CN113297310A - 一种物联网中区块链分片验证者选取的方法 - Google Patents

一种物联网中区块链分片验证者选取的方法 Download PDF

Info

Publication number
CN113297310A
CN113297310A CN202110662503.5A CN202110662503A CN113297310A CN 113297310 A CN113297310 A CN 113297310A CN 202110662503 A CN202110662503 A CN 202110662503A CN 113297310 A CN113297310 A CN 113297310A
Authority
CN
China
Prior art keywords
aggregator
committee
block chain
computing
node
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
Application number
CN202110662503.5A
Other languages
English (en)
Other versions
CN113297310B (zh
Inventor
张孜熙
蒋丽
陈奕儒
李列财
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110662503.5A priority Critical patent/CN113297310B/zh
Publication of CN113297310A publication Critical patent/CN113297310A/zh
Application granted granted Critical
Publication of CN113297310B publication Critical patent/CN113297310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/25—Integrating or interfacing systems involving database management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物联网中区块链分片验证者选取的方法，包括步骤如下：S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；S2：聚合商根据Q‑learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。本发明能提高处理区块的效率，提高整个共识过程的准确率。

Description

一种物联网中区块链分片验证者选取的方法
技术领域
本发明涉及物联网、区块链技术领域，更具体的，涉及一种物联网中区块链分片验证者选取的方法。
背景技术
物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。应用领域涉及到方方面面，在工业、农业、环境、交通、物流、安保等基础设施领域的应用，有效的推动了这些方面的智能化发展，使得有限的资源更加合理的使用分配，从而提高了行业效率、效益。
然而，传统的物联网系统由于其集中式的体系结构，存在可扩展性有限和单点故障的问题。区块链是一种去中心化、不可篡改的安全账本。可以在不受信任的个人之间实现安全和隐私保护的交互，而不依赖于中央权威机构。在区块链中，区块内容具有难以篡改的特性，每一个区块都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Hash树计算的散列值表示)，用区块链串接的分布式账本能让交易双方有效地记录交易，且可永久查验。并且节点通过共识机制后，便可向区块链上传区块，可扩展性强。区块链和物联网相结合，打造基于区块链的物联网平台可以有效的解决上述问题。
中国专利公开号：CN110753026A，公开日：2020-02-04，公开了基于区块链的分片方法及装置，其中，该方法包括：确定区块链网络中的第一主节点，若第一主节点为目标节点，则将区块链网络中的各个候选节点分别划分至不同的网络分片中；确定目标节点所在的目标网络分片中的第二主节点；若第二主节点为目标节点，则基于目标网络分片中各个候选节点所处的地址信息和/或网络延迟时间，确定目标网络分片中用于参与数据验证的验证节点。但是，在区块链共识过程中，由于物联网中用户交易记录对共识过程的需求不同(速率快、安全性高)且用户数量多、交易量大，工作证明需要大量的计算。并且比特币、以太坊区块链每秒可以处理链数非常有限，这两者很难作为日常交易的替代方案。针对这两种情况，区块链分片验证机制是一个很好的解决方案。
