Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối Blockchain

Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối BlockchainÁp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối Blockchain

Nguyễn Hoàng Vũ

ÁP DỤNG HỌC MÁY TRONG CÁC ỨNG DỤNG THÔNG MINH DỰA TRÊN CHUỖI KHỐI

Đề án tốt nghiệp được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: PGS TS Trần Công Hùng

Phản biện 1: TS Đàm Quang Hồng Hải Phản biện 2: PGS.TS Lê Hoàng Thái

Đế án tốt nghiệp sẽ được bảo vệ trước Hội đồng chấm đề án tốt nghiệp thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: 9 giờ 45 ngày 05 tháng 8 năm 2023

Có thể tìm hiểu đề án tốt nghiệp tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

PHẦN MỞ ĐẦU

Trong những năm gần đây, sự xuất hiện của Công nghệ Blockchain (Blockchain Technology – BT) đã trở thành một công nghệ độc đáo, đột phá nhất và có xu hướng Cơ sở dữ liệu phi tập trung trong BT nhấn mạnh tính bảo mật và quyền riêng tư của dữ liệu

Ngoài ra, cơ chế đồng thuận trong đó đảm bảo rằng dữ liệu được bảo mật và hợp pháp Tuy nhiên, nó làm nảy sinh các vấn đề bảo mật mới như tấn công số đông và chi tiêu gấp đôi Để xử lý các vấn đề nói trên, cần có phân tích dữ liệu trên dữ liệu an toàn dựa trên BT Phân tích trên những dữ liệu này nâng cao tầm quan trọng của công nghệ phát sinh Học máy (Machine Learning - ML) ML liên quan đến lượng dữ liệu hợp lý để đưa ra quyết định chính xác Độ tin cậy của dữ liệu và sự chia sẻ của nó là rất quan trọng trong ML để cải thiện độ chính xác của kết quả Sự kết hợp của hai công nghệ này (ML và BT) có thể mang lại kết quả chính xác cao

Trong phần thực tập này, tôi trình bày một nghiên cứu chi tiết về việc áp dụng ML để làm cho các ứng dụng thông minh dựa trên BT có khả năng chống lại các cuộc tấn công tốt hơn Có nhiều kỹ thuật ML truyền thống khác nhau, chẳng hạn như Máy vectơ hỗ trợ (Support Vector Machines - SVM), các thuật toán phân cụm, đóng gói và Học sâu (Deep Learning - DL) như Mạng nơ-ron hợp pháp (Convolutional Neural Network - CNN) và Bộ nhớ ngắn hạn dài (Long short-term memory - LSTM) có thể được sử dụng để phân tích các cuộc tấn công vào mạng dựa trên BT

Đề tài như sau: “Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain”

Mục tiêu chính của đề tài Nghiên cứu đề xuất xây dựng ứng dụng tích hợp học máy (ML) với chuỗi khối Blockchain trong môi trường thông minh

Xuất phát từ mục tiêu chính trên, đề án hướng tới những mục tiêu cụ thể như sau:

• Nghiên cứu tổng quan về học máy, Nghiên cứu về các thuật toán học máy

• Nghiên cứu về tổng quan chuỗi khối

• Nghiên cứu đề xuất thuật toán tích hợp học máy và chuỗi khối trong môi trường thông minh

• Nghiên cứu mô phỏng và thực nghiệm thuật toán đã đề xuất

Bên cạnh phần mở đầu, phần kết luận và phần tài liệu tham khảo, phần nội dung chính của bài nghiên cứu được chia thành 4 chương chính như sau:

Chương 1: Tổng quan về học máy và Blockchain Chương 2: Các công trình liên quan học máy và Blockchain

Chương 3: Học máy trong ứng dụng thông minh dựa trên chuỗi khối Blockchain

Chương 4: Thực nghiệm và đánh giá

CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY VÀ BLOCKCHAIN

1.1 Tổng quan về công nghệ Blockchain

1.1.1. Khái niệm

Blockchain (chuỗi khối), tên ban đầu blockchain là một cơ sở dữ liệu phân cấp lưu trữ thông tin trong các khối thông tin được liên kết với nhau bằng mã hóa và mở rộng theo thời gian Mỗi khối thông tin đều chứa thông tin về thời gian khởi tạo và được liên kết đến khối trước đó, kèm một mã thời gian và dữ liệu giao dịch Blockchain được thiết kế để chống lại sự thay đổi của dữ liệu: Một khi dữ liệu đã được mạng lưới chấp nhận thì sẽ không có cách

nào thay đổi được

1.1.2. Đặc điểm của Blockchain

Blockchain là một cấu trúc dữ liệu phân tán, nghĩa là dữ liệu được lưu trữ trên nhiều máy tính khác nhau trên một mạng lưới Các giao dịch được ghi lại và lưu trữ trong các khối liên kết với nhau theo một trình tự xác định Mỗi khối chứa một số giao dịch và mã hash của khối trước đó Mã hash được tạo ra bằng cách sử dụng thuật toán mã hóa độc đáo, điều này đảm bảo tính toàn vẹn của dữ liệu trong khối và liên kết giữa các khối với nhau

1.1.3. Cơ chế đồng thuận phân quyền

Cơ chế này ngược lại với mô hình cổ điển về cơ chế đồng thuận tập trung nghĩa là khi một cơ sở dữ liệu tập trung được dùng để quản lý việc xác thực giao dịch Một sơ đồ phân tán đồng đẳng chuyển giao quyền lực và sự tin tưởng cho một mạng lưới phân tán đồng đẳng và cho phép các nút của mạng lưới đó liên tục lưu trữ các giao dịch trên một khối (block) công cộng, tạo nên một chuỗi (chain) độc nhất: chuỗi khối (blockchain)

1.1.4. Chuỗi khối và dịch vụ chuỗi khối

Một chuỗi khối giống như một nơi để lưu trữ dữ liệu bán công cộng trong một không gian chứa hẹp (khối) Bất cứ ai cũng có thể xác nhận việc bạn nhập thông tin vào vì khối chứa có chữ ký của bạn, nhưng chỉ có bạn (hoặc một chương trình) có thể thay đổi được dữ liệu của khối đó vì chỉ có bạn cầm khóa bí mật cho dữ liệu đó

1.1.5. Hợp đồng thông minh (Smart Contract)

Hợp đồng thông minh (Smart Contract) là một dạng hợp đồng kỹ thuật số được lập trình trên một nền tảng Blockchain Smart Contract là một mã chương trình được thiết kế để tự động thực hiện các giao dịch khi các điều kiện trong hợp đồng được thỏa mãn

1.2 Tổng quan về học máy (Machine Learning)

1.2.1. Khái niệm học máy

Học máy là một lĩnh vực của trí tuệ nhân tạo (AI) tập trung vào việc phát triển các thuật toán và các mô hình máy tính để tự động học hỏi từ dữ liệu và sử dụng kết quả học để thực hiện các tác vụ cụ thể mà không cần được lập trình trực tiếp Nó liên quan đến việc tạo ra các mô hình dựa trên các kết quả học từ dữ liệu và sử dụng chúng để dự đoán hoặc phân loại đầu vào mới Quá trình học này được thực hiện bằng cách sử dụng các thuật toán học máy để xác định các mẫu, cấu trúc và thông tin trong dữ liệu

1.2.2. Phân loại học máy

Học máy có giám sát

Học có giám sát (supervised learning) là một loại học máy, trong đó một thuật toán được đào tạo trên một tập dữ liệu đã được gán nhãn trước, trong đó các đầu vào (input) được liên kết với các đầu ra (output) tương ứng Mục tiêu của quá trình học có giám sát là tìm ra mối quan hệ giữa các đầu vào và các đầu ra, từ đó có thể dự đoán đầu ra mới dựa trên đầu vào mới

Học máy không giám sát

Học không giám sát (unsupervised learning) là một loại học máy trong đó một thuật toán được đào tạo trên một tập dữ liệu không có nhãn hoặc không có đầu ra mong muốn được gán trước Mục tiêu của quá trình học không giám sát là tìm ra các mô hình ẩn và cấu trúc trong dữ liệu mà không cần có bất kỳ thông tin gán nhãn nào

Học máy tăng cường

Reinforcement learning (Học tăng cường) là một lớp của học máy, nó đào tạo các mô hình để tương tác với một môi trường và tối ưu hóa các hành động dựa trên phản hồi trực tiếp từ môi trường đó Học tăng cường được sử dụng trong các tình huống khi môi trường không được xác định trước hoặc khi các quyết định phải được đưa ra theo thời gian thực

Học sâu

Deep learning (Học sâu) là một phương pháp học máy dựa trên kiến trúc mạng nơ-ron sâu (deep neural network) Trong deep learning, các mạng nơ-ron được thiết kế với nhiều lớp (hidden layers) giúp học và trích xuất các đặc trưng phức tạp của dữ liệu đầu vào Nhờ đó, deep learning có khả năng xử lý và phân tích dữ liệu có độ phức tạp cao hơn so với các phương pháp học máy truyền thống

1.3 Các ứng dụng điển hình của Blockchain Ứng dụng trong nghành chắm sóc sức khỏe, y tế

Xu hướng số hóa các dữ liệu như thông tin bệnh nhân, các đơn đặt hàng, quản lý kho và các giao dịch mua bán trang thiết bị y tế, … trong quá trình quản lý tài liệu đang trở nên phổ biến hơn

Do vậy, các thiết bị thông minh được trang bị trong phần lớn các bệnh viện để giám sát các dữ liệu này Tuy nhiên các thiết bị này vẫn còn nhiều hạn chế về quyền

riêng tư và bảo mật, cho nên công nghệ blockchain được sử dụng để khắc phục những vấn đề này

Ứng dụng trong lĩnh vực giáo dục

Công nghệ blockchain có thể giúp hạn chế gian lận trong quá trình học tập, xin việc làm, học bổng, giảm thiểu tình trạng khai gian về học vấn, kinh nghiệm làm việc,… Với tính năng đồng bộ thông minh, các điều khoản về nội quy đào tạo sẽ được thực hiện tự động giúp xử lý những trường hợp vi phạm, nâng cao quy trình giảng dạy, phản hồi từ người học,…

Ứng dụng trong nghành tài chính – ngân hàng

Trong lĩnh vực tài chính và ngân hàng, vấn đề bảo mật dữ liệu người dùng, tham nhũng, lạm quyền là vấn đề rất nan giải Nhưng với quyết định ứng dụng công nghệ blockchain với các điểm nổi bật từ chính năng năng như bảo mật cao, giao dịch nhanh, tiết kiệm chi phí, tối thiểu hóa rủi ro

Ứng dụng trong nghành nông nghiệp

Một trong những yếu tố then chốt có có được lòng tin từ người tiêu dùng chính là nguồn gốc chất lượng và an toàn cao Hệ thống blockchain với vai trò như một sổ cái nông nghiệp trên nền tảng số sẽ giúp người dùng cũng như người buôn bán nắm được các thông tin về sản phẩm một cách chính xác

CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN HỌC MÁY VÀ BLOCKCHAIN

2.1 Các công trình liên quan Blockchain và học máy

2.1.1 Blockchain

Một nghiên cứu về tích hợp học máy với chuỗi khối của Sunil Samanta Singhar, Debasish Jena và Suraj Sharma đã nghiên cứu tập trung vào vấn đề bảo mật dữ liệu trong thời đại số, khi dữ liệu được thu thập mà không có mục đích cụ thể và chứa thông tin nhạy cảm hoặc riêng tư

