本技術(shù)涉及區(qū)塊鏈，尤其涉及一種基于區(qū)塊鏈的人工智能模型訓(xùn)練方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)突飛猛進(jìn)的發(fā)展，人工智能模型的規(guī)模越來(lái)越大、參數(shù)量越來(lái)越多、參與方越來(lái)越多、結(jié)構(gòu)也越來(lái)越復(fù)雜，這使得單一的參與方很難根據(jù)自己的需求單獨(dú)訓(xùn)練出相應(yīng)的人工智能模型。

2、區(qū)塊鏈?zhǔn)墙陙?lái)新興的一項(xiàng)信息技術(shù)，是一個(gè)去中心化去信任的集體維護(hù)的可靠數(shù)據(jù)庫(kù)，存儲(chǔ)于其中的數(shù)據(jù)或信息具有不可偽造、全程留痕、可以追溯、公開(kāi)透明、集體維護(hù)等特征?；谶@些特征，區(qū)塊鏈技術(shù)奠定了堅(jiān)實(shí)的“信任”基礎(chǔ)，創(chuàng)造了可靠的“合作”機(jī)制，具有廣闊的運(yùn)用前景。隨著區(qū)塊鏈技術(shù)的不斷成熟，利用區(qū)塊鏈的合作機(jī)制，多個(gè)各參與方可以共同合作訓(xùn)練人工智能模型，這樣不僅可以獲得更多量、更多類型的參數(shù)以進(jìn)行人工智能模型的訓(xùn)練，得以訓(xùn)練出結(jié)構(gòu)更復(fù)雜、性能更好的人工智能模型。

3、但是，每個(gè)參與方均有部分?jǐn)?shù)據(jù)是敏感數(shù)據(jù)，這些敏感數(shù)據(jù)一旦泄露會(huì)對(duì)參與方造成巨大的損失，所以對(duì)于敏感數(shù)據(jù)參與方通常是不對(duì)外分享的，這樣就難以充分利用每個(gè)參與方的數(shù)據(jù)資源，從而就導(dǎo)致參與訓(xùn)練人工智能模型的數(shù)據(jù)不夠全面，難以訓(xùn)練出結(jié)構(gòu)更復(fù)雜、性能更好的人工智能模型。

4、因此，如何避免參與方敏感數(shù)據(jù)的泄露，以保證參與訓(xùn)練人工智能模型的數(shù)據(jù)較為全面，從而使得訓(xùn)練得到的人工智能模型的結(jié)構(gòu)更復(fù)雜、性能更好，是本領(lǐng)域技術(shù)人員目前急需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種基于區(qū)塊鏈的人工智能模型訓(xùn)練方法及系統(tǒng)，以避免參與方敏感數(shù)據(jù)的泄露，以保證參與訓(xùn)練人工智能模型的數(shù)據(jù)較為全面，從而使得訓(xùn)練得到的人工智能模型的結(jié)構(gòu)更復(fù)雜、性能更好。

2、為解決上述技術(shù)問(wèn)題，本技術(shù)提供如下技術(shù)方案：

3、一種基于區(qū)塊鏈的人工智能模型訓(xùn)練方法，包括如下步驟：步驟s110、依據(jù)待解決的人工智能問(wèn)題，在區(qū)塊鏈的公共區(qū)塊社區(qū)的共同訓(xùn)練節(jié)點(diǎn)中創(chuàng)建初始人工智能模型；步驟s120、依據(jù)初始/當(dāng)前人工智能模型，共同訓(xùn)練節(jié)點(diǎn)向區(qū)塊鏈的公共區(qū)塊社區(qū)的普通數(shù)據(jù)節(jié)點(diǎn)和區(qū)塊鏈的所有私有區(qū)塊社區(qū)的私有連接節(jié)點(diǎn)發(fā)送數(shù)據(jù)讀取請(qǐng)求；步驟s130、響應(yīng)于接收到數(shù)據(jù)讀取請(qǐng)求，公共區(qū)塊社區(qū)的普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)數(shù)據(jù)讀取請(qǐng)求組織相應(yīng)的普通數(shù)據(jù)，并且區(qū)塊鏈的公共區(qū)塊社區(qū)的普通機(jī)制節(jié)點(diǎn)對(duì)組織的普通數(shù)據(jù)進(jìn)行共識(shí)；步驟s140、普通數(shù)據(jù)節(jié)點(diǎn)將經(jīng)過(guò)共識(shí)的普通數(shù)據(jù)發(fā)送給共同訓(xùn)練節(jié)點(diǎn)；步驟s150、響應(yīng)于接收到數(shù)據(jù)讀取請(qǐng)求，私有區(qū)塊社區(qū)的私有連接節(jié)點(diǎn)依據(jù)數(shù)據(jù)讀取請(qǐng)求從私有區(qū)塊社區(qū)的私有數(shù)據(jù)節(jié)點(diǎn)中組織所屬參與方的敏感數(shù)據(jù)，并且區(qū)塊鏈的私有區(qū)塊社區(qū)的私有機(jī)制節(jié)點(diǎn)對(duì)敏感數(shù)據(jù)進(jìn)行共識(shí)及脫敏處理；步驟s160、私有連接節(jié)點(diǎn)將經(jīng)過(guò)共識(shí)且脫敏的敏感數(shù)據(jù)發(fā)送給共同訓(xùn)練節(jié)點(diǎn)；步驟s170、共同訓(xùn)練節(jié)點(diǎn)依據(jù)接收到普通數(shù)據(jù)和脫敏后的敏感數(shù)據(jù)，對(duì)初始/當(dāng)前人工智能模型進(jìn)行下一輪訓(xùn)練。

4、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練方法，其中，優(yōu)選的是，步驟s130包括如下子步驟：普通數(shù)據(jù)節(jié)點(diǎn)接收到共同訓(xùn)練節(jié)點(diǎn)的數(shù)據(jù)讀取請(qǐng)求后，解釋該數(shù)據(jù)讀取請(qǐng)求，得到當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)獲取相應(yīng)參與方當(dāng)前存儲(chǔ)的普通數(shù)據(jù)的數(shù)據(jù)參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)以及參與方當(dāng)前存儲(chǔ)的普通數(shù)據(jù)的數(shù)據(jù)參數(shù)，計(jì)算得到公有區(qū)塊社區(qū)下一輪訓(xùn)練普通數(shù)據(jù)提供參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)根據(jù)公有區(qū)塊社區(qū)下一輪訓(xùn)練普通數(shù)據(jù)提供參數(shù)從預(yù)先創(chuàng)建的普通數(shù)據(jù)提供標(biāo)準(zhǔn)庫(kù)中選擇出所有參與方要提供的普通數(shù)據(jù)量；普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)選擇出的所有參與方要提供的普通數(shù)據(jù)量，從普通節(jié)點(diǎn)中組織相應(yīng)量的普通數(shù)據(jù)，普通機(jī)制節(jié)點(diǎn)應(yīng)用其中的公共共識(shí)機(jī)制對(duì)組織的普通數(shù)據(jù)進(jìn)行共識(shí)。

5、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練方法，其中，優(yōu)選的是，步驟s150包括如下子步驟：私有連接節(jié)點(diǎn)接收到共同訓(xùn)練節(jié)點(diǎn)的數(shù)據(jù)讀取請(qǐng)求后，解釋該數(shù)據(jù)讀取請(qǐng)求，得到當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)；私有連接節(jié)點(diǎn)獲取所屬參與方當(dāng)前存儲(chǔ)的敏感數(shù)據(jù)的敏感參數(shù)；私有連接節(jié)點(diǎn)依據(jù)當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)以及所屬參與方當(dāng)前存儲(chǔ)的敏感數(shù)據(jù)的敏感參數(shù)，計(jì)算得到該私有區(qū)塊社區(qū)下一輪訓(xùn)練敏感數(shù)據(jù)提供參數(shù)；每個(gè)私有連接節(jié)點(diǎn)根據(jù)其所屬的私有區(qū)塊社區(qū)下一輪訓(xùn)練敏感數(shù)據(jù)提供參數(shù)從預(yù)先創(chuàng)建的敏感數(shù)據(jù)提供標(biāo)準(zhǔn)庫(kù)中選擇出相應(yīng)參與方要提供的敏感數(shù)據(jù)量；私有連接節(jié)點(diǎn)依據(jù)選擇出的所屬參與方要提供的敏感數(shù)據(jù)量，從相應(yīng)私有區(qū)塊社區(qū)的私有數(shù)據(jù)節(jié)點(diǎn)中組織相應(yīng)量的敏感數(shù)據(jù)，私有機(jī)制節(jié)點(diǎn)應(yīng)用其中的私有共識(shí)機(jī)制對(duì)組織的敏感數(shù)據(jù)進(jìn)行共識(shí)；并且私有機(jī)制節(jié)點(diǎn)應(yīng)用其中的私有處理機(jī)制對(duì)組織的敏感數(shù)據(jù)進(jìn)行脫敏處理。

