CN112181599A - 模型训练方法、装置及存储介质 - Google Patents
模型训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112181599A CN112181599A CN202011109511.9A CN202011109511A CN112181599A CN 112181599 A CN112181599 A CN 112181599A CN 202011109511 A CN202011109511 A CN 202011109511A CN 112181599 A CN112181599 A CN 112181599A
- Authority
- CN
- China
- Prior art keywords
- node
- service
- mirror image
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了模型训练方法、装置及存储介质,有助于提高模型训练的安全性。该方法包括:确定所述区块链中包括至少一个节点为所述委托节点提供模型的训练服务;从至少一个节点中确定服务节点,并在区块链中广播服务节点的标识信息;获取初始模型的镜像信息;向服务节点发送镜像信息;所述镜像信息用于所述服务节点获取所述镜像并部署;向服务节点发送训练数据;训练数据用于服务节点通过数据接口将训练数据输入初始模型进行模型训练得到新镜像,获取新镜像,新镜像中包括训练完成的模型。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及模型训练方法、装置及存储介质。
背景技术
以深度学习为代表的人工智能,其模型规模大、参数多、结构复杂,这使得训练模型需要的计算量越来越大,用户需要使用云服务提供商提供的服务来完成模型的训练。
当前,使用云服务提供商提供的服务来进行模型训练时,用户需要将自身身份信息、初始模型以及训练数据等发送给云服务提供商。这样,用户的身份信息、初始模型以及训练数据均暴露给了云服务提供商,导致给用户带来安全风险。
发明内容
本申请提供模型训练方法、装置及存储介质,有助于提高模型训练的安全性。
第一方面,提供一种模型训练方法,应用于区块链中的委托节点,区块链还包括除委托节点之外的其他节点;该方法包括:确定所述区块链中包括至少一个节点为所述委托节点提供模型的训练服务;从至少一个节点中确定服务节点,并在区块链中广播服务节点的标识信息;获取初始模型的镜像信息;初始模型的镜像信息包括初始模型的镜像所存储的位置以及镜像的标识;镜像包括数据接口;向服务节点发送镜像信息;镜像信息用于服务节点获取镜像并部署;向服务节点发送训练数据;训练数据用于服务节点通过数据接口将训练数据输入初始模型进行模型训练得到新镜像;获取新镜像;新镜像中包括训练完成的模型。
这样,服务节点对所训练的模型不感知,从而降低了委托节点使用服务节点训练模型的安全风险。
在一种可能的实现方式中,上述从至少一个节点中确定服务节点,包括:根据预存的区块链中每个节点的节点标识与信用等级的对应关系,从至少一个节点中获取信用等级大于一个阈值的节点标识;从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点。
这样,委托节点根据信用等级确定服务节点,进一步降低了使用确定的服务节点训练模型的安全风险。
在另一种可能的实现方式中,上述从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点,包括:根据预存的每个节点的行为历史,从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点,并在区块链中广播服务节点的标识。
这样,根据每个节点的行为历史确定服务节点,进一步降低了使用确定的服务节点训练模型的安全风险。服务节点的标识用于区块链中的节点记录服务节点与委托节点之间的行为历史。
在另一种可能的实现方式中,该方法还包括:接收服务节点发送的模型训练状态消息,并根据训练状态消息确定模型训练完成。
在另一种可能的实现方式中,该方法还包括:向其他节点中的每个节点广播服务节点的服务结果;服务结果用于表征服务节点的行为历史。
这样,区块链中的节点可以根据接收到的服务节点的的服务结果记录服务节点的行为历史。
在另一种可能的实现方式中,上述确定区块链中包括至少一个节点为委托节点提供模型的训练服务,包括:获取模型训练所需计算资源的大小以及存储资源的大小;向其他节点发送模型训练服务请求消息;请求消息包括计算资源的大小以及存储资源的大小;接收其他节点中的至少一个节点发送的服务应答消息;服务应答消息用于表征至少一个节点能够为委托节点提供模型训练服务。
第二方面,提供一种模型训练方法,应用于区块链中的服务节点,区块链还包括委托节点;该方法包括:确定服务节点为委托节点提供模型训练服务;接收委托节点发送的服务节点的标识以及委托节点发送的镜像信息;镜像信息包括初始模型的镜像所存储的位置以及镜像的标识;根据镜像信息获取镜像;镜像包括数据接口;接收委托节点发送的训练数据;将训练数据通过数据接口输入初始模型的镜像进行模型训练。
这样,服务节点毋须感知训练的模型以及训练数据,从而降低了委托节点委托服务节点训练数据模型的风险。
在一种可能的实现方式中,上述确定服务节点为委托节点提供模型训练服务,包括:接收委托节点发送的模型训练请求消息;请求消息包括请求的计算资源的大小以及请求的存储资源的大小;根据请求消息确定向委托节点提供模型训练服务;向委托节点发送服务应答消息;服务应答消息用于表征服务节点能够为委托节点提供模型训练服务。
在另一种可能的实现方式中,上述初始模型的镜像还包括状态接口,上述方法还包括:通过状态接口向委托节点发送模型训练状态消息,训练状态消息用于委托节点确定模型训练的状态。
在另一种可能的实现方式中,该方法还包括:确定模型训练完成;删除训练数据;将训练完成的模型所在的镜像发布为新镜像;向委托节点发送新镜像。
在另一种可能的实现方式中,该方法还包括:向区块链中的每个节点广播服务完成消息。
第三方面,提供一种委托节点,可用于执行上述第一方面至第一方面的任一种可能的实现方式中提供的任一种方法。
根据第三方面,在第三方面的第一种可能的实现方式中,该委托节点包括若干功能模块,该若干功能模块分别用于执行上述第一方面提供的任一种方法中的相应步骤。
