CN112819072A - 一种监督式分类方法及系统 - Google Patents

Abstract

本发明提供一种基于区块链的监督式分类方法与系统，方法包括以下步骤：控制器触发节点进行工作，并发布要进行工作的第一任务；在每个节点分别搜集对应独有的训练数据、分类算法，形成训练模型和学习框架，每个节点对第一任务进行样本训练得到预测结果；预测结果一一分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链。该方法可以在分布、异构的数据中，加速分类学习的速度并保证数据隐私性，提高预测结果的准确性。

Description

一种监督式分类方法及系统

技术领域

本发明属于预测分析与区块链混合技术领域，具体涉及一种监督式分类方法及系统。

背景技术

人工智能(AI)正在显著地影响生活的各个方面，它具有很强的解决各种任务的能力，如图像分类和目标检测。然而，快速、准确响应已成为人工智能中的迫切需求。一般来说,预测结果的质量和训练样本的数量成正比例关系，监督式分类算法直接从数据学习中学习信息,不需要依赖一个预先确定的方程模型，而现有技术中的监督式分类方法随着训练样本的增加，需花费更多的时间来建立模型。

监督学习是通过训练已知类别的样本来调整分类器的参数以达到期望的性能的过程。监督分类算法是监督学习的子集。它首先对训练数据进行分析，然后生成预测函数，用来映射出新的实例，经过多次调整，该函数用于将对象区分为预定义的类别。

目前区块链技术已成为金融、物联网、版权保护、信息技术等领域的研究热点。它是一种分布式的点对点(P2P)架构，节点作为网络参与者被连接在一起。区块链在没有第三方保证的情况下建立了透明和信任机制。比特币作为第一种广泛部署、分布式的全球货币，引起了人们的广泛关注。比特币中的节点通过竞争来完成一个具有挑战性的工作量证明(PoW)难题。大约每十分钟得到一个解决方案。获胜者记录下一笔向自己发放的奖金，并将奖金存储到一个区块中。该块通过网络在比特币节点间传播，每个节点都冗余地记录下该奖金和其他信息，这样，获胜者的奖金就被所有节点承认了。当块添加到区块链中时，区块链的高度增加1。有可能存在多个节点在接收到其他节点的解之前自己解决难题的情况，因此在一定高度上可能会生成多个块。

PoW难题的计算竞争也被称为比特币中的挖掘(mining in Bitcoin)。节点通过重复哈希冲突竞争解决方案，2020年10月初，比特币的难度为19.30T，哈希率达到138.09EH/s，如此巨大的能量使得比特币成为最耗能的应用；根据Digiconomist显示的数据，miner每年用于验证比特币区块链交易的电力估计为70.89太瓦时，超过哥伦比亚和其他41个国家每年的电力。因此，哈希碰撞计算中备受关注的问题就是电能的浪费。

发明内容

有鉴于此，本发明的目的之一在于提供一种监督式分类方法，该方法能加速分类过程中数据训练，提高预测结果的准确性。

为实现上述目的，本发明的技术方案为：一种监督式分类方法，包括以下步骤：

控制器触发节点进行工作，并发布要进行工作的第一任务；

在每个节点分别搜集对应独有的训练数据、分类算法，形成训练模型和学习框架，每个节点对第一任务进行样本训练得到预测结果；

设置停止任务训练条件，并将所述预测结果一一分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链；其中，

所述停止任务训练条件为：

其中，

为存在，c_k为一个预测，C_x为所有可能的预测的集合，x为该任务，

为任意，c_l为一个预测，Nodes为所有节点的集合，null为尚未得到预测结果，

分别表示任务x中得到预测结果c_k、c_l的节点的集合；

或当满足以下条件时，停止任务训练：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

有鉴于此，本发明的目的之一在于提供一种监督式分类系统，该方法能加速分类过程中数据训练，提高预测结果的准确性。

为实现上述目的，本发明的技术方案为：一种监督式分类系统，包括多个节点、链上模块，每个节点包括链下模块、控制器；其中，

所述控制器触发节点进行工作，并控制进行工作的任务；

每个节点的所述链下模块均设置有对应独有的训练数据、分类算法、训练模型和学习框架，且所述链下模块与所述控制器相连，当控制器开始进行第一任务时，所述链下模块的每个节点对第一任务进行样本训练得到预测结果；

