商标分类 
商标转让 
您当前的位置： 基于人工智能的数据处理方法、装置、设备及介质与流程
2021-01-28 13:01:49|
354|
起点商标网
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的数据处理方法、装置、设备及介质。
背景技术：
随着互联网及人工智能的应用推广，对于网络安全的关注度也随之增加。目前，对于各种网络应用场景，如网上账户的管理，在线支付、门禁等等，均需要采取相应得身份验证手段对用户身份进行验证，保障用户安全。目前一般采用的身份验证手段，如指纹、人脸、声纹识别等，通过对用户生物学信息(即声纹特征)进行深度学习训练，以判断当前说话人是否与系统中存储的用户吻合，以通过声纹验证的手段，保障用户的安全，杜绝仿冒、窃取或复制用户自身生物信息的可能性。
而目前的深度学习的训练更多受制于梯度消失或梯度爆炸问题的困扰，致使网络深度受到限制，导致网络训练效率过慢，模型优化不够准确率。现有的神经网络的反向传播算法中，一般是通过人为根据经验设定小学习率来达到模型收敛，但对于学习率的人为设定仍然需要根据经验进行设定，设定不当，例如设定过大可能会导致梯度爆炸的问题，设定过小，则可能会导致梯度消失的问题，同时也会导致模型训练效率低的问题，此外，由于反向传播算法中通过链式求导一次求出最终导数，也可造成神经网络中梯度消失或梯度爆炸的问题，而目前现有的梯度消失和梯度爆炸的解决方法一般是通过增加正则项或者在网络深层特征中增加浅层特征，以减小链式求导的影响，但仍无法从根本解决梯度消失或梯度爆炸的问题。
技术实现要素：
本发明实施例提供一种基于人工智能的数据处理方法、装置、设备及介质，以解决目前的深度学习的训练受制于梯度消失或梯度爆炸的问题。
一种基于人工智能的数据处理方法，包括：
获取用户语音数据，对所述用户语音数据进行特征提取，以得到用户声纹特征；
采用所述用户声纹特征对多层神经网络进行训练，得到原始识别模型以及对应的模型输出值；其中，所述原始识别模型包括线性单元和非线性单元；
根据所述模型输出值，计算所述原始识别模型的当前损失值；
根据所述当前损失值确定目标变化量；
基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新；
重复执行所述基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新的步骤，直至达到所述模型的收敛条件，获取所述用户标识对应的目标识别模型。
一种基于人工智能的数据处理装置，包括：
特征提取模块，用于获取用户语音数据，并基于所述用户语音数据进行特征提取，获取用户声纹特征；
模型训练模块，用于采用所述用户声纹特征对多层神经网络进行训练，得到原始识别模型以及对应的模型输出值；其中，所述原始识别模型包括线性单元和非线性单元；
损失计算模块，用于根据所述模型输出值，计算所述原始识别模型的当前损失值；
目标变化量确定模块，用于根据所述当前损失值确定目标变化量；
模型更新模块，用于基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新；
模型获取模块，用于重复执行所述基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新的步骤，直至达到所述模型的收敛条件，得到所述用户标识对应的目标识别模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的数据处理方法的步骤。
一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的数据处理方法的步骤。
上述基于人工智能的数据处理方法、装置、设备及介质中，通过获取用户语音数据，并基于用户语音数据进行特征提取，获取用户声纹特征，以便获取采用该用户声纹特证对多层神经网络进行训练所得到的原始识别模型。然后通过模型输出值，计算原始识别模型的当前损失值，再基于当前损失值确定目标变化量，以便基于目标变化量，采用线性更新算法对线性单元进行更新，以及基于目标变化量，采用非线性更新算法对非线性单元进行更新，获取用户标识对应的目标识别模型，以通过逐步对每一非线性单元以及每一线性单元进行计算更新，可有效避免传统梯度消失的链式求导计算所导致的梯度消失或梯度爆炸的问题，有效提高模型更新的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于人工智能的数据处理方法的一应用环境示意图；
