[发明专利]一种用于深度学习的工作量证明共识方法及系统

说明书

本申请公开了一种用于深度学习的工作量证明共识方法及系统，利用智能合约编写代码调用组件库中的组件，构建深度学习的网络结构。如果要进行监督学习就可以构建适用于监督学习的网络结构，如果要进行无监督学习就可以构建适用于无监督学习的网络结构，按需配置，非常灵活，几乎适用于所有深度学习模型的训练。有效解决了现有技术中在共识系统中嵌入深度学习模型训练器，使得深度学习的网络结构被固化，缺乏灵活配置特性的问题。

技术领域

本发明涉及区块链技术领域，特别涉及一种用于深度学习的工作量证明共识方法及系统。

背景技术

目前很多的公有链区块链平台通常采用工作量证明共识算法来决定区块记账权，进而投入算力较高的节点获得记账权的概率就越大，这种机制通过算力来实现信任的建立和价值共识。然而，目前诸如比特币等采用工作量证明共识算法的区块链应用，在挖矿过程中会耗费大量的算力和能源，造成资源浪费。

为了解决上述问题，一些人开始采用引入深度学习模型训练器的方式来进行算力的共识，深度学习即学习样本数据的内在规律和表示层次，利用深度学习能够极大地提高算力的利用率。

然而，目前公开的方法仍然存在一些缺陷。第一，现有技术中进行模型训练过程主要采用AutoML技术进行网络结构和参数的调整，由于AutoML技术并不成熟，导致其模型训练过程缺少灵活性；第二，已知的方法均是针对监督学习（具有标记的训练样本）而言，对于无监督学习（未标记的训练样本）缺少支持，通常来说无监督学习需要的算力比监督学习要大得多，现有方案无法满足更大算力需求；第三，现有方案存在记账权竞争的问题，例如，有两个或两个以上的节点同时完成了模型训练过程，并且训练的模型均符合各阈值的要求，此时易导致区块链产生硬分叉，使区块链社区分裂。

发明内容

本申请提供了一种用于深度学习的工作量证明共识方法及系统，以解决现有技术缺乏灵活性、存在记账权竞争的问题。

第一方面，本申请提供了一种用于深度学习的工作量证明共识方法，包括：

需求方节点根据业务需求生成深度学习任务；所述深度学习任务包括任务指标和深度学习的网络结构；所述任务指标包括模型准确率、模型召回率以及任务难度系数；

需求方节点根据所述深度学习任务编写智能合约，并根据智能合约调用算法组件库，组建深度学习的网络结构；所述网络结构根据所述任务指标设定；

需求方节点将所述网络结构和任务指标发布至区块链网络；

区块链网络中的训练节点对所述网络结构开始深度学习模型的训练，当训练的模型的各指标量达到所述任务指标时，生成待验证区块发布至区块链网络；所述待验证区块包括将模型参数、训练完成时间以及算力付出打包生成的区块头，以及将交易信息打包生成的区块体；

区块链网络中的验证节点验证所有待验证区块中模型的准确率，对准确率最高并且符合任务指标的区块签名，并将带有签名的验证结果发送至对应的训练节点；

收到带有签名的验证结果的数量达到预设值的训练节点生成验证区块，并将验证区块在区块链网络发布；

区块链网络中的所有节点验证所述验证区块中的签名信息，若验证通过，则将验证区块加入到区块链中。

在一些实施例中，所述方法还包括：

需求方节点向区块链网络发布数据集；所述数据集包括训练集和测试集；

所述训练节点根据所述训练集对所述网络结构开始深度学习模型的训练；

所述验证节点根据所述测试集验证待验证区块中模型的准确率。

在一些实施例中，所述数据集中的测试集采用对称加密算法加密后发布；所述方法还包括：