CN111858753A - 基于区块链的训练参数处理方法、设备及存储介质 - Google Patents
基于区块链的训练参数处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111858753A CN111858753A CN202010624142.0A CN202010624142A CN111858753A CN 111858753 A CN111858753 A CN 111858753A CN 202010624142 A CN202010624142 A CN 202010624142A CN 111858753 A CN111858753 A CN 111858753A
- Authority
- CN
- China
- Prior art keywords
- training
- node
- blockchain network
- accounting
- encryption key
- 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
- 238000012549 training Methods 0.000 title claims abstract description 497
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 claims description 285
- 230000000977 initiatory effect Effects 0.000 claims description 88
- 238000004891 communication Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于区块链的训练参数处理方法、设备及存储介质。本发明实施例通过AI训练节点采用AI训练节点对应的计算资源进行模型训练，得到模型参数后，采用加密密钥对模型参数进行加密，得到加密信息，进一步将该加密信息广播到区块链网络中。另外，AI训练节点还可以在区块链网络中广播加密密钥对应的解密密钥，以使区块链网络中的记账节点根据解密密钥对加密信息进行解密后得到模型参数，并根据训练结果检测样本对模型参数进行验证，从而可以避免AI训练节点将自己训练出的模型参数广播到区块链网络后被其他AI训练节点在该模型参数的基础上继续进行模型训练而获得正确率更高的模型参数。
Description
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种基于区块链的训练参数处理方法、设备及存储介质。
背景技术
随着人工智能(Artificial Intelligence，AI)技术的不断发展，AI技术可以应用在很多领域，例如，可以应用在语音识别、机器翻译等模型训练中。
通常情况下，一次AI训练需要很大的计算量。例如，一次语音识别的模型训练可能涉及到20E Flops的浮点计算，一次机器翻译的模型训练可能涉及到10E Flops甚至上百EFlops的浮点计算。为了完成一次AI训练往往需要构建很大规模的计算机集群。而构建大规模计算机集群的成本较高。为了解决成本高的问题，可以将区块链网络中有计算资源或者训练样本的节点联合起来完成AI训练任务。
但是，由于不同节点的计算能力或计算准确度是不同的，因此，不同节点进行模型训练得到模型参数的速度也是不同的。如果节点发布模型参数的时间较晚，则该时间可能会超出截止时间而失效。如果节点发布模型参数的时间较早，则其他节点可能会在该节点发布的模型参数的基础上继续进行模型训练，从而获得正确率更高的模型参数，导致该节点无法获得应有的奖励。
发明内容
本发明实施例提供一种基于区块链的训练参数处理方法、设备及存储介质，以避免AI训练节点将自己训练出的模型参数广播到区块链网络后被其他AI训练节点在该模型参数的基础上继续进行模型训练而获得正确率更高的模型参数，从而使得每个AI训练节点可以获得自己应有的奖励。
第一方面，本发明实施例提供一种基于区块链的训练参数处理方法，包括：
AI训练节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
所述AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数；
所述AI训练节点采用加密密钥对所述模型参数进行加密，得到加密信息；
所述AI训练节点将所述加密信息广播到所述区块链网络中；
当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
第二方面，本发明实施例提供一种基于区块链的人工智能训练方法，包括：
记账节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
所述记账节点接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息；
当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥；
所述记账节点根据所述解密密钥对所述加密信息进行解密得到所述模型参数；
所述记账节点根据所述训练结果检测样本对所述模型参数进行验证；
若所述模型参数通过所述验证，则所述记账节点根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息；
所述记账节点将所述奖励信息写入区块链账本中；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
第三方面，本发明实施例提供一种AI训练节点，包括：
存储器；
处理器；
通讯接口；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数；
采用加密密钥对所述模型参数进行加密，得到加密信息；
通过所述通讯接口将所述加密信息广播到所述区块链网络中；
当所述通讯接口接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，通过所述通讯接口在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
第四方面，本发明实施例提供一种记账节点，包括：
存储器；
处理器；
通讯接口；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
通过所述通讯接口接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息；
当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥；
根据所述解密密钥对所述加密信息进行解密得到所述模型参数；
根据所述训练结果检测样本对所述模型参数进行验证；
若所述模型参数通过所述验证，则根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息；
将所述奖励信息写入区块链账本中；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
第五方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
本发明实施例提供的基于区块链的训练参数处理方法、设备及存储介质，通过AI训练任务发起节点在区块链网络中广播AI训练任务，当AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数后，采用加密密钥对所述模型参数进行加密，得到加密信息，进一步将该加密信息广播到所述区块链网络中，当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证，从而可以避免AI训练节点将自己训练出的模型参数广播到区块链网络后被其他AI训练节点在该模型参数的基础上继续进行模型训练而获得正确率更高的模型参数，从而使得每个AI训练节点可以获得自己应有的奖励。
附图说明
图1为本发明实施例提供的一种应用场景的示意图；
图2为本发明实施例提供的基于区块链的训练参数处理方法流程图；
图3为本发明另一实施例提供的基于区块链的训练参数处理方法流程图；
图4为本发明实施例提供的AI训练节点的结构示意图；
图5为本发明实施例提供的记账节点的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明实施例提供的基于区块链的训练参数处理方法，可以适用于图1所示的通信系统。如图1所示，该通信系统包括：AI训练任务发起节点、AI训练节点和记账节点，其中，AI训练任务发起节点、AI训练节点和记账节点是区块链网络中的参与节点。可以理解，此处只是示意性说明，并不限定该区块链网络中的节点个数和种类。其中，记账节点可以是一个或者是多个云端服务器，云端服务器也就是云服务器，是一个服务器集群，有很多服务器，和通用的计算机架构类似，云端服务器的构成包括处理器、硬盘、内存、系统总线等。AI训练任务发起节点或AI训练节点具体可以是用户终端，例如，智能手机、平板电脑、个人计算机等。另外，在本申请实施例中，区块链网络是一个去中心化的、点对点(peer-to-peer，P2P)通信的网络。
本发明实施例提供的基于区块链的训练参数处理方法，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明实施例提供的基于区块链的训练参数处理方法流程图。本发明实施例针对现有技术的如上技术问题，提供了基于区块链的训练参数处理方法，该方法具体步骤如下：
步骤201、AI训练节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案。
如图1所示，AI训练任务发起节点可以在区块链网络中广播AI训练任务，该AI训练任务用于请求该区块链网络中的AI训练节点训练某一模型，从而得到该模型的模型参数。该AI训练任务具体可对应有智能合约白皮书，具体的，AI训练任务发起节点可以在区块链网络中广播该AI训练任务对应的智能合约白皮书。在一种具体的实现方式中，AI训练任务发起节点可以采用自己的私钥对该智能合约白皮书进行签名，并将私钥签名后的智能合约白皮书广播到该区块链网络中。
具体的，该智能合约白皮书可以包括训练结果检测样本或者训练结果检测样本对应的链接、训练结果奖励方案。其中，训练结果检测样本具体用于对训练结果进行验证，该训练结果具体可以是训练出的模型参数。本实施例并不限定训练结果奖励方案的具体形式和内容。例如，该训练结果奖励方案可以包括如下至少一种：从AI训练任务发起节点发布该AI训练任务之后的预设时间内，完成模型训练得到模型参数的前N个AI训练节点的奖励金额；完成模型训练后得到的模型参数的正确率大于或等于95％的AI训练节点的奖励金额；完成模型训练后得到的模型参数的正确率大于或等于90％的AI训练节点的奖励金额；达到最低标准的第一个记账节点可获得的记账奖励。具体的，奖励金额或记账奖励具体可以是Token。此外，AI训练任务发起节点或记账节点还可以将该训练结果奖励方案中涉及到的奖励金额或记账奖励进行锁定。
具体的，当AI训练任务发起节点在区块链网络中广播该AI训练任务对应的智能合约白皮书后，AI训练节点和记账节点可从该区块链网络中接收到该AI训练任务对应的智能合约白皮书。
步骤202、所述AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数。
当AI训练节点从该区块链网络中接收到该AI训练任务对应的智能合约白皮书后，AI训练节点可启动该AI训练节点对应的计算资源，该计算资源具体可以是图形处理器(英语：Graphics Processing Unit，GPU)计算集群。具体的，AI训练节点可根据该GPU计算集群进行模型训练，并得到训练后的模型参数。
可选的，所述AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数，包括：所述AI训练节点加载训练样本、并采用所述AI训练节点对应的计算资源进行模型训练，得到所述模型参数。
例如，当AI训练节点从该区块链网络中接收到该AI训练任务对应的智能合约白皮书后，AI训练节点可加载训练样本，该训练样本可以是该AI训练节点本地存储的训练样本，也可以是区块链网络中其他节点根据该AI训练任务广播到该区块链网络中的、并且与该AI训练任务相匹配的训练样本。进一步，AI训练节点可启动GPU计算集群，并采用该GPU计算集群对该训练样本进行长时间模型训练，得到模型参数。
步骤203、所述AI训练节点采用加密密钥对所述模型参数进行加密，得到加密信息。
在一种可能的实现方式中，AI训练节点在训练得到模型参数后，该AI训练节点可以随机生成一个加密密钥。进一步，该AI训练节点采用该加密密钥对该模型参数进行加密得到加密信息。
在另一种可能的实现方式中，该加密密钥是AI训练任务发起节点生成的加密公钥。该AI训练任务发起节点可以将该加密公钥广播到该区块链网络中。当AI训练节点训练得到模型参数后，该AI训练节点可根据该加密公钥对该模型参数进行加密得到加密信息。
步骤204、所述AI训练节点将所述加密信息广播到所述区块链网络中。
例如，AI训练节点可以将该加密信息广播到所述区块链网络中，从而使得该区块链网络中的记账节点可以接收到该加密信息。具体的，AI训练节点可以采用自己的私钥对该加密信息进行签名，并将私钥签名后的加密信息广播到该区块链网络中。
在一些实施例中，如果AI训练节点在接收到该AI训练任务对应的智能合约白皮书时，确定该AI训练节点本地已有该AI训练任务对应的模型参数，则该AI训练节点可以直接采用加密密钥对该模型参数进行加密，得到加密信息，进一步将该加密信息广播到该区块链网络中。
步骤205、当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证。
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
例如，AI训练任务发起节点发布该AI训练任务之后，该AI训练任务发起节点还可以随时在该区块链网络中广播截止时间。
如果如上所述的加密密钥是该AI训练节点在训练得到模型参数后随机生成的，则当该AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，该AI训练节点可以在该区块链网络中广播该加密密钥对应的解密密钥。例如，该AI训练节点可以在限定的时间内采用自己的私钥对该解密密钥进行签名，并将私钥签名后的该解密密钥广播到该区块链网络中。
如果如上所述的加密密钥是AI训练任务发起节点生成的加密公钥，则该AI训练任务发起节点在区块链网络中广播截止时间时，还可以在该区块链网络中广播该加密密钥对应的解密密钥，该解密密钥为解密私钥。
可以理解的是，该AI训练节点在该区块链网络中广播的解密密钥或该AI训练任务发起节点在该区块链网络中广播的解密密钥，可以被该区块链网络中的记账节点所接收到。
该区块链网络中的记账节点可以记录如上所述的AI训练节点和AI训练任务发起节点在该区块链网络中广播的信息，并且记账节点在记录过程中可获得相应的记账奖励。
当该记账节点接收到某个AI训练节点在该区块链网络中广播的加密信息时，该记账节点可根据该解密密钥对如上所述的加密信息进行解密，得到模型参数。进一步，该记账节点根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。可选的，该记账节点不限于是在接收到该截止时间时，根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。该记账节点还可以在该截止时间之前提前根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。当该模型参数的正确率满足如上所述的训练结果奖励方案时，该AI训练节点可获得相应的奖励金额，即该记账节点可以将该AI训练节点可获得的奖励金额记录在区块链账本中。
可以理解的是，以上实施例是以一个AI训练节点发送加密后的模型参数为例进行示意性说明，该方法同样适用于其他的AI训练节点。例如，不同AI训练节点生成的加密密钥可以是不同，不同AI训练节点生成的解密密钥也可以是不同的。因此，不同AI训练节点在发送自己的解密密钥时，可以携带该AI训练节点的标识信息，从而使得该区块链网络中的记账节点可以根据每个AI训练节点的解密密钥对该AI训练节点发送的加密信息进行解密。