所述链上模块与各节点相连，用于接收各节点上的所述链下模块中第一任务对应的预测结果，所述预测结果分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链；

所述控制器还设置有一停止任务训练条件：

其中，

为存在，c_k为一个预测，C_x为所有可能的预测的集合，x为该任务，

为任意，c_l为一个预测，Nodes为所有节点的集合，null为尚未得到预测结果，

分别表示任务x中得到预测结果c_k、c_l的节点的集合；

或者所述停止任务训练条件为：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

与现有技术相比，本发明具有如下优点：

本发明提供一种监督式分类方法及系统，该方法可以加速数据训练，提高预测结果的准确性，同时方法中通过区块链技术保护数据隐私并且设置分布式计算实现监督式分类系统的高容错性、兼容强。

对于不同的场景、不同分类要求需要不同的分类方法而导致的兼容性问题，本实施例的系统可以解决该问题，兼容各种分类方法，并且可以适应硬件系统。

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一简单地介绍。显而易见地，下面描述中的附图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它的附图。

图1为中本聪共识机制原理图；

图2为本发明一种用于监督分类的分布式计算系统结构示意图；

图3为本发明中一种监督式分类方法的一实施例流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

需要注意的是，本发明的各公式的代表式的上、下标如无具体定义，其仅仅起到区分的作用的，如发明的c_l、c_k均为预测，下标仅用于区分其为不同的预测。

实施例1

参考图2，为本实施例中一种用于监督分类的分布式计算系统结构示意图，系统中包含多个节点与链上模块，每个节点包括链下模块、控制器；

本实施例中系统通过控制器触发节点开始工作，控制器可以用于决定一个任务是否进行；

链下模块用于接收待处理的任务池中的各任务，如一具体实施例中对任务m进行计算，进行样本训练，得到模型，本实施例中的链下模块中的链下算法、样本和模型由链下模块的节点自行收集和管理；

本实施例中的链下模块运用线下智能合约对私有数据进行训练得到训练模型，具体地，每个节点的链下模块都有自己特有的分类算法，其形成训练模型和学习框架，当接收到控制器中决定工作的任务m后，每个节点链下模块使用自己的算法训练自己的私有样本，进行样本训练，得到模型；在节点完成样本训练后，得到预测结果，预测的结构被存储在链上模块中，具体地，控制器在接收到任务m对应的模型后，得到目标，由链上模块根据目标得到任务m的预测结果；

链上模块与各节点相连，用于接收各个节点上的链下模块训练得到的任务m对应的预测结果，预测结果分别对应存储在不同区块(如区块N)中，预测结果相同的区块连接在同一区块链中，取任务m对应的最长区块链为最优链；

本发明中的系统与哈希碰撞不同，预测结果的准确性不能通过节点来验证，因此每个节点的每一个预测结果都存储在区块中，此外，链下模块的多个节点可能同时做出相同的预测结果，导致具有相同预测结果的块组成的链出现分叉，在这种情况下,拥有最多支持者的预测结果与最长的链会不一致；本实施例中为了确保支持相同预测的块在同一链中，链上模块中的每个节点检查它的预测结果是否与最近接收到的区块中的预测结果一致，如果它是一致的，并且节点生成的区块不在链中，节点将在接收到的区块之后发布一个新的区块；

在这种情况下,拥有最多支持者的预测结果与最长的链会不一致。为了确保支持相同预测的块在同一链中，每个节点检查它的预测结果是否与最近接收到的块中的预测结果一致。如果它是一致的，并且节点生成的区块不在链中，节点将在接收到的块之后发布一个新的块，这样使得预测结果发布到区块中，预测结果相同的区块连接在同一链中，不同的预测结果存储在不同的链中，最长链就是支持者最多的结果；

本实施例中的系统基于训练样本大致平均分布在大多数节点上的假设提出的，即没有一个节点控制所有节点的绝大多数样本，在这种情况下，该系统节点间的协作速度要比单个节点快得多，这样才能训练出所有的样本，当一条链是绝对最优链时，任务m即完成，也就是说经过一段时间后得到一条比其他链长的链；

优选地，本发明中的系统在对一个任务进行预测时，直到一个链绝对是最长的，比如链长度匹配等式最长时，在遇到该链最优链中有无限个节点时，根据以下条件停止任务：

其中，

为存在，c_k为一个预测，C_x为所有可能的预测的集合，x为该任务，

为任意，c_l为一个预测，Nodes为所有节点的集合，null为尚未得到预测结果，

分别表示任务x中得到预测结果c_k、c_l的节点的集合；

或者设停止任务训练条件为：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

PoP(Proof of Prediction)与PoW类似，选择最长链，不过不是基于工作量，而是基于预测的支持者数量最长链是最优链，但是PoP不同于PoW，因为：

(1)PoP不工作在哈希冲突或某些算法，它工作与各种离链算法，它是兼容和灵活的。

(2)PoP不为安全而等待一定的时间，它只等待一定的块。

(3)节点不计算哈希值，而是计算各种预测结果。

(4)节点不验证预测结果的正确性，只拒绝非法块。

(5)同一链的几个区块包含相同的预测结果。

PoP算法不同于以太坊的智能合同或者Fabric的链码，智能合同或者链码，PoP使用共识机制验算，例如PoW，中本聪共识的核心是工作量证明，比特币的PoW就是工作量证明，本实施例中提出的PoP也是利用中本聪共识,选择块最多的分叉作为最优链，具体地，中本聪共识机制可参考图1，其中一组节点可以同时就事件和序列达成一致，从块0到块n+2，有一个接一个链接的块，块0在高度0，块n+1在高度n+1。在高度n处，节点Alice和节点Bob同时发布了新块，节点Carol在高度n接收到2个块，因此块n作为最佳块(Tip)被添加到Carol的存储器中，块n’被存为备份。对Alice和Bob来说也是一样，他们用自己的块构建分叉，稍后到达的块存储在他们的存储器中作为备份块。爱丽丝和卡罗尔在他们的记忆中保留了相同的Tip，Bob保留了不同的(块n’作为Tip，块n作为备份)。在高度n+1处，卡罗尔发布区块n+1，而区块n的散列保存在区块n+1的报头中。因为具有块n+1的分叉比具有块n的分叉长，所以当鲍勃接收到块n+1时，它将块n+1保留在存储器中，并激活块n+1的前面的块，即块n，然后保留块n’作为备份。在高度n+2处，鲍勃发布了其新的块n+2，标题指向块n+1，结果爱丽丝在Blocknis的加成被每个节点接受，鲍勃在Block*NIS的加成被忽略。

实施例2

基于实施例1的系统，本实施例中提供一种监督式分类方法，该方法包括以下步骤：

S1：控制器触发节点进行工作，并发布要进行工作的第一任务；

在一具体实施例中，控制器触发节点进行工作，发布需要进行工作的任务，如任务m；

S2：在每个节点分别搜集对应独有的训练数据、分类算法，形成训练模型和学习框架，每个节点对第一任务进行样本训练得到预测结果；

本步骤中，链下模块的每个节点上均设置有不同的训练数据、分类算法、训练模型和学习框架，当链下模块收到任务m时，不同的节点自行根据任务m收集和管理链下算法、样本和模型，在各节点完成样本训练后，获得预测结果；

S3：预测结果一一分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链；其中，

本实施例中，停止任务训练条件为：

其中，

为存在，c_k为一个预测，C_x为所有可能的预测的集合，x为该任务，

为任意，c_l为一个预测，Nodes为所有节点的集合，null为尚未得到预测结果，

分别表示任务x中得到预测结果c_k、c_l的节点的集合；

或者停止任务训练条件为：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

本步骤中，每个节点的每一个预测结果都存储链上模块中，预测结果相同的块连接在同一链中，不同的预测结果存储在不同的链中。最长链就是支持者最多的结果，即最优链；

进一步地，多个节点可能同时做出相同的预测结果，导致具有相同预测结果的块组成的链出现分叉，拥有最多支持者的预测结果与最长的链会不一致，本实施例中为了确保支持相同预测的块在同一链中，每个节点检查它的预测结果是否与最近接收到的区块中的预测结果一致，如果它是一致的，并且节点生成的块不在链中，节点将在接收到的区块之后发布一个新的区块。

具体可参考图3，本实施例的一种监督式分类方法中的每个节点都有若干个自己的链外智能合约和私有训练数据，当新任务开始时，节点开始用它们自己的链外智能合约训练它们的私有样本，然后将预测结果发布到块中，具有相同预测结果的块被连接在相同的叉中，不同的预测结果被存储在不同的叉中。最长的叉是支持者最多的结果，即最优链，所有节点全部在t0开始训练，从图3中可以看到Bob首先完成训练，并在t1时将其预测结果发布在块2中，后来Alice和Carol在t2发表了他们的发现分别发布在块1与块3中。爱丽丝和卡罗尔的预测结果相同，但与鲍勃的不同，由于Alice和Carol同时发布他们的块，他们不能将自己的块连接在对方的块后面或者前面，此外，他们不能连接到Bob的块后，因为他们的预测结果是不同的，在t3，Alice和Carol检测到对方发布了具有相同预测结果并且没有被连接的块，他们再次分别发布了他们的区块(块n+1和块n+1*)，因此他们的区块所在的分叉都是最长的。t4的时候Dave发布的预测结果(发布于块4)与Alice和Carol的预测结果相同，Dave收到块n+1早于块n+1*，所以块n+2连接到块n+1，包含块n+2的分叉是最优链。

本实施例公开一种监督式分类方法，当节点收到任务，每个节点上的控制器触发节点进行工作；每个节点运用线下智能合约对私有的训练数据进行学习得到训练模型；每个节点对任务进行预测，将所述预测结果分别存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中,最长区块链分叉为最优链；节点上的控制器根据情况停止任务，反馈最优链上的结果，开始下一个任务。该方法可以在分布、异构的数据中，加速分类学习的速度并保证数据隐私性，提高预测结果的准确性。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (2)

1.一种监督式分类方法，其特征在于，包括以下步骤：

控制器触发节点进行工作，并发布要进行工作的第一任务；

在每个节点分别搜集对应独有的训练数据、分类算法，形成训练模型和学习框架，每个节点对第一任务进行样本训练得到预测结果；

预测结果一一分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链；其中，当满足以下条件时，停止任务训练：

其中，

为存在，c_k为一个预测，C_x为所有可能的预测的集合，x为当前任务，

为任意，c_l为一个预测，Nodes为所有节点的集合，null为尚未得到预测结果，

分别表示任务x中得到预测结果c_k、c_l的节点的集合；

或当满足以下条件时，停止任务训练：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

2.一种监督式分类系统，包含多个节点、链上模块，其特征在于，每个节点包括链下模块、控制器，其中，

所述控制器触发节点进行工作，并控制进行工作的任务；

每个节点的所述链下模块均设置有对应独有的训练数据、分类算法、训练模型和学习框架，且所述链下模块与所述控制器相连，当控制器开始进行第一任务时，所述链下模块的每个节点对第一任务进行样本训练得到预测结果；

所述链上模块与各节点相连，用于接收各节点上的所述链下模块中第一任务对应的预测结果，所述预测结果分别对应存储在不同区块中，预测结果相同的区块连接在同一区块链分叉中，取第一任务对应的最长区块链为最优链；

所述控制器还设置有一停止任务训练条件：

其中，

为存在，c_k为一个预测，k为，C_x为所有可能的预测的集合，x为该任务，

为任意，c_l为一个预测，l为，Nodes为所有节点的集合，null为尚未得到预测结果，

表示任务x中得到预测结果c_k、c_l的节点的集合；

或者所述停止任务训练条件为：

其中，∑为求和，λ为事件发生的期望值，e为欧拉数，z为两条最长分叉的区块数差，

为诚实节点预测任务x得到结论c_k的概率，x为该任务，

为诚实节点预测任务x得到正确结论的概率，δ为一个小于1的参数，表示错误结论成为最优链的概率要小于δ。

Images