CN111858754A - 基于区块链的人工智能训练方法、区块链节点及介质 - Google Patents
基于区块链的人工智能训练方法、区块链节点及介质 Download PDFInfo
- Publication number
- CN111858754A CN111858754A CN202010624143.5A CN202010624143A CN111858754A CN 111858754 A CN111858754 A CN 111858754A CN 202010624143 A CN202010624143 A CN 202010624143A CN 111858754 A CN111858754 A CN 111858754A
- Authority
- CN
- China
- Prior art keywords
- training
- node
- encrypted data
- public key
- training task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 378
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000977 initiatory effect Effects 0.000 claims abstract description 105
- 238000012795 verification Methods 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000003999 initiator Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (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人工智能训练方法、区块链节点及介质，通过AI训练任务发起节点在区块链网络中发布AI训练任务，使得区块链网络中的AI训练节点根据该AI训练任务执行模型训练操作，并将训练得到的模型数据加密发送给AI训练任务发起节点，再由AI训练任务发起节点采用AI训练节点生成并发布的加密公钥对模型数据进行加密，并将加密数据发送给记账节点，使得记账节点基于内置的解密私钥对加密数据进行解密并验证，从而提高了训练结果的保密性，使得任务发起方的权益得到了保证。
Description
技术领域
本发明实施例涉及区块链技术领域，尤其涉及一种基于区块链的人工智能训练方法、区块链节点及介质。
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。
发明内容
本发明实施例提供一种基于区块链的人工智能训练方法、区块链节点及介质，用以实现基于区块链的人工智能训练，并保证训练结果的保密性，确保任务发起方的权益。
本发明实施例第一方面提供一种基于区块链的人工智能训练方法，该方法包括：
AI训练任务发起节点在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码；
所述AI训练任务发起节点基于自身的私钥对所述第一加密数据进行解密得到所述模型数据；
所述AI训练任务发起节点采用所述第二公钥对所述模型数据进行加密得到第二加密数据；
所述AI训练任务发起节点将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
可选的，所述AI训练任务发起节点在区块链网络中发布AI训练任务之后，所述方法还包括：
所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
可选的，所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的第三加密数据之后，所述方法还包括：
所述AI训练任务发起节点将所述第三加密数据和所述第二加密数据进行比对；
若一致，则确定所述AI训练节点的模型数据提交成功。
本发明实施例第二方面提供一种基于区块链的人工智能训练方法，该方法包括：
AI训练节点接收AI训练任务发起节点在区块链网络中发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果的奖励方案；
所述AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码；
AI训练节点采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
可选的，所述AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码之后，所述方法还包括：
所述AI训练节点采用所述第二公钥对所述模型数据进行加密得到第三加密数据；
所述AI训练节点将所述第三加密数据发布到所述区块链网络中，以使所述AI训练任务发起节点将所述第三加密数据和所述第二加密数据进行比对。
本发明实施例第三方面提供一种AI训练任务发起节点，包括：处理器和存储器，所述存储器中存储有指令，当所述处理器执行所述指令时执行如下操作：
在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码；
基于自身的私钥对所述第一加密数据进行解密得到所述模型数据；
采用所述第二公钥对所述模型数据进行加密得到第二加密数据；
将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，以及记录对所述AI训练节点的奖励。
可选的，所述处理器还用于：获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
可选的，所述处理器还用于：
将所述第三加密数据和所述第二加密数据进行比对；
若一致，则确定所述AI训练节点的模型数据提交成功。
本发明实施例第四方面提供一种AI训练节点，包括：处理器和存储器，所述存储器中存储有指令，当所述处理器执行所述指令时执行如下操作：
接收AI训练任务发起节点在区块链网络中发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案