根据第三方面,在第三方面的第二种可能的实现方式中,该委托节点可以包括处理器,该处理器用于执行上述第一方面至第一方面的任一种可能的实现方式中提供的任一种方法。该委托节点还可以包括存储器,该存储器用于存储计算机程序。以使得所述处理器能够调用所述计算机程序以用于执行上述第一方面至第一方面的任一种可能的实现方式中提供的任一种方法。
第四方面,提供一种服务节点,可用于执行上述第二方面至第二方面的任一种可能的实现方式中提供的任一种方法。
根据第四方面,在第四方面的第一种可能的实现方式中,该服务节点包括若干功能模块,该若干功能模块分别用于执行上述第二方面提供的任一种方法中的相应步骤。
根据第四方面,在第四方面的第二中可能的实现方式中,该服务节点可以包括处理器,该处理器用于执行上述第二方面至第二方面的任一种可能的实现方式中提供的任一种方法。该服务节点还可以包括存储器,该存储器用于存储计算机程序。以使得所述处理器能够调用所述计算机程序以用于执行上述第二方面至第二方面的任一种可能的实现方式中提供的任一种方法。
第五方面,本申请提供一种芯片系统,该芯片系统应用于计算机设备,该芯片系统包括一个或多个接口电路,以及一个或多个处理器。所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述计算机设备的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时,所述计算机设备执行如第一方面至第一方面中任一种可能的实现方式所述的方法,或者,所述计算机设备执行如第二方面至第二方面中任一种可能的实现方式所述的方法。
第六方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在计算机设备上运行时,使得所述计算机设备执行如第一方面至第一方面中任一种可能的实现方式所述的方法,或者,所述计算机设备执行如第二方面至第二方面中任一种可能的实现方式所述的方法。
第七方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在计算机设备上运行时,使得所述计算机设备执行如第一方面至第一方面中任一种可能的实现方式所述的方法,或者,使得所述计算机设备执行如第二方面至第二方面中任一种可能的实现方式所述的方法。
可以理解的是,上述提供的任一种委托节点、服务节点、计算机可读存储介质、计算机程序产品或芯片系统等均可以应用于上文所提供的对应的方法,因此,其所能达到的有益效果可参考对应的方法中的有益效果,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的技术方案所适用的一种区块链系统的结构示意图;
图2为本申请实施例提供的技术方案所适用的一种计算机设备的结构示意图;
图3为本申请实施例提供的一种模型训练方法中确定服务节点阶段的流程示意图;
图4为本申请实施例提供的一种模型训练方法中模型训练阶段的流程示意图;
图5为本申请实施例提供的一种初始模型的镜像的结构示意图;
图6为本申请实施例提供的一种委托节点的结构示意图;
图7为本申请实施例提供的一种服务节点的结构示意图。
具体实施方式
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例中,“至少一个”是指一个或多个。“多个”是指两个或两个以上。
在本申请实施例中,“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例中,组合包括一个或多个对象。
为了便于理解本申请,现对本申请涉及到的相关术语进行解释:
1)区块链技术
区块链技术,也被称为分布式账本技术,是一种由若干台计算设备共同参与“记账”(即记录交易数据),共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化(即没有中心节点)、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。
区块链系统可包括多个区块链节点。区块链节点为具有通信功能以及存储功能的设备,如存储有区块链的设备。为了便于描述,本申请采用节点表示区块链节点。也就是说,本申请涉及到的节点均可用于表示区块链节点。
每一个节点既可接收信息,也可生成信息。不同的节点之间通过维护一个共同的区块链来保持通信。具体的,在区块链系统中,任一节点可以根据客户端发送的与交易相关的数据生成新的区块,并以广播的形式通知其他节点,其他节点可以对这个区块进行验证。当区块链系统中的所有节点达成共识后,新的区块就可以被添加到区块链中。
本申请中的节点可以理解为处理单元。在一种实现方式中,节点可以为物理设备,例如服务器或终端设备。在另一种实现方式中,节点可以为虚拟计算机;虚拟计算机为所有类型的虚拟化设备中软件虚拟出来的运行环境的统称,该概念包括虚拟机、容器。在其他实现方式中,节点可以为进程(process)或者线程(thread);线程是操作系统能够进行运算调度的最小单位,线程被包含在进程之中,是进程中的实际运作单位;进程是计算机中的程序关于某数据集合上的一次运行活动,是系统进行资源分配和调度的基本单位。
2)区块(block)
在区块链技术中,交易数据以电子记录的形式被永久储存下来,存放这些电子记录的文件我们称之为“区块”。
区块是按时间顺序一个个先后生成的,每一个区块记录有它在被创建期间发生的所有交易,所有区块汇总起来形成一个链式的记录合集。区块中记录有该区块生成时间段内的交易数据,因此,区块的主体实际上是交易数据的合集。每一种区块链的结构设计可能不完全相同,但区块通常包括区块头(header)和区块体(body)两部分。
其中,区块头主要用于记录当前区块的特征值,可以包括当前区块的标识(如区块的编号)、当前区块中区块体的哈希值、时间戳(用于表示该区块的生成时间)、交易数量(transaction count)和随机数(nonce)等信息中的至少一种信息,此外,区块头还可以包括前一区块的哈希值(具体为前一区块中区块头的哈希值)。
区块头包括有多个特征值,在确定该区块的哈希值时,需要将该区块头中的各个特征值按照顺序连接在一起,以组成一个字符串,再对这个字符串计算哈希值。由于不同区块的区块头所包括的特征值的数值通常不同,因此,每一区块均唯一对应一个哈希值。
基于每一区块均唯一对应一个哈希值,且每个区块的区块头均包括有前一区块的哈希值,这样,多个区块即可形成区块链。
区块体可以包括多个交易数据。对于每一交易数据而言,区块体还包括客户端的证书(用于说明交易的发起端)、背书节点的证书以及背书节点针对该交易的签名等信息。可选的,对于每一笔交易而言,区块体还可以包括排序节点(或称为共识节点)对该笔交易的签名。这里的签名均用于表示与该签名对应的设备对交易的鉴权,证书均用于表示身份。
上述签名和证书等数据均用于对交易数据的验证,这些数据通常占用区块体中70%的存储空间。
示例性的,表1示出了区块的一种结构形式。当然,区块的结构不仅仅局限于表1所示,且各个结构的取值也不仅仅局限于表1所示。
表1
本申请实施例提供的模型训练方法可以适用于如图1所示的区块链系统的结构。该区块链系统包括至少两个节点10(图1中以4个节点10-1为例进行说明)和身份认证服务器20。
其中,节点10为该区块链系统中的区块链节点。具体可以参考上述术语的解释不再赘述。
身份认证服务器20预存有区块链系统中每个节点的真实身份信息,身份认证服务器20为新加入区块链的节点提供身份认证注册服务,并为身份验证通过的节点提供签名私钥,向区块链系统中每个节点广播该签名私钥对应的公钥。身份认证服务器20可以为物理设备,例如服务器或终端设备。在另一种实现方式中,身份认证服务器20可以为虚拟计算机;虚拟计算机为所有类型的虚拟化设备中软件虚拟出来的运行环境的统称,该概念包括虚拟机、容器。
上述节点10以及身份认证服务器20均可以通过如图2所示计算机设备30来实现。如图2所示,为本申请实施例提供的技术方案所适用的一种计算机设备的结构示意图。为本申请实施例提供的技术方案所适用的一种计算机设备的结构示意图。图2所示的计算机设备30可以包括至少一个处理器301,通信线路302,存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路302可包括至少一条通路,比如数据总线,和/或控制总线,用于在上述组件(如至少一个处理器301,通信线路302,存储器303以及至少一个通信接口304)之间传送信息。
通信接口304,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如广域网(wide area network,WAN),局域网(local area networks,LAN)等。
存储器303,可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器303可以是独立存在,通过通信线路302与处理器301相连接。存储器303也可以和处理器301集成在一起。本申请实施例提供的存储器303通常包括非易失性存储器。其中,存储器303用于存储执行本申请方案的计算机指令,并由处理器301来控制执行。处理器301用于执行存储器303中存储的计算机指令,从而实现本申请下述实施例提供的方法。
存储器303包括内存和硬盘。
可选的,本申请实施例中的计算机指令也可以称之为应用程序代码或系统,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,计算机设备30可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,计算机设备30还可以包括输出设备305和/或输入设备306。输出设备305和处理器301通信,可以以多种方式来显示信息。例如,输出设备305可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emittingdiode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备306和处理器301通信,可以以多种方式接收用户的输入。例如,输入设备306可以是鼠标、键盘、触摸屏设备或传感设备等。
需要说明的是,图2所示的计算机设备仅为示例,其不对本申请实施例可适用的计算机设备构成限定。实际实现时,计算机设备可以包括比图2中所示的更多或更少的设备或器件。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供的模型训练方法包括:确定服务节点阶段和模型训练阶段。
图3示出了本申请实施例提供的一种模型训练方法中确定服务节点阶段的流程示意图。图3中以区块链包括4个节点为例进行说明,如图3所示,该方法中确定服务节点阶段可以包括以下步骤:
S100:委托节点获取模型训练所需计算资源的大小以及存储资源的大小。
在一种可能的实现方式中,委托节点接收输入的模型训练所需计算资源的大小以及存储资源的大小。
在另一种可能的实现方式中,委托节点根据训练数据以及初始模型(例如:训练镜像大小),获取模型训练所需计算资源的大小(例如:统一计算设备架构(compute unifieddevice architecture,CUDA)单元数量)以及存储资源的大小。
示例性的,委托节点获取的所需计算资源的大小包括处理器的计算能力大小和内存大小等,获取的存储资源大小包括外存(如flash存储空间、缓存等)大小。
S101:委托节点向其他节点发送模型训练请求消息。其中,其他节点为区块链中除委托节点之外的节点。该模型训练请求消息包括请求的计算资源的大小以及请求的存储资源的大小。
可选的,该模型训练请求消息还包括请求标识、请求时间戳、镜像摘要等。其中,请求时间戳用于表征发出请求的时间,镜像摘要用于后续服务节点验证获取的镜像是否正确和完整。
具体的,在一种可能的实现方式中,委托节点向区块链中广播模型训练请求消息。
在另一种可能的实现方式中,委托节点向区块链中的每个节点发送模型训练请求消息。
S102:委托节点接收其他节点中的至少一个节点发送的服务应答消息。其中,服务应答消息用于表征该至少一个节点能够向委托节点提供模型训练服务。
S103:委托节点根据服务应答消息从该至少一个节点中确定服务节点。服务应答消息包括发送该服务应答消息的节点的节点标识。
具体的,委托节点通过如下步骤从该至少一个节点中确定服务节点:
步骤一:委托节点根据预存的区块链中每个节点的节点标识与信用等级的对应关系,从该至少一个节点中获取信用等级大于一个阈值的节点标识。其中,节点标识可以是区块链网络中身份认证服务器提供的签名公钥。
示例性的,委托节点中存储的节点的节点标识与信用等级的对应关系如下表2所示:
表2
节点标识 | 信用等级 |
节点1 | 1 |
节点2 | 2 |
节点3 | 3 |
节点4 | 3 |
表2中,信用等级1表明节点1可以参与共识、不可以在区块链中广播请求训练服务以及不可以提供模型训练服务。信用等级2表明节点2可以参与共识、可以在区块链中广播请求训练服务以及不可以提供模型训练服务。信用等级3表明节点3和节点4可以参与共识、可以在区块链中广播请求训练服务以及可以提供模型训练服务。
委托节点收到了节点标识为节点2、节点3和节点4的服务应答消息,委托节点从中获取的节点标识为节点3和节点4。
步骤二:委托节点从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点。
在一种可能的实现方式中,委托节点从信用等级大于一个阈值的节点中随机选取一个节点标识所对应的节点作为服务节点。
在另一种可能的实现方式中,委托节点根据预存的每个节点的行为历史,从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点。
具体的,委托节点中预存的区块链中任意一个第一节点的行为历史可以是区块链中的其他节点中的任意一个节点在区块链中发布的该第一节点完成模型训练服务的服务结果。委托节点根据每个节点的行为历史,获取信用等级大于一个阈值的节点的行为历史,并根据每个节点的行为历史,选取一个节点作为服务节点。
基于步骤一中的示例,委托节点获取到的节点3对应的行为历史中服务评级为5星,获取到节点4对应的行为历史中服务评级为3星。假设,5星表征的模型训练任务完成满意度大于3星表征的模型训练任务完成满意度,那么委托节点选取节点3对应的节点作为服务节点。
这样,委托节点根据信用等级,进一步的根据节点的行为历史记录确定服务节点,相当于区块链中的每个节点对服务节点均具有监督作用,从而进一步降低了委托节点使用服务节点训练模型的安全风险。
S104:委托节点在区块链中广播服务节点的标识信息,其中,标识信息包括服务节点的节点标识。
可选的,S105:区块链中的其他节点根据接收到的服务节点的标识信息记录委托节点确定服务节点为其提供模型训练服务这一行为。
图4示出了本申请实施例提供的一种模型训练方法中模型训练阶段的流程示意图。如图4所示,该方法中模型训练阶段可以包括以下步骤:
S200:委托节点获取初始模型的镜像信息。其中,初始模型的镜像信息包括初始模型的镜像所存储的位置以及镜像的标识。该初始模型的镜像包括数据接口。
本申请实施例对初始模型的镜像所存储的位置不进行限定,示例性的,初始模型的镜像可以在委托节点上,也可以在因特网中的任意一个可被访问的服务器或云平台上。
在一个示例中,初始模型的镜像如图5所示。图5中初始模型的镜像40包括训练模块401、控制模型402以及收发模块403。其中,训练模块401用于根据训练数据对初始模型进行训练。控制模块402用于生成模型训练状态消息,控制模块402还用于当模型训练完成后,删除训练数据。可选的,控制模块402还用于解密训练数据。收发模块403用于接收模型训练的训练数据以及发送模型训练状态消息。
S201:委托节点向服务节点发送初始模型的镜像信息。
S202:服务节点根据初始模型的镜像信息获取该初始模型的镜像并部署。
具体的,服务节点从初始模型的镜像所存储的位置获取初始模型的镜像,并在服务节点中部署该镜像。部署完成的镜像通过数据接口以及状态接口与委托节点通信。
S203:委托节点向服务节点发送初始模型的训练数据。
具体的,委托节点可以通过多次向服务节点发送初始模型的训练数据,委托节点也可以通过一次向服务节点发送初始模型的训练数据。
可选的,委托节点对训练数据进行加密后,向服务节点发送加密后的训练数据。
S204:服务节点将接收到的训练数据输入初始模型的镜像进行模型训练。
具体的,服务节点将接收到的训练数据通过数据接口输入镜像中的初始模型进行模型训练。
可选的,初始模型的镜像中有相应的解密过程将加密后的训练数据进行解密,然后输入初始模型进行模型的训练,进一步降低了使用服务节点进行模型训练的安全风险。
S205:服务节点通过初始模型的镜像的状态接口向委托节点发送模型训练状态消息。其中,模型训练状态消息的格式可以是在该初始模型的镜像中定义好的。
具体的,状态接口可以阶段性的输出模型训练状态消息,状态接口也可以在模型训练完成后输出模型训练状态消息,服务节点向委托节点发送该模型训练状态消息。
S206:委托节点根据模型训练状态消息,确定模型训练完成。
可选的,S207:委托节点向服务节点发送训练完成通知消息。
S208:服务节点根据训练完成通知消息确定模型训练完成。
可以理解的是,服务节点可以通过接收委托节点发送的训练完成通知消息确定模型训练完成,也可以通过图形用户界面接收训练完成通知消息。示例性的,当委托节点确定模型训练完成后,委托人员可以通过线下方式通知服务节点负责人模型训练完成,这种情况下,服务节点可以通过图形用户界面获取训练完成通知消息确定模型训练完成。
S209:服务节点删除训练该模型的训练数据,并将训练完成的该模型发布为新镜像。
在一种可能的实现方式中,训练完成通知消息通过数据接口输入初始模型的镜像后,初始模型的控制模块删除该模型的训练数据,并将训练完成的改模型发布为新镜像。
S210:服务节点向委托节点发送新镜像。
可选的,服务节点在区块链中广播服务完成消息。
可以理解的是,上述的S207中的训练完成通知消息一方面用于告知服务节点模型训练完成,另一方面用于请求获取新镜像。在具体实施的过程中,委托节点也可以重新发送一条请求获取新镜像的请求消息,该请求获取新镜像的请求消息用于服务节点向委托节点发送新镜像。
S211:委托节点存储新镜像,并生成服务节点的服务结果。
具体的,委托节点将获取的新镜像进行存储,生成服务节点的服务结果记录下来。其中,服务结果用于表征服务节点的行为历史。
可选的,委托节点还可以根据服务结果对服务节点进行身份揭示。
具体的,委托节点通过如下步骤根据服务结果对服务节点进行身份揭示:
步骤一:委托节点向身份认证服务器发送身份揭示请求,该身份揭示请求中包括委托节点的私钥签名。
步骤二:身份认证服务器对委托节点的身份进行验证。
具体的,身份认证服务器根据预存的委托节点的私钥对应的公钥对私钥签名进行认证。
步骤三:身份认证服务器向委托节点发送身份验证结果。
步骤四:委托节点向身份认证服务器发送委托节点中存储的服务节点的公钥标识。
步骤五:身份认证服务器在区块链中广播身份揭示请求和服务节点的公钥标识。揭示请求和服务节点的公钥标识用于区块链中的其他节点投票确定是否支持该身份揭示请求。
步骤六:身份认证服务器获取投票结果,若投票结果中支持数大于预设阈值则向委托节点发送服务节点的身份,若支持数小于或等于预设阈值则向委托节点发送驳回身份揭示请求的消息。
委托节点具有身份揭示能力,进一步降低了委托节点使用服务节点训练模型的安全风险。
后续,委托节点可以向区块链中广播服务节点的服务结果。服务结果用于区块链中的节点记录服务节点的行为历史。从而为区块链中的节点下次确定服务节点提供事实依据。
可以理解的是,本申请实施例中,节点之间发送的数据(例如:上述模型训练请求消息、服务应答消息、初始模型的镜像、新镜像等)都可以包括所发送具体内容的摘要,该摘要用于接收节点验证接收到的数据的合法性以及完整性。
本申请实施例中,委托节点将初始模型、数据接口以及状态接口等发布为了镜像,使得服务节点对初始模型不感知,从而降低了委托节点使用服务节点训练模型的安全风险。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的方法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对委托节点进行功能模块的划分,例如可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是,本申请实施例中对模块的划分是示意性的,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。
如图6所示,为本申请实施例提供的一种委托节点的结构示意图。该委托节点50可以用于执行上文中任意一个实施例(如图3、图4所示的实施例)中委托节点所执行的功能。委托节点50包括:获取模块501、发送模块502和确定模块503。其中,确定模块503用于确定区块链中包括至少一个节点为委托节点提供模型的训练服务;从至少一个节点中确定服务节点;并在区块链中广播服务节点的标识信息。获取模块501用于获取初始模型的镜像信息;初始模型的镜像信息包括初始模型的镜像所存储的位置以及镜像的标识;镜像包括数据接口;发送模块502还用于向服务节点发送镜像信息;镜像信息用于服务节点获取镜像并部署;向服务节点发送训练数据;训练数据用于服务节点通过数据接口将训练数据输入初始模型进行模型训练得到新镜像;获取模块501还用于获取新镜像;新镜像中包括训练完成的模型。例如,结合图3,上述确定模块503可以用于执行S103。结合图4,上述获取模块501可以用于执行S200,确定模块503可以用于执行S206。
可选的,获取模块501用于获取模型训练所需计算资源的大小以及存储资源的大小;发送模块502还用于向其他节点发送模型训练服务请求消息;该请求消息包括计算资源的大小以及存储资源的大小;所述委托节点还包括接收模块504,用于接收其他节点中的至少一个节点发送的服务应答消息;服务应答消息用于表征该至少一个节点能够为委托节点提供模型训练服务。例如,结合图3,上述获取模块501可以用于执行S100、S104,发送模块502可以用于执行S101,接收模块504可以用于执行S102。结合图4,发送模块502可以用于执行S201、S203以及S207。接收模块504可以用于执行S205中的接收步骤。
可选的,确定模块503具体用于,根据预存的区块链中每个节点的节点标识与信用等级的对应关系,从至少一个节点中获取信用等级大于一个阈值的节点标识;从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点。
可选的,确定模块503具体用于,根据预存的每个节点的行为历史,从信用等级大于一个阈值的节点标识中选取一个节点标识所对应的节点作为服务节点,并在区块链中广播服务节点的标识。
可选的,接收模块504用于接收服务节点发送的模型训练状态消息,并根据训练状态消息确定模型训练完成。
可选的,发送模块502还用于向其他节点中的每个节点广播服务节点的服务结果;服务结果用于表征服务节点的行为历史。
在一个示例中,参见图2,上述获取模块501的接收功能、发送模块502以及接收模块504均可以由图2中的通信接口304实现。上述获取模块501的处理功能、确定模块503均可以由图2中的处理器301调用存储器303中存储的计算机程序实现。
如图7所示,为本申请实施例提供的一种服务节点的结构示意图。该服务节点60可以用于执行上文中任意一个实施例(如图3、图4所示的实施例)中节点或服务节点所执行的功能。服务节点60包括:接收模块601、确定模块602、获取模块603和训练模块604。其中,确定模块602,用于确定所述服务节点为所述委托节点提供模型训练服务;接收模块601用于接收委托节点发送的服务节点的标识以及委托节点发送的镜像信息;镜像信息包括初始模型的镜像所存储的位置以及镜像的标识;获取模块603用于根据镜像信息获取镜像;镜像包括数据接口;接收模块601还用于接收委托节点发送的训练数据;训练模块604用于将训练数据通过数据接口输入初始模型的镜像进行模型训练。例如,结合图4,接收模块601可以用于执行S201、S203以及S207中的接收步骤。获取模块603可以用于执行S202。确定模块602可以用于执行S208,训练模块604可以用于执行S204。结合图3,接收模块601可以用于执行S101、S104中的接收步骤,确定模块602可以用于执行S105。
可选的,接收模块601还用于接收委托节点发送的模型训练请求消息;请求消息包括请求的计算资源的大小以及请求的存储资源的大小;确定模块602还用于根据请求消息确定可以向委托节点提供模型训练服务;所述服务节点还包括发送模块605用于向委托节点发送服务应答消息;服务应答消息用于表征服务节点可以向委托节点提供模型训练服务。例如,结合图4,发送模块605可以用于执行S205、S210中的发送步骤。结合图3,发送模块605可以用于执行S102中的发送步骤。
可选的,初始模型的镜像还包括状态接口,发送模块605还用于通过状态接口向委托节点发送模型训练状态消息,训练状态消息用于委托节点确定模型训练的状态。
可选的,确定模块602还用于确定模型训练完成;删除训练数据;将训练完成的模型所在的镜像发布为新镜像;发送模块605还用于向委托节点发送新镜像。
可选的,发送模块605还用于向区块链中的每个节点广播服务完成消息。
在一个示例中,参见图2,上述接收模块601、发送模块605和获取模块603的接收功能均可以由图2中的通信接口304实现。上述获取模块603的处理功能、确定模块602以及训练模块604均可以由图2中的处理器301调用存储器303中存储的计算机程序实现。
关于上述可选方式的具体描述参见前述的方法实施例,此处不再赘述。此外,上述提供的任一种服务节点60或委托节点50的解释以及有益效果的描述均可参考上述对应的方法实施例,不再赘述。
需要说明的是,上述各个模块对应执行的动作仅是具体举例,各个单元实际执行的动作参照上述基于图3、图4所述的实施例的描述中提及的动作或步骤。
本申请实施例还提供了一种计算机设备,包括:存储器和处理器;该存储器用于存储计算机程序,该处理器用于调用该计算机程序,以执行上文提供的任一实施例中提及的动作或步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当该计算机程序在计算机上运行时,使得该计算机执行上文提供的任一实施例中提及的动作或步骤。
本申请实施例还提供了一种芯片。该芯片中集成了用于实现上述委托节点50或服务节点60的功能的电路和一个或者多个接口。可选的,该芯片支持的功能可以包括基于图3、图4所述的实施例中的处理动作,此处不再赘述。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可通过程序来指令相关的硬件完成。所述的程序可以存储于一种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,随机接入存储器等。上述处理单元或处理器可以是中央处理器,通用处理器、特定集成电路(application specificintegrated circuit,ASIC)、微处理器(digital signal processor,DSP),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。
本申请实施例还提供了一种包含指令的计算机程序产品,当该指令在计算机上运行时,使得计算机执行上述实施例中的任意一种方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solidstate disk,SSD))等。
应注意,本申请实施例提供的上述用于存储计算机指令或者计算机程序的器件,例如但不限于,上述存储器、计算机可读存储介质和通信芯片等,均具有非易失性(non-transitory)。
在实施所要求保护的本申请过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。
Claims (17)
1.一种模型训练方法,其特征在于,应用于区块链中的委托节点,所述区块链还包括除所述委托节点之外的其他节点;所述方法包括:
确定所述区块链中包括至少一个节点为所述委托节点提供模型的训练服务;
从所述至少一个节点中确定服务节点,并在所述区块链中广播所述服务节点的标识信息;
获取初始模型的镜像信息;所述初始模型的镜像信息包括所述初始模型的镜像所存储的位置以及所述镜像的标识;所述镜像包括数据接口;
向所述服务节点发送所述镜像信息;所述镜像信息用于所述服务节点获取所述镜像并部署;
向所述服务节点发送训练数据;所述训练数据用于所述服务节点通过所述数据接口将所述训练数据输入所述初始模型进行模型训练得到新镜像;
获取所述新镜像;所述新镜像中包括训练完成的模型。
2.根据权利要求1所述的方法,其特征在于,所述从所述至少一个节点中确定服务节点,包括:
根据预存的所述区块链中每个节点的节点标识与信用等级的对应关系,从所述至少一个节点中获取信用等级大于阈值的节点标识;
从所述信用等级大于阈值的节点标识中选取一个节点标识所对应的节点作为服务节点。
3.根据权利要求2所述的方法,其特征在于,所述从所述信用等级大于阈值的节点标识中选取一个节点标识所对应的节点作为服务节点,包括:
根据预存的每个节点的行为历史,从所述信用等级大于阈值的节点标识中选取一个节点标识所对应的节点作为服务节点,并在所述区块链中广播所述服务节点的标识。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
接收所述服务节点发送的模型训练状态消息,并根据所述训练状态消息确定所述模型训练完成。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
向所述其他节点中的每个节点广播所述服务节点的服务结果;所述服务结果用于所述其他节点生成所述服务节点的行为历史。
6.根据权利要求1-3、5任一项所述的方法,其特征在于,所述确定所述区块链中包括至少一个节点为所述委托节点提供模型的训练服务,包括:
获取模型训练所需计算资源的大小以及存储资源的大小;
向所述其他节点发送模型训练服务请求消息;所述请求消息包括所述计算资源的大小以及所述存储资源的大小;
接收所述其他节点中的至少一个节点发送的服务应答消息;所述服务应答消息用于表征所述至少一个节点能够为所述委托节点提供所述模型训练服务。
7.一种模型训练方法,其特征在于,应用于区块链中的服务节点,所述区块链还包括委托节点;所述方法包括:
确定所述服务节点为所述委托节点提供模型训练服务;
接收所述委托节点发送的所述服务节点的标识以及所述委托节点发送的镜像信息;所述镜像信息包括初始模型的镜像所存储的位置以及所述镜像的标识;
根据所述镜像信息获取所述镜像;所述镜像包括数据接口;
接收所述委托节点发送的训练数据;
将所述训练数据通过所述数据接口输入所述初始模型的镜像进行模型训练。
8.根据权利要求7所述的方法,其特征在于,所述确定所述服务节点为所述委托节点提供模型训练服务,包括:
接收所述委托节点发送的模型训练请求消息;所述请求消息包括请求的计算资源的大小以及请求的存储资源的大小;
根据所述请求消息确定向所述委托节点提供模型训练服务;
向所述委托节点发送服务应答消息;所述服务应答消息用于表征所述服务节点能够为所述委托节点提供所述模型训练服务。
9.根据权利要求7或8所述的方法,其特征在于,所述初始模型的镜像还包括状态接口,所述方法还包括:
通过所述状态接口向所述委托节点发送模型训练状态消息,所述训练状态消息用于所述委托节点确定所述模型训练的状态。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
确定所述模型训练完成;
删除所述训练数据;
将训练完成的所述模型所在的镜像发布为新镜像;
向所述委托节点发送所述新镜像。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
向所述区块链中的每个节点广播服务完成消息。
12.一种委托节点,其特征在于,所述委托节点为区块链中的一个节点,所述区块链还包括除所述委托节点之外的其他节点;所述委托节点包括:
确定模块,用于确定所述区块链中包括至少一个节点为所述委托节点提供模型的训练服务;从所述至少一个节点中确定服务节点;并在所述区块链中广播所述服务节点的标识信息;
获取模块,用于获取初始模型的镜像信息;所述初始模型的镜像信息包括所述初始模型的镜像所存储的位置以及所述镜像的标识;所述镜像包括数据接口;
发送模块,用于向所述服务节点发送所述镜像信息;所述镜像信息用于所述服务节点获取所述镜像并部署;向所述服务节点发送训练数据;所述训练数据用于所述服务节点通过所述数据接口将所述训练数据输入所述初始模型进行模型训练得到新镜像;
所述获取模块,还用于获取所述新镜像;所述新镜像中包括训练完成的模型。
13.根据权利要求12所述的委托节点,其特征在于,所述发送模块还用于:
向所述其他节点中的每个节点广播所述服务节点的服务结果;所述服务结果用于表征所述服务节点的行为历史。
14.一种服务节点,其特征在于,所述服务节点是区块链中的一个节点,所述区块链还包括委托节点;所述服务节点包括:
确定模块,用于确定所述服务节点为所述委托节点提供模型训练服务;
接收模块,用于接收所述委托节点发送的所述服务节点的标识以及所述委托节点发送的镜像信息;所述镜像信息包括初始模型的镜像所存储的位置以及所述镜像的标识;
所述服务节点还包括:获取模块,用于根据所述镜像信息获取所述镜像;所述镜像包括数据接口;
所述接收模块还用于接收所述委托节点发送的训练数据;
所述服务节点还包括:训练模块,用于将所述训练数据通过所述数据接口输入所述初始模型的镜像进行模型训练。
15.根据权利要求14所述的服务节点,其特征在于,
所述确定模块还用于:确定所述模型训练完成;删除所述训练数据;
所述服务节点还包括发布模块,用于将训练完成的所述模型所在的镜像发布为新镜像;
所述服务节点还包括发送模块,用于向所述委托节点发送所述新镜像。
16.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器用于存储
计算机程序,所述处理器用于执行所述计算机程序,以执行权利要求1-6任一项所述的方法,或者,执行权利要求7-11任一项所述的方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1-6任一项所述的方法,或者,执行权利要求7-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109511.9A CN112181599B (zh) | 2020-10-16 | 2020-10-16 | 模型训练方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109511.9A CN112181599B (zh) | 2020-10-16 | 2020-10-16 | 模型训练方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112181599A true CN112181599A (zh) | 2021-01-05 |
CN112181599B CN112181599B (zh) | 2023-05-16 |
Family
ID=73950584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011109511.9A Active CN112181599B (zh) | 2020-10-16 | 2020-10-16 | 模型训练方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112181599B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900837A (zh) * | 2021-10-18 | 2022-01-07 | 中国联合网络通信集团有限公司 | 算力网络处理方法、装置、设备及存储介质 |
CN114780110A (zh) * | 2022-06-21 | 2022-07-22 | 山东极视角科技有限公司 | 一种算法链路的优化方法及优化系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105575389A (zh) * | 2015-12-07 | 2016-05-11 | 百度在线网络技术(北京)有限公司 | 模型训练方法、系统和装置 |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
CN109543726A (zh) * | 2018-11-06 | 2019-03-29 | 联动优势科技有限公司 | 一种训练模型的方法及装置 |
CN109933667A (zh) * | 2019-03-19 | 2019-06-25 | 中国联合网络通信集团有限公司 | 文本分类模型训练方法、文本分类方法及设备 |
US20190324856A1 (en) * | 2018-04-18 | 2019-10-24 | EMC IP Holding Company LLC | Optimization of checkpoint operations for deep learning computing |
CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布系统、方法、装置和设备 |
CN110633796A (zh) * | 2019-09-05 | 2019-12-31 | 北京达佳互联信息技术有限公司 | 模型更新方法、装置、电子设备及存储介质 |
US20200034197A1 (en) * | 2016-10-19 | 2020-01-30 | Nutanix, Inc. | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment |
-
2020
- 2020-10-16 CN CN202011109511.9A patent/CN112181599B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105575389A (zh) * | 2015-12-07 | 2016-05-11 | 百度在线网络技术(北京)有限公司 | 模型训练方法、系统和装置 |
US20200034197A1 (en) * | 2016-10-19 | 2020-01-30 | Nutanix, Inc. | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment |
US20190324856A1 (en) * | 2018-04-18 | 2019-10-24 | EMC IP Holding Company LLC | Optimization of checkpoint operations for deep learning computing |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
CN109543726A (zh) * | 2018-11-06 | 2019-03-29 | 联动优势科技有限公司 | 一种训练模型的方法及装置 |
CN109933667A (zh) * | 2019-03-19 | 2019-06-25 | 中国联合网络通信集团有限公司 | 文本分类模型训练方法、文本分类方法及设备 |
CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布系统、方法、装置和设备 |
CN110633796A (zh) * | 2019-09-05 | 2019-12-31 | 北京达佳互联信息技术有限公司 | 模型更新方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
WANLU ZHANG 等: "Medical Image Collaborative Training Based on Multi-Blockchain", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
尹俊 等: "一种面向5G网络的人工智能平台", 《邮电设计技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900837A (zh) * | 2021-10-18 | 2022-01-07 | 中国联合网络通信集团有限公司 | 算力网络处理方法、装置、设备及存储介质 |
CN114780110A (zh) * | 2022-06-21 | 2022-07-22 | 山东极视角科技有限公司 | 一种算法链路的优化方法及优化系统 |
CN114780110B (zh) * | 2022-06-21 | 2022-09-09 | 山东极视角科技有限公司 | 一种算法链路的优化方法及优化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112181599B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112840326B (zh) | 用于自动化操作管理的测试引擎 | |
CN109981679B (zh) | 在区块链网络中执行事务的方法和装置 | |
CN108549580B (zh) | 自动部署Kubernetes从节点的方法及终端设备 | |
Wilczyński et al. | Modelling and simulation of security-aware task scheduling in cloud computing based on Blockchain technology | |
US20210144012A1 (en) | Management of interoperating machine leaning algorithms | |
CN113169952B (zh) | 一种基于区块链技术的容器云管理系统 | |
CN111213340B (zh) | 选择用于密码功能的证明委托并使其安全 | |
US20210150416A1 (en) | Interoperation of machine learning algorithms | |
US20190386834A1 (en) | Blockchain management apparatus, blockchain management method, and program | |
US20210142221A1 (en) | Autonomous logic modules | |
EP3622448A1 (en) | Adaptation of machine learning algorithms | |
CN113711536A (zh) | 从区块链网络中提取数据 | |
EP3622446A1 (en) | Load balancing of machine learning algorithms | |
CN108769230B (zh) | 交易数据存储方法、装置、服务器及存储介质 | |
CN110944046B (zh) | 一种共识机制的控制方法及相关设备 | |
EP4216077A1 (en) | Blockchain network-based method and apparatus for data processing, and computer device | |
US20230052935A1 (en) | Asynchronous accounting method and apparatus for blockchain, medium and electronic device | |
CN111639309B (zh) | 一种数据处理方法、装置、节点设备及存储介质 | |
US20190369986A1 (en) | Modeling lifetime of hybrid software application using application manifest | |
JP2020204898A (ja) | 分散台帳システムの運用管理方法、分散台帳システムの運用管理システム、および分散台帳システムの運用管理プログラム | |
CN112181599B (zh) | 模型训练方法、装置及存储介质 | |
CN110990790B (zh) | 一种数据处理方法及设备 | |
JP7445685B2 (ja) | オープンインタフェースの管理方法、電子機器、及び記憶媒体 | |
CN112291321B (zh) | 业务处理方法、装置及系统 | |
CN112099879B (zh) | 配置信息管理方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |