[发明专利]基于区块链的分布式机器学习任务卸载方法

权利要求书

1.基于区块链的分布式机器学习任务卸载方法，其特征在于包括以下步骤：

步骤一：对区块链上共享的数据进行质量评估；

步骤二：根据数据质量评估模块的质量评估结果，对低质量数据进行修复；

步骤三：利用分布式强化学习算法获得近似最优化的策略，并利用该策略对修复后的低质量数据上的任务进行卸载；

所述质量评估的度量参数为信息质量和组织因子；

所述信息质量包括数据完整性、数据冗余、数据一致性和数据精确性四个质量维度；

所述步骤一中对区块链上共享的数据进行质量评估的顺序为：

数据完整性数据冗余，

数据冗余数据一致性，

数据完整性数据一致性，

数据完整性数据精确性；

所述质量评估的步骤为：

对于数据完整性，键-值对通过联盟中的计算节点进行收集，当算法DataCplEva在键-值对中发现了一个缺失值，对于每个给定的数据类型和条件包含依赖集合，如果这个键-值对匹配了某条条件包含依赖的左手边，则在键-值对中的缺失值能在这条给定的条件包含依赖中找到，算法DataCplEva不会标记这个缺失值为缺失，否则，算法DataCplEva会标记这个缺失值为缺失；

对于数据冗余度，键-值对通过联盟中的计算节点进行收集，对于每个类型和给定的匹配依赖集合，如果两个键-值对匹配了某条匹配依赖的左手边，则匹配了这条匹配依赖的右手边的值会被判定为相似的或者冗余的，算法DataCplEva将标记两个键-值对为冗余的；

对于数据一致性，键-值对通过联盟中的计算节点进行收集，对于每个类型和给定的条件函数依赖集合，如果两个键-值对匹配了某条条件函数依赖的左手边，但是它们的值没有匹配条件函数依赖的右手边，算法DataConsEva将标记两个键-值对为不一致的；

对于数据精确性，键-值对通过联盟中的计算节点进行收集，对于每个类型和给定的条件包含依赖和精确性需求集合，如果一个键-值对匹配了某条精确性需求的左手边，而其值没有匹配精确性需求的右手边，则算法DataAccEva发现了一条错误值，如果这个键值对匹配了一条条件包含依赖的左手边，并且可以根据条件包含依赖中给出的值来改正键-值对中的错误值，算法DataAccEva将不会标记这个错误值为不精确的，否则，DataAccEva将标记这个值为不精确的；

最后，根据四个质量维度的结果评估区块链上分享的数据的质量。

2.根据权利要求1所述的基于区块链的分布式机器学习任务卸载方法，其特征在于所述数据完整性表示为：

其中，key(i,C_CIND,B,ty)表示从组织i在区块链B上分享的ty类型的全部的键值集合，key(i,C_CIND,B,ty)满足_CIND的集合C_CIND，key(C_CIND,ty)表示在条件包含依赖集合C_CIND中的ty类型的所有键值集合，_CIND表示条件包含依赖。

3.根据权利要求2所述的基于区块链的分布式机器学习任务卸载方法，其特征在于所述数据冗余表示为：

其中Pair(i,C_MD,B,ty)表示从组织i分享在区块链B上的类型为ty，并被给定的匹配依赖集合C_MD确认为冗余数据的键值对集合，Pair(B,ty)表示分享在区块链B上类型为ty的键值对的集合，MD表示匹配依赖。

4.根据权利要求3所述的基于区块链的分布式机器学习任务卸载方法，其特征在于所述数据一致性表示为：

其中Pair(i,C_CFD,B,ty)表示组织i在区块链B上分享的类型为ty的键-值对集合，且被给定的条件函数依赖集合C_CFD判定为一致的，Pair(B,ty)表示在区块链B上类型为ty的键-值对集合，_CFD表示条件函数依赖。