根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码；
采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
本发明实施例第五方面提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一方面或者第二方面的方法。
本发明实施例通过AI训练任务发起节点在区块链网络中发布AI训练任务，使得区块链网络中的AI训练节点根据该AI训练任务执行模型训练操作，训练得到的模型数据采用AI训练任务发起节点的第一公钥进行加密，加密得到的第一加密数据和AI训练节点生成的第二公钥以及第二公钥的解密私钥对应的验证代码一起发布到区块链网络中，使得区块链网络中的AI训练任务发起节点基于自身的私钥从第一加密数据中解密获得模型数据，并采用第二公钥对模型数据进行加密，将加密得到的第二加密数据发布到区块链网络中，区块链网络中的记账节点根据AI训练任务发起节点发布的验证代码对应的解密私钥对第二加密数据进行解密，并对解密得到的模型数据进行验证，并记录对AI训练节点的奖励。本发明实施例对训练结果的加密机制，提高了训练结果的保密性，使得任务发起方的权益得到了保证。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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他的附图。
图1是本发明实施例提供的一种通信系统的结构示意图；
图2是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图；
图3是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图；
图4是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图；
图5是本发明实施例提供的一种AI训练任务发起节点的结构示意图；
图6是本发明实施例提供的一种AI训练节点的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤的过程或结构的装置不必限于清楚地列出的那些结构或步骤而是可包括没有清楚地列出的或对于这些过程或装置固有的其它步骤或结构。
本发明实施例提供的基于区块链的人工智能训练方法，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，在本发明实施例中，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人工智能训练方法，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是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图，如图2所示，该方法包括如下步骤：
步骤201、AI训练任务发起节点在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案。
步骤202、所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码。
步骤203、所述AI训练任务发起节点基于自身的私钥对所述第一加密数据进行解密得到所述模型数据。
步骤204、所述AI训练任务发起节点采用所述第二公钥对所述模型数据进行加密得到第二加密数据。
步骤205、所述AI训练任务发起节点将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
其中，本实施例中的AI训练任务可以被示例性的具体为人工智能模型的训练任务，该训练任务需要采用大量的样本数据作为输入对模型的处理能力进行训练，使得模型处理结果的准确率达到预设要求。本实施例中所称的模型可以被具体为本领域公知的任一种人工智能模型。
本实施例中的AI训练节点提供模型训练服务，根据AI训练任务发起节点发起的AI训练任务，进行模型训练，并将训练结果反馈给AI训练任务发起节点。
记账节点，用于对AI训练节点的训练结果进行验证，并根据AI训练任务发起节点发布的训练结果奖励方案记录AI训练节点应得的奖励。
示例的，本实施例中AI训练任务发起节点可以将训练任务以任务白皮书的方式发布到区块链网路中。比如，在一种实施方式中，AI训练任务发起节点对用户动作进行监控，当监测到用户的任务发布动作后，从用户交互界面上获取编辑完成的智能合约白皮书，然后通过自身的私钥对智能合约白皮书进行签名处理，并将签名后的智能合约白皮书广播到区块链网络中，使得区块链网络中的AI训练节点，执行该训练任务。其中，智能合约白皮书中至少可以包括用于对训练结果进行检测的训练结果检测样本，或者存放样本的链接，以及训练结果的奖励方案和奖励金额等，比如，在一种实施方式中，可以对限时内完成训练，且模型准确率在95％以上的训练结果奖励x个令牌(Token)，90％以上的训练结果奖励y个Token等，再比如，可以规定在限时内第一个完成训练的AI训练节点奖励M个Token等。当然这里仅为示例说明并不是对本发明的唯一限定。
区块链中的AI训练节点接收到AI训练任务发起节点发布的AI训练任务后，启动自己的计算集群(比如图形处理器(Graphics Processing Unit，简称GPU)计算集群)加载训练样本，进行模型训练，得到模型数据。或者有现成的模型数据也可以采用现成的模型数据。进一步的，在得到模型数据后，AI训练节点采用AI训练任务发起节点的公钥(即第一公钥)对模型数据进行加密，并生成一个用于加密的公钥(即第二公钥)以及第二公钥对应的解密私钥的验证代码。将第二公钥、验证代码以及加密生成的第一加密数据采用自身的私钥签名后，发布到区块链网络中。
AI训练任务发起节点接收到AI训练节点在区块链网路中广播的消息后，采用自身的私钥从第一加密数据中解密获得模型数据，然后采用广播消息中携带的第二公钥对模型数据进行加密，将加密得到的第二加密数据采用自身的私钥签名后广播到区块链网络中。