发明内容
本发明为了解决现有技术中存在用户数量多、交易量大，导致处理区块的效率下降的问题，提供了一种物联网中区块链分片验证者选取的方法，其能提高处理区块的效率，提高整个共识过程的准确率。
为实现上述本发明目的，采用的技术方案如下：
一种物联网中区块链分片验证者选取的方法，所述的方法包括步骤如下：
S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；
S2：聚合商根据Q-learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；
S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；
S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。
优选地，所述的效用函数的计算模型如下：
Figure BDA0003115656750000021
其中，UAj表示第j个聚合商的效用函数；ρjμ(Rj)是聚合商j完成一个共识过程所获得的报酬；ρj表示由聚合商j领导的委员会的信誉值；
Figure BDA0003115656750000022
是聚合商j领导委员会的成本；ρi是第i个计算节点的信誉值函数；ω(Ri')是聚合商根据计算量支付给第i个计算节点的报酬；ρiω(Ri')表示计算节点信誉值会影响该节点获得的报酬。
进一步地，聚合商根据Q-learning决策算法对计算节点进行筛选，具体如下：
S201：聚合商根据Q-learning决策算法更新受该计算节点影响所对应的UAj值，将想加入委员会的计算节点根据输出的UAj值从大到小排序；
S202：根据需要的总计算能力由从大到小依次选择计算节点加入委员会；
S203：结束更新，委员会组建完成。
再进一步地，所述的Q-learning决策算法包括以下步骤：
D1：给定参数γ和报酬R；
D 2：令UAj＝0；
D3：根据节点的信誉值生成初始状态s，并估计动作a1和动作a2的值；
D4：若未达到稳定状态，每次更新以下几步：
D401：在当前状态s的选择动作a1或动作a2其中一个行为；
D402：利用选定的行为a，得到下一个状态s’
D403：按照UAj'(s,a)←——UAj(s,a)+α(Rj+γmaxUAj'(s,a)-UAj(s,a))公式来更新参数；其中，a表示更新过程中的选择的动作；
D404：令s＝s’；
D5：输出UAj值。
再进一步地，所述的聚合商j领导的委员会的信誉值ρj，是由委员会中各个计算节点的信誉值ρi决定的，其中，0＜ρj＜1.3，每完成一次验证，各个计算节点的信誉值将会更新一次，更新公式如下：
Figure BDA0003115656750000031
其中，f(x)是由计算节点第t次验证结果决定，若验证失败f(x)<0；验证成功f(x)>0。
再进一步地，若更新后的信誉值
Figure BDA0003115656750000032
小于或等于0，则重新分配一个比0大一点的值；若更新后的信誉值
Figure BDA0003115656750000033
大于1.3，则将信誉值
Figure BDA0003115656750000034
直接设置为1.3。
再进一步地，所述的委员会中各个计算节点的信誉值ρi越高，则该委员会的信誉值ρj越高，聚合商j完成一个共识验证后所获得的报酬越高。
再进一步地，所述的计算节点包括智能手机、电脑、电动汽车、服务器中的一种或多种。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现所述的方法的步骤。
本发明的有益效果如下：
在物联网区块链各个区块上传到链的过程中，存在大量且需求不同的交易记录共识过程。本发明将物联网计算节点划分为各个并行委员会，由聚合商领导共同完成相应的区块共识任务并获得相应的报酬，提高了处理区块的效率。
共识过程中，聚合商公布计算模型，拥有计算能力的计算节点报名参加计算，聚合商对计算节点进行筛选。本发明基于深度强化学习Q-Learning设计了一个对计算节点的筛选机制，与原来选择计算节点的模式相比，该筛选机制结合每个计算阶段的历史计算准确率和初始计算能力来筛选验证者，让计算能力强、计算准确率高的计算节点入选几率大，让计算能力不足，计算准确率低的计算节点入选几率降低，从而提高整个共识过程的的准确率和效率。
