深腦鏈的網路節點可以是大型挖礦節點,比如大型礦池,也可以是中型的挖礦節點或者利用Azure、阿里雲進行挖礦,也可以是家用高效能電腦。礦工只需要安裝深腦鏈挖礦軟體及基礎人工智慧執行環境,即可成為一個節點參與挖礦賺取DBC。人工智慧廠商提交包含神經網路計算需求的容器映象給深腦鏈客戶端,並存有相應數量的DBC。滿足需求的節點將會競爭部署容器映象,最終成功部署映象的節點,將會獲得DBC獎勵。
挖礦節點架構
1)計算引擎
計算引擎是一套控制器,包含計算量發射器、容器計算引擎
計算量發射器:容器被部署成功過後,做驗證計算,驗證計算透過,計算量發射器會廣播到全網,廣播
包含的欄位:
Struct{
Timestamp:從格林威治時間1970年01月01日00時00分00秒起至現在的總秒數
Address:成功部署的節點錢包賬號
Id:映象id編號
}
容器計算引擎DCEngine:用於為單個使用者或者使用群組管理容器例項的整個生命週期,根據使用者需求來提供虛擬服務,負責容器的建立、掛起、暫停、調整、遷移、重啟、銷燬等操作。當使用者併發請求計算容量達到容器分配量特定值(由使用者自己設定)的時候,容器計算引擎會啟動報警工作,並且會開始自動化部署容器進入其他正常節點進行擴容。首先讀取配置檔案,讀取配置引數,並且根據配置完成初始化訊息佇列,用以後續與別的元件進行內部訊息互動。同時根據配置檔案中的配置項啟動DB伺服器,配置檔案中的每一個API對應的一個伺服器。另外根據系統的GPU核心數n,每個DB伺服器都會有n個協程去處理請求。
Def main():
Config.parse_args(sys.argv)
Loggin.setup(“DBEngine”);
Utils.monkey_patch()
Gmr.textDBMediation.setup_autorun(version)
Launcher=service.process_launcher()
For api in CONF.enabled_apis:
Should_use_ssl=api in CONF.enabled_ssl_apis
If api == ‘db2’:
Server =service.DBService(api,use_ssl=should_use_ssl,max_url_len=16384)
Else:
Server =service.DBService(api,use_ssl=should_use_ssl)
Launcher.launch_service(server,workers=server.workes or 1)
Launcher.wait()
2)映象管理系統
一套虛擬容器映象查詢和檢索系統,有建立映象、上傳映象、刪除映象、編輯映象基本資訊的功能。
映象管理系統主要由映象管理API和映象管理暫存器這兩種服務組成。映象管理API是映象管理系統服務的入口,負責接收使用者的API請求。映象管理暫存器處理的是映象後設資料相關的請求,當映象管理API收到使用者的API請求後,如果判斷該請求是與後設資料相關,就把該請求轉給映象管理暫存器服務。然後映象管理暫存器會解析使用者後設資料請求的內容,並和資料庫互動存取和更新映象的後設資料。
3)儲存管理系統
一套使用者大規模可擴充套件系統中透過內建冗餘及高容錯機制實現物件儲存的系統,允許進行儲存或者檢索檔案。可為映象管理系統提供映象儲存。
儲存管理系統由四部分組成,API伺服器:儲存管理系統API是主要的服務介面,負責接收和處理外界API請求,並將請求放入AMQP訊息佇列,交由後端執行。排程服務:處理任務佇列的任務,並根據預定策略選擇合適的卷服務節點來執行任務。卷服務:該服務執行在儲存節點上,管理儲存空間,處理儲存管理系統資料庫的維護狀態的讀寫請求,透過訊息佇列和直接在塊儲存裝置或軟體上與其他程序互動。每個儲存節點都有一個卷服務,若干個這樣的儲存節點聯合起來可以構成一個儲存資源池。備份服務:提供把儲存管理系統的卷備份到備份儲存裝置上去的服務。
4)身份服務引擎
為深腦鏈其他模組服務提供身份認證、服務規則和服務令牌的功能,管理命令、專案、使用者、組、角色。
5)網路管理引擎
提供網路的虛擬化技術,為深腦鏈其他服務提供網路連線服務。為服務使用者提供介面,可以定義網路、子網、虛擬IP地址、負載均衡等。
6)資料庫服務引擎
為使用者在深腦鏈環境提供可擴充套件和可靠的關係和非關聯式資料庫服務引擎。
深腦鏈挖礦及隱私保護
1.挖礦智慧合約
競爭部署成功獎勵
礦工主要收入來自挖礦獲得DBC,全網根據貢獻值,每1個小時獎勵一次DBC,只有成功部署容器並正常執行的節點才有資格獲得獎勵。
首次部署映象的新node獎勵1%*95%,異常中斷節點將會扣除獎勵受到懲罰,並且100小時獲獎概率降為1%*1%;
老節點正常部署映象獲得獎勵的概率=99%*99%;異常中斷節點將會扣除獎勵受到懲罰,並且連續100小時獲獎概率降為99%*1%;
實際獲得獎勵 數量Count=概率值*當前節點算力貢獻/全網節點算力之和 1)深腦鏈DBC挖礦機制深腦鏈挖礦產生的DBC總數為50億枚,每7年挖礦所得DBC數量減半,第一個5年,總共挖出25億枚,每年挖出5億枚。
挖礦演算法
I. 模型演算法的釋出
研究者針對某一AI應用研發了新模型後,開源並打包釋出至深腦鏈(資源a:模型演算法),提供執行環境以及輸入輸出資料格式標準(資源b:json描述檔案),並可以選擇用公開資料集提交訓練/測試任務(資源c:預訓練後的模型/資源d:參考跑分)。釋出的模型被他人使用時釋出者可以分得代幣(基礎費用)。
II. 訓練/測試任務的釋出
選擇已釋出的模型演算法,打包資料後釋出訓練/測試任務。提交前可以顯示:
a. 預估的價格 = 模型演算法訓練或測試單位成本 * 執行步數(可設定上限)+模型演算法基礎費用
b. 可用的節點+預計排隊時間
單位成本 = Averagei(Averagej(模型j單位成本*節點i執行模型j速度) / 當前模型執行速度)動態調整所有模型演算法的單位成本,使得全網所有節點跑任一模型的總體回報相同。
任務完成後交易記錄在區塊中。
III. 自動領取並執行訓練/測試任務
接收廣播到深腦鏈中的任務以及其他節點的執行狀態,每隔一定時間建立一個區塊並根據演算法選擇執行的任務。
最終的回報除了任務釋出者支付的費用外,任務完成後會在當前區塊中統計總的“計算量=∑模型演算法訓練或測試單位成本 * 執行步數, 每個區塊總獎池固定,按比例分配給各節點。
節點分配演算法:
任務釋出者希望任務儘快完成;執行任務節點希望最大化收益。
因此我們用強化學習,最大化所有節點的預期收益。
rti=在t時刻節點i獲得的回報
Y為折扣因子
Rj為任務j的回報
tj為任務j完成的時間點
演算法分為兩部分:
構建Q函式Q(S, A)來預測節點在狀態S下采取動作A的預期收益
a) 狀態S包含該節點的硬體以及歷史表現等特徵以及該節點目前的執行狀態
b) 動作A包含選擇當前所有可執行的模型演算法之一執行,以及不執行任何任務保持空閒狀態
用deep Q learning來訓練該Q函式中的引數
對所有節點在時間t採取的動作用beam search近似找到全域性最優的解
設計邏輯:
驅動模型演算法釋出者釋出更多人會用的模型以獲得更多回報
任務釋出者會自發地選擇效果更好的模型演算法,同時用單位成本懲罰計算量過大的模型演算法
礦工會根據當前熱門的模型演算法以及他們的單位成本來最佳化硬體以獲得更高回報
單位時間內總挖礦回報固定。
2.人工智慧廠商付費機制
按照浮點運算數、神經網路單元佔用數、佔用的儲存空間、單位時間記憶體使用空間、單位時間消耗的流量來計算需要支付的DBC費用,實際支付費用由廠商和礦工均可以自由設定,但不得低於一個特定閾值。滿足雙方條件後,礦工之間將需要相互競爭部署容器。支付的費用不會隨著DBC的升值成比例增加,它以簽約時的法幣匯率為參考值,是保持穩定的。
3.資料隱私保護
資料出售者如果想要在出售資料獲得收入的同時不希望資料被購買者拿到洩露使用者隱私或者轉手出售給其他人,他可以在深腦鏈內建的去中心化資料交易平臺進行交易,購買者在交易平臺購買得到的資料他們是無法直接拿到的,而是直接進入深腦鏈的匿名節點容器進行訓練,訓練出來的模型也會直接進入計算引擎所在的匿名節點容器進行使用。資料購買者在訓練資料和使用模型的過程中是無法從節點向外部複製資料。並且最後出售者可以透過客戶端請求驗證匿名節點容器是否會作弊輸出原始資料或者原始資料的變種資料。最後出售者和購買者可以互相打分。
6、網路共識機制,採用DPOS+POI的Hybrid混合共識機制,將使用者權益、使用者網路貢獻結合起來進行評估,採用分層流水處理,儲存、共識、驗證流水化分層處理,提升整個網路的系統伸縮性。
網址:
交易平臺
火幣Pro : | 位元兒海外版 : |
庫幣網 : | Allcoin : |
LBank : |
風險提示:數字貨幣投資具有極大的風險,請在嘗試投資前確定自己承受以上風險的能力。