模型所有权转让函数。
有益效果:本发明与现有技术相比,其显著优点是:通过区块链发布人工智能模型设计者对模型训练的需求,征集参与者把算力参与到模型的分布式训练中,每次训练后更新人工智能模型,提升人工智能模型精度;反复迭代,直至人工智能模型精度达到要求,并获取相关信息;通过区块链技术保护人工智能模型的完整性、保证其不被恶意篡改;提供了人工智能模型权益转让的交易机制,可以基于这样的机制形成人工智能模型的市场,促使更多企业投入到人工智能模型的开发和使用中来,于此同时,产生更加高附加值的价值;通过区块链的技术既能保证数据的唯一和完整性,也能激发更多的用户参与进来,最终形成的完整一套数据模型可以很方便迅速的导入机器学习中,为人工智能领域提供有效高质量数据,促进人工智能领域的发展。
附图说明
图1是本发明所述方法的总体示意图;
图2是本发明实施例1所述的一种场景下基于区块链实现人工智能模型分布式训练的示意图;
图3是本发明实施例1所述的另一种场景下基于区块链实现人工智能模型分布式训练的示意图;
图4是本发明实施例2所述的一种场景下基于区块链实现人工智能模型的确权功能的示意图;
图5是本发明实施例2所述的另一种场景下基于区块链实现人工智能模型的确权功能的示意图;
图6是本发明实施例3所述的一种场景下基于区块链实现人工智能模型的防篡改功能的示意图;
图7是本发明实施例3所述的另一种场景下基于区块链实现人工智能模型的防篡改功能的示意图;
图8是本发明实施例3所述的另一种场景下基于区块链实现人工智能模型的防篡改功能的示意图;
图9是本发明实施例3所述的另一种场景下基于区块链实现人工智能模型的防篡改功能的示意图。
具体实施方式
实施例1
下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅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它实施例,都属于本发明保护的范围。
本发明涉及以下概念:
区块链:是借由密码学串接并保护内容的串连交易记录(又称区块)。每一个区块包含了前一个区块的加密散列、相应时间戳记以及交易数据(通常用默克尔树算法计算的散列值表示),这样的设计使得区块内容具有难以篡改的特性。用区块链所串接的分布式账本能让两方有效纪录交易,且可永久查验此交易。区块链平台:提供区块链服务、可以运行智能合约的平台,用户在平台上有唯一的标识号ID。参与者:参与人工智能模型训练、存证、确权、交易的人,在文档中我们称之为用户。
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。区块链为智能合约提供可信执行环境,智能合约为区块链扩展应用。
模型是人工智能的基础。人工智能模型经过训练获得后,以目标数据作为输入完成推理,产生对用户有用的新数据。
当前,以深度学习为代表的人工智能,其模型越来越复杂、参数越来越多,例如ResNet-152具有113亿参数、BERT具有3.4亿参数。为了训练参数巨大的模型需要更多的训练数据,例如COCO具有2500万张图片、AudioSet具有2000多万条数据。
针对大数据集的、规模巨大的人工智能模型主要的训练方式是分布式训练。参与模型训练的计算机有多台,其中有的计算机作为参数服务器,有的作为完成模型训练。参数服务器提供被训练的模型、并根据模型训练计算机的结果更新模型参数;训练计算机从参数服务器获取待训练的模型,读取一定数量的训练数据,完成相应的训练、得到对应的参数更新值,并发送给参数服务器。
越来越多的人工智能模型训练出来后通过共享,被广泛传播、被更多的人使用。
区块链技术介绍
记账技术历史悠久,复式记账系统对每一笔账目同时记录来源和去向,首次将对账验证功能引入记账过程,提升了记账的可靠性。从这个角度来看,区块链是首个自带对账功能的数字记账技术实现。
区块链是一种安全、可信、去中心化的分布式存储系统,基于分布式容错协议,基于分布式高可信数据库或状态机副本协议,能够防止恶意攻击等失效行为。区块链本质上实现一个线性全排序的日志系统。每一个区块记录了一个(或者一组)需要执行的请求,包含一个指针指向他的上一个区块(除首个区块以外),在数据结构上形成一个链表。参与区块链维护的节点按顺序执行区块链上的操作,并相应地维护执行操作之后本地的状态信息。区块之间的顺序是由所有参与维护的节点达成一致的,也就是说所有正确的节点peer(包括服务节点和用户节点)必须看到的是相同的顺序,区块链借助共识算法保证各个节点执行请求的顺序是完全相同的。为了在用户之间或服务器之间提供消息传递的完整性和正确性验证,区块链利用现代密码学技术,包括非对称密码学(或称公钥密码学)和哈希算法。
区块链的基本概念包括:
交易(Transaction):一次操作,导致账本状态的一次改变,如添加一条记录。
区块(Block):记录一段时间内发生的交易和状态结果,是对当前账本状态的一次共识
链(Chain):由一个个区块按照发生顺序串联而成,是整个状态变化的日志记录。