附图说明
图1是实施例1所述的物联网中区块链分片验证者选取的方法的流程图。
图2是实施例1所述的物联网中区块链分片验证者选取的方法原理框图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1、2所示，一种物联网中区块链分片验证者选取的方法，所述的方法包括步骤如下：
S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；
S2：为了应对物联网区块链中大量且需求不同的交易记录共识过程，聚合商根据Q-learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；所述的聚合商也称为领导节点；
S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；
S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。
在一个具体的实施例中，所述的效用函数的计算模型如下：
Figure BDA0003115656750000051
其中，UAj表示第j个聚合商的效用函数；ρjμ(Rj)是聚合商j完成一个共识过程所获得的报酬；ρj表示由聚合商j领导的委员会的信誉值；
Figure BDA0003115656750000052
是聚合商j领导委员会的成本；ρi是第i个计算节点的信誉值函数；ω(Ri')是聚合商根据计算量支付给第i个计算节点的报酬；ρiω(Ri')表示计算节点信誉值会影响该节点获得的报酬。
在一个具体的实施例中，所述的聚合商j领导的委员会的信誉值ρj，是由委员会中各个计算节点的信誉值ρi决定的，其中，0＜ρj＜1.3，每完成一次验证，各个计算节点的信誉值将会更新一次，更新公式如下：
Figure BDA0003115656750000053
其中，f(x)是由计算节点第t次验证结果决定，若验证失败f(x)<0；验证成功f(x)>0。
若更新后的信誉值
Figure BDA0003115656750000054
小于或等于0，则重新分配一个比0大一点的值；若更新后的信誉值
Figure BDA0003115656750000055
大于1.3，则将信誉值
Figure BDA0003115656750000056
直接设置为1.3。所述的委员会中各个计算节点的信誉值ρi越高，则该委员会的信誉值ρj越高，聚合商j完成一个共识验证后所获得的报酬越高。
在一个具体的实施例中，由于计算节点的信誉值不同，所带来的效益也不同所以需要对报名的计算节点进行筛选。本实施例所述的聚合商根据Q-learning决策算法对计算节点进行筛选，具体如下：
S201：聚合商根据Q-learning决策算法更新受该计算节点影响所对应的UAj值，将想加入委员会的计算节点根据输出的UAj值从大到小排序；
S202：根据需要的总计算能力由从大到小依次选择计算节点加入委员会；
S203：结束更新，委员会组建完成。
在一个具体的实施例中，所述的Q-learning决策算法包括以下步骤：
状态：当前聚合商效用函数UAj
动作：允许加入、不允许加入
D1：给定参数γ和报酬R；
D 2：令UAj＝0；
D3：根据节点的信誉值生成初始状态s，并估计动作a1和动作a2的值；
D4：若未达到稳定状态，每次更新以下几步：
D401：在当前状态s的选择动作a1或动作a2其中一个行为；
D402：利用选定的行为a，得到下一个状态s’
D403：按照UAj'(s,a)←——UAj(s,a)+α(Rj+γmaxUAj'(s,a)-UAj(s,a))公式来更新参数；其中，a表示更新过程中的选择的动作；
D404：令s＝s’；
D5：输出UAj值。
本实施例中，所述的聚合商对每个想加入的计算节点按照Q-learning决策算法，根据计算节点本身的信誉值和效用函数UAj计算模型，更新UAj值。
表1
a1(不允许) a2(允许)
s1 +3 +4
s2 +3 +4
以一个想进行计算的验证者为例。根据上述表1，初始状态s是由计算节点的信誉值所决定的，后面每个状态sn即为当前UAj的值。UAj值每更新一次，状态s也会根据UAj值的更新状况更新一次。首先根据计算节点的信誉值对动作a1和a2的值进行估计(每个验证者a1、a2的值不同)。假设这个计算节点的信誉值高，因此这里估计a1不允许验证者加入委员会这个动作的值为+3，估计a2允许验证者加入委员会这个动作的值为+4。这时Q-learning会做出决策，因为a2的值大于a1的值，所以它会选择a2这个动作(允许验证者加入委员会)，但是并没有实际去执行这个动作，而是想象作出这个动作后到达s2的状态，并根据下述公式开始更新UAj值。
