CN113496349B

CN113496349B - 一种基于ai交互共识的区块链学习档案及信用因子构建方法

Info

Publication number: CN113496349B
Application number: CN202110627106.4A
Authority: CN
Inventors: 王毅
Original assignee: Nanjing Tage Technology Co ltd
Current assignee: Nanjing Tage Technology Co ltd
Priority date: 2021-06-04
Filing date: 2021-06-04
Publication date: 2024-04-02
Anticipated expiration: 2041-06-04
Also published as: CN113496349A

Abstract

本发明涉及一种基于AI交互共识的区块链学习档案及信用因子构建方法，包括以下步骤：S1、接收用户资源请求信息，根据信息的特征进行第一次验证，判断其是否满足资源请求权限；S2、若用户资源请求信息满足资源请求权限。该基于AI交互共识的区块链学习档案及信用因子构建方法，利用AI交互构建一个共识机制，以此为共识基础构建出学习档案，进而提出一个基于学习档案的信用因子，该信用因子是基于区块链的信任档案，因此具备足够的客观性，AI不用于拟合某种已有的共识机制，而是独立的加入到共识机制本身，成为共识策略的一个有效补充，同时学习档案链构建和信用因子构建上，可满足教育咨询的实时性、安全性以及真实性等要求。

Description

一种基于AI交互共识的区块链学习档案及信用因子构建方法

技术领域

本发明属于教育区块链技术领域，具体涉及一种基于AI交互共识的区块链学习档案及信用因子的构建方法。

背景技术

在区块链的交流和学习中，共识机制是一个很频繁被提起的词汇，正是因为共识机制的存在，区块链的可信性才能被保证。常见的共识机制有很多，例如PoW(ProofofWork，工作量证明)、PoS(ProofofStake，权益证明)、DPoS(DelegateProofofStake，委托权益证明)、PBFT(PracticalByzantineFaultTolerance，实用拜占庭容错算法)等。所谓共识，简单理解就是指大家都达成一致的意思。其实在现实生活中，有很多需要达成共识的场景，比如开会讨论，双方或多方签订一份合作协议等。在区块链网络内，共识机制起到决定谁负责生成新区块(包含存储信息/数据)以及维护区块链统一(账本统一)的作用。

典型的共识机制包括有工作量证明(PoW，ProofofWork)，工作量证明系统(或者说协议、函数)，是一种应对拒绝服务攻击和其他服务滥用的经济对策。它要求发起者进行一定量的运算，也就意味着需要消耗计算机一定的时间。在比特币系统中，得到合理的BlockHash需要经过大量尝试计算。当某个节点提供出一个合理的BlockHash值，说明该节点确实经过了大量的尝试计算。目前得到广泛的应用，缺点是速度慢、耗能巨大，对环境不好、易受“规模经济”的影响。在教育档案链的构建过程中，参与的节点不同于公链上的区块链系统，有大量的节点参与，需要相互竞争、需要代币激励等多项机制，来保证账本的安全。本专利所采用的学习档案链称为教学资源链，教学资源链仅仅由参与的高校节点和政府节点作为背书节点参与，不同的主体大小资源都不尽相同，在POW的背景下，还是难以保障某些节点相比大部分节点拥有资源优势，从而获取到大量的记账权，导致区块链体系的信任崩塌。

另外一种典型的共识为DPOS(DelegatedProofofStake),授权权益证明.DPOS通过其选择区块生产者和验证节点质量的算法确保了安全性，同时消除了交易需要等待一定数量区块被非信任节点验证的时间消耗。通过减少确认的要求，DPOS算法大大提高了交易的速度。通过信任少量的诚信节点，可以去除区块签名过程中不必要的步骤。

还有基于拜占庭容错的实用拜占庭容错(PracticalByzantineFaultTolerance)等算法，该算法由MiguelCastro(卡斯特罗)和BarbaraLiskov(利斯科夫)在1999年提出来，解决了原始拜占庭容错算法效率不高的问题，将算法复杂度由指数级降低到多项式级，使得拜占庭容错算法在实际系统应用中变得可行。PBFT是一种状态机副本复制算法，即服务作为状态机进行建模，状态机在分布式系统的不同节点进行副本复制。每个状态机的副本都保存了服务的状态，同时也实现了服务的操作。

将所有的副本组成的集合使用大写字母R表示，使用0到|R|-1的整数表示每一个副本。为了描述方便，假设|R|＝3f+1，这里f是有可能失效的副本的最大个数。尽管可以存在多于3f+1个副本，但是额外的副本除了降低性能之外不能提高可靠性。

上述的算法在一定程度上解决了POW所造成的问题，但仍然存在许多问题，例如DPOS拥有高权益的参与者可投票使自己成为一名验证者。这是近期已在EOS中出现的问题。PBFT仍然过于中心化，信任问题会再次导致，整个系统里面缺乏信任基础。更重要的是上述的算法，仍然无法解决恶意输入的问题，区块链的系统是信任的基础，从内部的运行机制而言，系统能够公开透明有效运行，但仍然从系统外部的角度来控制。

在现行的区块链技术中，共识机制以POW为代表，需要大量的算力消耗来获取记账权。在教育区块链咨询档案的场景下，基础设施的代价高昂导致了落地艰难，同时由于节点数量并不多，任何节点都可以发布交易，并通过网络分发到节点，POW共识仍然不能彻底的解决共识，不符合区块链学习档案的需求，无法同时解决技术内的信任和技术外的信任问题，在一些算法上，共识的效率也低，无法满足教育咨询的实时性、安全性、真实性等要求。

发明内容

本发明的目的就在于为了解决上述问题而提供一种一种基于AI交互共识的区块链学习档案及信用因子构建方法。

本发明通过以下技术方案来实现上述目的：

一种基于AI交互共识的区块链学习档案及信用因子构建方法，包括以下步骤：

S1、接收用户资源请求信息，根据信息的特征进行第一次验证，判断其是否满足资源请求权限；

S2、若用户资源请求信息满足资源请求权限，则通过构建基于AI交互共识的区块链机制进行资源调度并将所述资源信息返回至用户。

作为本发明的进一步优化方案，进行资源调度之前，包括预先建立AI交互共识机制，其中，AI交互共识机制的建立过程如下：

1)、建立共识机制的节点网络，所述节点网络包括应用节点A、同等节点P、排序节点O、智能节点AI以及协调节点C；

2)、用户通过应用节点A连接同等节点P并进行合约调用，同等节点P请求智能合约S并通过智能合约S调用共享账本L；

3)、同等节点P将共享账本L返回至应用节点A；

4)、应用节点A向排序节点O发送数据事务排序请求信息并向智能节点AI发送数据AI交互请求信息，排序节点O和智能节点AI接收请求信息后分别输出一排序结果信息和一AI决策结果信息至协调节点C；

5)、协调节点C将排序结果信息和AI决策结果信息进行协调后提交至同等节点P，同等节点P对共享账本L进行更新；

6)、同等节点P发送节点更新事件信息至应用节点A。

作为本发明的进一步优化方案，所述共享账本L在进行更新之前，需先对所述排序节点0、智能节点AI接收的请求信息进行汇集判断，其中，汇集判断的过程如下：

1)、建立教学资源联盟链网络，教学资源联盟链网络由各个节点网络组成，所有节点网络共同维护一份共享账本L，其中，各个节点网络均包括应用节点A、同等节点P、排序节点O、智能节点AI以及协调节点C；

2)、所述其中一个节点网络中的排序节点0和智能节点AI接收请求后将请求分别发送至其他节点网络中，其他节点网络对其中一个节点网络发送的信息进行验证并将验证信息相互之间发送，最终形成汇集判断共识信息，并将汇集判断共识信息录入共享账本L中进行更新。

作为本发明的进一步优化方案，所述智能节点AI在处理数据AI交互请求信息时包括真实性判断和排序两个处理过程。

作为本发明的进一步优化方案，所述步骤S1中针对用户资源请求信息进行第一次验证时，采用AI交互机器人对用户信息进行验证，若用户资源请求信息存在错误信息则不予许用户进行资源调度，若不存在错误信息则通过AI交互共识机制进行资源调度。

作为本发明的进一步优化方案，若用户资源请求信息不存在错误信息时，利用AI语义抽取引擎对用户资源请求信息进行档案化，形成可入链的数据结构。

作为本发明的进一步优化方案，基于更新后的共享账本L构建用户个人档案的教育信用因子信息，包括以下步骤：

1)、制定教育信用因子的特征，该特征包括学习的时间、学习资源的完善程度、学习记录的认证次数、学习的领域、学习的知识点、学习的考试记录、学习记录是否被图书馆签名数量以及学习记录是否被高校签名数量等；

2)、构建信用因子表示模型并计算教育信用因子，信用因子表示模型的构建过程如下：

采用一个机器学习编码模型，利用一个图机器学习，从网络节点的关联上抽象用户-机构的网络，对该网络进行图编码，最终获得一个自学习的信用编码模型。

作为本发明的进一步优化方案，所述教育信用因子的计算公式如下：

A∈R^N×N

Z＝g₁(Y,A)

其中，Y表示嵌入式矩阵、A表示图表示后的邻接矩阵、g₁表示节点编码器、g₂表示边编码器。

本发明的有益效果在于：

1)构建教学资源链的整体方法和流程，本发明提出了完整的基于AI共识机制的教学资源链构建和信用评分，解决了一个去中心化学习档案的问题；

2)基于AI的共识机制，根据学习档案的需求，采用了AI对事务进行判断和排序，AI在两个层次上进行了判断，首先是在去中心化的交互上对数据进行了统一，其二是在共识阶段，考虑了其他节点的协同和统一，最终从内部和外部进行了信任统一；

3)基于学习档案教学资源链的信用计算模型，提出了信用计算的方法、并提出了根据区块链网络的图矢量信用表示模型；

4)是AI交互技术和区块链信任网络的结合，本发明利用AI来拓展了区块链的信任基础，即提出的AI交互共识机制，AI和用户交互、AI和其他节点的事务交互，利用AI对区块链的数据进一步的审核、判断和排序，加入AI的共识是基于大量教育数据和专家知识的智能，能够有效解决很多机制上无法解决的问题，例如对数据和教育相关性的判别，利用AI使原始的机制能够更加贴近业务理解，而不是单纯的从系统角度运行；

5)基于AI交互共识构建的学习档案教学资源链相比传统技术更加完备有效、从数字系统升级为智能数字系统；

6)提出了基于教育信用计算模型，相比传统的信用计算，进行了去中心化，考虑到节点的交互，相当于传统的信用计算体系通过银行等中心化来指定规则，而在本模型下，各个机构都有不同的标准，考虑到了信用的不同角度，将信用从一个静态标量提升为动态张量。从传统的基于公式的计算转换为基于表示学习和公式计算的融合，能够有效的捕捉信用特征的隐含信息。

附图说明

图1是本发明整体流程框架图；

图2是本发明构建AI交互共识机制的流程框架图；

图3是本发明的AI交互共识机制逻辑架构图。

具体实施方式

下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。

实施例1

如图1-3所示，一种基于AI交互共识的区块链学习档案及信用因子构建方法，包括以下步骤：

其中，步骤S1中针对用户资源请求信息进行第一次验证时，采用AI交互机器人对用户信息进行验证，若用户资源请求信息存在错误信息则不予许用户进行资源调度，若不存在错误信息则通过AI交互共识机制进行资源调度；

利用了AI交互机器人来保持数据的一致性和准确性，进行输入端的第一次验证，在用户验证过程会对错误的信息进行第一次排查和判断。

若用户资源请求信息不存在错误信息时，利用AI语义抽取引擎对用户资源请求信息进行档案化，形成可入链的数据结构。

例如用户和产品过程中通过反复的和用户交互形成一次考试档案和学习档案,档案的内容包括学习的领域、知识点、教育诉求、教师、时间进度等，这些信息由各个高校、图书馆等各个细分节点共同维护。

进行资源调度之前，包括预先建立AI交互共识机制，其中，如图1所示，AI交互共识机制的建立过程如下：

S2.1、建立共识机制的节点网络，所述节点网络包括应用节点A、同等节点P、排序节点O、智能节点AI以及协调节点C；

S2.2、用户通过应用节点A连接同等节点P并进行合约调用，同等节点P请求智能合约S并通过智能合约S调用共享账本L；

S2.3、同等节点P将共享账本L返回至应用节点A；

S2.4、应用节点A向排序节点O发送数据事务排序请求信息并向智能节点AI发送数据AI交互请求信息，排序节点O和智能节点AI接收请求信息后分别输出一排序结果信息和一AI决策结果信息至协调节点C；

S2.5、协调节点C将排序结果信息和AI决策结果信息进行协调后提交至同等节点P，同等节点P对共享账本L进行更新；

S2.6、同等节点P发送节点更新事件信息至应用节点A。

所述共享账本L在进行更新之前，需先对所述排序节点0、智能节点AI接收的请求信息进行汇集判断，其中，汇集判断的过程如下：

其中，在真实的环境下，一个组织都拥有应用节点A、同等节点P、排序节点O、智能节点AI以及协调节点C，排序节点O、智能节点AI以及协调节点C不仅在本地进行验证和判断，会将收到的请求分发给其他网络中的节点，若将上述其中一个节点网络中的同等节点称为P1，则发送至其他节点网络中的同等节点则是P2、P3等，然后每个节点的验证情况也会相互分发，最终，进行汇集判断，相当于形成共识，然后才记入共享账本L。

其中，智能节点AI最终输出一个真实的Tx顺序列表，排序节点O根据时间戳和历史事务的简单排序，输出一个Tx顺序列表，协调节点C对上述两个排序列表进行再次协调，通过合并结果，最终输出，然后更新账本。

其中智能节点AI的排序算法的伪代码如下：

其中，各个节点网络必须通过联盟的授权认证才可以接入，高校、图书馆、教育管理部门等实体均可作为节点网络，不同的类型的节点网络的权限和功能不同，联盟之间有隐私数据和共享数据，教学资源链提供了网络节点之间安全、公平、透明的通信协议，用于对教育的链上自治服务，教学资源链网络是一种结构化P2P网络，与纯分布式结构不同。

其中，所述智能节点AI在处理数据AI交互请求信息时包括真实性判断和排序两个处理过程，AI接受来自网络中的事务Tx1、Tx2、Tx3等等，每个Tx1里面记录着教育咨询的档案信息，例如前文提到过的事件、意图、问题等等，同时事务还能回溯到账本中已经存在的区块和关联，以此为基础进行判断。

基于更新后的共享账本L构建用户个人档案的教育信用因子信息，包括以下步骤：

1)、制定教育信用因子的特征，该特征包括学习的时间、学习资源的完善程度、学习记录的认证次数、学习的领域、学习的知识点、学习的考试记录、学习记录是否被图书馆签名数量以及学习记录是否被高校签名数量等；以上特征为信用因子的部分特征；

所述教育信用因子的计算公式如下：

A∈R^N×N

Z＝g₁(Y,A)

在教学资源链中，每个环节的事务数据均可作为特征，信用的建立建设在这些特征与信用的关系基础之上，例如档案越完善信用越高、在不同的角度信用权重不一致，例如高校角度，专业课的分数大于职业课，因此信用其实是有方向的，本发明将信用从标量延伸为张量，在不同的方向和角度计算多维度的信用，信用在上下文通过和节点的计算，输出标量，来标识当前上下文的信用值，例如一个用户的信用和一个特定高校进行计算，得到该用户对该高校的信用，因此给每个高校和机构进行了信用配置化，即一张对档案特征的打分表，打分表可以不断更新

需要说明的是，在现行的区块链技术中，共识机制以POW为代表，需要大量的算力消耗来获取记账权，在教育区块链咨询档案的场景下，基础设施的代价高昂导致了落地艰难，同时由于节点数量并不多，任何节点都可以发布交易，并通过网络分发到节点，POW共识仍然不能彻底的解决共识，本发明在此基础上，利用AI算法的公正性，通过大量的数据训练，来判断节点上传的数据的真实性、有效性、安全性，从而进行记账，进一步保证了数据的权威，有效的解决传统以哈希方式的能源浪费问题和区块链输入的不信任问题，同时基于共识机制所产生的数据和响应，还进行了一种基于区块链档案的信用因子构建算法，解决了目前教育应用下信用计量缺失的难题。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims

1.一种基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于，包括以下步骤：

S2、若用户资源请求信息满足资源请求权限，则通过构建AI交互共识的区块链机制进行资源调度并将所述资源信息返回至用户；

进行资源调度之前，包括预先建立AI交互共识机制，其中，AI交互共识机制的建立过程如下：

3)、同等节点P将共享账本L返回至应用节点A；

6)同等节点P发送节点更新事件信息至应用节点A；

2.根据权利要求1所述的基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于：所述智能节点AI在处理数据AI交互请求信息时包括真实性判断和排序两个处理过程。

3.根据权利要求1所述的基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于：所述步骤S1中针对用户资源请求信息进行第一次验证时，采用AI交互机器人对用户信息进行验证，若用户资源请求信息存在错误信息则不予许用户进行资源调度，若不存在错误信息则通过AI交互共识机制进行资源调度。

4.根据权利要求3所述的基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于：若用户资源请求信息不存在错误信息时，利用AI语义抽取引擎对用户资源请求信息进行档案化，形成可入链的数据结构。

5.根据权利要求1所述的基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于，基于更新后的共享账本L构建用户个人档案的教育信用因子信息，包括以下步骤：

1)、制定教育信用因子的特征，该特征包括学习的时间、学习资源的完善程度、学习记录的认证次数、学习的领域、学习的知识点、学习的考试记录、学习记录是否被图书馆签名数量以及学习记录是否被高校签名数量；

6.根据权利要求5所述的基于AI交互共识的区块链学习档案及信用因子构建方法，其特征在于，所述教育信用因子的计算公式如下：

G∈R^N×N

Z＝g₁(Y,G)

G₁＝g₂(Z)

其中，Y表示嵌入式矩阵、G表示图表示后的邻接矩阵、g₁表示节点编码器、g₂表示边编码器。