本发明实施例通过AI训练任务发起节点在区块链网络中广播AI训练任务，当AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数后，采用加密密钥对所述模型参数进行加密，得到加密信息，进一步将该加密信息广播到所述区块链网络中，当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证，从而可以避免AI训练节点将自己训练出的模型参数广播到区块链网络后被其他AI训练节点在该模型参数的基础上继续进行模型训练而获得正确率更高的模型参数，从而使得每个AI训练节点可以获得自己应有的奖励。
图3为本发明另一实施例提供的基于区块链的训练参数处理方法流程图。在上述实施例的基础上，本实施例提供的基于区块链的训练参数处理方法具体包括如下步骤：
步骤301、记账节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案。
如图1所示，AI训练任务发起节点可以在区块链网络中广播AI训练任务，该AI训练任务用于请求该区块链网络中的AI训练节点训练某一模型，从而得到该模型的模型参数。该AI训练任务具体可对应有智能合约白皮书，具体的，AI训练任务发起节点可以在区块链网络中广播该AI训练任务对应的智能合约白皮书。在一种具体的实现方式中，AI训练任务发起节点可以采用自己的私钥对该智能合约白皮书进行签名，并将私钥签名后的智能合约白皮书广播到该区块链网络中。
具体的，该智能合约白皮书可以包括训练结果检测样本或者训练结果检测样本对应的链接、训练结果奖励方案。其中，训练结果检测样本具体用于对训练结果进行验证，该训练结果具体可以是训练出的模型参数。本实施例并不限定训练结果奖励方案的具体形式和内容。例如，该训练结果奖励方案可以包括如下至少一种：从AI训练任务发起节点发布该AI训练任务之后的预设时间内，完成模型训练得到模型参数的前N个AI训练节点的奖励金额；完成模型训练后得到的模型参数的正确率大于或等于95％的AI训练节点的奖励金额；完成模型训练后得到的模型参数的正确率大于或等于90％的AI训练节点的奖励金额；达到最低标准的第一个记账节点可获得的记账奖励。具体的，奖励金额或记账奖励具体可以是Token。此外，AI训练任务发起节点或记账节点还可以将该训练结果奖励方案中涉及到的奖励金额或记账奖励进行锁定。
具体的，当AI训练任务发起节点在区块链网络中广播该AI训练任务对应的智能合约白皮书后，AI训练节点和记账节点可从该区块链网络中接收到该AI训练任务对应的智能合约白皮书。
步骤302、所述记账节点接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息。
当AI训练节点从该区块链网络中接收到该AI训练任务对应的智能合约白皮书后，AI训练节点可启动该AI训练节点对应的计算资源，该计算资源具体可以是图形处理器(英语：Graphics Processing Unit，GPU)计算集群。具体的，AI训练节点可根据该GPU计算集群进行模型训练，并得到训练后的模型参数。
例如，当AI训练节点从该区块链网络中接收到该AI训练任务对应的智能合约白皮书后，AI训练节点可加载训练样本，该训练样本可以是该AI训练节点本地存储的训练样本，也可以是区块链网络中其他节点根据该AI训练任务广播到该区块链网络中的、并且与该AI训练任务相匹配的训练样本。进一步，AI训练节点可启动GPU计算集群，并采用该GPU计算集群对该训练样本进行长时间模型训练，得到模型参数。
在一种可能的实现方式中，AI训练节点在训练得到模型参数后，该AI训练节点可以随机生成一个加密密钥。进一步，该AI训练节点采用该加密密钥对该模型参数进行加密得到加密信息。
在另一种可能的实现方式中，该加密密钥是AI训练任务发起节点生成的加密公钥。该AI训练任务发起节点可以将该加密公钥广播到该区块链网络中。当AI训练节点训练得到模型参数后，该AI训练节点可根据该加密公钥对该模型参数进行加密得到加密信息。
进一步，AI训练节点可以将该加密信息广播到所述区块链网络中，从而使得该区块链网络中的记账节点可以接收到该加密信息。具体的，AI训练节点可以采用自己的私钥对该加密信息进行签名，并将私钥签名后的加密信息广播到该区块链网络中。
步骤303、当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥。
例如，AI训练任务发起节点发布该AI训练任务之后，该AI训练任务发起节点还可以随时在该区块链网络中广播截止时间。
如果如上所述的加密密钥是该AI训练节点在训练得到模型参数后随机生成的，则当该AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，该AI训练节点可以在该区块链网络中广播该加密密钥对应的解密密钥。例如，该AI训练节点可以在限定的时间内采用自己的私钥对该解密密钥进行签名，并将私钥签名后的该解密密钥广播到该区块链网络中。
如果如上所述的加密密钥是AI训练任务发起节点生成的加密公钥，则该AI训练任务发起节点在区块链网络中广播截止时间时，还可以在该区块链网络中广播该加密密钥对应的解密密钥，该解密密钥为解密私钥。
可以理解的是，该AI训练节点在该区块链网络中广播的解密密钥或该AI训练任务发起节点在该区块链网络中广播的解密密钥，可以被该区块链网络中的记账节点所接收到。
在一种可能的实现方式中，所述加密密钥是所述AI训练节点生成的；所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥，包括：所述记账节点从所述区块链网络中接收所述AI训练节点发送的所述加密密钥对应的解密密钥。
