本發(fā)明涉及區(qū)塊鏈、分布式計算、邊緣計算和人工智能生成內容，具體地，涉及人工智能生成內容的算力動態(tài)分享配置的方法及系統(tǒng)，更為具體地，涉及基于區(qū)塊鏈技術的分布式邊緣網絡中的人工智能生成內容的算力動態(tài)分享配置的方法及系統(tǒng)。

背景技術：

1、隨著人工智能ai技術和分布式計算的發(fā)展，人工智能生成內容(aigc)在多個領域得到了廣泛應用，包括內容創(chuàng)作、媒體生產、自動化生成、智能交互等。這些aigc任務依賴于復雜的ai模型和算法，例如自然語言生成(nlg)、圖像生成、深度學習模型訓練等，都需要大量的計算資源來支持模型訓練、推理和生成過程。通常情況下，這些計算任務的執(zhí)行依賴于中心化的數(shù)據中心和云計算平臺。然而，隨著邊緣計算和物聯(lián)網(iot)設備的快速普及，數(shù)據生成和計算的需求逐漸向網絡邊緣遷移，這種中心化的計算模式在應對分布式計算需求時暴露出了諸多問題，包括：當大量ai生成任務同時發(fā)起時，中心化服務器容易出現(xiàn)計算資源緊張的情況，導致性能下降和任務延遲增加。邊緣節(jié)點的計算能力相對有限，無法像中心化服務器那樣提供強大的算力支持，尤其在執(zhí)行大規(guī)模ai模型訓練任務時，單個邊緣節(jié)點往往難以獨立完成任務。不同邊緣節(jié)點的計算任務負載各不相同，可能會出現(xiàn)部分節(jié)點過載，而其他節(jié)點則處于空閑狀態(tài)，導致計算資源的利用率低下。當前的分布式計算框架大多采用預先定義的固定分配策略，無法根據實際任務需求動態(tài)調整算力資源。由于aigc任務的復雜性和多樣性，不同任務的算力需求具有高度的動態(tài)性，無法依靠靜態(tài)分配機制高效處理。

2、因此，亟需一種基于區(qū)塊鏈的分布式邊緣計算網絡中，針對ai生成內容的算力動態(tài)共享和調度的方法及裝置。

技術實現(xiàn)思路

1、針對現(xiàn)有技術中的缺陷，本發(fā)明的目的是提供一種人工智能生成內容的算力動態(tài)分享配置的方法。

2、根據本發(fā)明提供的一種人工智能生成內容的算力動態(tài)分享配置的方法，包括：

3、步驟s1：在分布式邊緣網絡中，多個邊緣節(jié)點通過區(qū)塊鏈技術進行連接，形成去中心化的算力資源共享網絡；

4、步驟s2：獲取用戶發(fā)布的aigc任務，評估aigc任務的算力需求；

5、步驟s3：根據去中心化的算力資源共享網絡中的邊緣節(jié)點的實時算力資源狀態(tài)和aigc任務的算力需求，評估當前aigc任務所需的節(jié)點數(shù)量，基于當前aigc任務所需的節(jié)點數(shù)量分配計算任務。

6、優(yōu)選地，所述步驟s1包括：分布式邊緣網絡包括多個邊緣節(jié)點，所述多個邊緣節(jié)點包括物聯(lián)網設備、邊緣服務器以及移動設備；多個已經在區(qū)塊鏈上注冊過的邊緣節(jié)點通過區(qū)塊鏈技術進行連接，并通過智能合約對多個邊緣節(jié)點進行資源的動態(tài)監(jiān)控。

7、優(yōu)選地，所述步驟s2包括：

8、步驟s2.1：獲取用戶發(fā)布的aigc任務；其中，所述aigc任務包括：任務類型、任務數(shù)據量、生成aigc任務的ai模型參數(shù)以及執(zhí)行時間要求；

9、步驟s2.2：計算當前用戶發(fā)布的aigc任務的復雜度系數(shù)，并根據任務的復雜度系數(shù)評估算力需求。

10、優(yōu)選地，所述步驟s2.2包括：

11、步驟s2.2.1：計算當前用戶發(fā)布的aigc任務的復雜度系數(shù)；

12、c＝ctype*cdata*cmodel*ctime

13、其中，c表示復雜度系數(shù)；ctype表示任務類型；cdata數(shù)據量；cmodel表示生成aigc任務的ai模型參數(shù)；ctime表示執(zhí)行時間；

14、步驟s2.2.2：基于機器學習算法構建算力需求預測模型，并利用歷史任務執(zhí)行數(shù)據訓練算力需求預測模型，得到訓練后的算力需求預測模型；當前用戶發(fā)布的aigc任務的復雜度系數(shù)利用訓練后的算力需求預測模型預測算力需求。

15、優(yōu)選地，所述步驟s3包括：

16、步驟s3.1：智能合約通過區(qū)塊鏈實時獲取每個邊緣節(jié)點的狀態(tài)信息，所述邊緣節(jié)點的狀態(tài)信息包括邊緣節(jié)點當前負載、可用算力以及網絡狀態(tài)信息；

17、步驟s3.2：根據當前aigc任務的算力需求以及獲取的每個邊緣節(jié)點的狀態(tài)信息篩選符合預設要求的邊緣節(jié)點；

18、步驟s3.3：根據當前aigc任務的算力需求和符合預設要求的邊緣節(jié)點，基于算力調度機制選擇邊緣節(jié)點；

19、其中，所述算力調度機制包括：根據當前aigc任務的算力需求和符合預設要求的邊緣節(jié)點，以邊緣節(jié)點數(shù)量最大化為原則確定選擇的邊緣節(jié)點的數(shù)量；

20、當邊緣節(jié)點算力大于預設值且處于空閑狀態(tài)時，優(yōu)先調度當前邊緣節(jié)點參與任務計算；

21、當邊緣節(jié)點的負載大于預設值時，自動減少分配給當前節(jié)點任務，以實現(xiàn)整個網絡的算力負載均衡；

22、當任務為滿足預設要求的任務，則優(yōu)先調度節(jié)點參與執(zhí)行，以確保任務及時完成。

23、優(yōu)選地，利用智能合約對每個aigc任務進行實時監(jiān)控，并通過區(qū)塊鏈網絡中的分布式賬本記錄每個節(jié)點的任務執(zhí)行進度和算力使用情況；將所有任務執(zhí)行操作的日志記錄在區(qū)塊鏈上。

24、優(yōu)選地，所述方法還包括：當智能合約檢測到某個邊緣節(jié)點的狀態(tài)信息存在異常時，則動態(tài)調度其他可用節(jié)點接管當前邊緣節(jié)點的任務繼續(xù)執(zhí)行。

25、優(yōu)選地，所述方法還包括：基于區(qū)塊鏈記錄的歷史任務執(zhí)行數(shù)據，分析每個邊緣節(jié)點的性能，根據分析得到的每個邊緣節(jié)點的性能，動態(tài)分配計算任務。

26、優(yōu)選地，所述方法還包括：通過跨鏈計算，基于智能合約實現(xiàn)多個區(qū)塊鏈網絡間算力資源共享和任務調度。

27、優(yōu)選地，當任務執(zhí)行完成后，智能合約根據各個邊緣節(jié)點貢獻的算力以及任務完成的效率，進行自動化的報酬結算。

28、根據本發(fā)明提供的一種人工智能生成內容的算力動態(tài)分享配置的系統(tǒng)，包括：

29、模塊m1：在分布式邊緣網絡中，多個邊緣節(jié)點通過區(qū)塊鏈技術進行連接，形成去中心化的算力資源共享網絡；

30、模塊m2：獲取用戶發(fā)布的aigc任務，評估aigc任務的算力需求；

31、模塊m3：根據去中心化的算力資源共享網絡中的邊緣節(jié)點的實時算力資源狀態(tài)和aigc任務的算力需求，評估當前aigc任務所需的節(jié)點數(shù)量，基于當前aigc任務所需的節(jié)點數(shù)量分配計算任務。

32、與現(xiàn)有技術相比，本發(fā)明具有如下的有益效果：

33、1、本發(fā)明通過區(qū)塊鏈智能合約，實現(xiàn)分布式邊緣網絡中節(jié)點間算力的按需調度和共享，得到了高效利用，確保aigc任務的高效執(zhí)行；

34、2、本發(fā)明提供動態(tài)算力分配策略，針對任務的復雜性和實時需求，靈活調整分布式網絡中的算力資源，避免資源浪費和節(jié)點過載；

35、3、通過區(qū)塊鏈記錄和監(jiān)控任務執(zhí)行過程，確保任務分配的透明性和公平性，防止算力使用過程中的不公正操作；

36、4、提供去中心化的算力調度機制，增強系統(tǒng)的擴展性和彈性，滿足日益增長的aigc任務需求；

37、5、通過智能合約和邊緣節(jié)點的實時算力狀態(tài)監(jiān)控，能夠根據任務需求和節(jié)點的負載情況動態(tài)調整算力資源分配，避免算力資源浪費，確保任務執(zhí)行的高效性。

38、6、區(qū)塊鏈技術的不可篡改性確保了任務執(zhí)行過程中所有操作的透明記錄，用戶可以實時監(jiān)控任務的執(zhí)行進展，避免了資源使用中的不公正操作，提高了系統(tǒng)的安全性。

39、7、系統(tǒng)能夠根據任務的優(yōu)先級和緊急程度動態(tài)調整算力資源分配，確保高優(yōu)先級任務得到及時處理。同時，通過實時監(jiān)控各節(jié)點的負載狀態(tài)，系統(tǒng)能夠平衡各節(jié)點的算力資源使用，避免單點過載。

40、8、通過智能合約自動化管理任務結算，確保計算資源的公平分配，并為參與節(jié)點提供及時的算力獎勵，激勵節(jié)點持續(xù)貢獻算力資源。