Nghiên cứu của Dhruvil Shah và các đồng nghiên cứu đề xuất một hệ thống kết hợp công nghệ học máy và chuỗi khối để giải quyết các vấn đề như giả mạo hồ sơ giáo dục và bằng cấp giả

Tác giả Yiming Liu và cộng sự đã thảo luận về những thách thức mà hệ thống truyền thông và mạng phải đối mặt do cơ sở hạ tầng, tài nguyên, thiết bị đầu cuối và ứng dụng phức tạp và không đồng nhất do sự phát triển nhanh chóng của công nghệ thông tin và truyền thông

2.1.2 Machine learning

Học máy và Blockchain là hai trong số những công nghệ đáng chú ý nhất trong những năm gần đây Đầu tiên là nền tảng của trí tuệ nhân tạo và phân tích dữ liệu lớn, và thứ hai đã phá vỡ đáng kể ngành tài chính Cả hai công nghệ đều dựa trên dữ liệu và do đó, ngày càng có nhiều lợi ích trong việc tích hợp cả hai để chia sẻ và phân tích dữ liệu an toàn và hiệu quả hơn Trong bài viết này, tôi xem xét nghiên cứu hiện có về việc kết hợp công nghệ học máy và Blockchain và chứng minh rằng chúng có thể cộng tác hiệu quả

2.2 Các công trình liên quan Blockchain và học sâu

Blockchain và deep learning là hai công nghệ đột phá đang có sự ảnh hưởng lớn trong lĩnh vực công nghệ thông tin

Deep learning là một lĩnh vực của trí tuệ nhân tạo dựa trên mạng nơ-ron nhân tạo sâu Nó cho phép máy tính tự học và rút ra những thông tin quan trọng từ dữ liệu thông qua việc xây dựng các mô hình nơ-ron nhân tạo sâu Deep learning đã mang lại những tiến bộ đáng kể trong nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và phân tích dữ liệu

Kết hợp giữa blockchain và deep learning mang lại nhiều tiềm năng trong các lĩnh vực sau: Bảo mật và xác thực, phân tích dữ liệu và dự đoán, độ tin cậy và an toàn, tăng khả năng mở rộng

2.3 Các công trình khác liên quan cải tiến Blockchain bằng học máy

Với sự khởi đầu của kỷ nguyên dữ liệu lớn, việc thiết kế các thuật toán học máy hiệu quả và hiệu quả để phân tích dữ liệu quy mô lớn là rất cần thiết Trên thực tế, dữ liệu thường được tạo bởi nhiều bên và được lưu trữ theo cách phân tán theo địa lý, điều này thúc đẩy nghiên cứu về học máy phân tán Các thuật toán học máy phân tán kiểu master-worker truyền thống giả định một máy chủ trung tâm đáng tin cậy và tập trung vào vấn đề quyền riêng tư trong các mô hình học tuyến tính, trong khi quyền riêng tư trong các mô hình học phi tuyến và các vấn đề bảo mật chưa được nghiên cứu kỹ

CHƯƠNG 3: HỌC MÁY TRONG ỨNG DỤNG THÔNG MINH DỰA TRÊN

CHUỖI KHỐI BLOCKCHAIN

3.1 Học máy trong ứng dụng thông minh trên chuỗi khối

Áp dụng học máy vào ứng dụng thông minh trên chuỗi khối blockchain mang lại một loạt lợi ích quan trọng và đột phá Việc kết hợp hai công nghệ này tạo ra một hệ thống mạnh mẽ và tiềm năng với khả năng tăng cường hiệu suất, bảo mật và khả năng tự động hóa

3.2 Thuật toán áp dụng học máy trong ứng dụng thông minh trên chuỗi khối

Xây dựng một mô hình DML (Differential Privacy Machine Learning) bảo vệ quyền riêng tư trên một chuỗi khối được phê duyệt

Để đơn giản hóa mô tả mô hình, tôi bỏ qua quá trình thiết lập mạng trong bước ban đầu vì tôi chỉ xem xét quá trình DML trên mạng blockchain Giả định rằng các peer là những người tham gia có danh tính được chấp thuận có thể tham gia vào mạng được phê duyệt thông qua một tổ chức mạng Tất cả các người tham gia trong mạng có một sổ cái chia sẻ và cơ sở dữ liệu địa phương của họ Bên cạnh đó, bất kỳ người tham gia nào cũng có thể là một peer đánh dấu trong mạng với một chính sách đánh dấu Mô hình của tôi bao gồm ba quy trình sau, phù hợp với mạng blockchain được phê duyệt dựa trên quá trình mô phỏng – sắp xếp - thực thi như sau:

Giai đoạn mô phỏng: Tất cả các thành viên tính toán gradient cục bộ Sau đó, số lượng đồng ý đồng minh, là một bên được tin cậy một phần, mô phỏng một gradient cục bộ theo từng người Kết quả mô phỏng được trình bày

dưới dạng một tập hợp các đồng ý, có tỷ lệ lỗi cho mỗi gradient cục bộ Sau đó, ứng dụng khách thu thập các đồng ý cho tất cả các gradient cục bộ Cuối cùng, các đồng ý đã được thu thập được phát sóng đến hệ điều hành từ ứng dụng khách Chúng ta sẽ mô tả giai đoạn mô phỏng trong kịch bản với sự bảo mật khác biệt

Thuật toán 1 minh họa giai đoạn mô phỏng Trong giai đoạn này, tất cả những người tham gia có tập dữ liệu cục bộ Dk tính toán độ dốc cục bộ song song theo bước Tính toán độ dốc cục bộ Lưu ý rằng tính toán thực tế cho bước này được chạy bởi ứng dụng khách Đầu tiên, trong bước này, mỗi người tham gia chia Dk thành các lô có kích thước B để chạy SGD riêng tư khác nhau với nhau (dòng 3) Bằng cách làm theo phương trình (3), trong bước lặp t, mỗi bước tính toán một độ dốc cục bộ với việc cắt định mức (dòng 5-6) Việc cắt định mức đảm bảo rằng nếu , thì được giữ nguyên; mặt khác, nó được thu nhỏ lại bằng cách cắt ngưỡng C Việc cắt bớt độ dốc này là một phương pháp phổ biến của SGD cho các mạng sâu để bùng nổ độ dốc

Sau đó, bằng cách làm theo các phương trình (1) và (4), mỗi tính toán trọng số cục bộ cuối cùng , thêm nhiễu bằng cơ chế Gaussian dưới độ nhạy C (dòng 7-8) Trong bước tiếp theo, tôi tính toán các lỗi cho từng độ dốc cục bộ trong bước Xác nhận Các đồng nghiệp xác nhận song song mô phỏng từng độ dốc cục bộ trên tập dữ liệu của họ và tính toán err theo kết quả mô phỏng cho (dòng 12) Kết quả với idk được biểu thị dưới dạng ek

t+1 theo giá trị trung bình cho tất cả các kết quả của mọi đồng nghiệp xác nhận (dòng 9) Cuối

cùng, ứng dụng khách trả về xác nhận, bao gồm lỗi và độ dốc cục bộ (dòng 10)

Giai đoạn sắp xếp: Sau khi nhận được các đồng ý đã được thu thập, hệ điều hành tính toán một trọng số toàn cầu bằng quy tắc tổng hợp dựa trên lỗi mà tôi đề xuất Tôi cho thấy rằng quy tắc tổng hợp dựa trên lỗi này có độ chính xác cao hơn so với quy tắc tổng hợp trước đó và có độ phức tạp tính toán thấp dựa trên các thí nghiệm sau này Theo cách hiểu đơn giản, điều này có nghĩa là một quy tắc mà theo đó một số kết quả học gần nhất có thể được tổng hợp bằng cách sử dụng các lỗi thấp được lưu trữ trong sổ cái không thể thay đổi như một nhật ký

Thuật toán 2 minh họa giai đoạn sắp xếp và thực hiện Trong giai đoạn sắp xếp, hệ điều hành tính toán độ dốc toàn cầu với bước Tính toán độ dốc toàn cầu Như đã thảo luận trong mô hình mối đe dọa, đôi khi kết quả tính toán sai đối với độ dốc cục bộ có thể do những kẻ tấn công đối nghịch hoặc sự cố hệ thống gây ra Do đó, các quy tắc tổng hợp ban đầu hướng đến cách tiếp cận dựa trên đa số, dựa trên độ dốc cục bộ chính K - F trong đó F là số lượng độ dốc cục bộ và F là số độ dốc cục bộ không chính xác do các cuộc tấn công độc hại hoặc sự cố hệ thống Đầu tiên, hệ điều hành chỉ chọn và tổng hợp số lượng chuyển màu cục bộ L (F<L<K) từ tổng số chuyển màu cục bộ K theo quy tắc tổng hợp (dòng 2) được mô tả trong đoạn tiếp theo Sau đó, bằng cách làm theo phương trình (4), độ dốc tổng thể được tính bằng tổng của độ dốc cục bộ #L (dòng 3) Ngoài ra, giá trị lỗi ek

t+1 đối với người tham gia K trong L được thay thế thành null Điều này có nghĩa là lỗi đối với người tham gia K không được ghi nếu độ dốc cục bộ của người đó được bao gồm trong L (dòng 5) Cuối cùng, gradient tổng thể với

, được biểu diễn dưới dạng Blockt+1 và sẽ được ghi vào sổ cái trong bước t được phát cho tất cả người tham gia (dòng 6-7) Cuối cùng, trong giai đoạn thực hiện, tất cả những người tham gia dễ dàng cập nhật Blockt+1 vào sổ cái toàn cầu (dòng 9) trong bước cam kết

Giai đoạn thực thi: Mỗi thành viên cập nhật khối hiện tại lên sổ cái chia sẻ được xem bởi tất cả các thành viên Thông thường, giao dịch gốc có vấn đề double-spending trong khối nếu không được kiểm tra chuỗi một cách chính xác sau khi tạo khối Tuy nhiên, chúng ta có thể bỏ qua quá trình này vì các gradient trong quá trình học không có thứ tự với nhau dưới các môi trường đồng bộ Ngoài ra, tôi cung cấp một quy trình kiểm toán dựa trên lỗi vào bất kỳ thời điểm nào cho bất kỳ thành viên nào muốn kiểm toán

Do kết quả của giai đoạn thực hiện, tôi có thể chia sẻ không chỉ trọng số toàn cầu mà còn chia sẻ các lỗi từ mỗi gradient cục bộ Phương pháp ghi lỗi của tôi có thể cung cấp hai khía cạnh, được mô tả như sau

Đầu tiên, với tư cách là nguyên mẫu thiết yếu của mô hình, tôi có thể cung cấp quy tắc tổng hợp hiệu quả cho trọng lượng toàn cầu bằng hệ thống dựa trên lỗi của tôi, được gọi là quy tắc tổng hợp dựa trên lỗi Thuật toán 3 minh họa quy tắc tổng hợp dựa trên lỗi được đề xuất của tôi Chúng ta có thể tổng hợp các gradient cục bộ bằng các lỗi l thấp nhất, điều này hoàn toàn khác với các cách tiếp cận dựa trên đa số ban đầu đối với các quy tắc tổng hợp (dòng 1) Điều này có nghĩa là quy tắc tổng hợp được đề xuất của tôi chỉ cần các xác nhận trạng thái hiện tại, được trả về bởi giai đoạn mô phỏng mà không cần bất kỳ tính toán bổ sung nào Ngoài ra, để ngăn thang độ dốc trở nên quá lớn, tôi loại bỏ một số độ dốc cục bộ có tỷ lệ lớn cho