6、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練方法，其中，優(yōu)選的是，脫敏處理包括如下子步驟：私有機(jī)制節(jié)點(diǎn)提取組織的敏感數(shù)據(jù)的特征參數(shù)；私有機(jī)制節(jié)點(diǎn)依據(jù)組織的敏感數(shù)據(jù)的特征參數(shù)和私有處理機(jī)制，計(jì)算得到敏感數(shù)據(jù)對(duì)應(yīng)的脫敏數(shù)據(jù)。

7、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練方法，其中，優(yōu)選的是，所有參與方共同構(gòu)建用于訓(xùn)練人工智能模型的區(qū)塊鏈；發(fā)起人工智能模型共同訓(xùn)練的參與方，依據(jù)待解決的人工智能問(wèn)題，在區(qū)塊鏈的公共區(qū)塊社區(qū)的共同訓(xùn)練節(jié)點(diǎn)中創(chuàng)建初始人工智能模型。

8、一種基于區(qū)塊鏈的人工智能模型訓(xùn)練系統(tǒng)，包括：公共區(qū)塊社區(qū)和多個(gè)私有區(qū)塊社區(qū)；公共區(qū)塊社區(qū)包括：普通數(shù)據(jù)節(jié)點(diǎn)、普通機(jī)制節(jié)點(diǎn)和共同訓(xùn)練節(jié)點(diǎn)；私有區(qū)塊社區(qū)包括：私有數(shù)據(jù)節(jié)點(diǎn)、私有機(jī)制節(jié)點(diǎn)和私有連接節(jié)點(diǎn)；依據(jù)待解決的人工智能問(wèn)題，區(qū)塊鏈的公共區(qū)塊社區(qū)的共同訓(xùn)練節(jié)點(diǎn)在其內(nèi)創(chuàng)建初始人工智能模型；依據(jù)初始/當(dāng)前人工智能模型，共同訓(xùn)練節(jié)點(diǎn)向區(qū)塊鏈的公共區(qū)塊社區(qū)的普通數(shù)據(jù)節(jié)點(diǎn)和區(qū)塊鏈的所有私有區(qū)塊社區(qū)的私有連接節(jié)點(diǎn)發(fā)送數(shù)據(jù)讀取請(qǐng)求；響應(yīng)于接收到數(shù)據(jù)讀取請(qǐng)求，公共區(qū)塊社區(qū)的普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)數(shù)據(jù)讀取請(qǐng)求組織相應(yīng)的普通數(shù)據(jù)，并且區(qū)塊鏈的公共區(qū)塊社區(qū)的普通機(jī)制節(jié)點(diǎn)對(duì)組織的普通數(shù)據(jù)進(jìn)行共識(shí)；普通數(shù)據(jù)節(jié)點(diǎn)將經(jīng)過(guò)共識(shí)的普通數(shù)據(jù)發(fā)送給共同訓(xùn)練節(jié)點(diǎn)；響應(yīng)于接收到數(shù)據(jù)讀取請(qǐng)求，私有區(qū)塊社區(qū)的私有連接節(jié)點(diǎn)依據(jù)數(shù)據(jù)讀取請(qǐng)求從私有區(qū)塊社區(qū)的私有數(shù)據(jù)節(jié)點(diǎn)中組織所屬參與方的敏感數(shù)據(jù)，并且區(qū)塊鏈的私有區(qū)塊社區(qū)的私有機(jī)制節(jié)點(diǎn)對(duì)敏感數(shù)據(jù)進(jìn)行共識(shí)及脫敏處理；私有連接節(jié)點(diǎn)將經(jīng)過(guò)共識(shí)且脫敏的敏感數(shù)據(jù)發(fā)送給共同訓(xùn)練節(jié)點(diǎn)；共同訓(xùn)練節(jié)點(diǎn)依據(jù)接收到普通數(shù)據(jù)和脫敏后的敏感數(shù)據(jù)，對(duì)初始/當(dāng)前人工智能模型進(jìn)行下一輪訓(xùn)練。

9、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練系統(tǒng)，其中，優(yōu)選的是，普通數(shù)據(jù)節(jié)點(diǎn)接收到共同訓(xùn)練節(jié)點(diǎn)的數(shù)據(jù)讀取請(qǐng)求后，解釋該數(shù)據(jù)讀取請(qǐng)求，得到當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)獲取相應(yīng)參與方當(dāng)前存儲(chǔ)的普通數(shù)據(jù)的數(shù)據(jù)參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)以及參與方當(dāng)前存儲(chǔ)的普通數(shù)據(jù)的數(shù)據(jù)參數(shù)，計(jì)算得到公有區(qū)塊社區(qū)下一輪訓(xùn)練普通數(shù)據(jù)提供參數(shù)；普通數(shù)據(jù)節(jié)點(diǎn)根據(jù)公有區(qū)塊社區(qū)下一輪訓(xùn)練普通數(shù)據(jù)提供參數(shù)從預(yù)先創(chuàng)建的普通數(shù)據(jù)提供標(biāo)準(zhǔn)庫(kù)中選擇出所有參與方要提供的普通數(shù)據(jù)量；普通數(shù)據(jù)節(jié)點(diǎn)依據(jù)選擇出的所有參與方要提供的普通數(shù)據(jù)量，從普通節(jié)點(diǎn)中組織相應(yīng)量的普通數(shù)據(jù)，普通機(jī)制節(jié)點(diǎn)應(yīng)用其中的公共共識(shí)機(jī)制對(duì)組織的普通數(shù)據(jù)進(jìn)行共識(shí)。

10、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練系統(tǒng)，其中，優(yōu)選的是，私有連接節(jié)點(diǎn)接收到共同訓(xùn)練節(jié)點(diǎn)的數(shù)據(jù)讀取請(qǐng)求后，解釋該數(shù)據(jù)讀取請(qǐng)求，得到當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)；私有連接節(jié)點(diǎn)獲取所屬參與方當(dāng)前存儲(chǔ)的敏感數(shù)據(jù)的敏感參數(shù)；私有連接節(jié)點(diǎn)依據(jù)當(dāng)前人工智能模型的訓(xùn)練狀態(tài)參數(shù)以及所屬參與方當(dāng)前存儲(chǔ)的敏感數(shù)據(jù)的敏感參數(shù)，計(jì)算得到該私有區(qū)塊社區(qū)下一輪訓(xùn)練敏感數(shù)據(jù)提供參數(shù)；每個(gè)私有連接節(jié)點(diǎn)根據(jù)其所屬的私有區(qū)塊社區(qū)下一輪訓(xùn)練敏感數(shù)據(jù)提供參數(shù)從預(yù)先創(chuàng)建的敏感數(shù)據(jù)提供標(biāo)準(zhǔn)庫(kù)中選擇出相應(yīng)參與方要提供的敏感數(shù)據(jù)量；私有連接節(jié)點(diǎn)依據(jù)選擇出的所屬參與方要提供的敏感數(shù)據(jù)量，從相應(yīng)私有區(qū)塊社區(qū)的私有數(shù)據(jù)節(jié)點(diǎn)中組織相應(yīng)量的敏感數(shù)據(jù)，私有機(jī)制節(jié)點(diǎn)應(yīng)用其中的私有共識(shí)機(jī)制對(duì)組織的敏感數(shù)據(jù)進(jìn)行共識(shí)；并且私有機(jī)制節(jié)點(diǎn)應(yīng)用其中的私有處理機(jī)制對(duì)組織的敏感數(shù)據(jù)進(jìn)行脫敏處理。

11、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練系統(tǒng)，其中，優(yōu)選的是，私有機(jī)制節(jié)點(diǎn)提取組織的敏感數(shù)據(jù)的特征參數(shù)；私有機(jī)制節(jié)點(diǎn)依據(jù)組織的敏感數(shù)據(jù)的特征參數(shù)和私有處理機(jī)制，計(jì)算得到敏感數(shù)據(jù)對(duì)應(yīng)的脫敏數(shù)據(jù)。

12、如上所述的基于區(qū)塊鏈的人工智能模型訓(xùn)練系統(tǒng)，其中，優(yōu)選的是，所有參與方共同構(gòu)建用于訓(xùn)練人工智能模型的區(qū)塊鏈；發(fā)起人工智能模型共同訓(xùn)練的參與方，依據(jù)待解決的人工智能問(wèn)題，在區(qū)塊鏈的公共區(qū)塊社區(qū)的共同訓(xùn)練節(jié)點(diǎn)中創(chuàng)建初始人工智能模型。

13、相對(duì)上述背景技術(shù)，本技術(shù)提供的基于區(qū)塊鏈的人工智能模型訓(xùn)練方法及系統(tǒng)，可以避免參與方敏感數(shù)據(jù)的泄露，并且保證參與訓(xùn)練人工智能模型的數(shù)據(jù)較為全面，從而使得訓(xùn)練得到的人工智能模型的結(jié)構(gòu)更復(fù)雜、性能更好。