如果把区块链作为一个状态机,则每次交易就是试图改变一次状态,而每次共识生成的区块,就是参与者对于区块中所有交易内容导致状态改变的结果进行确认。
在区块链平台提供了智能合约的功能,智能合约是一套以数字形式定义的承诺,承诺控制着数字资产并包含了合约参与者约定的权利和义务,由计算机系统自动执行。
人工智能:指由人制造出来的机器所表现出来的智能,具有高度的技术性和专业性。核心问题是建构能够跟人类似甚至超越人类的推理、知识、规划、学习、交流、感知、移动和操作物体的能力。深度学习是近期人工智能发展的代表。
人工智能模型:是指人工智能的运行机理、工作原理的具体表示,可以是数学公式、物理原理等。对于近期发展的深度学习类人工智能,其模型是具有多层的前馈神经网络,参数规模大,需要巨大的算力才能达到高精度的目标。
人工智能模型的所有者:拥有人工智能模型所有权的用户,最早将某个人工智能模型提交到区块链平台的是该模型最初的所有者,所有权可以转让。
人工智能模型的使用者:有权利使用人工智能模型的用户。
本发明所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,包括:
如图1所示,人工智能模型的有偿式分布式训练;人工智能模型的所有者通过区块链确认他对该人工智能模型的所有权;其他用户通过区块链查询所需的人工智能模型、验证人工智能模型的完整性、购买通证、向人工智能模型的所有者支付通证以获取所有权或使用权;拥有使用权的使用者可以验证人工智能模型的完整性并使用它。
基于区块链的人工智能模型分布式训练、完整性保护、确权、交易的都是通过区块链上的智能合约实现。针对人工智能模型分布式训练、完整性保护、确权、交易的区块链上的智能合约是特定的、且区块链上只能存在特定类型和内容的智能合约。智能合约也会随着人工智能模型相关处理内容改进而进行升级。智能合约的升级只能由区块链管理者、或者参与者按照一定的协议完成,不能由普通用户完成。
支持人工智能模型分布式训练、完整性保护、确权、交易的关键智能合约包括四种:模型训练智能合约、确权智能合约、防篡改智能合约、交易智能合约。
为了编写智能合约,使用智能合约语言(SCL)。这些是直接编写智能合约或编译成智能合约的编程语言。Solidity是一种编写智能合约的编程语言,它在以太坊虚拟机上运行。它是一种面向合约的高级语言,其语法类似于JavaScript,主要针对以太坊EVM。
以太坊虚拟机(EVM)是以太坊上智能合约的运行环境。它实际上是完全隔离的,这意味着在EVM上运行的代码无法访问网络、文件系统和其他进程。智能合约对其他的智能合约的访问权也有限,在区块链网络上单独运作。
在以太坊网络上编写智能合约有包括:用以太坊高级语言编写、用EVM编译器编译成字节码以及用以太坊客户端上传到区块链网络。
模型训练智能合约定义了参与者通过区块链完成人工智能模型训练的各种事务,包括人工智能模型训练需求的发布、接收人工智能训练需求、提交训练结果、付出/获取训练报酬。
确权智能合约定义了所有者通过区块链实现人工智能模型所有权的确认。
防篡改智能合约定义了人工智能模型通过区块链防止被恶意篡改。
交易智能合约定义了人工智能模型使用者与人工智能所有者之间的交易事务、以及人工智能模型所有权转让事务。
首先,需要说明的是,本发明中涉及的模型设计者、模型所有者、模型使用者以及模型训练参与者以及人工智能模型均可为多个,但本发明只以一个人工智能模型为例进行说明。
模型设计者通过模型训练智能合约在区块链上征求模型训练参与者,所述模型训练参与者提供算力对加入区块链的人工智能模型进行分布式训练,得到最终人工智能模型及其相关信息,每次训练后更新人工智能模型,提升人工智能模型精度;反复迭代,直至人工智能模型精度达到要求,并获取相关信息。
如图2和3所示,待训练人工智能模型在区块链中的存储方式有两种,一种是人工智能模型直接存储于区块Block n中,另一种是模型存储于网上,模型相关信息存储于区块链上,节点Model_0对应的相关信息记为Data of Model_0,相关信息优选为模型唯一标识、模型存放地址。
(11)模型设计者通过所述模型训练智能合约发布待训练人工智能模型,记为Model,一个模型将分布存储于多个参与节点,产生多个副本,分别记为Model_0, Model_1,Model_2…。模型包括超参数、结构、参数、初始值等;发布训练请求,训练请求包括训练达到的精度、验证方法、模型放置的位置、模型所有者及本地唯一标识。
(12)模型设计者作为区块链的第一使用终端加入区块链,模型设计者可为多个,本发明图中以一个模型设计者为例,记为peer_0。在其中一个实施例中,本发明中的使用终端为节点,并公布模型训练参与者提供算力的报酬通证;所述模型训练参与者作为区块链的第二使用终端,加入区块链,记为peer_1,在区块链上搜索所述训练请求;
(13)所述模型训练参与者使用所述算力完成所述待训练模型的训练任务,并向所述模型训练参与者提交训练结果,更新所述人工智能模型;