UAj'(s,a)←——UAj(s,a)+α(Rj+γmaxUAj'(s,a)-UAj(s,a))
其中，a表示更新过程中的选择的动作(即a1、a2)，即不允许或者允许验证者加入委员会。s表示当前所处的状态即当前聚合商的效益UAj，α表示学习效率，Rj表示聚合商得到的报酬，γ表示折扣因子(γ＝0.9)，max UAj'(,s)a表示在将要进行的动作a1和a2里面选取的最大值，将最大值乘上折扣因子加上得到的奖励Rj+γmaxUAj'(s,a)表示现实的UAj值，UAj(s,a)表示根据信誉值计算的值，执行动作a1或a2，通过上式更新出新的UAj'(s,a)值，以此完成一次更新。
UAj现实值Rj+γmaxUAj'(s,a)中包含着对接下来动作的最大估计UAj'(s,a)值，并且根据上述公式可得，下一次更新出的
Figure BDA0003115656750000071
值中又包括下下次更新出的
Figure BDA0003115656750000072
以此类推，在学习过程中此次更新出的
Figure BDA0003115656750000073
值是包含着未来动作的UAj值。
这样每次Q-learning的决策即考虑了信誉值也包含着对该计算节点未来动作的预测，最终更新出来UAj值。根据计算节点UAj值的大小进行排序，选取UAj值大的计算节点加入委员会。
当所有所选的计算节点的计算能力足够完成验证任务，则完成本次更新。委员会组建完成。
在一个具体的实施例中，所述的计算节点包括智能手机、电脑、电动汽车、服务器中的一种或多种。
本发明将验证者划分为并行的子组(即委员会)，这些子组负责同步生成和维持子块(即分片)。这样使得更多的交易同时被处理和验证，不仅可以增加吞吐量、减少延迟时间，并且能有效的应对不同的共识过程需求。
在工作证明(PoW)共识过程中，物联网设备被称为验证者或计算节点，各个区块打包节点充当聚合商来选择计算节点组成各个委员会。由各个委员会充当共识节点完成共识过程。由于不同的计算节点自身计算能力有差异，且计算准确率也不同。本实施例采用信誉值来衡量计算节点自身计算能力和计算过程的准确率。聚合商希望计算能力强、计算准确率高(即信誉值高)的计算节点加入自己的委员会。所以设计了基于强化学习Q-learning的计算节点筛选机制，根据信誉值利用强化学习Q-learning更新来筛选验证者，提高整体计算的准确率和效率。
实施例2
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现的方法步骤如下：
S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；
S2：为了应对物联网区块链中大量且需求不同的交易记录共识过程，聚合商根据Q-learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；所述的聚合商也称为领导节点；
S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；
S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现的方法步骤如下：
S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；
S2：为了应对物联网区块链中大量且需求不同的交易记录共识过程，聚合商根据Q-learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；所述的聚合商也称为领导节点；
S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；
S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种物联网中区块链分片验证者选取的方法，其特征在于：所述的方法包括步骤如下：
S1：聚合商公布效用函数的计算模型和报酬ω(R')，各个计算节点报名参加计算；
S2：聚合商根据Q-learning决策算法对计算节点进行筛选，将有计算能力的计算节点联合，组成各个并行委员会，每个委员会由一个聚合商领导；
