[发明专利]机器学习应用的有效验证

说明书

示例操作可以包括以下一项或多项：由训练参与者客户端生成多个事务提议，多个事务提议中的每一个对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，将多个事务提议传送到每个包括验证梯度智能合约的一个或多个背书者节点或对等方，由每个背书者节点或对等方验证梯度智能合约；向训练参与者客户端提供与多个事务提议相对应的背书。

技术领域

本申请总体上涉及机器学习应用的共识(consensus)过程，并且更具体地，涉及机器学习应用的有效验证。

背景技术

集中式数据库在一个位置的单个数据库(例如，数据库服务器)中存储和维护数据。该位置通常是中央计算机，例如，台式中央处理器(CPU)、服务器CPU或大型计算机。通常可以从多个不同点访问存储在集中式数据库中的信息。多个用户或客户端工作站可以例如基于客户端/服务器配置在集中式数据库上同时工作。因为位于单个位置，集中式数据库易于管理、维护和控制，特别是出于安全目的。在集中式数据库中，由于所有数据的单个存储位置意味着给定的一组数据仅具有一个主记录，最大程度地减少了数据冗余。

然而，集中式数据库会遭受重大缺陷。例如，集中式数据库只有一个故障点。特别是如果没有容错性的考虑，并且发生硬件故障(例如，硬件、固件和/或软件故障)，数据库中的所有数据都将丢失，并且所有用户的工作都会中断。此外，集中式数据库高度依赖于网络连接。作为结果，连接速度越慢，每次数据库访问所需的时间就会增加。另一个缺点是当集中式数据库由于单个位置而遇到高流量时会出现瓶颈。此外，由于数据库仅维护数据的一个副本，因此集中式数据库提供了对数据的有限访问。作为结果，多个设备无法同时访问同一条数据而不会造成严重问题或存在覆盖已存储数据的风险。此外，由于数据库存储系统的数据冗余很小甚至没有，因此，除了通过手动操作从备份存储中恢复之外，很难恢复意外丢失的数据。因此，需要克服这些缺点和局限性的解决方案。

发明内容

一个示例实施例提供了一种包括训练参与者客户端的系统，包括训练数据集并且被配置为执行以下一项或多项：生成多个事务提议，每个事务提议对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型训练包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，和区块链网络，包括一个或多个背书者(endorser)节点或对等方，每个节点或对等方均包括验证梯度智能合约并配置为执行以下一项或多项：接收多个事务提议，执行验证梯度智能合约，以及向训练参与者客户端提供与多个事务提议相对应的背书。

另一示例实施例提供了一种方法，包括以下一项或多项：由训练参与者客户端生成多个事务提议，每个事务提议对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型训练包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，将多个事务提议传送到一个或多个背书者节点或对等方，每个节点或对等方均包括验证梯度智能合约，由每个背书者节点或对等方执行验证梯度智能合约；向训练参与客户提供与多个事务提议相对应的背书。

另一示例实施例提供了一种包括指令的非暂时性计算机可读介质，当指令被处理器读取时，使处理器执行以下一项或多项操作：由训练参与者客户端生成多个事务提议，每个事务提议对应于用于与随机梯度下降有关的机器学习模型训练的训练迭代，机器学习模型训练包括多个训练迭代，事务提议包括由训练参与者客户端执行的梯度计算，将多个事务提议传送到一个或多个背书者节点或对等方，每个节点或对等方均包括验证梯度智能合约，由每个背书者节点或对等方执行验证梯度智能合约；向训练参与客户提供与多个事务提议相对应的背书。

附图说明

图1A示出了根据示例实施例的在区块链中验证梯度事务背书的框图。

图1B示出了根据示例实施例的训练参与者网络的框图。

图1C示出了根据示例实施例的训练参与者网络的框图。