(14)所述区块链根据所述模型训练智能合约选取完成训练的模型训练参与者,并把模型设计者提供的所述报酬通证转给被选取的模型训练参与者,并同时发布下次训练请求;
(15)重复步骤(13)和(14),直到训练后的最终人工智能模型达到所述训练请求中的精度,其中每次迭代训练中模型训练参与者可不同。
实施例2
为了进一步保护人工智能模型,在上述实施例1的基础上,人工智能模型的模型所有者通过确权智能合约在所述区块链上确认对应人工智能模型的所有权;人工智能模型设计者已经通过训练获得了该模型满足一定精度要求的模型参数,得到最终人工智能模型,以下均针对训练好的人工智能模型,通过区块链的方式发布该模型,并获取通证。
具体包括:
(21)模型参与者为为欲通过付出所有权通证获得所述人工会智能模型的所有权的用户,模型参与者作为区块链第三使用终端加入区块链中,通过支付所述区块链发行的所有权通证获取最终人工智能模型的所有权;
(22)将所述最终人工智能模型存储于区块链中,设计者把最终人工智能模型及其信息打包存入区块链中
如果打包数据量小,只需存储到区块链的一个区块
如果打包数据量大,需要存储到区块链的多个连续区块。
该打包数据量可由用户自己决定。
所述模型所有者发布所述最终人工智能模型存储时的第一块哈希,如图4所示,
在其中一个实施例中,如图5所示,所述最终人工智能模型存放在可被公共访问的互联网地址,将最终人工智能模型对应的本地唯一标识、所述互联网地址和其他相关信息存储到所述区块链中,本地唯一标识由此人工智能模型、存放此人工智能的互联网地址、以及其他相关信息生成唯一标识,在其中一个实施例中,可通过HASH函数生成 HASH值,例如MD5、SHA256、RSA等。用户作为区块链终端加入区块链网络,用户把此唯一标识、存放此人工智能的互联网地址、以及其他相关信息存入区块链中。所述模型所有者发布存储时得到的第二块哈希。此处第一块哈希和第二块哈希值会根据计算哈希值所需的数据不同而不同。
实施例3
为了进一步保护人工智能模型,在上述实施例2的基础上,模型使用者通过防篡改智能合约验证其使用的人工智能模型的正确性。
把训练好的人工智能模型及其相关信息,包括模型唯一标识、模型存放地址、训练者、训练时间、训练环境、使用场景等,存入区块链内;在区块链内部,人工智能模型将分布存储于多个参与节点,产生多个副本;通过共识算法保证在各类失效行为和异常状况发生时,正确节点之间始终维护一致、正确的系统状态,也就是保证人工智能模型及其相关数据未被篡改、保证人工智能模型的可信性。
人工智能模型使用者作为区块链的第四使用终端,直接从区块链获取、或者从区块链认证的地址获取、验证人工智能模型。
模型使用者通过向所述模型所有者支付所述区块链发行的使用权通证获取最终人工智能模型的使用权;
所述模型使用者读取所述区块链中的对应数据,若结果为所述最终人工智能模型存储于区块链中,则下载所述模型;
否则,从所述互联网地址获取最终人工智能模型,并生成区块链唯一标识,
若所述区块链唯一标识与本地唯一标识不同或人工智能模型分布的各节点没有达到共识,则所述最终人工智能模型错误,报警或重新下载所述模型;
否则,所述最终人工智能模型是正确的。
本实施例介绍一下两个场景:
场景一、通过区块链获取人工智能模型,如图6和7所示
1)用户作为区块链终端加入区块链网络
2)用户以第一块哈希或第二块哈希作为输入,读取区块链中的相应数据
a)如果发现人工智能模型存在区块链中,直接下载此模型。
b)如果发现区块链中只存储了人工智能的唯一标识、互联网地址以及其他信息,则从相应的互联网地址获取人工智能模型,并生成此人工智能模型的唯一标识,与区块链中的唯一标识对比,并且人工智能模型分布的各节点达到共识,则确认此人工智能模型为正确的。
场景二、通过区块链验证人工智能模型的正确性,如图8和9所示。
1)用户作为区块链终端加入区块链网络
2)用户通过区块链获取人工智能模型
3)在特定条件下通过区块链验证用户使用的人工智能模型的正确性,优选的,经过一定的时间、使用一定的次数等:
a)生成本地人工智能的唯一标识
b)获取区块链中的人工智能模型
c)生成从区块链获取的人工智能模型的唯一标识
d)对比两个标识是否一致,若一致并且人工智能模型分布的各节点达到共识,则模型正确,否则则报警、或者重新下载模型。
实施例4
为了进一步保护人工智能模型,在上述实施例3的基础上,模型所有者之间、模型所有者和模型训练参与者之间以及模型所有者和模型使用者之间可通过交易智能合约针对人工智能模型的所有权进行交易。
模型所有者作为区块链第三使用终端加入区块链中,获取一定数量的所有权通证转移模型的所有权;多个模型训练参与者通过提供一定比例的所有权通证,共享一人工智能模型的所有权。
人工智能模型所有者在区块链上,通过获取所有权通证转移模型的所有权;多个模型参与者通过提供一定比例的所有权通证,共享某一人工智能模型的所有权;人工智能模型使用者为使用模型付出的使用权通证,在模型所有者之间根据所有权分享通证。