例如，AI训练节点在训练得到模型参数后，该AI训练节点可以随机生成一个加密密钥。当该AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，该AI训练节点可以在该区块链网络中广播该加密密钥对应的解密密钥。从而使得记账节点可以从该区块链网络中接收该AI训练节点发送的该加密密钥对应的解密密钥。
在另一种可能的实现方式中，所述加密密钥是所述AI训练任务发起节点生成的加密公钥；所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥，包括：所述记账节点从所述区块链网络中接收所述AI训练任务发起节点发送的所述加密密钥对应的解密密钥，所述解密密钥为解密私钥。
例如，该加密密钥是AI训练任务发起节点生成的加密公钥。该AI训练任务发起节点在区块链网络中广播截止时间时，还可以在该区块链网络中广播该加密密钥对应的解密密钥，该解密密钥为解密私钥。从而使得记账节点可以从该区块链网络中接收该AI训练任务发起节点发送的该加密密钥对应的解密密钥。
步骤304、所述记账节点根据所述解密密钥对所述加密信息进行解密得到所述模型参数。
该区块链网络中的记账节点可以记录如上所述的AI训练节点和AI训练任务发起节点在该区块链网络中广播的信息，并且记账节点在记录过程中可获得相应的记账奖励。当该记账节点接收到某个AI训练节点在该区块链网络中广播的加密信息时，该记账节点可根据该解密密钥对如上所述的加密信息进行解密，得到模型参数。
步骤305、所述记账节点根据所述训练结果检测样本对所述模型参数进行验证。
例如，该记账节点根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。可选的，该记账节点不限于是在接收到该截止时间时，根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。该记账节点还可以在该截止时间之前提前根据智能合约白皮书中包括的训练结果检测样本对该模型参数的正确率进行验证。
步骤306、若所述模型参数通过所述验证，则所述记账节点根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息。
步骤307、所述记账节点将所述奖励信息写入区块链账本中。
例如，当该模型参数的正确率满足如上所述的训练结果奖励方案时，该AI训练节点可获得相应的奖励金额，即该记账节点可以将该AI训练节点可获得的奖励金额记录在区块链账本中。
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
具体的，该区块链网络中可包括多个记账节点，例如，记账节点A和记账节点B。当记账节点A对某个AI训练节点广播的模型参数进行验证后，还可以将相应的验证结果发送给其他记账节点，例如，记账节点B。记账节点B可以对该记账节点A的验证结果进行验证。如果记账节点B确定该记账节点A的验证结果是错误的，则记账节点B可以根据记账节点B验证得到的该模型参数的正确率，重新生成奖励记录。如果记账节点B确定该记账节点A的验证结果是正确的，则记账节点B可以在此基础上进行下一个区块的生成。
可选的，AI训练任务发起节点可以不锁定自己的Token。该区块链网络中奖励AI训练节点和记账节点的Token可以是区块链自己生成的。也就是说，该区块链可以是一个公益区块链。具体的，AI训练节点训练得到的模型参数可以共享给该区块链网络中的参与节点。
本发明实施例通过AI训练任务发起节点在区块链网络中广播AI训练任务，当AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数后，采用加密密钥对所述模型参数进行加密，得到加密信息，进一步将该加密信息广播到所述区块链网络中，当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证，从而可以避免AI训练节点将自己训练出的模型参数广播到区块链网络后被其他AI训练节点在该模型参数的基础上继续进行模型训练而获得正确率更高的模型参数，从而使得每个AI训练节点可以获得自己应有的奖励。
图4为本发明实施例提供的AI训练节点的结构示意图。本发明实施例提供的AI训练节点可以执行基于区块链的训练参数处理方法实施例提供的处理流程，如图4所示，AI训练节点40包括：存储器41、处理器42、计算机程序和通讯接口43；其中，计算机程序存储在存储器41中，并被配置为由处理器42执行以下操作：通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数；采用加密密钥对所述模型参数进行加密，得到加密信息；通过所述通讯接口将所述加密信息广播到所述区块链网络中；当所述通讯接口接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，通过所述通讯接口在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证；其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
可选的，所述处理器采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数时，具体用于：加载训练样本、并采用所述AI训练节点对应的计算资源进行模型训练，得到所述模型参数。
图4所示实施例的AI训练节点可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图5为本发明实施例提供的记账节点的结构示意图。本发明实施例提供的记账节点可以执行基于区块链的训练参数处理方法实施例提供的处理流程，如图5所示，记账节点50包括：存储器51、处理器52、计算机程序和通讯接口53；其中，计算机程序存储在存储器51中，并被配置为由处理器52执行以下操作：通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；通过所述通讯接口接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息；当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥；根据所述解密密钥对所述加密信息进行解密得到所述模型参数；根据所述训练结果检测样本对所述模型参数进行验证；若所述模型参数通过所述验证，则根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息；将所述奖励信息写入区块链账本中；其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
可选的，所述加密密钥是所述AI训练节点生成的；所述处理器通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥时，具体用于：通过所述通讯接口从所述区块链网络中接收所述AI训练节点发送的所述加密密钥对应的解密密钥。
可选的，所述加密密钥是所述AI训练任务发起节点生成的加密公钥；所述处理器通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥时，具体用于：通过所述通讯接口从所述区块链网络中接收所述AI训练任务发起节点发送的所述加密密钥对应的解密密钥，所述解密密钥为解密私钥。
图5所示实施例的记账节点可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
另外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的基于区块链的训练参数处理方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种基于区块链的训练参数处理方法，其特征在于，包括：
AI训练节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
所述AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数；
所述AI训练节点采用加密密钥对所述模型参数进行加密，得到加密信息；
所述AI训练节点将所述加密信息广播到所述区块链网络中；
当所述AI训练节点接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，所述AI训练节点在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
2.根据权利要求1所述的方法，其特征在于，所述AI训练节点采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数，包括：
所述AI训练节点加载训练样本、并采用所述AI训练节点对应的计算资源进行模型训练，得到所述模型参数。
3.一种基于区块链的人工智能训练方法，其特征在于，包括：
记账节点接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
所述记账节点接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息；
当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥；
所述记账节点根据所述解密密钥对所述加密信息进行解密得到所述模型参数；
所述记账节点根据所述训练结果检测样本对所述模型参数进行验证；
若所述模型参数通过所述验证，则所述记账节点根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息；
所述记账节点将所述奖励信息写入区块链账本中；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
4.根据权利要求3所述的方法，其特征在于，所述加密密钥是所述AI训练节点生成的；
所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥，包括：
所述记账节点从所述区块链网络中接收所述AI训练节点发送的所述加密密钥对应的解密密钥。
5.根据权利要求3所述的方法，其特征在于，所述加密密钥是所述AI训练任务发起节点生成的加密公钥；
所述记账节点从所述区块链网络中接收所述加密密钥对应的解密密钥，包括：
所述记账节点从所述区块链网络中接收所述AI训练任务发起节点发送的所述加密密钥对应的解密密钥，所述解密密钥为解密私钥。
6.一种AI训练节点，其特征在于，包括：
存储器；
处理器；
通讯接口；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数；
采用加密密钥对所述模型参数进行加密，得到加密信息；
通过所述通讯接口将所述加密信息广播到所述区块链网络中；
当所述通讯接口接收到所述AI训练任务发起节点在区块链网络中广播的截止时间时，通过所述通讯接口在所述区块链网络中广播所述加密密钥对应的解密密钥，以使所述区块链网络中的记账节点根据所述解密密钥对所述加密信息进行解密后得到所述模型参数，并根据所述训练结果检测样本对所述模型参数进行验证；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
7.根据权利要求6所述的AI训练节点，其特征在于，所述处理器采用所述AI训练节点对应的计算资源进行模型训练，得到模型参数时，具体用于：
加载训练样本、并采用所述AI训练节点对应的计算资源进行模型训练，得到所述模型参数。
8.一种记账节点，其特征在于，包括：
存储器；
处理器；
通讯接口；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
通过所述通讯接口接收AI训练任务发起节点在区块链网络中广播的AI训练任务，所述AI训练任务包括训练结果检测样本、训练结果奖励方案；
通过所述通讯接口接收AI训练节点在所述区块链网络中广播的加密信息，所述加密信息是所述AI训练节点采用加密密钥对所述模型参数进行加密后得到的信息；
当所述AI训练任务发起节点在所述区块链网络中广播截止时间时，通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥；
根据所述解密密钥对所述加密信息进行解密得到所述模型参数；
根据所述训练结果检测样本对所述模型参数进行验证；
若所述模型参数通过所述验证，则根据所述训练结果奖励方案确定所述AI训练节点获得的奖励信息；
将所述奖励信息写入区块链账本中；
其中，所述AI训练节点、所述AI训练任务发起节点和所述记账节点是所述区块链网络中的参与节点。
9.根据权利要求8所述的记账节点，其特征在于，所述加密密钥是所述AI训练节点生成的；
所述处理器通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥时，具体用于：
通过所述通讯接口从所述区块链网络中接收所述AI训练节点发送的所述加密密钥对应的解密密钥。
10.根据权利要求8所述的记账节点，其特征在于，所述加密密钥是所述AI训练任务发起节点生成的加密公钥；
所述处理器通过所述通讯接口从所述区块链网络中接收所述加密密钥对应的解密密钥时，具体用于：
通过所述通讯接口从所述区块链网络中接收所述AI训练任务发起节点发送的所述加密密钥对应的解密密钥，所述解密密钥为解密私钥。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624142.0A CN111858753B (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的训练参数处理方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624142.0A CN111858753B (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的训练参数处理方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111858753A true CN111858753A (zh) | 2020-10-30 |
| CN111858753B CN111858753B (zh) | 2023-11-17 |
Family
ID=72988953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624142.0A Active CN111858753B (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的训练参数处理方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111858753B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065866A (zh) * | 2021-03-23 | 2021-07-02 | 北京邮电大学 | 基于区块链的物联网边缘计算系统及方法 |
| WO2022105546A1 (zh) * | 2020-11-17 | 2022-05-27 | 深圳壹账通智能科技有限公司 | 一种基于区块链的大数据交易方法、装置、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685501A (zh) * | 2018-12-04 | 2019-04-26 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
| CN110222721A (zh) * | 2019-05-10 | 2019-09-10 | 深圳前海达闼云端智能科技有限公司 | 数据处理方法、装置，区块链节点及存储介质 |
| US20200076884A1 (en) * | 2018-08-31 | 2020-03-05 | Nakamoto & Turing Labs Inc | Methods and apparatus for performing distributed computing using blockchain |
| CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
| CN111125784A (zh) * | 2019-12-24 | 2020-05-08 | 山东爱城市网信息技术有限公司 | 一种基于区块链的人工智能训练模型方法、设备及介质 |
-
2020
- 2020-06-30 CN CN202010624142.0A patent/CN111858753B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200076884A1 (en) * | 2018-08-31 | 2020-03-05 | Nakamoto & Turing Labs Inc | Methods and apparatus for performing distributed computing using blockchain |
| CN109685501A (zh) * | 2018-12-04 | 2019-04-26 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
| CN110222721A (zh) * | 2019-05-10 | 2019-09-10 | 深圳前海达闼云端智能科技有限公司 | 数据处理方法、装置，区块链节点及存储介质 |
| CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
| CN111125784A (zh) * | 2019-12-24 | 2020-05-08 | 山东爱城市网信息技术有限公司 | 一种基于区块链的人工智能训练模型方法、设备及介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022105546A1 (zh) * | 2020-11-17 | 2022-05-27 | 深圳壹账通智能科技有限公司 | 一种基于区块链的大数据交易方法、装置、介质及设备 |
| CN113065866A (zh) * | 2021-03-23 | 2021-07-02 | 北京邮电大学 | 基于区块链的物联网边缘计算系统及方法 |
| CN113065866B (zh) * | 2021-03-23 | 2022-07-22 | 北京邮电大学 | 基于区块链的物联网边缘计算系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111858753B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113204787B (zh) | 基于区块链的联邦学习隐私保护方法、系统、设备和介质 | |
| CN109102287B (zh) | 区块链记账方法、装置、设备及存储介质 | |
| CN108924130B (zh) | 一种区块数据的验证方法、装置、设备和存储介质 | |
| CN109493204B (zh) | 基于区块链的业务记账方法及终端设备 | |
| CN111930851B (zh) | 区块链网络的管控数据处理方法、装置、介质及电子设备 | |
| CN110351363B (zh) | 数据备份方法、设备及计算机可读存储介质 | |
| EP3454238A1 (en) | Registration and authorization method, device and system | |
| CN102170440B (zh) | 适用于存储云间数据安全迁移的方法 | |
| KR101941786B1 (ko) | 블록체인기술을 이용한 컨텐츠 유통 관리 시스템 및 방법 | |
| CN110796449B (zh) | 交易处理方法、系统、介质和计算设备 | |
| KR101941785B1 (ko) | 블록체인기술을 이용한 컨텐츠 유통 관리 시스템 및 방법 | |
| CN110351276B (zh) | 数据处理方法、设备及计算机可读存储介质 | |
| CN111858753B (zh) | 基于区块链的训练参数处理方法、设备及存储介质 | |
| CN110958253A (zh) | 基于区块链的电子投票方法、设备及存储介质 | |
| CN114091690A (zh) | 联邦学习模型的训练方法和调用方法以及联邦学习系统 | |
| CN110910110B (zh) | 一种数据处理方法、装置及计算机存储介质 | |
| CN110351364B (zh) | 数据存储方法、设备及计算机可读存储介质 | |
| KR20210077176A (ko) | 뉴럴 블록 클러스터 기반의 안전한 블록 체인 네트워크 시스템 | |
| CN111858752A (zh) | 基于区块链的人工智能训练方法、设备及存储介质 | |
| CN110933098B (zh) | 基于区块链的电子投票方法、设备及存储介质 | |
| CN112784305A (zh) | 加密投票方法、计算机设备和存储介质 | |
| KR102622665B1 (ko) | 블록체인 기반의 데이터 관리 방법 및 장치 | |
| KR20210077136A (ko) | 블록 체인 네트워크 시스템의 동작 방법 | |
| CN111641695B (zh) | 基于区块链的应用程序授权使用方法、设备及存储介质 | |
| CN111858754A (zh) | 基于区块链的人工智能训练方法、区块链节点及介质 |
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 |