[发明专利]一种基于深度学习模型训练的区块链共识方法和系统

权利要求书

1.一种基于深度学习模型训练的区块链共识方法，其特征在于，包括如下步骤：

主体采集文件信息存储到文件系统后返回统一资源定位符URI_文件，主体构造成数据采集交易，按照格式{主体钱包地址，采集奖励金额，URI_文件}发送给节点，节点将该信息广播到相邻节点；

主体获取到存储的文件信息，对其进行标注，生成标注文件存储到文件系统后返回统一资源定位符URI_标注，主体构造成数据标注交易，按照格式{主体钱包地址，标注奖励金额，URI_文件，URI_标注}发送给节点，节点将该信息广播到相邻节点；其中URI_标注对应的文件是对URI_文件对应的文件进行标注的信息；

采用深度学习模型训练共识算法进行计算和验证，记账节点验证交易的有效性，将其放入缓存池，直到缓冲池中的数据集合A的数量n达到阈值α；

记账节点用参数和数据获取器获取链上存储的所有数据标注交易和节点缓冲池中所有数据标注交易，获取其中“URI文件+URI标注”对应的文件和标注信息，同时，获取上一个区块或者之前区块中存储的参数值，利用参数值对深度学习神经网络进行初始化，开始进行监督学习，并采用AutoML方法，自动对网络结构和参数进行调整，直到模型的预测准确度大于系统设定的阈值β；

记账节点完成模型的计算，将模型参数存储到区块头，生成第一条区块铸币交易用于记录该节点获得记账奖励，同时将缓冲池中的交易一起进行打包成区块体，将区块头与区块体进行合并生成区块并进行全网广播，寻找其他验证节点的验证签名；

其他验证节点收到新区块的信息，共识验证器对其进行验证；当采用的深度学习共识模型时，验证节点将利用参数和数据获取器获取链上存储的所有数据标注交易，获取其中“URI文件+URI标注”对应的文件T和标注信息F，同时，获取该区块中存储的参数值，利用参数值对深度学习神经网络进行初始化后对T进行预测，并与F进行对比，计算该模型的正确度阈值γ；如果达到阈值γ要求，验证节点对其进行签名，并返回记账节点；

当记账节点收到一定阈值比例δ的验证节点的签名后，记账节点再次发送该区块信息并附加所有验证节点的签名；

其他节点收到新区块的信息，并验证其中的签名信息通过后，将该区块加入区块链中。

2.根据权利要求1所述的基于深度学习模型训练的区块链共识方法，其特征在于，采用深度学习模型训练共识算法进行计算和验证之前，还包括：

记账节点的共识算法调度器选择共识算法，如果为深度学习模型训练共识算法，则采用深度学习模型训练共识算法，否则采用传统区块链共识算法进行计算和验证。

3.根据权利要求1所述的基于深度学习模型训练的区块链共识方法，其特征在于，所述文件信息包括图片、语音、视频和文本。

4.根据权利要求1所述的基于深度学习模型训练的区块链共识方法，其特征在于，底层区块链如果基于比特币、莱特币的区块链，那么将扩展新的数据采集类型，这里的URI_文件采用比特币交易中预留字段来进行存储；如果基于以太坊、EOS的具有智能合约机制的区块链平台，则URI_文件是将其作为参数并对智能合约的方法调用，当该数据信息经过智能合约验证通过之后，再通过智能合约往主体钱包地址转账，金额为采集奖励金额。

5.根据权利要求1所述的基于深度学习模型训练的区块链共识方法，其特征在于，底层区块链如果基于比特币、莱特币的区块链，那么将扩展新的数据采集类型，这里的“URI_文件+URI_标注”采用比特币交易中预留字段来进行存储；如果基于以太坊、EOS的具有智能合约机制的区块链平台，则“URI_文件+URI_标注”是将其作为参数并对智能合约的方法调用，当该数据信息经过智能合约验证通过之后，再通过智能合约往主体钱包地址转账，金额为标注奖励金额。

6.根据权利要求1所述的基于深度学习模型训练的区块链共识方法，其特征在于，所述阈值α、β、γ、δ通过智能合约方式和由所有节点参与者投票决定。