本发明中的通证是一种可流通的、加密的数字权益证明,是token的常规翻译“代币”之外的另一种翻译。通证是可流通的凭证,是数字资产的表示,这个权益可以是财产、身份证、学历证书、钥匙、门票、积分、荣誉、使用权、所有权、报酬等任何事物,具有使用权、收益权等多种属性。区块链平台可以发行自己的通证,转让人工智能模型权益时可以使用通证交换。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,包括:
(1)模型设计者通过模型训练智能合约在区块链上征求模型训练参与者,所述模型训练参与者提供算力对加入区块链的人工智能模型进行分布式训练,不断迭代得到最终人工智能模型及其相关信息;
(2)人工智能模型的模型所有者通过确权智能合约在所述区块链上确认对应人工智能模型的所有权;
(3)模型使用者通过防篡改智能合约验证其使用的人工智能模型的正确性;
(4)模型所有者之间、模型所有者和模型参与者之间以及模型所有者和模型使用者之间可通过交易智能合约针对人工智能模型的所有权进行交易,所述模型参与者为欲通过付出所有权通证获得所述人工会智能模型的所有权的用户。
2.根据权利要求1所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述步骤(1)具体包括:
(11)模型设计者通过所述模型训练智能合约发布待训练人工智能模型及训练请求,所述训练请求包括训练达到的精度、验证方法、模型放置的位置、模型所有者及本地唯一标识;
(12)所述模型设计者作为区块链的第一使用终端加入区块链,并公布模型训练参与者提供算力的报酬通证;所述模型训练参与者作为区块链的第二使用终端加入区块链,在区块链上搜索所述训练请求;
(13)所述模型训练参与者使用所述算力完成所述待训练模型的训练任务,并向所述模型训练者提交训练结果,更新所述人工智能模型;
(14)所述区块链根据所述模型训练智能合约选取完成训练的模型训练参与者,并把模型设计者提供的所述报酬通证转给被选取的模型训练参与者,并同时发布下次训练请求;
(15)重复步骤(13)和(14),每次迭代的模型训练参与者可不同,直到训练后的最终人工智能模型达到所述训练请求中的精度。
3.根据权利要求2所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述步骤(2)具体包括:
(21)模型参与者作为区块链第三使用终端加入区块链中,通过支付所述区块链发行的所有权通证获取最终人工智能模型的所有权;
(22)将所述最终人工智能模型存储于区块链中,所述模型所有者发布所述最终人工智能模型存储时的第一块哈希,
或所述最终人工智能模型存放在可被公共访问的互联网地址,将最终人工智能模型对应的本地唯一标识、所述互联网地址和其他相关信息存储到所述区块链中,所述模型所有者发布存储时得到的第二块哈希。
4.根据权利要求3所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述步骤(3)具体包括:
(31)所述模型使用者作为区块链第四使用终端加入区块链中,通过向所述模型所有者支付所述区块链发行的使用权通证获取最终人工智能模型的使用权;
(32)所述模型使用者读取所述区块链中的对应数据,若结果为所述最终人工智能模型存储于区块链中,则下载所述模型;
否则,从所述互联网地址获取最终人工智能模型,并生成区块链唯一标识,
若所述区块链唯一标识与本地唯一标识不同或人工智能模型分布的各节点没有达到共识,则所述最终人工智能模型错误,报警或重新下载所述模型;
否则,所述最终人工智能模型是正确的。
5.根据权利要求4所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述模型使用者付出的使用权通证可在模型所有者之间的根据自身所有权进行分享。
6.根据权利要求1所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述步骤(4)中,模型所有者作为区块链第三使用终端加入区块链中,获取一定数量的所有权通证转移模型的所有权;模型参与者通过提供一定比例的所有权通证,共享此人工智能模型的所有权。
7.根据权利要求1任一项所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述模型训练智能合约定义了模型训练参与者通过区块链完成人工智能模型训练的事务,包括人工智能模型训练请求的发布、接收人工智能训练请求、提交训练结果、付出/获取训练报酬。
8.根据权利要求1任一项所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述确权智能合约定义了所述模型所有者通过区块链实现人工智能模型所有权的确认函数。
9.根据权利要求1任一项所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述防篡改智能合约定义了所述模型使用者通过区块链防止被恶意篡改的函数。
10.根据权利要求1任一项所述的基于区块链的人工智能模型保护、松耦合分布式训练方法,其特征在于,所述交易智能合约定义了模型使用者与模型所有者之间的交易事务函数以及人工智能模型所有权转让。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596925.1A CN111368262B (zh) | 2018-12-26 | 2018-12-26 | 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596925.1A CN111368262B (zh) | 2018-12-26 | 2018-12-26 | 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368262A true CN111368262A (zh) | 2020-07-03 |
CN111368262B CN111368262B (zh) | 2023-07-11 |
Family
ID=71210253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596925.1A Active CN111368262B (zh) | 2018-12-26 | 2018-12-26 | 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368262B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507387A (zh) * | 2021-02-04 | 2021-03-16 | 北京全息智信科技有限公司 | 一种基于区块链的分布式数据和模型的计算方法及装置 |
CN112542169A (zh) * | 2020-12-25 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 一种语音识别处理方法与装置 |
CN112906073A (zh) * | 2021-03-18 | 2021-06-04 | 上海能链众合科技有限公司 | 一种区块链机密计算通用模型的实现方法 |
WO2024041130A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为技术有限公司 | 权益分配方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017007806A1 (en) * | 2015-07-09 | 2017-01-12 | Ouisa, LLC | Systems and methods for trading, clearing and settling securities transactions using blockchain technology |
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
-
2018
- 2018-12-26 CN CN201811596925.1A patent/CN111368262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017007806A1 (en) * | 2015-07-09 | 2017-01-12 | Ouisa, LLC | Systems and methods for trading, clearing and settling securities transactions using blockchain technology |
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
Non-Patent Citations (1)
Title |
---|
倪洋: "人工智能新技术在智慧商业银行的应用探讨", 《金融科技时代》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112542169A (zh) * | 2020-12-25 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 一种语音识别处理方法与装置 |
CN112542169B (zh) * | 2020-12-25 | 2024-05-10 | 腾讯科技(深圳)有限公司 | 一种语音识别处理方法与装置 |
CN112507387A (zh) * | 2021-02-04 | 2021-03-16 | 北京全息智信科技有限公司 | 一种基于区块链的分布式数据和模型的计算方法及装置 |
CN112507387B (zh) * | 2021-02-04 | 2021-06-01 | 北京全息智信科技有限公司 | 一种基于区块链的分布式数据和模型的计算方法及装置 |
CN112906073A (zh) * | 2021-03-18 | 2021-06-04 | 上海能链众合科技有限公司 | 一种区块链机密计算通用模型的实现方法 |
WO2024041130A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为技术有限公司 | 权益分配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111368262B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7429281B2 (ja) | ブロックチェーン上で匿名で保持されるトークンに関連付けられた交換を指示する方法及びシステム | |
Nawari et al. | Blockchain and the built environment: Potentials and limitations | |
Antal et al. | Distributed ledger technology review and decentralized applications development guidelines | |
CN106600405B (zh) | 基于区块链的数据权益保护方法 | |
JP6990197B2 (ja) | 安全で追跡可能な製造パーツ | |
CN109314642B (zh) | 用区块链实施的用于安全投票和分配的计数系统和方法 | |
TWI768163B (zh) | 產生智能合約的方法及裝置 | |
CN111368262B (zh) | 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 | |
US11636469B2 (en) | Data access management with non-fungible tokens | |
JP2022071122A (ja) | ブロックチェーンを介して決定性有限オートマトン(dfa)を実施するシステム及び方法 | |
JP2020534733A (ja) | 分散協調を用いるスマートコントラクトの実行 | |
KR20190006506A (ko) | 디지털 자산 모델링 | |
KR20180114939A (ko) | 블록 체인을 통해 자산 관련 활동을 제어하는 시스템 및 방법 | |
CN109657501B (zh) | 一种可追溯防篡改芯片研发交易数据存储方法及系统 | |
EP3907689A1 (en) | Rights management method, device and system, and storage medium | |
KR20200062640A (ko) | 블록체인 기반 미술작품 거래정보 관리 방법 및 블록체인의 노드 장치 | |
Besancon et al. | A blockchain ontology for DApps development | |
Romano et al. | Beyond bitcoin: recent trends and perspectives in distributed ledger technology | |
Dubey et al. | Secure land registration management via ethereum blockchain | |
Baset et al. | Blockchain Development with hyperledger: build decentralized applications with hyperledger fabric and composer | |
Tanwar | Blockchain Technology | |
CN112053166A (zh) | 一种基于区块链的商务云平台管理方法及系统 | |
US20230359713A1 (en) | PROVENANCE FOR REPURPOSING OF ARTIST-SPECIFIC ASSETS USING NON-FUNGIBLE TOKENS (NFTs) | |
Bashir et al. | Advanced Blockchain Development: Build highly secure, decentralized applications and conduct secure transactions | |
Nikolaidis et al. | Consolidating incentivization in distributed neural network training via decentralized autonomous organization |
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 |