本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及一種計(jì)算決策路徑的方法及分布式節(jié)點(diǎn)。

背景技術(shù)：

區(qū)塊鏈技術(shù)是下一代金融交換技術(shù)的基礎(chǔ)核心技術(shù)之一，將在賬戶系統(tǒng)核算和資金結(jié)轉(zhuǎn)方面發(fā)揮重要的作用。區(qū)塊鏈技術(shù)利用分布式節(jié)點(diǎn)實(shí)施分布式核算和存儲(chǔ)，整個(gè)區(qū)塊鏈中的數(shù)據(jù)由所有分布式節(jié)點(diǎn)共同維護(hù)，不存在中心化的硬件或管理機(jī)構(gòu)。區(qū)塊鏈中的所有分布式節(jié)點(diǎn)中的數(shù)據(jù)信息都相同，且所有分布式節(jié)點(diǎn)的權(quán)利和義務(wù)都是均等的。

在傳統(tǒng)區(qū)塊鏈技術(shù)中，每個(gè)分布式節(jié)點(diǎn)在生成一個(gè)新區(qū)塊之后，等待全網(wǎng)(或局部)分布式節(jié)點(diǎn)對(duì)生成的新區(qū)塊進(jìn)行投票，在這個(gè)新區(qū)塊獲得認(rèn)可后，再進(jìn)行下一個(gè)新區(qū)塊的生成。這種新區(qū)塊生成方法嚴(yán)格保證了各分布式節(jié)點(diǎn)的數(shù)據(jù)統(tǒng)一性，但區(qū)塊生成速度較慢。

在分布式節(jié)點(diǎn)快速生成新區(qū)塊方法中，各分布式節(jié)點(diǎn)各自連續(xù)不斷的快速生成新區(qū)塊，并根據(jù)自身數(shù)據(jù)結(jié)構(gòu)自主計(jì)算決策路徑，將各新區(qū)塊按照決策路徑插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中。在復(fù)雜區(qū)塊鏈拓?fù)渚W(wǎng)絡(luò)中，由于各分布式節(jié)點(diǎn)生成區(qū)塊速度快且數(shù)量多，很可能出現(xiàn)各分布式節(jié)點(diǎn)數(shù)據(jù)不能及時(shí)同步的情況，此時(shí)由于分布式節(jié)點(diǎn)只根據(jù)自身數(shù)據(jù)計(jì)算決策路徑，導(dǎo)致計(jì)算得到的決策路徑是錯(cuò)誤的決策路徑，分布式節(jié)點(diǎn)計(jì)算決策路徑的準(zhǔn)確度較低。

技術(shù)實(shí)現(xiàn)要素：

基于上述現(xiàn)有技術(shù)的缺陷和不足，本發(fā)明提出一種計(jì)算決策路徑的方法及分布式節(jié)點(diǎn)，采用該技術(shù)方案能夠保證在分布式節(jié)點(diǎn)快速生成新區(qū)塊的過(guò)程中，計(jì)算得到正確的決策路徑，且計(jì)算越來(lái)越準(zhǔn)確。

一種計(jì)算決策路徑的方法，應(yīng)用于分布式節(jié)點(diǎn)，該方法包括：

將自身生成的新區(qū)塊存儲(chǔ)到自身決策樹(shù)中；

按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息；且接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息；

在每次接收到所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息后，根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，并將所述最佳決策路徑保存；

判斷是否到達(dá)設(shè)定的第二周期；

如果到達(dá)設(shè)定的第二周期，則從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑；其中，所述第二周期不小于所述第一周期；

根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

優(yōu)選地，所述周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息，包括：

周期性地在區(qū)塊鏈網(wǎng)絡(luò)上，廣播包含當(dāng)前時(shí)刻自身決策樹(shù)信息的，且具有設(shè)定有效期的廣播信息。

優(yōu)選地，所述根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，包括：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

優(yōu)選地，所述將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑，包括：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入基于迭代二叉樹(shù)算法的卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

優(yōu)選地，所述根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑，包括：

根據(jù)所述全局最優(yōu)決策路徑，對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)，使所述卷積神經(jīng)網(wǎng)絡(luò)能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

優(yōu)選地，所述判斷是否到達(dá)設(shè)定的第二周期，且判斷確認(rèn)未到達(dá)設(shè)定的第二周期時(shí)，該方法還包括：

判斷自身生成的新區(qū)塊數(shù)量是否到達(dá)設(shè)定的數(shù)量；如果到達(dá)設(shè)定的數(shù)量，則從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑。

一種分布式節(jié)點(diǎn)，包括：

動(dòng)態(tài)分支管理單元，用于將自身生成的新區(qū)塊存儲(chǔ)到自身決策樹(shù)中；按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息；且接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息；

動(dòng)態(tài)分支決策單元，用于在動(dòng)態(tài)分支管理單元每次接收到所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息后，根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，并將所述最佳決策路徑保存；

判斷單元，用于判斷是否到達(dá)設(shè)定的第二周期；

全局分支融合單元，用于當(dāng)所述判斷單元判斷到達(dá)設(shè)定的第二周期時(shí)，從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑；其中，所述第二周期不小于所述第一周期；

其中，所述動(dòng)態(tài)分支決策單元還用于，當(dāng)所述全局分支融合單元選擇全局最優(yōu)決策路徑之后，根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

優(yōu)選地，所述動(dòng)態(tài)分支管理單元周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息時(shí)，具體用于：

周期性地在區(qū)塊鏈網(wǎng)絡(luò)上，廣播包含當(dāng)前時(shí)刻自身決策樹(shù)信息的，且具有設(shè)定有效期的廣播信息。

優(yōu)選地，所述動(dòng)態(tài)分支決策單元根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑時(shí)，具體用于：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

優(yōu)選地，所述動(dòng)態(tài)分支決策單元將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑時(shí)，具體用于：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入基于迭代二叉樹(shù)算法的卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

優(yōu)選地，所述動(dòng)態(tài)分支決策單元根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑時(shí)，具體用于：

根據(jù)所述全局最優(yōu)決策路徑，對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)，使所述卷積神經(jīng)網(wǎng)絡(luò)能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

優(yōu)選地，該分布式節(jié)點(diǎn)還包括：

第二判斷單元，用于當(dāng)所述判斷單元判斷是否到達(dá)設(shè)定的第二周期，且判斷確認(rèn)未到達(dá)設(shè)定的第二周期時(shí)，判斷自身生成的新區(qū)塊數(shù)量是否到達(dá)設(shè)定的數(shù)量；如果到達(dá)設(shè)定的數(shù)量，則調(diào)用所述全局分支融合單元從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑。

本發(fā)明提出的計(jì)算決策路徑的方法，應(yīng)用于分布式節(jié)點(diǎn)，所述分布式節(jié)點(diǎn)維護(hù)自身生成的新區(qū)塊，并存儲(chǔ)在自身決策樹(shù)中，分布式節(jié)點(diǎn)按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息，同時(shí)接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息，保證了區(qū)塊鏈中各分布式節(jié)點(diǎn)的數(shù)據(jù)統(tǒng)一性；分布式節(jié)點(diǎn)根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到一條最佳決策路徑，并將所述最佳決策路徑保存；當(dāng)?shù)竭_(dá)設(shè)定的第二周期時(shí)，從計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑，該全局最優(yōu)決策路徑為正確決策路徑。并且所述分布式節(jié)點(diǎn)根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最佳決策路徑的計(jì)算方法，各分布式節(jié)點(diǎn)不斷地用全局最優(yōu)決策路徑來(lái)修正自身計(jì)算最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑，從而使自己計(jì)算最佳決策路徑的方法越來(lái)越準(zhǔn)確。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的一種提高分布式節(jié)點(diǎn)決策準(zhǔn)確度的方法的流程示意圖；

圖2是本發(fā)明實(shí)施例提供的區(qū)塊鏈區(qū)塊分叉和融合過(guò)程示意圖；

圖3是本發(fā)明實(shí)施例提供的分布式節(jié)點(diǎn)的決策神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例提供的一種分布式節(jié)點(diǎn)的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實(shí)施例提供的另一種分布式節(jié)點(diǎn)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開(kāi)了一種計(jì)算決策路徑的方法，應(yīng)用于分布式節(jié)點(diǎn)，所述分布式節(jié)點(diǎn)將自身生成的新區(qū)塊存儲(chǔ)在自身決策樹(shù)中，參見(jiàn)圖1所示，該方法包括：

S101、將自身生成的新區(qū)塊存儲(chǔ)到自身決策樹(shù)中；

具體的，在本發(fā)明實(shí)施例中，區(qū)塊鏈網(wǎng)絡(luò)上的各個(gè)分布式節(jié)點(diǎn)各自維護(hù)自身生成的新區(qū)塊，分布式節(jié)點(diǎn)將這些新區(qū)塊，按照生成的時(shí)序和區(qū)塊內(nèi)的交易相關(guān)性，存儲(chǔ)在自身決策樹(shù)中。與傳統(tǒng)區(qū)塊鏈中的新區(qū)塊生成方法不同，本發(fā)明實(shí)施例中的分布式節(jié)點(diǎn)在生成新區(qū)塊之后，自行決定將新區(qū)塊插入自身決策樹(shù)中的哪個(gè)決策分支上，因此，該新區(qū)塊是沒(méi)有經(jīng)過(guò)區(qū)塊鏈中所有分布式節(jié)點(diǎn)確認(rèn)的新區(qū)塊。本發(fā)明實(shí)施例采用上述技術(shù)方案維護(hù)區(qū)塊的優(yōu)點(diǎn)在于：各個(gè)分布式節(jié)點(diǎn)可以根據(jù)自身決策樹(shù)數(shù)據(jù)結(jié)構(gòu)，決定新生成的區(qū)塊被插入到?jīng)Q策樹(shù)的哪一個(gè)決策分支上，省去了傳統(tǒng)區(qū)塊鏈技術(shù)中的新區(qū)塊生成后，需等待區(qū)塊鏈網(wǎng)絡(luò)中的所有分布式節(jié)點(diǎn)投票認(rèn)可的步驟，提高了新區(qū)塊生成速度，提升了區(qū)塊鏈寫(xiě)入效率。

S102、按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息；且接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息；

具體的，由于區(qū)塊鏈網(wǎng)絡(luò)本身具有去中心化和不可篡改特性，而使得在區(qū)塊鏈網(wǎng)絡(luò)中的數(shù)據(jù)具有高度安全性，并且?guī)?lái)數(shù)據(jù)核算便利性。為了達(dá)到上述有益效果，需要保證區(qū)塊鏈網(wǎng)絡(luò)中的每一個(gè)分布式節(jié)點(diǎn)上的數(shù)據(jù)結(jié)構(gòu)都具有高度統(tǒng)一性。本發(fā)明實(shí)施例中，各分布式節(jié)點(diǎn)各自維護(hù)自身生成的新區(qū)塊，打破了區(qū)塊鏈網(wǎng)絡(luò)中各分布式節(jié)點(diǎn)數(shù)據(jù)結(jié)構(gòu)的統(tǒng)一性。為了實(shí)現(xiàn)各分布式節(jié)點(diǎn)的決策樹(shù)數(shù)據(jù)結(jié)構(gòu)統(tǒng)一，本發(fā)明實(shí)施例中，設(shè)定各分布式節(jié)點(diǎn)按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播自身決策樹(shù)信息，實(shí)現(xiàn)各個(gè)分布式節(jié)點(diǎn)之間交換數(shù)據(jù)，使得各分布式節(jié)點(diǎn)不但知道自身決策樹(shù)的數(shù)據(jù)結(jié)構(gòu)，還了解其它分布式節(jié)點(diǎn)的決策樹(shù)數(shù)據(jù)結(jié)構(gòu)，各分布式節(jié)點(diǎn)所掌握的決策樹(shù)數(shù)據(jù)結(jié)構(gòu)都相同。

例如，在本發(fā)明實(shí)施例中，設(shè)定各分布式節(jié)點(diǎn)每5ms在整個(gè)區(qū)塊鏈網(wǎng)絡(luò)上廣播一次自身決策樹(shù)數(shù)據(jù)結(jié)構(gòu)，并標(biāo)注自身當(dāng)前決策路徑。對(duì)于區(qū)塊鏈網(wǎng)絡(luò)中某一個(gè)分布式節(jié)點(diǎn)來(lái)說(shuō)，在以5ms為周期在區(qū)塊鏈網(wǎng)絡(luò)上廣播決策樹(shù)信息的同時(shí)，每經(jīng)過(guò)一個(gè)5ms周期，會(huì)收到其它分布式節(jié)點(diǎn)發(fā)送的決策樹(shù)信息。因此，本發(fā)明實(shí)施例中的分布式節(jié)點(diǎn)，在快速生成區(qū)塊，提高區(qū)塊生成速度的同時(shí)，能夠獲取其它分布式節(jié)點(diǎn)的決策樹(shù)信息，保證各分布式節(jié)點(diǎn)的信息統(tǒng)一性。

S103、在每次接收到所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息后，根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，并將所述最佳決策路徑保存；

具體的，對(duì)于分布式節(jié)點(diǎn)的決策樹(shù)，分布式節(jié)點(diǎn)從決策樹(shù)的根節(jié)點(diǎn)遍歷決策樹(shù)，能夠選出多條決策分支，每一條不同的決策分支，其熵值下降速度不同。通常，分布式節(jié)點(diǎn)認(rèn)為遍歷得到的熵值下降最快的一條深度遍歷路徑，是正確的決策路線。分布式節(jié)點(diǎn)在接收到其它節(jié)點(diǎn)廣播的決策樹(shù)信息之后，結(jié)合自身的決策樹(shù)信息，按照一定的算法公式，計(jì)算出自認(rèn)為最佳的決策路徑。所述最佳決策路徑本質(zhì)上是表示各新區(qū)塊的組合規(guī)則，分布式節(jié)點(diǎn)將新區(qū)塊按照計(jì)算得到的最佳決策路徑組合構(gòu)成區(qū)塊鏈，然后將組合好的區(qū)塊鏈插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中。

需要說(shuō)明的是，分布式節(jié)點(diǎn)在計(jì)算得到最佳決策路徑后，將最佳決策路徑存儲(chǔ)在分布式節(jié)點(diǎn)本地磁盤(pán)。此時(shí)，分布式節(jié)點(diǎn)依然會(huì)保留一般的，相對(duì)于最佳決策路徑來(lái)說(shuō)稍差一點(diǎn)的決策路徑。由于各分布式節(jié)點(diǎn)會(huì)連續(xù)不斷地生成新區(qū)塊，因此其決策樹(shù)也是一直不斷變化的，所以由各決策樹(shù)計(jì)算得到的最佳路徑也是會(huì)改變的。當(dāng)分布式節(jié)點(diǎn)上一時(shí)刻計(jì)算得到的最佳決策路徑與當(dāng)前時(shí)刻計(jì)算得到的最佳決策路徑不同時(shí)，分布式節(jié)點(diǎn)認(rèn)為當(dāng)前時(shí)刻的最佳決策路徑是真正的最佳決策路徑，并把當(dāng)前時(shí)刻計(jì)算得到的最佳決策路徑存儲(chǔ)在本地磁盤(pán)。

S104、判斷是否到達(dá)設(shè)定的第二周期；

如果到達(dá)設(shè)定的第二周期，則執(zhí)行步驟S105、從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑；其中，所述第二周期不小于所述第一周期；

具體的，在步驟S103中，分布式節(jié)點(diǎn)計(jì)算得到的最佳決策路徑，實(shí)際上是分布式節(jié)點(diǎn)在自身可見(jiàn)的決策樹(shù)數(shù)據(jù)范圍內(nèi)，預(yù)測(cè)出來(lái)的最佳決策路徑。在區(qū)塊鏈網(wǎng)絡(luò)上，有龐大數(shù)量的分布式節(jié)點(diǎn)都在按照自身可見(jiàn)的決策樹(shù)數(shù)據(jù)，預(yù)測(cè)最佳決策路徑，由于網(wǎng)絡(luò)延遲及各分布式節(jié)點(diǎn)之間的同步時(shí)差，各分布式節(jié)點(diǎn)之間的數(shù)據(jù)可能還未達(dá)到統(tǒng)一，分布式節(jié)點(diǎn)就已經(jīng)計(jì)算出最佳決策路徑，導(dǎo)致最佳決策路徑錯(cuò)誤。

在本發(fā)明實(shí)施例中，每個(gè)分布式節(jié)點(diǎn)內(nèi)分別設(shè)置全局分支融合單元，用于周期性地將各分布式節(jié)點(diǎn)計(jì)算出的最佳決策路徑進(jìn)行歸并，從中選出一條全局范圍內(nèi)的最優(yōu)決策路徑。具體的，當(dāng)?shù)竭_(dá)設(shè)定的第二周期，各分布式節(jié)點(diǎn)暫停生成新區(qū)塊，由各分布式節(jié)點(diǎn)的全局分支融合單元，投票選擇出一條全局最優(yōu)決策路徑，所有分布式節(jié)點(diǎn)都存儲(chǔ)這一條全局最優(yōu)決策路徑，放棄自己計(jì)算出的最佳決策路徑，實(shí)現(xiàn)了各分布式節(jié)點(diǎn)之間的數(shù)據(jù)統(tǒng)一。各分布式節(jié)點(diǎn)按照全局最優(yōu)決策路徑，將生成的新區(qū)塊串成區(qū)塊鏈，并插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中，然后繼續(xù)進(jìn)行下一周期的工作。

下面舉例說(shuō)明區(qū)塊鏈網(wǎng)絡(luò)中，各分布式節(jié)點(diǎn)統(tǒng)一數(shù)據(jù)的過(guò)程：

處于區(qū)塊鏈網(wǎng)絡(luò)中，且距離較遠(yuǎn)的灰色分布式節(jié)點(diǎn)(以下簡(jiǎn)稱灰色節(jié)點(diǎn))和黑色分布式節(jié)點(diǎn)(以下簡(jiǎn)稱黑色節(jié)點(diǎn))，分別以B1為根節(jié)點(diǎn)開(kāi)始生成新區(qū)塊。其中，灰色節(jié)點(diǎn)生成了新區(qū)塊B2，黑色節(jié)點(diǎn)生成了新區(qū)塊R2。此時(shí)，由于灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)距離較遠(yuǎn)，雙方都不知道對(duì)方的存在，于是都認(rèn)為自己生成新區(qū)塊是正確的。并按照各自計(jì)算的決策路徑將生成的新區(qū)塊組合成了區(qū)塊鏈。

灰色節(jié)點(diǎn)及黑色節(jié)點(diǎn)在生成區(qū)塊后，會(huì)向周?chē)浇渌植际焦?jié)點(diǎn)廣播，使周?chē)渌植际焦?jié)點(diǎn)按照自己生成區(qū)塊的方式生成區(qū)塊?；疑?jié)點(diǎn)使它周?chē)膱D中所示的白色分布式節(jié)點(diǎn)按照自己生成新區(qū)塊的方式生成新區(qū)塊，因此灰色節(jié)點(diǎn)附近的白色節(jié)點(diǎn)變成了灰色節(jié)點(diǎn)(由于白色分布式節(jié)點(diǎn)生成區(qū)塊的方式與灰色節(jié)點(diǎn)相同，可以認(rèn)為白色節(jié)點(diǎn)與灰色節(jié)點(diǎn)相同)；同理，黑色節(jié)點(diǎn)使它周?chē)膱D中所示的白色分布式節(jié)點(diǎn)按照自己生成新區(qū)塊的方式生成新區(qū)塊，因此黑色節(jié)點(diǎn)附近的白色節(jié)點(diǎn)變成了黑色。

按照上述過(guò)程，灰色節(jié)點(diǎn)繼續(xù)生成新區(qū)塊B3等，并持續(xù)擴(kuò)散，黑色節(jié)點(diǎn)繼續(xù)生成新區(qū)塊R3、R4等，并持續(xù)擴(kuò)散。直到灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)相遇后(當(dāng)灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)的數(shù)量足夠多時(shí)，兩者會(huì)相遇)，發(fā)現(xiàn)兩者生成的新區(qū)塊及區(qū)塊的決策路徑不一致，這時(shí)候，灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)中的全局分支融合單元，從兩者生成的新區(qū)塊鏈中，選出一條全局最優(yōu)的新區(qū)塊鏈(即從兩條新區(qū)塊鏈中選出一條較好的新區(qū)塊鏈，作為全局最優(yōu)的新區(qū)塊鏈)。例如在本例中，灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)約定新區(qū)塊鏈越長(zhǎng)越好，則灰色節(jié)點(diǎn)和黑色節(jié)點(diǎn)選擇相對(duì)較長(zhǎng)的新區(qū)塊鏈作為全局最優(yōu)的新區(qū)塊鏈，即黑色節(jié)點(diǎn)的新區(qū)塊鏈為全局最優(yōu)決策路徑。這時(shí)，灰色節(jié)點(diǎn)放棄自己計(jì)算出的新區(qū)塊鏈，按照黑色節(jié)點(diǎn)的新區(qū)塊鏈調(diào)整自己的新區(qū)塊鏈，使自己的新區(qū)塊鏈與黑色節(jié)點(diǎn)的新區(qū)塊鏈相同。這樣，在灰色節(jié)點(diǎn)與黑色節(jié)點(diǎn)之間實(shí)現(xiàn)了數(shù)據(jù)統(tǒng)一。

本發(fā)明實(shí)施例舉例說(shuō)明了任意兩個(gè)分布式節(jié)點(diǎn)之間統(tǒng)一新區(qū)塊鏈的過(guò)程，按照本發(fā)明實(shí)施例技術(shù)方案，對(duì)應(yīng)到整個(gè)區(qū)塊鏈網(wǎng)絡(luò)中任意兩個(gè)分布式節(jié)點(diǎn)，都采用相同的方法實(shí)現(xiàn)數(shù)據(jù)統(tǒng)一，整體上實(shí)現(xiàn)了整個(gè)區(qū)塊鏈網(wǎng)絡(luò)中分布式節(jié)點(diǎn)中的數(shù)據(jù)統(tǒng)一。

S106、根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

具體的，每一個(gè)分布式節(jié)點(diǎn)都有與自身決策樹(shù)相對(duì)應(yīng)的最佳決策路徑計(jì)算方法。分布式節(jié)點(diǎn)按照自身固有的計(jì)算方法，計(jì)算最佳決策路徑。由于分布式節(jié)點(diǎn)用于計(jì)算最佳決策路徑的決策樹(shù)數(shù)據(jù)局限性(分布式節(jié)點(diǎn)用于計(jì)算最佳決策路徑的決策樹(shù)是局部范圍內(nèi)的決策樹(shù))，導(dǎo)致用于計(jì)算最佳決策路徑的計(jì)算方法不完善。當(dāng)各分布式節(jié)點(diǎn)的全局分支融合器根據(jù)各分布式節(jié)點(diǎn)計(jì)算出的最佳決策路徑，選出全局最優(yōu)決策路徑之后，各分布式節(jié)點(diǎn)用全局最優(yōu)決策路徑，來(lái)修正自身固有的計(jì)算得到最佳決策路徑的計(jì)算方法，以期在下次根據(jù)自身決策樹(shù)數(shù)據(jù)計(jì)算最佳決策路徑的時(shí)候，能夠計(jì)算出更與全局相匹配的最佳決策路徑。

按照本發(fā)明實(shí)施例技術(shù)方案中設(shè)定的第一周期和第二周期，各分布式節(jié)點(diǎn)周而復(fù)始地廣播自身決策樹(shù)信息，計(jì)算最佳決策路徑，選擇全局最優(yōu)決策路徑，并對(duì)自身計(jì)算最佳決策路徑的計(jì)算方法進(jìn)行修正，在保證區(qū)塊鏈網(wǎng)絡(luò)去中心化及不可篡改性特點(diǎn)的同時(shí)，提高了區(qū)塊生成速度，提升了各分布式節(jié)點(diǎn)最佳決策路徑計(jì)算效率，整個(gè)區(qū)塊鏈呈現(xiàn)出“越用越快”的特性，各分布式節(jié)點(diǎn)計(jì)算的最佳決策路徑也越來(lái)越準(zhǔn)確，決策準(zhǔn)確度越來(lái)越高。

本發(fā)明提出的計(jì)算決策路徑的方法，應(yīng)用于分布式節(jié)點(diǎn)，所述分布式節(jié)點(diǎn)維護(hù)自身生成的新區(qū)塊，并存儲(chǔ)在自身決策樹(shù)中，分布式節(jié)點(diǎn)按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息，同時(shí)接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息，保證了區(qū)塊鏈中各分布式節(jié)點(diǎn)的數(shù)據(jù)統(tǒng)一性；分布式節(jié)點(diǎn)根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到一條最佳決策路徑，并將所述最佳決策路徑保存；當(dāng)?shù)竭_(dá)設(shè)定的第二周期時(shí)，從計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑，該全局最優(yōu)決策路徑為正確的決策路徑。并且所述分布式節(jié)點(diǎn)根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最佳決策路徑的計(jì)算方法，各分布式節(jié)點(diǎn)不斷地用全局最優(yōu)決策路徑來(lái)修正自身計(jì)算最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑，從而使自己計(jì)算最佳決策路徑的方法越來(lái)越準(zhǔn)確。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息，包括：

周期性地在區(qū)塊鏈網(wǎng)絡(luò)上，廣播包含當(dāng)前時(shí)刻自身決策樹(shù)信息的，且具有設(shè)定有效期的廣播信息。

具體的，本發(fā)明實(shí)施例中的分布式節(jié)點(diǎn)，每經(jīng)過(guò)一個(gè)設(shè)定的第一周期，在整個(gè)區(qū)塊鏈網(wǎng)絡(luò)上廣播一條信息，該信息中包含分布式節(jié)點(diǎn)本身的決策樹(shù)數(shù)據(jù)結(jié)構(gòu)，并且標(biāo)明了當(dāng)前的決策路徑。

需要說(shuō)明的是，本發(fā)明實(shí)施例將分布式節(jié)點(diǎn)廣播的信息設(shè)定為在很短的時(shí)間內(nèi)失效。這是因?yàn)?，在區(qū)塊鏈網(wǎng)絡(luò)中，分布式節(jié)點(diǎn)之間，尤其是空間距離較遠(yuǎn)的分布式節(jié)點(diǎn)之間，本身具有網(wǎng)絡(luò)延遲和同步時(shí)差，分布式節(jié)點(diǎn)之間的信息交換速率總是不能完全符合用戶需求。如果分布式節(jié)點(diǎn)無(wú)限期地長(zhǎng)期等待所有其它分布式節(jié)點(diǎn)的廣播信息，一方面會(huì)增加區(qū)塊鏈網(wǎng)絡(luò)寫(xiě)入延時(shí)，大大降低整個(gè)區(qū)塊鏈網(wǎng)絡(luò)的生長(zhǎng)速度；另一方面，因?yàn)樵诒景l(fā)明技術(shù)方案中，各分布式節(jié)點(diǎn)生成新區(qū)塊的速度很快，如果某個(gè)分布式節(jié)點(diǎn)長(zhǎng)期等待另一分布式節(jié)點(diǎn)的廣播信息，在該分布式節(jié)點(diǎn)收到廣播信息時(shí)，發(fā)送該廣播信息的節(jié)點(diǎn)已經(jīng)又新生成了很多新區(qū)塊，發(fā)送的廣播信息已經(jīng)完全不能表示該節(jié)點(diǎn)的數(shù)據(jù)結(jié)構(gòu)，該廣播信息已經(jīng)沒(méi)有意義。基于上述原因，本發(fā)明實(shí)施例將廣播信息設(shè)定為在很短的時(shí)間內(nèi)失效。

為了提高區(qū)塊鏈網(wǎng)絡(luò)生長(zhǎng)速度，本發(fā)明實(shí)施例技術(shù)方案優(yōu)選追求使分布式節(jié)點(diǎn)以更快的速率生成新區(qū)塊，使區(qū)塊鏈網(wǎng)絡(luò)快速生長(zhǎng)。本發(fā)明實(shí)施例將各分布式節(jié)點(diǎn)廣播的信息，設(shè)定為在很短的時(shí)間內(nèi)失效，因此在一個(gè)復(fù)雜的區(qū)塊鏈網(wǎng)絡(luò)上，處于廣域網(wǎng)和窄帶網(wǎng)(有較高的網(wǎng)絡(luò)傳輸延遲)的節(jié)點(diǎn)之間，此廣播信息將不能及時(shí)到達(dá)。每個(gè)節(jié)點(diǎn)收到廣播信息后，如果此廣播信息已失效(信息接收時(shí)間-信息發(fā)送時(shí)間>設(shè)定的有效期)，則直接丟棄不處理；如果此廣播信息未失效(信息接收時(shí)間-信息發(fā)送時(shí)間<設(shè)定的有效期)，則解析該廣播信息，獲取其它節(jié)點(diǎn)的決策樹(shù)信息。在設(shè)定的第一周期內(nèi)，分布式節(jié)點(diǎn)根據(jù)接收到的所有信息計(jì)算決策路徑，雖然該決策路徑可能是局部的，或者是錯(cuò)誤的，但是各分布式節(jié)點(diǎn)可以在后期工作過(guò)程中，聯(lián)合其它節(jié)點(diǎn)修正決策路徑，但是對(duì)于區(qū)塊鏈生長(zhǎng)速度的提升，有顯著的有益效果。

具體的，在本發(fā)明實(shí)施例中，設(shè)定分布式節(jié)點(diǎn)廣播的信息在10ms內(nèi)有效，能夠得到較好的提升區(qū)塊鏈生長(zhǎng)速度的目的，且分布式節(jié)點(diǎn)在一個(gè)周期內(nèi)計(jì)算的決策路徑準(zhǔn)確度較高。在實(shí)際應(yīng)用本發(fā)明實(shí)施例技術(shù)方案時(shí)，可以根據(jù)實(shí)際場(chǎng)景，靈活選定廣播信息有效期。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，包括：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

具體的，分布式節(jié)點(diǎn)將自身決策樹(shù)信息，和接收到的其它分布式節(jié)點(diǎn)的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)軟件模塊，卷積神經(jīng)網(wǎng)絡(luò)軟件模塊根據(jù)接收的決策樹(shù)信息，計(jì)算得到一條基于所收到的決策樹(shù)信息的最佳決策路徑。

卷積神經(jīng)網(wǎng)絡(luò)算法是一種常見(jiàn)的深度學(xué)習(xí)架構(gòu)，受生物自然視覺(jué)認(rèn)知機(jī)制啟發(fā)而來(lái)。卷積神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)能力、并行處理能力和自然學(xué)習(xí)能力，可處理環(huán)境信息復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確情況下的問(wèn)題，允許樣本有較大的缺損、畸變，運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。

基于上述卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大數(shù)據(jù)處理能力、分辨能力及學(xué)習(xí)能力，將卷積神經(jīng)網(wǎng)絡(luò)用于決策路徑的計(jì)算，有較好的計(jì)算效果，并且，通過(guò)不斷訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)能夠不斷學(xué)習(xí)提高計(jì)算精確度，從而提高分布式節(jié)點(diǎn)決策準(zhǔn)確性。

在區(qū)塊鏈底層技術(shù)平臺(tái)上使用卷積神經(jīng)網(wǎng)絡(luò)計(jì)算最佳決策路徑，具有非常積極的意義。如圖3所示，區(qū)塊鏈網(wǎng)絡(luò)一定要針對(duì)具體的上層業(yè)務(wù)邏輯來(lái)優(yōu)化其節(jié)點(diǎn)共識(shí)算法。神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得這種“優(yōu)化”可以完全只在上層平臺(tái)來(lái)完成，而不需要反復(fù)修改底層核心技術(shù)邏輯。因?yàn)榻?jīng)過(guò)多次訓(xùn)練后，底層核心技術(shù)邏輯能夠自動(dòng)“學(xué)習(xí)”到上層業(yè)務(wù)代碼所導(dǎo)致的變化，并調(diào)整自己的決策神經(jīng)網(wǎng)絡(luò)，自動(dòng)“適應(yīng)”這種優(yōu)化。

顯而易見(jiàn)的，這種能力使得我們完全可以在區(qū)塊鏈節(jié)點(diǎn)上實(shí)現(xiàn)完全去中心化的自動(dòng)優(yōu)化能力。即每個(gè)節(jié)點(diǎn)不需要“知道”或者“配置”自己會(huì)運(yùn)行什么業(yè)務(wù)，有什么權(quán)限，業(yè)務(wù)優(yōu)先級(jí)如何影響自己的共識(shí)算法等業(yè)務(wù)信息，只需要運(yùn)行一段時(shí)間后，它就可以根據(jù)這段時(shí)間內(nèi)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，自動(dòng)調(diào)整擬合參數(shù)，使得它針對(duì)特定業(yè)務(wù)有更高的預(yù)測(cè)準(zhǔn)確性，從而大大提高了區(qū)塊鏈的吞吐量并降低了時(shí)延。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑，包括：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入基于迭代二叉樹(shù)算法的卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

具體的，卷積神經(jīng)網(wǎng)絡(luò)有很多計(jì)算模型(也叫濾波器、卷積核)，本發(fā)明實(shí)施例選用基于決策的迭代二叉樹(shù)(Iterative Dichotomiser，ID)算法，這個(gè)算法是一個(gè)自頂向下增長(zhǎng)的貪婪樹(shù)算法。其核心思想是：小型的決策樹(shù)優(yōu)于大型的決策樹(shù)。因此，在每一步卷積的時(shí)候，都尋找能夠讓熵值下降最快的路徑。

ID算法的思想具體可表述為：采用自頂向下的貪婪搜索遍歷可能的決策樹(shù)空間，構(gòu)造決策樹(shù)；從“哪一個(gè)屬性將在樹(shù)的根節(jié)點(diǎn)被測(cè)試”開(kāi)始，使用統(tǒng)計(jì)測(cè)試來(lái)確定每一個(gè)實(shí)例屬性單獨(dú)分類(lèi)訓(xùn)練樣例的能力，分類(lèi)能力最好的屬性作為樹(shù)的根節(jié)點(diǎn)測(cè)試；然后為根節(jié)點(diǎn)屬性的每個(gè)可能值產(chǎn)生一個(gè)分支，并把訓(xùn)練樣例排列到適當(dāng)?shù)姆种е拢恢貜?fù)這個(gè)過(guò)程，用每個(gè)分支節(jié)點(diǎn)關(guān)聯(lián)的訓(xùn)練樣例來(lái)選取在該點(diǎn)被測(cè)試的最佳屬性。

ID算法原本不是應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)的算法，而是一個(gè)決定性算法。本發(fā)明實(shí)施例將ID算法應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)，本質(zhì)上實(shí)現(xiàn)了對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)，簡(jiǎn)化了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度有顯著提升。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑，包括：

根據(jù)所述全局最優(yōu)決策路徑，對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)，使所述卷積神經(jīng)網(wǎng)絡(luò)能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

具體的，卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，即卷積神經(jīng)網(wǎng)絡(luò)能夠通過(guò)學(xué)習(xí)，不斷提高運(yùn)算準(zhǔn)確度。本發(fā)明實(shí)施例應(yīng)用全局最優(yōu)決策路徑，對(duì)每一個(gè)分布式節(jié)點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即是完成了卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，卷積神經(jīng)網(wǎng)絡(luò)得到優(yōu)化，計(jì)算最佳決策路徑的精確度更高。

在決策論中，熵值刻畫(huà)了任意樣本空間的純度。熵值最大值是1，代表樣本純度最低；熵值最小值是0，代表樣本純度最高。決策論認(rèn)為樣本純度越高的分支是決策的正確路線，因此決策過(guò)程就是在卷積神經(jīng)網(wǎng)絡(luò)上尋找快速降低決策路徑熵值的自頂向下的貪婪算法。

對(duì)于圖3中所示的雷電鏈來(lái)說(shuō)，決定信息熵值的因素是多維的，并且在不同業(yè)務(wù)模式中此熵值是可變的。對(duì)于決策樹(shù)而言，我們使用如下公式計(jì)算每個(gè)決策點(diǎn)受到多個(gè)因素影響的熵值：

在這里Gain(S,A)代表A因素在所有樣例集合S中的信息增益。Entropy(S)代表因素集合S的信息熵。Sv代表A因素的所有可能值在集合S中對(duì)應(yīng)的1個(gè)到多個(gè)樣本。Entropy(S)的信息熵是用如下公式計(jì)算的：

此公式用于計(jì)算目標(biāo)樣本集S中的每個(gè)樣本有C個(gè)屬性時(shí)，不同屬性C對(duì)于樣本集合S的信息熵(也就是決策正確程度)的影響。其中pi是S集合中第i個(gè)C屬性表現(xiàn)為“陽(yáng)性”的比例。

例如，假設(shè)我們要研究手機(jī)在市場(chǎng)上是否好賣(mài)。那么我們的樣本集合S就是一堆手機(jī)的集合(iPhone,s7E，魅藍(lán)Note3、紅米pro……)。集合中的每個(gè)元素是一個(gè)手機(jī)型號(hào)。它有C個(gè)互相獨(dú)立的屬性，比如C1＝屏幕是多大、C2＝售價(jià)多高、C3＝有沒(méi)有NFC、C4＝攝像效果好不好、C5＝外觀是否好看等。

接下來(lái)我們指定Pi。假定我們從結(jié)果進(jìn)行調(diào)查，發(fā)現(xiàn)市場(chǎng)上賣(mài)得好的手機(jī)有70％是大屏的(P1＝0.7)，60％是低于2000塊錢(qián)的(P2＝0.6)，90％是有NFC的(P3＝0.9)，30％是攝像效果好的(P4＝0.3)，15％是外觀好看的(P5＝0.15)。把這些值帶入到上述公式就能計(jì)算出Entropy(S)，進(jìn)而計(jì)算出Gain(S,A)。

當(dāng)我們知道多個(gè)S樣本的結(jié)果后，我們可以分析決策結(jié)果和實(shí)際結(jié)果的相關(guān)性，并反過(guò)來(lái)修正各個(gè)屬性Ci的取值是否正確。

還是用上面的手機(jī)集合舉例，我們經(jīng)過(guò)訓(xùn)練后可能發(fā)現(xiàn)如果手機(jī)屏幕大小的熵值修正為0.3的時(shí)候，計(jì)算出的影響因子能夠更好的符合結(jié)果集(手機(jī)賣(mài)得更好)，我們就把屏幕大小因子C1調(diào)整為C1＝0.3。調(diào)整的步驟是經(jīng)典神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程，此處不再贅述。

對(duì)于一個(gè)卷積網(wǎng)絡(luò)，在每個(gè)決策節(jié)點(diǎn)的計(jì)算過(guò)程中，我們都重復(fù)上述過(guò)程，不斷通過(guò)訓(xùn)練修正每個(gè)節(jié)點(diǎn)的熵值影響因子Pi，使它能夠更好的適配到我們觀察到的結(jié)果。這個(gè)過(guò)程就是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。通過(guò)不斷訓(xùn)練神經(jīng)網(wǎng)絡(luò)，各個(gè)屬性對(duì)最終決策結(jié)果的影響是動(dòng)態(tài)優(yōu)化的。因此整個(gè)區(qū)塊鏈網(wǎng)絡(luò)的效率隨著受理業(yè)務(wù)數(shù)據(jù)的增多而變得越來(lái)越好，呈現(xiàn)出一種智能化學(xué)習(xí)的表征。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述判斷是否到達(dá)設(shè)定的第二周期，且判斷確認(rèn)未到達(dá)設(shè)定的第二周期時(shí)，該方法還包括：

判斷自身生成的新區(qū)塊數(shù)量是否到達(dá)設(shè)定的數(shù)量；如果到達(dá)設(shè)定的數(shù)量，則從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑。

具體的，由于區(qū)塊鏈網(wǎng)絡(luò)中，各個(gè)分布式節(jié)點(diǎn)生成新區(qū)塊的速度不同，可能在第二周期的某一個(gè)周期中，分布式節(jié)點(diǎn)生成新區(qū)塊的速度很快，在還未到達(dá)這一周期結(jié)束時(shí)間點(diǎn)時(shí)，已經(jīng)生成了足夠數(shù)量的新區(qū)塊，為了保證新區(qū)塊生成速度，應(yīng)該對(duì)這些新區(qū)塊計(jì)算一條全局最優(yōu)決策路徑，先將這些新區(qū)塊插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中。此時(shí)，分布式節(jié)點(diǎn)不再等待這一周期結(jié)束時(shí)間點(diǎn)的到來(lái)，直接向所有分布式節(jié)點(diǎn)申請(qǐng)暫停生成新區(qū)塊，從當(dāng)前自身決策路徑，以及其它所有分布式節(jié)點(diǎn)計(jì)算的最佳決策路徑中，選擇一條決策路徑作為全局最優(yōu)決策路徑，將自身當(dāng)前生成的新區(qū)塊按照全局最優(yōu)決策路徑插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中，然后再繼續(xù)生成新區(qū)塊。

在本發(fā)明實(shí)施例中，設(shè)定當(dāng)分布式節(jié)點(diǎn)生成50個(gè)新區(qū)塊時(shí)，不論是否到達(dá)第二周期時(shí)間點(diǎn)，都向所有分布式節(jié)點(diǎn)申請(qǐng)暫停生成新區(qū)塊，先為已生成的新區(qū)塊選擇全局最優(yōu)決策路徑，將已生成的新區(qū)塊按照全局最優(yōu)決策路徑插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中，然后再繼續(xù)生成新區(qū)塊；如果到達(dá)第二周期時(shí)間點(diǎn)，則所有分布式節(jié)點(diǎn)同時(shí)暫停生成新區(qū)塊，為已生成的新區(qū)塊選擇全局最優(yōu)決策路徑，將已生成的新區(qū)塊按照全局最優(yōu)決策路徑插入?yún)^(qū)塊鏈網(wǎng)絡(luò)中。

本發(fā)明另一實(shí)施例還公開(kāi)了一種分布式節(jié)點(diǎn)，參見(jiàn)圖4所示，該分布式節(jié)點(diǎn)包括：

動(dòng)態(tài)分支管理單元401，用于將自身生成的新區(qū)塊存儲(chǔ)到自身決策樹(shù)中；按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息；且接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息；

動(dòng)態(tài)分支決策單元402，用于在所述動(dòng)態(tài)分支管理單元401每次接收到所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息后，根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，并將所述最佳決策路徑保存；

判斷單元403，用于判斷是否到達(dá)設(shè)定的第二周期；

全局分支融合單元404，用于當(dāng)所述判斷單元403判斷到達(dá)設(shè)定的第二周期時(shí)，從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑；其中，所述第二周期不小于所述第一周期；

其中，所述動(dòng)態(tài)分支決策單元402還用于，當(dāng)所述全局分支融合單元404選擇全局最優(yōu)決策路徑之后，根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

具體的，本實(shí)施例中各個(gè)單元的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

本發(fā)明提出的分布式節(jié)點(diǎn)，在計(jì)算決策路徑時(shí)，由動(dòng)態(tài)分支管理單元401將自身生成的新區(qū)塊存儲(chǔ)在自身決策樹(shù)中，并按照設(shè)定的第一周期，周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息，同時(shí)接收其它分布式節(jié)點(diǎn)在區(qū)塊鏈網(wǎng)絡(luò)上廣播的決策樹(shù)信息，保證了區(qū)塊鏈中各分布式節(jié)點(diǎn)的數(shù)據(jù)統(tǒng)一性；動(dòng)態(tài)分支決策單元402根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑，并將所述最佳決策路徑保存；當(dāng)判斷單元403判斷到達(dá)設(shè)定的第二周期時(shí)，全局分支融合單元404從計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑，所述全局最優(yōu)決策路徑為正確的決策路徑；動(dòng)態(tài)分支決策單元402根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最佳決策路徑的計(jì)算方法，各分布式節(jié)點(diǎn)的動(dòng)態(tài)分支決策單元402不斷地用全局最優(yōu)決策路徑來(lái)修正自身計(jì)算最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑，從而使自己計(jì)算最佳決策路徑的方法越來(lái)越準(zhǔn)確。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述動(dòng)態(tài)分支管理單元401周期性地在區(qū)塊鏈網(wǎng)絡(luò)上廣播當(dāng)前時(shí)刻自身決策樹(shù)信息時(shí)，具體用于：

周期性地在區(qū)塊鏈網(wǎng)絡(luò)上，廣播包含當(dāng)前時(shí)刻自身決策樹(shù)信息的，且具有設(shè)定有效期的廣播信息。

具體的，本實(shí)施例中動(dòng)態(tài)分支管理單元401的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述動(dòng)態(tài)分支決策單元402根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到最佳決策路徑時(shí)，具體用于：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

具體的，本實(shí)施例中動(dòng)態(tài)分支決策單元402的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述動(dòng)態(tài)分支決策單元402將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑時(shí)，具體用于：

將所述自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，輸入基于迭代二叉樹(shù)算法的卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算得到最佳決策路徑。

具體的，本實(shí)施例中動(dòng)態(tài)分支決策單元402的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，所述動(dòng)態(tài)分支決策單元402根據(jù)所述全局最優(yōu)決策路徑，修正所述計(jì)算得到最新的最佳決策路徑的計(jì)算方法，使所述計(jì)算方法能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑時(shí)，具體用于：

根據(jù)所述全局最優(yōu)決策路徑，對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)，使所述卷積神經(jīng)網(wǎng)絡(luò)能夠根據(jù)自身決策樹(shù)信息，和所述其它分布式節(jié)點(diǎn)廣播的決策樹(shù)信息，計(jì)算得到所述全局最優(yōu)決策路徑。

具體的，本實(shí)施例中動(dòng)態(tài)分支決策單元402的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

可選的，在本發(fā)明的另一個(gè)實(shí)施例中，參見(jiàn)圖5所示，該分布式節(jié)點(diǎn)還包括：

第二判斷單元405，用于當(dāng)所述判斷單元403判斷是否到達(dá)設(shè)定的第二周期，且判斷確認(rèn)未到達(dá)設(shè)定的第二周期時(shí)，判斷自身生成的新區(qū)塊數(shù)量是否到達(dá)設(shè)定的數(shù)量；如果到達(dá)設(shè)定的數(shù)量，則調(diào)用所述全局分支融合單元404從自身計(jì)算得到的最新的最佳決策路徑，以及其它分布式節(jié)點(diǎn)計(jì)算得到的最新的最佳決策路徑中，選擇一條最佳決策路徑作為全局最優(yōu)決策路徑。

具體的，本實(shí)施例中第二判斷單元405的具體工作內(nèi)容，請(qǐng)參見(jiàn)對(duì)應(yīng)的方法實(shí)施例的內(nèi)容，此處不再贅述。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。