区块链网路中的记账节点获取AI训练任务发起节点广播的消息，并基于AI训练任务发起节点的公钥从广播消息中解析得到第二加密数据。然后根据之前AI训练节点发布的验证代码，确定第二公钥对应的解密私钥，从而根据第二公钥对应的解密私钥对第二加密数据进行解密得到模型数据，进而根据AI训练任务发起节点发布的训练结果检测样本，或者AI训练任务发起节点发布的链接加载训练结果检测样本对模型的准确率进行验证，并根据验证结果记录训练结果检测样本应得的奖励。
示例的，在其他一些实施方式中，区块链网络中的其他记账节点也可以对该记账节点的检验结果进行验证。如果验证正确则生成下一个区块，如果不正确，则重新记录该AI训练节点应得的奖励。
本实施例通过AI训练任务发起节点在区块链网络中发布AI训练任务，使得区块链网络中的AI训练节点根据该AI训练任务执行模型训练操作，训练得到的模型数据采用AI训练任务发起节点的第一公钥进行加密，加密得到的第一加密数据和AI训练节点生成的第二公钥以及第二公钥的解密私钥对应的验证代码一起发布到区块链网络中，使得区块链网络中的AI训练任务发起节点基于自身的私钥从第一加密数据中解密获得模型数据，并采用第二公钥对模型数据进行加密，将加密得到的第二加密数据发布到区块链网络中，区块链网络中的记账节点根据AI训练任务发起节点发布的验证代码对应的解密私钥对第二加密数据进行解密，并对解密得到的模型数据进行验证，并记录对AI训练节点的奖励。本实施例对训练结果的加密机制，提高了训练结果的保密性，使得任务发起方的权益得到了保证。
图3是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图，如图3所示，在上述实施例的基础上，该方法包括：
步骤301、AI训练任务发起节点在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案。
步骤302、所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码。
步骤303、所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
步骤304、所述AI训练任务发起节点基于自身的私钥对所述第一加密数据进行解密得到所述模型数据。
步骤305、所述AI训练任务发起节点采用所述第二公钥对所述模型数据进行加密得到第二加密数据。
步骤306、所述AI训练任务发起节点将所述第三加密数据和所述第二加密数据进行比对；若一致，则确定所述AI训练节点的模型数据提交成功。
步骤307、所述AI训练任务发起节点将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
其中，步骤303在步骤302-步骤305中的顺序可以是任意的。
本实施例通过配置AI训练节点在发布第一加密数据后，再发布第三加密数据，使得AI训练任务发起节点能够根据第三加密数据和自身生成的第二加密数据对模型数据的准确性进行判断，防止模型数据被篡改，提高模型数据传输的安全性。
图4是本发明实施例提供的一种基于区块链的人工智能训练方法的流程图，如图4所示，该方法包括：
步骤401、AI训练节点接收AI训练任务发起节点在区块链网络中发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果的奖励方案。
步骤402、所述AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码。
步骤403、AI训练节点采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
其中，在一种实施方式中，AI训练节点根据AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及第二公钥的解密密钥对应的验证代码之后，AI训练节点还可以采用第二公钥对模型数据进行加密得到第三加密数据；并将第三加密数据发布到区块链网络中，以使AI训练任务发起节点将第三加密数据和第二加密数据进行比对，若比对一致，则确定AI训练节点提交模型数据成功。
本实施例的执行方式和有益效果与上述实施例类似，在这里不再赘述。
图5是本发明实施例提供的一种AI训练任务发起节点的结构示意图，如图5所示，节点50包括处理器51和存储器52，所述存储器52中存储有指令，当所述处理器51执行所述指令时执行如下操作：
在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码；基于自身的私钥对所述第一加密数据进行解密得到所述模型数据；采用所述第二公钥对所述模型数据进行加密得到第二加密数据；将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，以及记录对所述AI训练节点的奖励。
可选的，所述处理器还用于：获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
可选的，所述处理器还用于：
将所述第三加密数据和所述第二加密数据进行比对；若一致，则确定所述AI训练节点的模型数据提交成功。
本实施例提供的节点能够执行图2实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
图6是本发明实施例提供的一种AI训练节点的结构示意图，如图6所示，节点60包括：处理器61和存储器62，所述存储器62中存储有指令，当所述处理器61执行所述指令时执行如下操作：
接收AI训练任务发起节点在区块链网络中发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码；采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
本实施例提供的节点能够执行图4实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述图2-图4任一实施例提供的方法。
最后需要说明的是，本领域普通技术人员可以理解上述实施例方法中的全部或者部分流程，是可以通过计算机程序来指令相关的硬件完成，所述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可以为磁盘、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
本发明实施例中的各个功能单元可以集成在一个处理模块中，也可以是各个单元单独的物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现，并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。上述提到的存储介质可以是只读存储器、磁盘或光盘等。
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 (10)
1.一种基于区块链的人工智能训练方法，其特征在于，包括：
AI训练任务发起节点在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码；
所述AI训练任务发起节点基于自身的私钥对所述第一加密数据进行解密得到所述模型数据；
所述AI训练任务发起节点采用所述第二公钥对所述模型数据进行加密得到第二加密数据；
所述AI训练任务发起节点将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
2.根据权利要求1所述的方法，其特征在于，所述AI训练任务发起节点在区块链网络中发布AI训练任务之后，所述方法还包括：
所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
3.根据权利要求1所述的方法，其特征在于，所述AI训练任务发起节点获取所述AI训练节点在所述区块链网络发布的第三加密数据之后，所述方法还包括：
所述AI训练任务发起节点将所述第三加密数据和所述第二加密数据进行比对；
若一致，则确定所述AI训练节点的模型数据提交成功。
4.一种基于区块链的人工智能训练方法，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发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果的奖励方案；
所述AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码；
AI训练节点采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
5.根据权利要求4所述的方法，其特征在于，所述AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码之后，所述方法还包括：
所述AI训练节点采用所述第二公钥对所述模型数据进行加密得到第三加密数据；
所述AI训练节点将所述第三加密数据发布到所述区块链网络中，以使所述AI训练任务发起节点将所述第三加密数据和所述第二加密数据进行比对。
6.一种AI训练任务发起节点，其特征在于，包括：处理器和存储器，所述存储器中存储有指令，当所述处理器执行所述指令时执行如下操作：
在区块链网络中发布AI训练任务，以使所述区块链网络中的AI训练节点根据所述AI训练任务执行模型训练操作，得到模型数据，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
获取所述AI训练节点在所述区块链网络发布的所述AI训练任务的训练结果，所述训练结果中包括所述模型数据采用所述AI训练任务发起节点的第一公钥加密后得到的第一加密数据、所述AI训练节点生成的第二公钥以及所述第二公钥对应的解密私钥的验证代码；
基于自身的私钥对所述第一加密数据进行解密得到所述模型数据；
采用所述第二公钥对所述模型数据进行加密得到第二加密数据；
将所述第二加密数据发布到所述区块链网络中，以使所述区块链网络中的记账节点根据内置的所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，以及记录对所述AI训练节点的奖励。
7.根据权利要求6所述的AI训练任务发起节点，其特征在于，所述处理器还用于：获取所述AI训练节点在所述区块链网络发布的第三加密数据，所述第三加密数据为所述模型数据采用所述第二公钥加密后的数据。
8.根据权利要求7所述的AI训练任务发起节点，其特征在于，所述处理器还用于：
将所述第三加密数据和所述第二加密数据进行比对；
若一致，则确定所述AI训练节点的模型数据提交成功。
9.一种AI训练节点，其特征在于，包括：处理器和存储器，所述存储器中存储有指令，当所述处理器执行所述指令时执行如下操作：
接收AI训练任务发起节点在区块链网络中发布的AI训练任务，所述AI训练任务包括训练结果检测样本，以及训练结果奖励方案；
根据所述AI训练任务执行模型训练操作，得到模型数据，并生成第二公钥以及所述第二公钥的解密密钥对应的验证代码；
采用所述AI训练任务发起节点的第一公钥对所述模型数据进行加密得到第一加密数据，并将所述第一加密数据、所述第二公钥以及所述验证代码广播到所述区块链网络中，以使所述AI训练任务发起节点基于自身的私钥解密获得所述模型数据，并采用所述第二公钥对所述模型数据进行加密，将加密得到的第二加密数据广播到所述区块链网络中，使得所述区块链网络中的记账节点根据所述验证代码对应的解密私钥，对所述第二加密数据进行解密，并基于所述训练结果检测样本对解密得到的所述模型数据进行验证，并记录对所述AI训练节点的奖励。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624143.5A CN111858754A (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的人工智能训练方法、区块链节点及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624143.5A CN111858754A (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的人工智能训练方法、区块链节点及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111858754A true CN111858754A (zh) | 2020-10-30 |
Family
ID=72988971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624143.5A Pending CN111858754A (zh) | 2020-06-30 | 2020-06-30 | 基于区块链的人工智能训练方法、区块链节点及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111858754A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109983466A (zh) * | 2018-09-27 | 2019-07-05 | 区链通网络有限公司 | 一种基于区块链的账户管理系统以及管理方法、存储介质 |
| 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 |
| CN110516464A (zh) * | 2019-09-02 | 2019-11-29 | 深圳市网心科技有限公司 | 基于神经网络计算的数据保护方法及相关设备 |
| CN110796448A (zh) * | 2019-10-22 | 2020-02-14 | 全链通有限公司 | 基于区块链的智能合约验证方法、参与节点及介质 |
| CN110990871A (zh) * | 2019-11-29 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 基于人工智能的机器学习模型训练方法、预测方法及装置 |
-
2020
- 2020-06-30 CN CN202010624143.5A patent/CN111858754A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109983466A (zh) * | 2018-09-27 | 2019-07-05 | 区链通网络有限公司 | 一种基于区块链的账户管理系统以及管理方法、存储介质 |
| 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 |
| CN110516464A (zh) * | 2019-09-02 | 2019-11-29 | 深圳市网心科技有限公司 | 基于神经网络计算的数据保护方法及相关设备 |
| CN110796448A (zh) * | 2019-10-22 | 2020-02-14 | 全链通有限公司 | 基于区块链的智能合约验证方法、参与节点及介质 |
| CN110990871A (zh) * | 2019-11-29 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 基于人工智能的机器学习模型训练方法、预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230023857A1 (en) | Data processing method and apparatus, intelligent device, and storage medium | |
| 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 | |
| KR102145701B1 (ko) | 안전한 다자 계산에서 참가자에 의한 입력 데이터의 허위 표시 방지 | |
| CN113032840B (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
| CA3136622A1 (en) | Systems, devices, and methods for dlt-based data management platforms and data products | |
| CN110351363B (zh) | 数据备份方法、设备及计算机可读存储介质 | |
| CN110796449B (zh) | 交易处理方法、系统、介质和计算设备 | |
| CN110830242A (zh) | 一种密钥生成、管理方法和服务器 | |
| CN110351276B (zh) | 数据处理方法、设备及计算机可读存储介质 | |
| CN111683090A (zh) | 一种基于分布式存储的区块链数字签名方法及装置 | |
| CN110958253A (zh) | 基于区块链的电子投票方法、设备及存储介质 | |
| CN111027981A (zh) | 多方联合训练针对IoT机具的风险评估模型的方法及装置 | |
| CN112286872A (zh) | 基于区块链技术和星际文件系统的医疗图像数据共享方法、系统和可读存储介质 | |
| CN111858753B (zh) | 基于区块链的训练参数处理方法、设备及存储介质 | |
| CN112783847B (zh) | 数据共享方法及装置 | |
| CN110933098B (zh) | 基于区块链的电子投票方法、设备及存储介质 | |
| CN113807157A (zh) | 基于联邦学习训练神经网络模型的方法、装置和系统 | |
| CN109472149B (zh) | 一种基于区块链的数据运营方法 | |
| CN111858752A (zh) | 基于区块链的人工智能训练方法、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 | |
| CN110782347B (zh) | 基于区块链的智能合约签署方法、装置及介质 | |
| CN111125734B (zh) | 一种数据处理方法及系统 | |
| CN114254370A (zh) | 基于多方安全隐私计算提升交易匹配度的方法及装置 | |
| CN115955309B (zh) | 一种加密推理方法及其系统、设备、存储介质 |
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 |