CN111680076B - 一种基于关联规则模型训练的区块链共识方法和*** - Google Patents

一种基于关联规则模型训练的区块链共识方法和*** Download PDF

Info

Publication number
CN111680076B
CN111680076B CN202010317938.1A CN202010317938A CN111680076B CN 111680076 B CN111680076 B CN 111680076B CN 202010317938 A CN202010317938 A CN 202010317938A CN 111680076 B CN111680076 B CN 111680076B
Authority
CN
China
Prior art keywords
association rule
data acquisition
algorithm
information
rule model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010317938.1A
Other languages
English (en)
Other versions
CN111680076A (zh
Inventor
李引
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhongke Yide Technology Co ltd
Original Assignee
Guangzhou Zhongke Yide Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Zhongke Yide Technology Co ltd filed Critical Guangzhou Zhongke Yide Technology Co ltd
Priority to CN202010317938.1A priority Critical patent/CN111680076B/zh
Publication of CN111680076A publication Critical patent/CN111680076A/zh
Application granted granted Critical
Publication of CN111680076B publication Critical patent/CN111680076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于关联规则模型训练的区块链共识方法和***，该***包括共识算法调度器、参数和数据获取器、关联规则模型训练器和共识验证器；该***可与现有的区块链***进行对接，取代POW/POS/POA等共识算法。本发明将区块链过剩的算力引入关联规则模型的训练中，通过区块链的激励机制，使得投资人进行人工智能模型的训练时，能够引导将资金、算力、能源投入到更加有意义的工作上，解决算力不足费用昂贵的问题。本发明将区块链的POW算力用来进行大数据的关联规则计算，降低了成本，节约了社会资源，将算力用到了有意义的工作上。

Description

一种基于关联规则模型训练的区块链共识方法和***
技术领域
本发明涉及区块链技术领域，具体涉及一种基于关联规则模型训练的区块链共识方法和***。
背景技术
区块链技术的发展已经得到国内外企业、研究机构、高校等普遍认同，认为其是下一代价值互联网的核心。主流的区块链平台一般采用POW共识算法，通过重复的进行散列值运算来确定出块的节点，哪个节点投入算力更高，将有更大的概率获得出块奖励。这种机制使得能够通过机器和算法来实现信任的建立和价值共识，投资人投入大量的金钱用来购买电力，这些算力和能源被投资者用来进行散列值运算从而获得奖励，这种模式下的算力和能源的浪费被极大的诟病。
关联规则是形如X→Y的蕴涵式，定义为：
假设I＝{I1，I2，...，Im}是项的集合。给定一个交易数据库D，其中每个事务(Transaction)t是I的非空子集，即，每一个交易都与一个唯一的标识符TID(TransactionID)对应。关联规则在D中的支持度(support)是D中事务同时包含X、Y的百分比，即概率；置信度(confidence)是D中事务已经包含X的情况下，包含Y的百分比，即条件概率。如果满足最小支持度阈值和最小置信度阈值，则认为关联规则是有趣的。关联规则模型的挖掘就是在一定阈值条件下，需要满足这样条件关系的XY。
关联规则广泛应用金融、零售、电商等行业，比如在金融行业，银行通过在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新***，或者需要一个住房改善贷款，这些产品都可以通过***账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
再比如零售市场的数据，它不仅十分庞大、复杂，而且包含着许多有用信息，从大型超市数据库中可以发现一些潜在的、有用的、有价值的信息来，从而应用于超级市场的经营。通过对所积累的销售数据的分析，可以得出各种商品的销售信息。从而更合理地制定各种商品的定货情况，对各种商品的库存进行合理地控制。另外根据各种商品销售的相关情况，可分析商品的销售关联性，从而可以进行商品的货篮分析和组合管理，以更加有利于商品销售。
同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
主流的区块链普遍采用POW等共识算法，用来确定出块节点，存在能源和算力浪费的问题。
发明内容
有鉴于此，为了解决现有技术中区块链的共识算法存在能源和算力浪费的的问题，本发明提出一种基于关联规则模型训练的区块链共识方法和***。
本发明通过以下技术手段解决上述问题：
一方面，本发明提供一种基于关联规则模型训练的区块链共识方法，包括如下步骤：
主体生成大数据采集信息发送给节点，节点将该大数据采集信息广播到相邻节点；
采用关联规则模型训练共识算法进行计算和验证，节点验证大数据采集信息的有效性，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；
节点用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止；
节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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；
其他节点收到新区块的信息，“共识验证器”对其进行验证；当采用的关联规则共识模型时，节点将利用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中。
进一步地，采用关联规则模型训练共识算法进行计算和验证之前，还包括：
节点“共识算法调度器”选择共识算法，如果为关联规则模型训练共识算法，则采用关联规则模型训练共识算法进行计算和验证，否则采用传统区块链共识算法进行计算和验证。
进一步地，数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式表达为{主体钱包地址，数据采集奖励金额，数据信息}；或者数据信息将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符。
进一步地，底层区块链如果基于以太坊、EOS的具有智能合约机制的区块链平台，则“数据信息”是将数据信息封装后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“数据采集奖励金额”。
进一步地，关联规则算法采用Apriori算法或FP-树频集算法；参数阈值是指最小支持度阈值和最小置信度阈值。
进一步地，阈值α通过智能合约的方式和由所有节点参与者投票决定；最小支持度阈值和最小置信度阈值通过智能合约的方式由所有节点参与者投票决定。
另一方面，本发明还提供一种基于关联规则模型训练的区块链共识***，包括：
参数和数据获取器，用于主体生成大数据采集信息发送给节点，节点将大数据采集该信息广播到相邻节点；
关联规则模型训练器，用于采用关联规则模型训练共识算法进行计算和验证，节点验证大数据采集信息的有效性，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；节点用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止；节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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；
共识验证器，用于其他节点收到新区块的信息对其进行验证；当采用的关联规则共识模型时，节点将利用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中。
进一步地，所述基于关联规则模型训练的区块链共识***，还包括：
共识算法调度，用于节点选择共识算法，如果为关联规则模型训练共识算法，则采用关联规则模型训练共识算法进行计算和验证，否则采用传统区块链共识算法进行计算和验证。
进一步地，数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式表达为{主体钱包地址，数据采集奖励金额，数据信息}；或者数据信息将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符；
底层区块链如果基于以太坊、EOS的具有智能合约机制的区块链平台，则“数据信息”是将数据信息封装后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“数据采集奖励金额”。
进一步地，关联规则算法采用Apriori算法或FP-树频集算法；参数阈值是指最小支持度阈值和最小置信度阈值；阈值α通过智能合约的方式和由所有节点参与者投票决定；最小支持度阈值和最小置信度阈值通过智能合约的方式由所有节点参与者投票决定。
与现有技术相比，本发明的有益效果至少包括：
本发明针对电商、零售、旅游、餐饮等场景中产生的大数据，提出了将这些大数据关联规则模型的挖掘用来作为区块链共识达成的方法，能够将算力应用到有价值的模型挖掘上。
本发明将区块链过剩的算力引入关联规则模型的训练中，通过区块链的激励机制，使得投资人进行人工智能模型的训练时，能够引导将资金、算力、能源投入到更加有意义的工作上，解决算力不足费用昂贵的问题。
本发明将区块链的POW算力用来进行大数据的关联规则计算，降低了成本，节约了社会资源，将算力用到了有意义的工作上。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于关联规则模型训练的区块链共识方法的流程图；
图2是本发明基于关联规则模型训练的区块链共识***的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明提供一种基于关联规则模型训练的区块链共识方法，包括如下步骤：
步骤S110：主体生成大数据采集信息发送给节点，节点将该信息广播到相邻节点。数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式可以表达为{主体钱包地址，数据采集奖励金额，数据信息}。
底层区块链如果基于以太坊、EOS等具有智能合约机制的区块链平台，则“数据信息”是将数据信息封装后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“数据采集奖励金额”。
可替换的，该数据信息也可以将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符。
步骤S120：节点“共识算法调度器”选择共识算法，如果为关联规则模型训练共识算法，则跳到步骤S130，否则采用传统区块链共识算法进行计算和验证。
步骤S130：节点验证数据采集信息的有效性，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。阈值α可以通过智能合约等方式和由所有节点参与者投票决定。
步骤S140：节点用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止。这里的关联规则算法可以采用Apriori算法、FP-树频集算法等。参数阈值主要是指最小支持度阈值和最小置信度阈值。
步骤S150：节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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。
步骤S160：其他节点收到新区块的信息，“共识验证器”对其进行验证。当采用的关联规则共识模型时，节点将利用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中。最小支持度阈值和最小置信度阈值可以通过智能合约等方式由所有节点参与者投票决定。
实施例2
如图2所示，本发明提供一种基于关联规则模型训练的区块链共识***，包括参数和数据获取器、共识算法调度器、关联规则模型训练器和共识验证器。
参数和数据获取器，用于主体生成大数据采集信息发送给节点，节点将该信息广播到相邻节点。数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式可以表达为{主体钱包地址，数据采集奖励金额，数据信息}。
底层区块链如果基于以太坊、EOS等具有智能合约机制的区块链平台，则“数据信息”是将数据信息封装后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“数据采集奖励金额”。
可替换的，该数据信息也可以将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符。
共识算法调度器，用于节点选择共识算法，如果为关联规则模型训练共识算法，则采用关联规则模型训练共识算法进行计算和验证，否则采用传统区块链共识算法进行计算和验证。
关联规则模型训练器，用于节点验证数据采集信息的有效性，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。阈值α可以通过智能合约等方式和由所有节点参与者投票决定。
节点用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止。这里的关联规则算法可以采用Apriori算法、FP-树频集算法等。参数阈值主要是指最小支持度阈值和最小置信度阈值。
节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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。
共识验证器，用于其他节点收到新区块的信息对其进行验证。当采用的关联规则共识模型时，节点将利用“参数和数据获取器”获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中。最小支持度阈值和最小置信度阈值可以通过智能合约等方式由所有节点参与者投票决定。
本发明提出了采用关联规则达成区块链节点共识的方法和***，分为“共识算法调度器”、“参数和数据获取器”、“关联规则模型训练器”、“共识验证器”。该***可与现有的区块链***进行对接，取代POW/POS/POA等共识算法。
本发明针对电商、零售、旅游、餐饮等场景中产生的大数据，提出了将这些大数据关联规则模型的挖掘用来作为区块链共识达成的方法，能够将算力应用到有价值的模型挖掘上。
本发明将区块链过剩的算力引入关联规则模型的训练中，通过区块链的激励机制，使得投资人进行人工智能模型的训练时，能够引导将资金、算力、能源投入到更加有意义的工作上，解决算力不足费用昂贵的问题。
本发明将区块链的POW算力用来进行大数据的关联规则计算，降低了成本，节约了社会资源，将算力用到了有意义的工作上。
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。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于关联规则模型训练的区块链共识方法，其特征在于，包括如下步骤：
主体生成大数据采集信息发送给节点，节点将该大数据采集信息广播到相邻节点；
采用关联规则模型训练共识算法进行计算和验证，节点验证大数据采集信息的有效性，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；
节点用参数和数据获取器获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止；
节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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；
其他节点收到新区块的信息，共识验证器对其进行验证；当采用的关联规则共识模型时，节点将利用参数和数据获取器获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中；
采用关联规则模型训练共识算法进行计算和验证之前，还包括：
节点共识算法调度器选择共识算法，如果为关联规则模型训练共识算法，则采用关联规则模型训练共识算法进行计算和验证，否则采用传统区块链共识算法进行计算和验证；
阈值α通过智能合约的方式和由所有节点参与者投票决定；最小支持度阈值和最小置信度阈值通过智能合约的方式由所有节点参与者投票决定。
2.根据权利要求1所述的基于关联规则模型训练的区块链共识方法，其特征在于，数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式表达为{主体钱包地址，数据采集奖励金额，数据信息}；或者数据信息将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符。
3.根据权利要求1所述的基于关联规则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以太坊、EOS的具有智能合约机制的区块链平台，则数据信息是将数据信息封装后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，金额为数据采集奖励金额。
4.根据权利要求1所述的基于关联规则模型训练的区块链共识方法，其特征在于，关联规则算法采用Apriori算法或FP-树频集算法；参数阈值是指最小支持度阈值和最小置信度阈值。
5.一种基于关联规则模型训练的区块链共识***，其特征在于，包括：
参数和数据获取器，用于主体生成大数据采集信息发送给节点，节点将大数据采集该信息广播到相邻节点；
关联规则模型训练器，用于采用关联规则模型训练共识算法进行计算和验证，节点验证大数据采集信息的有效性，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；节点用参数和数据获取器获取链上存储的所有大数据采集信息Z，与缓冲池中当前的数据集合A进行合并，采用关联规则算法，挖掘其中存在的关联规则模型，当满足参数阈值要求时停止；节点完成关联规则模型的计算，将关联规则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，同时将数据集合A生成n条数据采集交易和其他转账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；
共识验证器，用于其他节点收到新区块的信息对其进行验证；当采用的关联规则共识模型时，节点将利用参数和数据获取器获取链上存储的所有大数据采集信息Z，与本节点缓冲池中当前的数据集合B进行合并后生成D’，根据关联规则模型计算得出的频繁项集，计算频繁项集在D’中的支持度和置信度是否满足最小支持度阈值和最小置信度阈值要求，如果达到阈值要求，则将该区块放入本地区块链中；
所述基于关联规则模型训练的区块链共识***，还包括：
共识算法调度，用于节点选择共识算法，如果为关联规则模型训练共识算法，则采用关联规则模型训练共识算法进行计算和验证，否则采用传统区块链共识算法进行计算和验证；
阈值α通过智能合约的方式和由所有节点参与者投票决定；最小支持度阈值和最小置信度阈值通过智能合约的方式由所有节点参与者投票决定。
6.根据权利要求5所述的基于关联规则模型训练的区块链共识***，其特征在于，数据信息直接以数据贡献交易的方式存储在区块链上，数据贡献交易的形式表达为{主体钱包地址，数据采集奖励金额，数据信息}；或者数据信息将其进行梳理整理后放入外部数据存储***，返回一个数据存储的资源定位符；
底层区块链如果基于以太坊、EOS的具有智能合约机制的区块链平台，则数据信息是将数据信息封装后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，金额为数据采集奖励金额。
7.根据权利要求5所述的基于关联规则模型训练的区块链共识***，其特征在于，关联规则算法采用Apriori算法或FP-树频集算法；参数阈值是指最小支持度阈值和最小置信度阈值。
CN202010317938.1A 2020-04-21 2020-04-21 一种基于关联规则模型训练的区块链共识方法和*** Active CN111680076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010317938.1A CN111680076B (zh) 2020-04-21 2020-04-21 一种基于关联规则模型训练的区块链共识方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010317938.1A CN111680076B (zh) 2020-04-21 2020-04-21 一种基于关联规则模型训练的区块链共识方法和***

Publications (2)

Publication Number Publication Date
CN111680076A CN111680076A (zh) 2020-09-18
CN111680076B true CN111680076B (zh) 2023-08-22

Family

ID=72451724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010317938.1A Active CN111680076B (zh) 2020-04-21 2020-04-21 一种基于关联规则模型训练的区块链共识方法和***

Country Status (1)

Country Link
CN (1) CN111680076B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761067B (zh) * 2021-09-10 2023-06-16 北京冲量在线科技有限公司 基于区块链和可信执行环境的去中心化联合建模***
CN114884977B (zh) * 2022-05-09 2023-07-04 深圳嘉业产业发展有限公司 一种基于区块链的数据共享方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018183148A1 (en) * 2017-03-29 2018-10-04 Alibaba Group Holding Limited Method, apparatus, and system for blockchain consensus
CN108805561A (zh) * 2017-04-27 2018-11-13 中思博安科技（北京）有限公司 可访问多个区块链的智能合约的执行方法和***
CN110245186A (zh) * 2019-05-21 2019-09-17 深圳壹账通智能科技有限公司 一种基于区块链的业务处理方法及相关设备
WO2020042129A1 (en) * 2018-08-31 2020-03-05 Powerchaintech Beijing Company Systems and methods for blockchain-based energy grid transaction

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242484A (zh) * 2018-08-09 2019-01-18 玄章技术有限公司 一种区块链的共识激励方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018183148A1 (en) * 2017-03-29 2018-10-04 Alibaba Group Holding Limited Method, apparatus, and system for blockchain consensus
CN108805561A (zh) * 2017-04-27 2018-11-13 中思博安科技（北京）有限公司 可访问多个区块链的智能合约的执行方法和***
CN108805562A (zh) * 2017-04-27 2018-11-13 中思博安科技（北京）有限公司 智能合约的执行方法和***
WO2020042129A1 (en) * 2018-08-31 2020-03-05 Powerchaintech Beijing Company Systems and methods for blockchain-based energy grid transaction
CN110245186A (zh) * 2019-05-21 2019-09-17 深圳壹账通智能科技有限公司 一种基于区块链的业务处理方法及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Rui-yang chen.A traceability chain algorithm for artificial neural networks using T-S fuzzy cognitive maps in blockchain.Future Generation Computer Systems.2018,198-210. *

Also Published As

Publication number Publication date
CN111680076A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
US10176494B2 (en) System for individualized customer interaction
US9842336B2 (en) Risk assessment rule set application for fraud prevention
US8650079B2 (en) Promotion planning system
Kotha et al. The role of online buying experience as a competitive advantage: Evidence from third‐party ratings for e‐commerce firms
US9336524B2 (en) System and method for tracking the secondary gift card marketplace
KR101048254B1 (ko) 온·오프라인에서 선·후순위 구매자의 구매실적에 연동하는 반환시스템과 그 방법
Ayanso et al. Profiling retail web site functionalities and conversion rates: A cluster analysis
US20090187462A1 (en) Method and system for providing relevant coupons to consumers based on financial transaction history and network search activity
CN102804219A (zh) 用基于交易的数据增强搜索数据的***和方法
CN102498497A (zh) 用于定向广告投放的***和方法
SG178560A1 (en) Analyzing local non-transactional data with transactional data in predictive models
CN111680076B (zh) 一种基于关联规则模型训练的区块链共识方法和***
US20040111366A1 (en) Accrual system, method, product, and apparatus
CN106339906A (zh) 一种基于电子商务的导购***推广方法
Nathani et al. A study on consumers perception towards digital payment system in India and various affecting its growth
Martínez-López et al. Using instant refunds to improve online return experiences
Kaniawulan et al. Successful Digital Payment Information System Services Using Delon and McLean Models
Kim E-commerce as a development factor in international trade
CN111680099B (zh) 一种基于决策树模型训练的区块链共识方法和***
Mohammad et al. Banks’ distributional channel strategies, customer satisfaction and mediating role of trust
Fazel Zarandi A retail ontology: formal semantics and efficient implementation.
Khwanngern et al. Comparative Analysis of Online Shopping Behavior of Thai and Chinese Consumers
Jalaludin et al. Pioneering the Digital Marketplace: A Study on the Adoption of Social Commerce among Micro Enterprises in Malaysia
Verma et al. Analysis of pricing and demand strategies: Before and during big billion days sale on consumers
KR102034557B1 (ko) 경매 대출 방법 및 이를 실행하는 금융사의 서버

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant