一种服务驱动的共识方法及视觉模型智能训练方法

本发明属于区块链，具体涉及一种服务驱动的共识方法及视觉模型智能训练方法。

背景技术：

1、独居老人或者住院患者身边没有护理人员照看，生活不便，在遭遇摔倒、火情等特殊情况时，极易因为不及时的帮助而陷入危机，甚至抢救不及时遇难，造成财产损失和人身安全伤害。为了解决这个问题，国内外研究学者和企业开发了多种产品，主要可归纳为以下两种：①研发智能手环等设备，监测用户的心跳等多种指标，判断用户的状态，在用户指标不正常时触发紧急措施；②研发网络摄像头，用户可远程观看实时视频，也可通过设备中自带的音频芯片通话，了解被观察者的状态；③研发智能识别摄像头，可帮助用户实时自动识别被观察者的状态和所处环境的异常。然而，对于第①种产品而言，智能手环的监测功能是有限的，很难根据心跳、血氧等参数推断用户具体的异常行为、环境和需要的帮助；对于第②种产品而言，用户只在自己空闲的时候远程观看摄像头视频，不能及时了解被观察者的状态；对于第③种产品而言，摄像头虽然可以代替人工监测被观察者的状态，但识别率相对较差，泛化能力有待提高。

2、通过优化算法或者提高训练数据的数量、多样性和专业性可以提高摄像头搭载的识别模型的识别率。因此可以通过包括网络摄像头在内的各看护设备和购买或提供服务的其他主体视为节点，通过区块链、计算机视觉和联邦学习的技术融合可实现不同节点之间服务和需求的共享，提高看护管理水平。

技术实现思路

1、为了更好地实现不同节点之间服务和需求的共享，提高看护管理水平，本发明提供了一种服务驱动的共识方法及视觉智能训练方法。本发明的共识方法，用户可通过所在节点向系统上发布或者提供服务，以此微调各节点成为共识节点的概率；并在服务驱动的共识方法的基础上采用联邦学习进行智能训练，提高看护管理水平和节点的本地模型性能。

2、本发明通过下述技术方案来实现。一种服务驱动的共识方法，各支持服务活动的节点构成区块链系统，共识过程包括：

3、为每个节点分配节点号并进行数据初始化；

4、各节点相互进行投票，投票信息除了携带各个得票节点及得票数以外，还需携带一个可信因子；

5、从投票信息中计算所有节点的得票数，选出得票数最高的若干节点作为可信节点；同时，针对每个可信节点，所有投票给可信节点的投票信息中携带的可信因子组成可信因子序列；

6、从所有节点中去掉没有投票的节点和违规的节点组成有效节点序列；根据有效节点序列中节点的权重，膨胀每个节点在有效节点序列中出现的次数，构建候选节点序列；从每个可信节点的可信因子序列中选出一个可信因子并做运算，得到的值作为随机数生成器的随机种子，候选节点序列为随机数生成器选值的范围，采用随机数生成器生成一个随机数，所述随机数即为共识节点的节点号；循环计算随机种子和采用随机数生成器生成一个随机数的过程以选择多个共识节点轮询出块，直到本次共识节点选择的时间结束；

7、可信节点对选出的共识节点进行验证，通过验证的共识节点出块并上链。

8、进一步优选，所述数据初始化是：对首次运行区块链系统的节点在分配好节点号之后，设置其权重为10,权重扣除数和服务权重为0；对不是首次运行区块链系统的节点，加载节点在区块链系统中的信息。

9、进一步优选，构建候选节点序列的过程为：

10、使用p1,p2,…,pn分别表示第1,2,…,n个有效节点，d1,d2,…,dn分别表示第1,2,…,n个有效节点对应的节点号，有效节点序列用c表示，对于第i个有效节点pi，其中权重为wi，服务权重为twi，区块链系统预设的转移膨胀因子为α，预设的服务影响因子β，那么，有效节点序列中第i个有效节点pi的重复次数为：

11、

12、重复次数序列x＝[x1,x2,…,xn]，x1,x2,…,xn分别为有效节点序列中第1,2,…,n个有效节点的重复次数，因此，对于有效节点序列中各节点按照重复次数序列x膨胀之后得到的序列即为候选节点序列。

13、进一步优选，从每个可信节点的可信因子序列中选出一个可信因子并做运算，得到的值作为随机数生成器的随机种子，具体过程为：

14、首先，从各可信节点的可信因子序列中按线性变换再对可信因子序列长度取余的方式取出k个可信因子：

15、c和d是做线性变换的两个预设的超参数，第i个可信节点序列的长度为li，在做第j次共识节点选择时，从第i个可信节点序列中选择一个可信因子yi：

16、那么，取出的k个可信因子构成一个可信因子序列y＝[y1,y2,…,yk]，y1,y2,…,yk分别为第1,2,…,k个可信因子；

17、接着，得出第j个随机种子sj的计算方法为：

18、sj＝y1⊕y2⊕…⊕yk。

19、进一步优选，选择共识节点时，采用等概率随机数生成器，以随机种子sj从候选节点序列中选取一个节点号作为共识节点。

20、进一步优选，为每个节点分配节点号并进行数据初始化的方式为：对于没有节点号的节点，需要为其分配一个节点号，并对该节点的数据初始化；对于拥有节点号的节点，通过加载已有节点的数据进行初始化。

21、进一步优选，需求服务方可根据自己的需要，发布服务的需求信息、完成时间、选择服务提供方标准以及扣除相应数量的权重，此时，应从需求服务方节点中的权重中扣除该服务的权重，且保证扣除后得到的需求服务方的权重不小于0；全网节点接收该节点发布的需求并竞争，在一段时间内收取若干位候选服务提供方后，按照选择服务提供方标准优先选择最佳的服务提供方完成该服务。最佳的服务提供方未在一段时间内完成服务，则选择次最佳的服务提供方完成该服务，直到最终有服务提供方完成或者无服务提供方完成。对无服务提供方完成的服务或需求服务方不满意服务提供方提供的服务，服务所涉及到的数据直接丢弃；对需求服务方满意服务提供方提供的服务的，把扣除的权重计入服务提供方的服务权重中。服务提供方对需求服务方的满意度打分不满意的，可以提交仲裁以让可信节点判定，超过三分之二的可信节点认同观点，便可通过审查。

22、进一步优选，所属中的服务为数据标注的服务，需求服务方提供自己的图片或视频数据，服务提供方按照数据标注的方法对数据进行标注。

23、进一步优选，所述可信因子是任意正整数，完全由投票的节点自己决定；所述中的权重和服务权重仅用于产生有效节点序列中每个节点的重复次数以变动每个节点被选为共识节点的概率，无其他任何作用；此外，共识节点负责打包数据、发布数据，并享有连续若干次的最新的视觉模型训练结果下载机会；可信节点用于判定共识节点、违规节点、服务仲裁以及作为智能训练的服务器节点，并享有在可信任期内的最新的视觉模型训练结果下载机会。

24、本发明还提供一种基于服务驱动共识机制的视觉模型智能训练方法，其特征在于，步骤为：

25、步骤s1、在节点配置文件中设置系统超参数，包括触发智能训练的数据标注的服务权重m、定时器tc和各节点微调次数p；

26、步骤s2、在节点识别运行时，已到了定时器tc定时时间则触发定时器任务，执行步骤s3；否则继续等待；

27、步骤s3、定时器tc重置时间为0，定时器tc重新计时；定时器tc任务开始计算从上一次智能训练之后到当前时间内数据标注产生的总服务权重n；

28、步骤s4、n大于等于m，则进入步骤s5；否则返回步骤s2；

29、步骤s5、关闭定时器tc，以免本次视觉模型智能训练没结束，数据标注产生的总服务权重满足要求又需要进入训练环节造成资源竞争引发死循环；依据服务驱动的共识方法共识节点选择出来的可信节点，随机选出一台可信节点为服务器，共识节点其它节点为客户端；

30、步骤s6、对远程看护系统中有数据标注的节点以及步骤s5中选出的服务器，采用联邦学习训练全局模型；

31、步骤s7、获得下载资格的客户端下载全局模型，并基于全局模型和本地数据进行p次微调，得到本地模型。

32、步骤s8、获得下载资格的客户端中的全局模型替换为最新微调的本地模型或者联邦学习训练好的全局模型；启动定时器tc继续计时；本次训练结束。

33、本发明的共识方法，用户可通过所在节点向系统上发布或者提供服务，以此微调各节点成为共识节点的概率；并在服务驱动的共识方法的基础上采用联邦学习进行智能训练，提高看护管理水平和节点的本地模型性能。具有以下优点：第一，可以获得更多的数据进行训练，也可根据用户的实际情况微调模型，从而提高模型的识别率和泛化能力。第二，区块链及联邦学习技术的应用，可以保证私人数据的隐私性和安全性。