图2是本发明一实施例中基于人工智能的数据处理方法的一流程图；
图3是本发明一实施例中基于人工智能的数据处理方法的一流程图；
图4是图2中步骤s205的一具体流程图；
图5是图2中步骤s205的又一具体流程图；
图6是本发明一实施例中基于人工智能的数据处理方法的一流程图；
图7是本发明一实施例中基于人工智能的数据处理方法的一流程图；
图8是本发明一实施例中基于人工智能的数据处理方法的一流程图；
图9是本发明一实施例中基于人工智能的数据处理装置的一示意图；
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
该基于人工智能的数据处理方法可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
在一实施例中，如图2所示，提供一种基于人工智能的数据处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
s201：获取用户语音数据，对用户语音数据进行特征提取，以得到用户声纹特征。
其中，用户语音数据是采集用户的随时间连续变化的语音数据，用于进行模型训练。用户声纹特征是指从用户语音数据中提取的用于唯一识别用户的一种生物学特征。该用户声纹特征包括但不限于梅尔特征或者梅尔滤波器特征。具体地，通过对用户语音数据进行特征提取，获取用户声纹特征，一边后续采用多层神经网络进行训练。需要强调的是，为进一步保证上述用户语音数据的私密和安全性，上述用户语音数据还可以存储于一区块链的节点中。
本实施例中，该用户语音数据可以是wav、mp3或其他格式的语音数据，此处不做限定。
s202：采用用户声纹特征对多层神经网络进行训练，得到原始识别模型以及对应的模型输出值；其中，原始识别模型包括线性单元和非线性单元。
其中，多层神经网络包括但不限于lstm网络、cnn网络、rcnn、dnn、或者dcnn等任意网络，此处不一一列举。具体地，该多层神经网络包括一输入层、若干个隐藏层和一输出层，该输入层用于接收输入样本数据即用户声纹特征，该隐藏层用于对用户声纹特征进行非线性变化处理。该输出层用于输出模型输出值。
可以理解地，原始识别模型由两部分组成，即线性单元和非线性单元，分别用公式表示为
需要说明的是，采用上述用户声纹特证对多层神经网络进行训练的步骤与传统网络训练的步骤一致，此处不做限定。
具体地，采用该多层神经网络中的前向计算方法对用户声纹特征进行处理，可获取原始识别模型的模型输出值，根据该模型的输出值，可计算原始识别模型的当前损失值。
s203：根据模型输出值，计算原始识别模型的当前损失值。
具体地，对模型进行优化时，一般会定义一损失函数来计算损失值，以用来评估模型效果的好坏。一个标准的损失函数定义方式为：
s204：根据当前损失值确定目标变化量。
具体地，当本层为输出层，则可按如下公式计算目标变化量：δ＝lmin-l，其中，l表示损失函数输出的当前损失值，lmin表示预设的损失函数最小值；此时计算得到的变化量δ为目标变化量，隐藏层和输入层的变化量会根据神经元的输入
s205：基于目标变化量，采用线性更新算法对线性单元进行更新，以及基于目标变化量，采用非线性更新算法对非线性单元进行更新。
其中，线性更新算法是用于对原始识别模型中线性单元进行更新的算法。非线性更新算法是用于对原始识别模型中非线性单元进行更新的算法。本实施例中，通过逐步对每一非线性单元以及每一线性单元进行计算更新，从而可有效避免梯度消失或梯度爆炸的问题，提高模型更新的准确率。
s206：重复执行基于目标变化量，采用线性更新算法对线性单元进行更新，以及基于目标变化量，采用非线性更新算法对非线性单元进行更新的步骤，直至达到模型的收敛条件，获取用户标识对应的目标识别模型。
可以理解地，通过重复执行步骤s205进行迭代训练，直至原始识别模型达到损失函数最小值(即模型收敛条件)，即可得到目标识别模型
本实施例中，通过获取用户语音数据，并基于用户语音数据进行特征提取，获取用户声纹特征，以便获取采用用户声纹特证对多层神经网络进行训练所得到的原始识别模型。然后通过模型输出值，计算原始识别模型的当前损失值，再基于当前损失值确定目标变化量，以便基于目标变化量，采用线性更新算法对线性单元进行更新，以及基于目标变化量，采用非线性更新算法对非线性单元进行更新，通过逐步对每一非线性单元以及每一线性单元进行计算更新，从而可有效避免梯度消失或梯度爆炸的问题，提高模型更新的准确率。
在一实施例中，如图3所示，步骤201中，即基于用户语音数据进行特征提取，获取用户声纹特征具体包括如下步骤：
s301：对用户语音数据进行快速傅里叶变换，获取用户语音数据对应的频谱。
其中，用户语音数据对应的频谱是指用户语音数据在频域上的能量谱。由于语音信号在时域上的变换通常很难看出信号的特性，通常需将它转换为频域上的能量分布来观察，不同的能量分布代表不同语音的特性。本实施例中对每一帧用户语音数据进行快速傅里叶变换得到各帧用户语音数据频谱，即能量谱。
快速傅里叶变换用于将时域信号转换为频域能量谱的变换过程。由于用户语音数据是对用户语音数据进行预处理和语音活动检测处理后的信号，主要体现为时域上的信号，很难看出信号的特性，因此，需将对每一帧用户语音数据进行快速傅里叶变换以得到在频谱上的能量分布。
s302：将频谱通过梅尔滤波器组进行滤波处理，以得到用户声纹特征。
其中，滤波器(filter-bank，简称fbank)特征是语音识别过程中常用的语音特征。由于当前常用的梅尔特征在进行模型训练或识别过程中会进行降维处理，导致部分信息的丢失，为避免上述问题出现，本实施例中采用滤波器特征代替常用的梅尔特征，可有助于提高后续模型识别的准确率。
其中，mel滤波器组是指将快速傅里叶变换输出的能量谱(即待测语音数据的频谱)通过一组mel(梅尔)尺度的三角滤波器组，以对频谱进行平滑化，并起消除滤波作用，可以突出语音的共振峰特征，可降低运算量。然后计算梅尔滤波器组中每个三角滤波器输出的对数能量，该对数能量即为用户声纹特征。
在一实施例中，如图4所示，步骤s205中，即基于目标变化量，采用线性更新算法对线性单元进行更新，具体包括如下步骤：
s401：将线性单元中的当前参数变量的全微分值与全微分值的二级范数的平方的比值作为目标学习率。其中，当前参数变量为当前时刻线性单元所对应的参数变量；
其中，l2范数是指向量中各元素(即当前参数变量的全微分值)的平方和再求平方根。通过该方式可直接计算出学习率，无需根据认为经验设定，可加快模型的训练效率和准确率。
s402：将目标变化量与目标学习率的乘积作为下一待更新线性单元的参数变量的目标更新量。其中，下一待更新线性单元为下一时刻待更新的线性单元；
s403：根据目标更新量对待更新线性单元进行更新。
具体地，以如下线性更新公式进行说明，
由于对上述参数变量求偏导，即
应当理解的是，可记
在一实施例中，如图5所示，非线性单元对应一非线性激活函数；步骤s204中，即基于目标变化量，采用非线性更新算法对非线性单元进行更新，具体包括如下步骤：
s501：计算非线性激活函数在当前非线性单元处的第一微分值，并将第一微分值与第一微分值的平方的比值。
s502：将比值与目标变化量的乘积作为中间更新量。
具体地，可通过如下公式表示步骤s501-s502的计算过程，即
s503：计算非线性激活函数在中间更新量处的第二微分值与第一微分值的差值的绝对值。
s504：计算绝对值与常数1的加和，并将常数1与加和的比值作为目标学习率。
具体地，可记
可以理解地，当
本实施例中，可直接计算出合适的学习率，避免根据人为经验设定小学习率不够准确的问题，且可大大加速训练效率。
s505：将目标学习率与中间更新量的乘积作为下一待更新非线性单元的目标更新量。
s506：根据目标更新量对待更新非线性单元进行更新。
具体地，非线性更新算包括如下非线性更新公式：z1＝z0+α，其中，z1表示下一待更新非线性单元的线性输出(非线性的输入，α表示目标更新量。
应当理解的是，本实施例中通过抛弃现有算法中采用求导链式法则一次求出最终导数实现模型的优化更新，而是通过逐步对每一非线性单元的输出以及每一线性单元的参数变量进行计算更新，从而避免了导数下溢，因而可有效解决梯度消失或梯度保证的问题。此外，由于每一更新公式(线性更新公式或非线性更新公式)中均能保证变化量的限制项为小于1的值，因此可进一步防止模型训练中出现的梯度爆炸问题。
在一实施例中，如图6所示，步骤s205之后，即在基于目标变化量，采用线性更新算法对线性单元进行更新的步骤之后；基于人工智能的数据处理方法具体包括如下步骤：
s601：根据待更新线性单元的参数变量的中的输入变量，计算中间变化量。
具体地，可采用如下公式计算中间变化量，
可以理解地，此时计算出的中间变化量δ，会继续作为下一待更新线性单元的目标变化量，即代入线性更新公式更新
s602：将中间变化量赋值给目标变化量，以更新目标变化量。
可以理解地，该中间变化量是指采用线性更新公式更新
在一实施例中，如图7所示，步骤s201之前，即基于用户语音数据进行特征提取，获取用户声纹特征的步骤之前，该基于人工智能的数据处理方法还包括如下步骤：
s701：对用户语音数据进行分帧处理，获取至少一帧单帧语音数据。
其中，分帧是将n个采样点集合成一个观测单位，称为帧。通常情况下n的值为256或512，涵盖的时间约为20-30ms左右。具体地，由于后续语音增强算法的基本运算单位为帧，因此需将该用户语音数据进行分帧处理。
进一步地，还可对加窗和预加重等预处理，使得预处理后的单帧语音数据具有分辨率高、平稳性好且与用户语音数据误差较小的优点，可提高待训练样本的质量。
s702：采用语音增强算法对至少一帧单帧语音数据进行增强处理，获取降噪后的用户语音数据。
具体地，该用户语音数据包括目标语音数据和干扰语音数据，其中，目标语音数据是指用户语音数据中声纹连续变化明显的语音部分，该目标语音数据一般为说话人语音。相应地，干扰语音数据是指用户语音数据中目标语音数据之外的语音部分，即干扰语音数据为说话人语音之外的语音，如门窗的开关和物体的碰撞等发出的声音都可以认为是噪音段，因此需要采用语音增强算法去除噪声干扰。需要强调的是，为进一步保证上述用户语音数据的私密和安全性，上述用户语音数据还可以存储于一区块链的节点中。
本实施例中，该语音增强算法包括但不限于谱减法、eemd分解或者svd奇异值算法，此处不做限定，通过对语音数据进行语音增强处理，一以去除噪声干扰，进一步保证模型训练的准确率。
在一实施例中，如图8所示，步骤s206之后，该基于人工智能的数据处理方法还包括如下步骤：
s801：响应身份验证请求，采集目标用户的待测语音数据。
其中，待测语音数据是采用录音设备录制得到的目标用户的音频数据。具体地，用户可通过前端提供的录音模块(如麦克风)录入语音，以使服务器获取该录音模块所采集到的待测语音数据。
s802：调用预先训练好的与目标用户对应的目标识别模型，对待测语音数据进识别，获取识别概率值。
具体地，通过目标用户与目标识别模型的绑定关系，可直接调用预先训练好的目标识别模型对该待测语音数据进行识别，获取识别概率值，该识别概率值用于反映当前待识别的用户为用户本人的可能性。
s803：若识别概率值大于预设概率值，则获取身份验证通过的结果。
具体地，本实施例中的语音识别模型可应用在身份验证模块中，用于针对用户的声纹特证进行识别，若模型输出的识别概率大于预设概率，则认为该目标用户为用户本人，获取身份验证通过的结果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于人工智能的数据处理装置，该基于人工智能的数据处理装置与上述实施例中基于人工智能的数据处理方法一一对应。如图9所示，该基于人工智能的数据处理装置包括特征提取模块10、模型训练模块20、损失计算模块30、目标变化量确定模块40、模型更新模块50和模型获取模块60。各功能模块详细说明如下：
特征提取模块10，用于获取用户语音数据，对所述用户语音数据进行特征提取，获取用户声纹特征。
模型训练模块20，用于采用所述用户声纹特征对多层神经网络进行训练，得到原始识别模型以及对应的模型输出值；其中，所述原始识别模型包括线性单元和非线性单元。
损失计算模块30，用于根据所述模型输出值，计算所述原始识别模型的当前损失值。
目标变化量确定模块40，用于根据所述当前损失值确定目标变化量。
模型更新模块50，用于基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新。
模型获取模块60，用于重复执行所述基于所述目标变化量，采用线性更新算法对所述线性单元进行更新，以及基于所述目标变化量，采用非线性更新算法对所述非线性单元进行更新的步骤，直至达到模型的收敛条件，得到用户标识对应的目标识别模型。
具体地，特征提取模块10包括频谱获取单元和用户声纹特征获取单元。
频谱获取单元，用于对所述用户语音数据进行快速傅里叶变换，获取所述述用户语音数据对应的频谱。
用户声纹特征获取单元，用于将频谱通过梅尔滤波器组进行滤波处理，以得到用户声纹特征。
具体地，模型更新模块包括目标学习率获取单元、目标更新量计算单元和模型更新单元。
目标学习率计算单元，用于将所述线性单元中的当前参数变量的全微分值与所述全微分值的二级范数的平方的比值作为目标学习率；其中，当前参数变量为当前时刻线性单元所对应的参数变量。
目标更新量计算单元，用于，用于将目标变化量与目标学习率的乘积作为下一待更新线性单元的参数变量的目标更新量；其中，下一待更新线性单元为下一时刻待更新的线性单元。
模型更新单元，用于根据目标更新量对待更新线性单元进行更新。
具体地，该基于人工智能的数据处理装置还包括：
目标变化量计算单元，用于根据待更新线性单元的参数变量的中的输入变量，计算目标变化量。
目标变化量更新单元，用于将目标变化量赋值给目标变化量，以更新目标变化量，
具体地，非线性单元对应一非线性激活函数；模型更新模块包括
第一计算单元，用于计算非线性激活函数在当前非线性单元处的第一微分值，并将第一微分值与第一微分值的平方的比值。
第二计算单元，用于将比值与目标变化量的乘积作为中间更新量。
第三计算单元，用于计算非线性激活函数在中间更新量处的第二微分值与第一微分值的差值的绝对值。
第四计算单元，用于计算绝对值与常数1的加和，并将常数1与加和的比值作为目标学习率。
第五计算单元，用于将目标学习率与中间更新量的乘积作为下一待更新非线性单元的目标更新量。
模型更新单元，用于根据目标更新量对待更新非线性单元进行更新。
具体地，该基于人工智能的数据处理装置还包括分帧模块和语音增强模块。
分帧模块，用于对用户语音数据进行分帧处理，获取至少一帧单帧语音数据。
语音增强模块，用于采用语音增强算法对至少一帧单帧语音数据进行增强处理，获取降噪后的用户语音数据。
具体地，该基于人工智能的数据处理装置还包括请求响应模块、模型识别模块和身份验证结果获取模块。
响应身份验证请求，采集目标用户的待测语音数据。
模型识别模块，用于调用预先训练好的与目标用户对应的目标识别模型，对待测语音数据进识别，获取识别概率值。
身份验证结果获取模块，用于若识别概率值大于预设概率值，则获取身份验证通过的结果。
关于基于人工智能的数据处理装置的具体限定可以参见上文中对于基于人工智能的数据处理方法的限定，在此不再赘述。上述基于人工智能的数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行基于人工智能的数据处理方法过程中生成或获取的数据，如目标识别模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的数据处理方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的基于人工智能的数据处理方法的步骤，例如图2所示的步骤s201-s206，或者图3至图8中所示的步骤。或者，处理器执行计算机程序时实现基于人工智能的数据处理装置这一实施例中的各模块/单元的功能，例如图9所示的各模块/单元的功能，为避免重复，这里不再赘述。
在一实施例中，提供一计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于人工智能的数据处理方法的步骤，例如图2所示的步骤s201-s206，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述基于人工智能的数据处理装置这一实施例中的各模块/单元的功能，例如图9所示的各模块/单元的功能，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】
与客服一对一沟通，为大家解决相关问题。
此文章来源于网络,如有侵权,请联系删除
热门咨询