S3：聚合商接收共识验证任务，并将共识认证任务发给委员会中各个计算节点；当委员会中超过2/3的计算节点完成并通过验证之后，聚合商将该区块上传区块链；
S4：区块上传到区块链后，完成验证的委员会获得报酬，该委员会中聚合商再将报酬发放给各个计算节点，由此完成一次区块链的更新。
2.根据权利要求1所述的物联网中区块链分片验证者选取的方法，其特征在于：所述的效用函数的计算模型如下：
Figure FDA0003115656740000011
其中，UAj表示第j个聚合商的效用函数；ρjμ(Rj)是聚合商j完成一个共识过程所获得的报酬；ρj表示由聚合商j领导的委员会的信誉值；
Figure FDA0003115656740000012
是聚合商j领导委员会的成本；ρi是第i个计算节点的信誉值函数；ω(Ri')是聚合商根据计算量支付给第i个计算节点的报酬；ρiω(Ri')表示计算节点信誉值会影响该节点获得的报酬。
3.根据权利要求2所述的物联网中区块链分片验证者选取的方法，其特征在于：聚合商根据Q-learning决策算法对计算节点进行筛选，具体如下：
S201：聚合商根据Q-learning决策算法更新受该计算节点影响所对应的UAj值，将想加入委员会的计算节点根据输出的UAj值从大到小排序；
S202：根据需要的总计算能力由从大到小依次选择计算节点加入委员会；
S203：结束更新，委员会组建完成。
4.根据权利要求3所述的物联网中区块链分片验证者选取的方法，其特征在于：所述的Q-learning决策算法包括以下步骤：
D1：给定参数γ和报酬R；
D2：令UAj＝0；
D3：根据节点的信誉值生成初始状态s，并估计动作a1和动作a2的值；
D4：若未达到稳定状态，每次更新以下几步：
D401：在当前状态s的选择动作a1或动作a2其中一个行为；
D402：利用选定的行为a，得到下一个状态s’
D403：按照UAj'(s,a)←——UAj(s,a)+α(Rj+γmaxUAj'(s,a)-UAj(s,a))公式来更新参数；其中，a表示更新过程中的选择的动作；
D404：令s＝s’；
D5：输出UAj值。
5.根据权利要求3所述的物联网中区块链分片验证者选取的方法，其特征在于：所述的聚合商j领导的委员会的信誉值ρj，是由委员会中各个计算节点的信誉值ρi决定的，其中，0＜ρj＜1.3，每完成一次验证，各个计算节点的信誉值将会更新一次，更新公式如下：
Figure FDA0003115656740000021
其中，f(x)是由计算节点第t次验证结果决定，若验证失败f(x)<0；验证成功f(x)>0。
6.根据权利要求5所述的物联网中区块链分片验证者选取的方法，其特征在于：若更新后的信誉值
Figure FDA0003115656740000022
小于或等于0，则重新分配一个比0大一点的值；若更新后的信誉值
Figure FDA0003115656740000023
大于1.3，则将信誉值
Figure FDA0003115656740000024
直接设置为1.3。
7.根据权利要求6所述的物联网中区块链分片验证者选取的方法，其特征在于：所述的委员会中各个计算节点的信誉值ρi越高，则该委员会的信誉值ρj越高，聚合商j完成一个共识验证后所获得的报酬越高。
8.根据权利要求1所述的物联网中区块链分片验证者选取的方法，其特征在于：所述的计算节点包括智能手机、电脑、电动汽车、服务器中的一种或多种。
9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1～7任一项所述的方法的步骤。
10.一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：所述的计算机程序被处理器执行时，实现如权利要求1～7任一项所述的方法的步骤。
CN202110662503.5A 2021-06-15 2021-06-15 一种物联网中区块链分片验证者选取的方法 Active CN113297310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110662503.5A CN113297310B (zh) 2021-06-15 2021-06-15 一种物联网中区块链分片验证者选取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110662503.5A CN113297310B (zh) 2021-06-15 2021-06-15 一种物联网中区块链分片验证者选取的方法

Publications (2)

Publication Number Publication Date
CN113297310A true CN113297310A (zh) 2021-08-24
CN113297310B CN113297310B (zh) 2023-03-21

Family

ID=77328289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110662503.5A Active CN113297310B (zh) 2021-06-15 2021-06-15 一种物联网中区块链分片验证者选取的方法

Country Status (1)

Country Link
CN (1) CN113297310B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115102867A (zh) * 2022-05-10 2022-09-23 内蒙古工业大学 结合深度强化学习的区块链分片系统性能优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182635A (zh) * 2017-12-18 2018-06-19 深圳前海微众银行股份有限公司 区块链共识方法、系统和计算机可读存储介质
CN109379343A (zh) * 2018-09-27 2019-02-22 福建福链科技有限公司 一种区块链的异构共识方法及终端
US20190095880A1 (en) * 2017-09-22 2019-03-28 Kowala Cayman SEZC System and method of distributed, self-regulating, asset-tracking cryptocurrencies
CN109547527A (zh) * 2018-10-12 2019-03-29 广西师范大学 区块链中基于信誉机制的分区快速共识方法
CN110262845A (zh) * 2019-04-30 2019-09-20 北京邮电大学 区块链使能的分布式计算任务卸载方法及系统
CN112600917A (zh) * 2020-12-11 2021-04-02 重庆邮电大学 一种基于信誉的区块链工作证明方法
CN112651830A (zh) * 2020-12-03 2021-04-13 齐鲁工业大学 应用于电力资源共享网络的区块链共识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190095880A1 (en) * 2017-09-22 2019-03-28 Kowala Cayman SEZC System and method of distributed, self-regulating, asset-tracking cryptocurrencies
CN108182635A (zh) * 2017-12-18 2018-06-19 深圳前海微众银行股份有限公司 区块链共识方法、系统和计算机可读存储介质
CN109379343A (zh) * 2018-09-27 2019-02-22 福建福链科技有限公司 一种区块链的异构共识方法及终端
CN109547527A (zh) * 2018-10-12 2019-03-29 广西师范大学 区块链中基于信誉机制的分区快速共识方法
CN110262845A (zh) * 2019-04-30 2019-09-20 北京邮电大学 区块链使能的分布式计算任务卸载方法及系统
CN112651830A (zh) * 2020-12-03 2021-04-13 齐鲁工业大学 应用于电力资源共享网络的区块链共识方法
CN112600917A (zh) * 2020-12-11 2021-04-02 重庆邮电大学 一种基于信誉的区块链工作证明方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张路蓬等: "基于区块链技术的战略性新兴产业知识产权管理及政策研究", 《中国科技论坛》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115102867A (zh) * 2022-05-10 2022-09-23 内蒙古工业大学 结合深度强化学习的区块链分片系统性能优化方法

Also Published As

Publication number Publication date
CN113297310B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN110782042B (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
CN110874648A (zh) 联邦模型的训练方法、系统和电子设备
CN109597965B (zh) 基于深度神经网络的数据处理方法、系统、终端及介质
CN110717671B (zh) 一种确定参与方贡献度的方法及装置
CN110231984B (zh) 多工作流任务分配方法、装置、计算机设备和存储介质
CN112799708A (zh) 联合更新业务模型的方法及系统
CN113572697A (zh) 一种基于图卷积神经网络与深度强化学习的负载均衡方法
CN112101674A (zh) 基于群智能算法资源配置匹配方法、装置、设备及介质
US20240005165A1 (en) Machine learning model training method, prediction method therefor, apparatus, device, computer-readable storage medium, and computer program product
CN116627970A (zh) 一种基于区块链和联邦学习的数据共享方法及装置
CN113297310B (zh) 一种物联网中区块链分片验证者选取的方法
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN113159190A (zh) 联邦激励分配方法、装置、计算机设备及存储介质
CN110674181B (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN115640337A (zh) 针对符号图网络的异常数据预测方法、系统及相关设备
Xu et al. A blockchain-based federated learning scheme for data sharing in industrial internet of things
Xi et al. CrowdLBM: A lightweight blockchain-based model for mobile crowdsensing in the Internet of Things
CN110717537B (zh) 训练用户分类模型、执行用户分类预测的方法及装置
US10902428B1 (en) Maintaining a risk model using feedback directed to other risk models
CN112732470B (zh) 电能量数据的联邦学习可靠性评估方法和装置
CN114912627A (zh) 推荐模型训练方法、系统、计算机设备及存储介质
CN112966968A (zh) 一种基于人工智能的名单分配方法及相关设备
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
CN114528992A (zh) 一种基于区块链的电子商务业务分析模型的训练方法
CN116402366A (zh) 基于联合学习的数据贡献评价方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Jiang Li

Inventor after: Zhang Zixi

Inventor after: Chen Yiru

Inventor after: Li Liecai

Inventor before: Zhang Zixi

Inventor before: Jiang Li

Inventor before: Chen Yiru

Inventor before: Li Liecai

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant