1.本公开总体涉及计算机安全，并且更具体地，涉及根据各种实施例利用机器智能来实时分析在线数字内容以识别可制裁的个体或实体。本公开还包括描述共识加权机制的区块链相关实施例，特别是关于评分和惩罚方案，其可以普遍应用并且也在识别可制裁的个体或实体的上下文中。
背景技术：2.监管实体通常有受制裁个体和/或实体的列表，受监管的个体或实体不得与受制裁个体和/或实体进行交易。然而，更新和分发此类列表所需的时间通常很慢。不良行为者可以通过在列表被更新和分发给受监管的个体或实体之前执行在线执行交易来利用列表的缓慢更新和分发。通过这样做，不良行为者有时能够避免被阻止执行交易。受监管的个体或实体可能会由于允许不良行为者在执行交易中使用其服务而导致被监管实体施加高昂的罚款和费用。随着在线执行的交易量的增长，需要在计算机安全和机器智能领域进行改进，以实时识别不良行为者并阻止他们未经授权使用在线计算机系统。
附图说明
3.图1a示出了适用于实现本公开的一个或多个实施例的联网系统的框图。
4.图1b示出了根据本公开的一个或多个实施例的用于基于电子内容源来识别可制裁的人员的过程的流程图。
5.图1c和图1d示出了根据本公开的一个或多个实施例的存储在数据存储中的数据表。
6.图2a和图2b示出了根据本公开的一个或多个实施例的用于识别可制裁的个体的过程的流程图。
7.图3示出了根据本公开的一个或多个实施例的用于将块添加到区块链的过程的流程图。
8.图4示出了根据本公开的一个或多个实施例的用于调整区块链共识可靠性分数的过程400的流程图。
9.图5示出了根据本公开的一个或多个实施例的计算机系统的框图。
10.通过参考下面的详细描述，将最好地理解本公开的实施例及其优点。应当理解，相同的附图标记用于标识在一个或多个附图中示出的相同元素，其中所示是出于说明本公开的实施例的目的，而不是为了对其进行限制的目的。
具体实施方式
11.下面阐述的详细描述旨在作为对主题技术的各种配置的描述，而不是旨在代表可以实践主题技术的唯一配置。附图并入本文并构成详细描述的一部分。详细描述包括用于提供对主题技术的透彻理解的具体细节。然而，对本领域技术人员将清楚和明显的是，主题
技术不限于本文阐述的具体细节并且可以使用一个或多个实施例来实践。在一个或多个实例中，结构和组件以框图形式显示以避免混淆主题技术的概念。本主题公开的一个或多个实施例由一幅或多幅附图说明和/或结合一幅或多幅附图进行描述，并在权利要求中阐述。
12.本公开描述了用于使用机器智能来分析来自多个源的电子内容，以识别受制裁的个体的系统和方法。在实施例中，系统监测电子内容源。使用经过训练的情感分析机器学习分类器，系统可以确定来自电子内容源的特定内容项目的分类。响应于所确定的分类与可制裁的行为相关联，系统可以基于对特定内容项的用户创作文本的电子文本分析来识别特定内容项内的一个或多个个体名称。该系统可以在数据库表中以电子方式存储如下指示：一个或多个个体名称已被识别为可受到禁止一种或多种类型的电子交易的一种或多种制裁要求的个体。在一些实施例中，来自特定内容项的附加元数据可以与对该一个或多个个体名称的指示一起存储。可以基于从其他电子内容项收集的其他数据来计算一个或多个个体名称的置信度分数。例如，数据存储可以包含多个不同的实例，其中一个或多个个体是根据不同的电子内容项和/或不同的电子内容源中来识别的。因此，本公开描述了一种系统，该系统允许通过流式传输来自不同源的数据来实时识别可制裁的人员，其中数据可以被聚合并用于整体分析以确定个体是否与可制裁的行为相关联。在一些实施例中，可制裁的行为可以是金融犯罪、特定国家的犯罪、以及其他可能导致个体或多个个体被列入特别指定国民(sdn)列表的行为，该列表列出了禁止美国公民和永久居民与其进行经商的个体、组织和船舶。
13.尽管本说明书描述了个体和个体的名称，但在各种实施例中，个体还可以包括组织、实体和/或人工智能(例如，机器人或其他充当个体的计算机化实体或系统)。
14.本公开另外描述了可用于审计区块链参与者，以调整在用于区块链的加权共识算法(weighted consensus algorithm)中使用的决策可靠性分数的区块链系统和方法。在实施例中，系统可以访问区块链中的广播事件，其中广播事件对应于区块链的历史时间段。该系统可以识别由区块链中的参与者为每个广播事件提供的广播决策。系统还可以识别每个广播事件的共识决策，其中共识决策指示区块链中的参与者之间是否存在应将相应的广播事件作为新节点添加到区块链的共识。系统可以基于参与者为每个广播事件提供的所识别的广播决策和每个广播事件的所识别的共识决策来计算参与者的成功率。基于计算的成功率，系统可以增加或减少参与者的决策可靠性分数，其中决策可靠性分数包括应用于由参与者在区块链的未来广播事件中提供的广播决策的权重。区块链中的每个参与者都可以根据需要调整其决策可靠性分数，以与参与者在区块链中的准确性相关联。根据各种实施例，在增加、减少或维持区块链的每个参与者的决策可靠性分数之后，系统可以确定参与者中的最高可靠性分数小于最大(例如，上限)可靠性分数。在这种情况下，系统可以将每个参与者的决策可靠性分数增加与最高可靠性分数和最大可靠性分数之间的差相等的量。因此，本公开提供了一种容错机制，用于在分布式计算机进程或诸如区块链系统之类的多代理计算机系统中实现对网络的单个数据值或单个状态的一致。
15.在一些实施例中，参与者可以包括人工智能(例如机器人或其他计算机化实体或系统)，充当或代表个体、实体、服务提供商等。
16.图1示出了根据本公开的一个或多个实施例的联网系统100。系统100包括通过网络106与各种电子内容服务器102a-102c(例如，社交媒体服务器和网络服务器)通信耦合的
服务提供商服务器104。在一个实施例中，网络106可以实现为单个网络或多个网络的组合。例如，在各种实施例中，网络106可以包括互联网和/或一个或多个内联网、陆线网、无线网和/或其他适当类型的通信网络。在另一个示例中，网络160可以包括无线电信网络(例如，蜂窝电话网络)，其适于与诸如互联网的其他通信网络进行通信。
17.在一些实施例中，每个电子内容服务器102a-102c可以被配置为维护社交媒体平台。示例社交媒体平台包括台。示例社交媒体平台包括台。示例社交媒体平台包括新闻网站和类似的电子内容生产媒体平台。在一些实施例中，在用户向社交媒体平台注册账户之后，用户可以通过社交媒体平台开始提交在线帖子并接收由其他用户生成的在线帖子的馈送(例如，由朋友、联系人、订阅频道和消息线程生成的帖子)。因此，每个社交媒体服务器被配置为维护和管理在线帖子的馈送并促进在线帖子的生成和呈现。应当注意，虽然图1中仅示出了三个电子内容服务器，但是服务提供商服务器104可以通过网络106与所需或期望的如此多(或少)的电子内容服务器连接以执行本文描述的功能。
18.根据一些实施例，服务提供商服务器104包括网络服务器108、账户数据库110、识别模块112和区块链模块114。网络服务器108可以被配置为处理超文本传输协议(http)请求。当网络服务器108接收到http请求时，网络服务器108可以响应于该请求来收集网络内容。尽管在图1中仅示出了一个网络服务器108，但是应当理解，服务提供商服务器104可以通过网络106与所需或期望的如此多(或少)的网络服务器连接以执行本文描述的功能。
19.根据一些实施例，服务提供商服务器104可以由在线服务提供商维护，例如加利福尼亚州圣何塞的paypal公司，其可以提供与对可制裁的个体或实体的检测和识别相关的服务，包括维护具有向各种参与者提供的受控访问的许可区块链。
20.根据本公开的一个或多个实施例，识别模块112可以被配置为执行如本文所述的自动识别功能。例如，识别模块112可以包括机器学习模型，其被配置为执行如本文所讨论的各种任务，其中机器学习模型可以被定期训练以随着时间提高输出准确性。
21.在一些实施例中，区块链模块114可以被配置为以通信方式耦合到区块链网络并执行如本文所述的自动化功能。
22.根据一个或多个实施例，账户数据库110可以存储与向服务提供商服务器104注册的用户账户相关的信息。存储在账户数据库110中的用户账户的信息可以包括用户名、密码(或其他类型的认证凭证，例如指纹信息)、联系信息(居民地址，包括国家、州、城市、邮政编码)、用户的其他个人信息、与用户账户相关的交易历史、用户账户的可用资金以及其他与用户账户相关的信息。服务提供商服务器104可以包括其他应用并且还可以与一个或多个外部数据库(未示出)通信，该一个或多个外部数据库可以提供要由服务提供商服务器130使用的附加信息。在一些实施例中，一个或多个外部数据库可以是由第三方维护的数据库，并且可以包括具有服务提供商服务器104的用户账户的用户的第三方账户信息。
23.图1b示出了根据本公开的一个或多个实施例的用于识别可制裁的个体的过程101的流程图。为了解释的目的，过程101在本文中主要参考图1a、图1c和图1d来描述；然而，过程101不限于这些附图。过程101的操作在本文中被描述为串行地或线性地(例如，一个接一
个地)发生。然而，过程101的多个操作可以并行发生。此外，过程101的操作不需要按所示顺序执行和/或过程101的一个或多个操作不需要执行。在各种实施例中，过程101的一个或多个操作可以由服务提供商服务器104或任何其他计算机系统来执行。在一些实施例中，服务提供商服务器104可以执行图1b中指示的所有操作，而在其他实施例中，可以省略一个或多个操作中的全部或部分。
24.在操作116处，系统可以监测一个或多个电子内容源(在本文中不同地称为(一个或多个)电子内容源)。例如，为了监测(一个或多个)电子内容源，系统可以包括流式应用编程接口(api)模块，该模块被配置为与对应于一个或多个电子内容服务器(例如电子内容服务器102a-102c)的api进行通信，以用于从在电子内容服务器上运行的平台(例如，社交媒体平台)流式传输实时电子内容。在一些实施例中，流式api模块可以是图1的识别模块112的一部分。在实施例中，hadoop集群可以用于收集和分析来自电子内容源的数据。在一些实施例中，可以利用kafka从电子内容源收集数据。在一些实施方式中，kafka可用于馈送hadoop集群。例如，kafka可以用作管道，其从电子内容源实时收集数据并将其推送到hadoop集群，其中hadoop集群可以处理和存储数据。
25.电子内容的示例包括通过注册到社交媒体平台的用户帐户生成和发布的在线帖子。在线帖子可以包括用户创作/用户生成的帖子、状态更新、推文、视频、消息、图像、评论、线程、博客帖子、数字新闻文章、或与社交媒体平台相关联的任何其他数字内容项目。因此，电子内容源可以是提供这种内容的任何网站和/或计算机服务平台。电子内容也可以包括通过非社交媒体平台发布的内容——例如，由wall street journaltm、cnn等提供的新闻网站可以是电子内容源。因此，在各种实施例中，被监测的电子内容不一定与社交媒体平台的特定注册用户账户相关联。
26.在一些实施例中，实时监测可以基本上接近事件发生的时间(例如，在最后五秒内、在最后两分钟、两小时内或一些其他指定的时间范围内)。因此，流式api模块使系统能够持续地在社交媒体平台上发布新的在线帖子时几乎立即检测和接收在线帖子。实时社交媒体馈送可以包括一个或多个在线帖子。应当注意，诸如在线帖子的电子内容项可以包括与生成在线帖子的电子内容服务器的用户账户相关的信息以及与在线帖子相关的附加信息。例如，在线帖子可以是包含元数据的推文，元数据例如时间戳、时区、推文标识号、推文的用户创作字符串文本、用户标识号、用户帐户屏幕名称、用户帐户持有人姓名、发布推文时的用户位置(例如，gps位置)、生成推文的用户生成部分时的用户位置(例如，推文中的视频或图像被捕获的位置)、推文url、帐户是否是经过验证的用户、关注者计数、朋友计数、收藏计数、转发/收藏计数、推文语言和/或用户帐户个人资料图像。
27.在操作118处，系统可以对从电子内容源获得的电子内容项进行分类。为了说明的目的，本文参考一个电子内容项，然而，系统可以对从每个电子内容源获得的多于一个电子内容项进行分类。
28.该系统可以使用受过训练的观点(sentiment)分析机器学习分类器对电子内容项进行分类。例如，可以使用来自各种电子内容源(例如，训练数据集)的参考电子内容项来训练受过训练的情感分析机器学习分类器。参考电子内容项可以已被标记为包含可制裁的观点或不包含可制裁的观点以促进训练。在这方面，被馈送包含预标记示例的大量文本文档的机器学习模型可以学习在训练后的未来文档中自动检测情感分析。例如，在一种实施方
式中，25000条带标签的推文可用于分类器的有监督训练，以便分类器可以学习哪些推文包含可制裁的行为。在某些情况下，可以通过例如删除停用词或与学习推文的观点无关的词来清理推文并为训练将其准备为训练数据集。在其他情况下，不会清理推文，以便分类器不会在学习观点方面产生偏见。
29.在实施例中，从电子内容源流式传输的电子内容项可以存储为训练数据集的一部分。如下进一步讨论的广播决策和共识决策可以与从电子内容源流式传输的电子内容项相结合，以创建观点分析机器学习分类器可以从中学习的新训练数据集。在这方面，反馈循环可用于使用区块链来重新训练分类器。作为说明性示例，广播到区块链的个体名称和关于个体名称的共识决策可用于标记从中识别个体名称的电子内容项。这样，电子内容项可用于在有监督训练下训练分类器。在一些实施例中，在预定数量的广播决策和共识决策之后，分类器可以被重新训练以从最近的示例中学习以创建用于训练的自动反馈循环。
30.可以有多种自然语言处理机器学习分类算法可用于执行分类。例如，一些实施方式包括朴素贝叶斯分类器(naive bayes classifier)、线性回归(linear regression)或支持向量机(support vector machines，svm)。
31.作为说明性示例，电子内容项可以包括用户创作的文本，内容如下：“爆炸新闻：hometownville的加油站爆炸。rob yuhovurmony为爆炸事件负责。”使用受过训练的观点分析机器学习分类器，并且至少部分地基于文本，电子内容项可以被分类为包含潜在制裁。
32.作为另一个说明性示例，电子内容项可以包括用户创作的文本，内容如下：“sidney banjo因打击恐怖主义而获得诺贝尔和平奖。”使用受过训练的观点分析机器学习分类器，并且至少部分地基于文本，电子内容项可以被分类为不包含潜在制裁。
33.在一些实施例中，电子内容项可以基于从电子内容项的元数据收集的观点进一步分类，元数据例如时间戳、时区、在线帖子标识号、用户标识号、用户帐户屏幕名称、用户帐户持有人姓名、在线发布时的用户位置(例如，gps位置)、生成在线发布的用户生成部分时的用户位置(例如，在线发布中的视频或图像被捕获的位置)、推文url、用户帐户是否是经过验证的帐户、关注者计数、朋友计数、收藏计数、订阅者计数、转发/收藏计数、推文语言、主题标签和/或用户帐户个人资料图像。
34.在操作120处，系统可以确定/识别对应于电子内容项的一个或多个个体名称。该系统可以通过对包括在电子内容项中的文本执行电子文本分析以提取一个或多个个体名称来识别一个或多个个体名称。例如，文本可以包括用户创作的文本和/或来自电子内容项的元数据的文本。在一些实施例中，系统可以响应于确定电子内容项目已被分类为与可制裁行为相关联来识别一个或多个个体名称。
35.在一些实施例中，命名实体识别器(ner)可用于使用自然语言处理来从文本中提取一个或多个个体名称。可以使用若干源库来执行命名实体识别，例如spacy和stanford ner标记器。在一些实施例中，系统可以识别一个或多个个体的别名并将别名与存储已知个体名称的匹配别名的数据库进行比较。这样，系统可以能够基于别名确定实际名称。
36.作为说明性示例，电子内容项可以是推文。推文的用户创建内容可以是如下文本：“爆炸新闻：hometownville的加油站爆炸。rob yuhovurmony为爆炸事件负责。”系统可以从推文中提取姓名“rob yuhovurmony”。
37.在操作122处，提取的一个或多个个体名称和元数据(例如上面讨论的)可以被转
换成标准化格式以存储在结构化数据存储中。在图1c所示的实施例中，存储在结构化数据存储132中的数据集包括标识符、识别的受制裁名称、电子内容源、在电子内容源上生成电子内容项的用户、创建电子内容项的时间戳、以及用户的验证状态。验证状态可以是用户已向电子内容源的控制实体证明其身份的指示(例如，twitter上的蓝色核对符号验证)。
38.在操作124处，系统可以从数据存储中移除误报(false positive)数据集。系统可以将生成电子内容项的用户(例如，用户账户)与已知在相应电子内容源上创建虚假信息的用户的黑名单进行比较。
39.图1c示出了数据存储132的说明性示例。在说明性示例中，用户帐户“fake news”可以在facebook的黑名单上，因为“fake news”已被确定为facebook上的虚假信息发布者。“fake news”可已经在facebook上发布了关于“jane doe”的信息，并且根据之前的操作，系统可已经将jane doe和与关于jane doe的facebook帖子相关联的元数据作为数据集存储到数据存储132。系统可以通过将用户帐户与针对各种电子内容源的黑名单进行比较来移除数据存储中的误报。图1d示出了数据存储132，其中从数据存储132中移除了数据集标识符3，因为jane doe已经由于“fake news”与来自facebook的黑名单帐户相匹配而被确定为对已识别的可制裁个体的误报。
40.在一些情况下，可以从与电子内容源相关联的服务提供商接收黑名单。黑名单可以是服务提供商以各种方式生成的列表。例如，服务提供商可以接收对用户的帖子的报告，该报告来自其他用户，这些其他用户报告该用户在例如facebook、twitter、instagram等的电子内容源的平台上生成虚假信息。
41.在操作126处，系统计算数据存储中的数据集的一个或多个个体名称的置信度分数。置信度分数可以指示名称与可制裁的人员相关联的置信度。可以基于频率和新近度来计算置信度分数。例如，可以使用关于所识别的可制裁的人员已经发布了多少帖子、文章或其他电子内容项，以及发布帖子、文章或其他电子内容项的时间有多近来计算置信度分数。例如，与在较长时间范围内关于一个或多个个体名称的帖子较少时相比，在短时间内关于个体的帖子的数量大于阈值数量可用于计算更高的置信度分数。在计算置信度分数时，可以对频率和新近度给予权重。可以调整这样的权重以调整置信度分数计算。
42.还可以基于与所识别的可制裁的人员相关联的元数据来计算置信度分数，例如使用哪个电子内容源来识别可制裁的人员。例如，twitter推文可以比facebook帖子被赋予更多权重，使得通过twitter推文识别的个体名称可以具有比通过facebook帖子识别的同一个体名称更高的置信度分数。
43.作为另一个示例，可以基于从其中识别个体名称的每个实例的源的多样性来计算置信度分数。例如，通过facebook、youtube、twitter、linkedin和instagram识别的个体名称可以具有比仅从snapchat识别的个体名称更高的置信度分数。
44.在一些实施例中，计算的置信度分数可用于移除误报。例如，计算的置信度分数低于预定阈值的个体名称将作为误报被移除。
45.在各种实施例中，计算的置信度分数可用于提高从过程101中的先前操作给予个体名称的原始置信度分数。例如，可以执行过程101的一个或多个先前操作，并且一个或多个操作可以将置信度分数附加到个体名称的置信度分数，然后在操作126处，将计算的置信度分数添加到来自其他操作的累积的置信度分数作为提高。系统可以确定提高的置信度分
数是否低于预定阈值，如果低于，则系统可以将对应的个体名称作为误报移除。
46.作为说明性示例，在操作120之后，系统可以具有指示所识别的一个或多个个体名称与可制裁的人员相关联的置信度分数。例如，此时置信度分数可以为60％。在操作126之后，计算的置信度分数可以基于例如频率和新近度计算被提升到超过80％。个体名称是否满足特定的置信度分数阈值可以决定是否对金融交易平台的用户采取补救措施，例如交易阻止、提高的账户安全要求和/或账户限制。
47.在操作128处，系统将未作为误报被移除的一个或多个个体名称添加到制裁列表。例如，系统可以在数据库表中以电子方式存储被识别为可受到一个或多个制裁要求的个体的名称的指示。在某些情况下，系统可以确定与个体名称相关联的用户帐户。响应于个体名称被列入制裁列表，系统可以对用户账户施加限制，例如禁止使用系统提供的服务的一种或多种类型的电子交易。
48.在操作130处，系统将个体名称和包含在与个体名称相关联的包括元数据的数据集中的其他数据广播到区块链网络，以用于潜在地添加到区块链中的块中。
49.在一些实施例中，区块链网络可以是私有的或许可的区块链网络，其中服务提供商实体或调查实体将添加潜在受到制裁的个体。对于要验证并接受到区块链中的块，可以使用调查证明模型，其中区块链中的每个参与者都将调查与广播的个体相关联的数据，并确定数据是否支持确认个体名称应该是作为受制裁的人员而添加到区块链中。
50.根据一些实施例，在每个参与者(例如，节点)已经广播决策之后，广播的数据节点将被接受到区块链中或者作为误报被丢弃。在某些情况下，可以使用如下讨论的共识算法来确定广播数据是否将包含在区块链的块中。
51.图2a示出了根据本公开的一个或多个实施例的用于识别可制裁的个体的过程200的流程图。在各种实施例中，过程200的一个或多个操作可以由服务提供商服务器104或任何其他计算机系统来执行。在一些实施例中，服务提供商服务器104可以执行图2a中指示的所有操作，而在其他实施例中，可以省略一个或多个操作中的全部或部分。
52.根据一些实施例，事件监听器模块204可以流式传输数据馈送202a-c。在一些实施例中，事件监听器模块204可以执行图1b的过程101的操作116。每个事件可以是最近在媒体平台上发布的电子内容项。事件处理流206可以包括多个电子内容项，这些电子内容项目被流式传输到自然语言处理(nlp)分类器208。nlp分类器208可以将事件处理流206的每个电子内容项分类为包含可制裁行为或不包含可制裁行为。在一些实施例中，nlp分类器208可以执行图1b的过程101的操作120。在一些实施例中，nlp分类器208可以首先确定电子内容项中的文本的语言。一旦确定了文本的语言，nlp分类器就可以访问与该语言对应的库以执行对电子内容项的分类。
53.如果电子内容项未被分类为包含可制裁行为，则将其从进一步处理中移除210。如果电子内容项被分类为包含可制裁行为，则将其作为输入提供给命名实体识别器212。命名实体识别器212可以解析电子内容项的文本以确定与电子内容项相关联的一个或多个个体名称。在一些实施例中，命名实体识别器可以执行图1b的过程101的操作120。
54.在各种实施例中，由命名实体识别器212确定的个体名称216被传递到误报减少和区块链广播模块214，如图2b中进一步所示。在框218处，模块214可以将个体名称216和来自从中导出名称的电子内容项的相关数据转换成适合存储在数据存储(例如，图1c-图1d的数
据存储132)中的格式。在框220处，模块214使用黑名单执行误报减少。例如，可以将生成从中识别出个体名称的电子内容项的用户账户与从电子内容源服务提供商接收的黑名单进行比较。黑名单可以是电子内容源服务提供商已知的在服务提供商的平台上发布虚假信息的用户账户的列表。如果用户账户与黑名单上的用户账户匹配，则模块214可以在数据存储中从由用户账户生成的电子内容项中将识别的个体名称作为误报移除。
55.在框222处，模块214可以使用频率和新近度分析来执行误报减少。例如，模块214可以使用如上文在图1b的过程101的操作126中所讨论的频率和新近度分析来执行误报减少。根据各种实施例，在误报减少之后保留的个体名称可以作为区块链中的潜在块或潜在块包含而被广播到区块链网络。
56.图3示出了根据本公开的一个或多个实施例的用于将块添加到区块链的过程300的流程图。为了解释的目的，过程300在本文中主要参考图1a-图2b来描述；然而，过程300不限于这些附图。过程300的操作在本文中被描述为串行地或线性地(例如，一个接一个地)发生。然而，过程300的多个操作可以并行发生。此外，过程300的块不需要以所示的顺序执行和/或过程300的块中的一个或多个不需要被执行(对于本文所有流程图都是如此)。在各种实施例中，过程300的一个或多个操作可以由服务提供商服务器104或任何其他计算机系统来执行。在一些实施例中，服务提供商服务器104可以执行图3中指示的所有操作，而在其他实施例中，可以省略一个或多个操作中的全部或部分。
57.在框302处，可以将潜在数据节点广播到区块链网络。例如，区块链中的参与者可以已经执行过程101以确定个体的名称作为潜在可制裁的人员。参与者可以向区块链网络广播该个体的名称(包括与识别个体的名称相关的数据)作为潜在的数据节点。在一些实施例中，被广播到区块链网络的个体的名称和相关数据可以是广播事件。
58.在框304处，区块链网络中的参与者可以根据调查证明挖掘来验证广播事件。参与者可以通过调查被广播的个体的名称是否是可制裁的人员来执行调查证明挖掘。例如，参与者可以使用被广播的个体的名称和数据来执行其自己的过程(例如，图1b的过程101或另一个专有过程)来决定个体的名称是否与可制裁的人员相关联。在另一个示例中，参与者可以具有其自己的用于确定个体的名称是否与可制裁的人员相关联的专有过程。在又一示例中，参与者可以已经执行了独立调查并独立地识别了被广播的个体的名称，并且只需要确认被广播的个体的名称与其自己的个体名称的记录的名称匹配。
59.在框306处，如果参与者在其自己的调查之后确定个体的名称不与可制裁的行为相关联(在图3中被描绘为“安全”)，则参与者可以针对广播事件在框308处向区块链网络中的其他参与者广播“否”决策。
60.如果参与者在其自己的调查之后确定个体的名称与可制裁的行为相关联(在图3中被描绘为“不安全”)，则参与者可以在框310处广播“是”决策。在各种实施例中，无论参与者做出“是”还是“否”广播决策，参与者都可以在框310处与区块链网络中的其他参与者共享其调查数据。
61.在框312处，对等验证发生在区块链网络中。例如，区块链中的所有参与者可以已经将它们各自的关于广播事件的决策广播到区块链网络。根据一个或多个实施例，在框312处，可以使用共识算法来确定是否将潜在数据节点添加到区块链。
62.在一些实施例中，共识算法可以是加权共识算法。在实施例中，加权共识算法可以
如下操作。区块链网络中的每个参与者都可以具有基于它们的决策历史的决策可靠性分数。基于参与者的决策可靠性分数和参与者对广播事件的广播决策，共识贡献分数可用于计算每个广播事件(例如，潜在数据节点)的每个参与者的分数。节点共识分数可以是基于来自区块链网络中的所有参与者的广播决策和决策可靠性分数而计算的累积分数。节点接受分数可以是阈值分数，其中节点共识分数高于节点接受分数指示数据节点将被接受为区块链中的块。
63.在某些情况下，区块链网络中的每个参与者都以最大决策可靠性分数开始。例如，如果有四个参与者(a、b、c和d)，则每个参与者都以决策可靠性分数为100(100是本示例的最大决策可靠性分数)开始。
64.当参与者广播“是”决策时，则参与者的决策可靠性分数被用作该参与者的共识贡献分数。当参与者广播“否”决策时，则最大决策可靠性分数与参与者的决策可靠性分数之间的差值被用作该参与者的共识贡献分数。例如，决策可靠性分数为100且广播“是”的参与者的共识贡献分数将为100。作为另一个示例，决策可靠性分数为80且广播“是”的参与者的共识贡献分数将为80。作为另一个示例，决策可靠性分数为100且广播“否”的参与者的共识贡献分数将为0。作为另一个示例，决策可靠性分数为80且广播“否”的参与者的共识贡献分数将为20。
65.节点共识分数可以通过首先与最高参与者的决策可靠性分数(例如，100)相乘并将其乘以参与者的数量(例如，4)以确定可能的最大节点共识分数来计算。然后可以将来自每个参与者的共识贡献分数相加并除以最大节点共识分数，以确定特定广播事件的节点共识分数。
66.如果节点共识分数大于节点接受分数，则在框314处将数据节点添加到区块链。如果节点共识分数小于节点接受分数，则数据节点不会被添加到区块链中。
67.图4示出了根据本公开的一个或多个实施例的用于调整区块链共识可靠性分数的过程400的流程图。为了解释的目的，过程400在本文中主要参考图1a-图3进行描述；然而，过程400不限于这些附图。过程400的操作在本文中被描述为串行地或线性地(例如，一个接一个地)发生。然而，过程400的多个操作可以并行发生。此外，过程400的操作不需要按所示顺序执行和/或过程400的一个或多个操作不需要执行。
68.在一些实施例中，系统(例如，一个或多个服务器)可以充当区块链网络中的控制层并且管理对参与者的共识可靠性分数的调整。例如，在一些实施例中，区块链网络可以是私有的或许可的区块链。在一些实施例中，用于调整区块链共识可靠性分数的过程400可以定期执行，例如周期性地或根据时间表。在其他实施例中，过程400可以在预定数量的广播事件已经发生之后自动发生。例如，在已经发生阈值数量的广播事件之后，可以为区块链激活过程400。
69.在操作402处，系统访问区块链中的广播事件。广播事件可以对应于区块链的历史时间段。例如，所访问的广播事件可以是在某个时间范围(例如，过去一周、过去一个月、过去一年、过去一小时、某些周、某些月、某些小时等)之间发生的多个广播事件。在一些实施例中，广播事件可以存储在区块链中，并且系统可以从区块链访问这些事件。在其他实施例中，系统可以访问区块链外部的外部数据库，其中包括参与者广播决策的历史广播事件被存储并且可用于审计目的。
70.在操作404处，系统识别由区块链中的参与者为每个广播事件提供的广播决策。在一些实施例中，系统可以通过访问区块链外部的外部数据库来识别参与者的广播决策，其中历史广播决策被存储并且可用于审计目的。在一些实施例中，广播决策可以存储在区块链中，并且系统可以从区块链访问这些广播决策。
71.在操作406处，系统识别每个广播事件的共识决策。共识决策可以指示区块链中的参与者之间是否存在应该将相应的广播事件作为新节点添加到区块链的共识。在一些实施例中，系统可以通过访问区块链外部的外部数据库来识别每个广播事件的共识决策，其中历史共识决策被存储并且可用于审计目的。在一些实施例中，共识决策可以存储在区块链中，并且系统可以从区块链访问这些共识决策。
72.在操作408处，系统基于参与者为每个广播事件提供的所识别的广播决策和每个广播事件的所识别的共识决策来计算参与者的成功率。例如，如果参与者的广播决策是“是”而共识决策是“否”，则这样的实例将是失败的。如果参与者的广播决策是“否”并且共识决策是“否”，则这样的实例将是成功的。换句话说，当广播决策与共识决策相同时，这样的实例将是成功的。相反，当广播决策与共识决策不同时，这样的实例将是失败的。
73.因此，可以通过将成功的广播决策的数量除以广播事件的总数(例如，成功的数量加上失败的数量)来计算成功率。
74.在操作410处，基于计算的成功率，系统增加或减少参与者的决策可靠性分数。例如，如果成功率低于预定阈值(例如，70％)，则参与者的决策可靠性分数被减少预定量。如果成功率高于预定阈值，则可以将参与者的决策可靠性分数提高预定量，多至最大决策可靠性分数。在某些情况下，决策可靠性分数的增加或减少可以与成功率的范围相关。例如，0％-20％的成功率可以等同于决策可靠性分数下降40，21％-60％的成功率可以等同于决策可靠性分数下降15，61％-80％的成功率可以等同于决策可靠性分数没有变化，81％-100％的成功率可以等同于决策可靠性分数增加30(多至最大决策可靠性分数)。
75.在过程400中参考了单个参与者，然而，可以为区块链中的每个参与者执行过程400。在增加或减少每个参与者的决策可靠性分数之后，系统可以确定具有最高可靠性分数的最高参与者仍然小于最大(例如，上限)决策可靠性分数。在这样的情况下，每个参与者的决策可靠性分数可以增加与最高参与者的最高可靠性分数和最大决策可靠性分数之间的差值相等的量。可能需要如此提高所有参与者的决策可靠性分数以为参与者维持足够的决策可靠性分数，以在为广播事件计算节点共识分数时达到节点接受分数。否则，如果参与者被惩罚到其中所有参与者的决策可靠性分数都较低的程度，那么即使所有参与者都广播“是”决策，也可能难以达到节点接受分数以将新节点添加到区块链中。
76.在各种实施例中，当参与者的决策可靠性分数减少到某个阈值以下时，可以暂停参与者参与区块链。在某些情况下，暂停参与者可以意味着参与者无法再访问区块链。在其他情况下，暂停参与者可以意味着该参与者仍可以为未来的广播事件提供广播决策，但参与者为未来的广播事件提供的广播决策不被包括在对用于确定是否向区块链添加新节点的节点共识分数的计算中。
77.作为说明性示例，区块链中可以有四个参与者(参与者a、参与者b、参与者c和参与者d)。在执行用于调整区块链共识可靠性分数的过程400之前，参与者a的决策可靠性分数可以为100，参与者b的决策可靠性分数可以为100，参与者c的决策可靠性分数可以为100，
并且参与者d的决策可靠性分数可以为100。每个参与者的成功率可以根据上面的操作402-408来确定。例如，参与者a的成功率可以为50％，参与者b的成功率可以为60％，参与者c的成功率可以为80％，并且参与者d的成功率可以为80％。如果通过减少决策可靠性分数来惩罚参与者的预定阈值是70％，则参与者a和参与者b可以使它们的决策可靠性分数减少预定量，例如对于本示例为10。参与者c和参与者d可以因为高于阈值而受到激励，它们的决策可靠性分数增加10，但由于参与者c和参与者d已经处于最大决策可靠性分数，因此它们的决策可靠性分数不会改变。因此，在调整后，参与者a的决策可靠性分数可以为90，参与者b的决策可靠性分数可以为90，参与者c的决策可靠性分数可以为100，并且参与者d的决策可靠性分数可以为100。
78.作为另一个说明性示例，区块链中可以有四个参与者(参与者a、参与者b、参与者c和参与者d)。在执行用于调整区块链共识可靠性分数的过程400之前，参与者a的决策可靠性分数可以为80，参与者b的决策可靠性分数可以为80，参与者c的决策可靠性分数可以为90，并且参与者d的决策可靠性分数可以为100。每个参与者的成功率可以根据上面的操作402-408来确定。例如，参与者a的成功率可以为50％，参与者b的成功率可以为60％，参与者c的成功率可以为30％，并且参与者d的成功率可以为40％。如果通过减少决策可靠性分数来惩罚参与者的预定阈值是70％，则每个参与者a、b、c和d可以使它们的决策可靠性分数减少预定量，例如对于本示例为10。因此，在调整后，参与者a的决策可靠性分数可以为70，参与者b的决策可靠性分数可以为70，参与者c的决策可靠性分数可以为80，并且参与者d的决策可靠性分数可以为90。在这种情况下，最高参与者(参与者d)的决策可靠性分数为90，低于100的最大决策可靠性分数，每个参与者的分数可以被提高最大决策可靠性分数(100)与最高参与者的分数(90)之间的差。因此，每位参与者都将收到10分的分数提高。在提高之后，参与者a的决策可靠性分数可以为80，参与者b的决策可靠性分数可以为80，参与者c的决策可靠性分数可以为90，并且参与者d的决策可靠性分数可以为100。现在，最高参与者具有最大决策可靠性分数。可能需要该提高以便参与者在新广播事件中可以达到节点接受分数。换句话说，如果参与者的决策可靠性分数太低，则它们对新广播事件的节点共识分数可能不足以达到节点接受分数，即使参与者可能都同意应该为广播事件将新数据节点添加到区块链。
79.图5示出了适用于实现本公开的一个或多个实施例的计算机系统500的框图。应当理解，本文讨论的每个设备都可以以如下方式实现为计算机系统500。
80.计算机系统500包括总线502或其他通信机制，用于在计算机系统500的各个组件之间传送信息数据、信号和信息。组件包括输入/输出(i/o)组件504，对用户动作进行处理(例如，从小键盘/键盘选择按键、选择一个或多个按钮或链接等)以及向总线502发送相应的信号。i/o组件504还可以包括输出组件，例如，显示器511和光标控件513(例如，键盘、小键盘、鼠标等)。还可以包括可选的音频输入/输出组件505，以允许用户通过转换音频信号来使用语音以用于输入信息。音频i/o组件505可以允许用户听到音频。收发器或网络接口506通过网络(例如，图1a的网络106)在计算机系统500和其他设备(例如另一个用户设备或另一个服务器)之间发送和接收信号。在一个实施例中，传输是无线的，但其他传输介质和方法也可能是合适的。可以是一个或多个硬件处理器的处理器512可以是微控制器、数字信号处理器(dsp)或其他处理组件，处理这些各种信号，例如用于在计算机系统500上显示或
经由通信链路518传输到其他设备。处理器512还可以控制向其他设备传输信息，例如cookies或ip地址。
81.计算机系统500的组件还包括系统存储器组件514(例如ram)、静态存储装置组件516(例如rom)和/或磁盘驱动器517。计算机系统500通过执行包含在系统存储器组件514中的一个或多个指令序列来通过处理器512和其他组件执行特定操作。逻辑可以编码在计算机可读介质中，该介质可以指参与向处理器512提供指令以供执行的任何介质。这种介质可以采取多种形式，包括但不限于非易失性介质、易失性介质和传输介质。在各种实施方式中，非易失性介质包括光盘或磁盘，易失性介质包括动态存储器，例如系统存储器组件514，并且传输介质包括同轴电缆、铜线和光纤，包括构成总线502的线。在一个实施例中，逻辑被编码在非暂态计算机可读介质中。在一个示例中，传输介质可采取诸如在无线电波、光学和红外数据通信期间生成的声波或光波的形式。
82.一些常见形式的计算机可读介质包括例如软磁盘、软盘、硬盘、磁带、任何其他磁性介质、cd-rom、任何其他光学介质、穿孔卡片、纸带、任何其他具有孔图案的物理介质、ram、prom、eprom、flash-eprom、任何其他存储芯片或盒式存储器、或计算机适用于读取的任何其他介质。
83.在本公开的各种实施例中，实践本公开的指令序列的执行可以由计算机系统500执行。在本公开的各种其他实施例中，通过通信链路518耦合到网络(例如，lan、wlan、ptsn和/或各种其他有线或无线网络，包括电信、移动、和蜂窝电话网络)的多个计算机系统500可以执行指令序列以相互协调地实践本公开。
84.在适用的情况下，可以使用硬件、软件、或硬件和软件的组合来实现本公开提供的各种实施例。此外，在适用的情况下，在不脱离本公开的精神的情况下，本文阐述的各种硬件组件和/或软件组件可以被组合成包括软件、硬件、和/或两者的复合组件。在适用的情况下，在不脱离本公开的范围的情况下，本文阐述的各种硬件组件和/或软件组件可以被分成包括软件、硬件、或两者的子组件。此外，在适用的情况下，可以预期软件组件可以被实现为硬件组件，反之亦然。
85.根据本公开，软件(例如，程序代码和/或数据)可以被存储在一个或多个计算机可读介质上。还可以预期，本文标识的软件可以使用一个或多个通用或专用计算机和/或计算机系统、联网和/或其他方式来实现。在适用的情况下，可以改变本文描述的各个步骤的排序、将其组合成复合步骤、和/或将其分成子步骤以提供本文描述的特征。
86.前述公开内容并不意图将本公开内容限制为所公开的精确形式或特定使用领域。因此，可以预期对本公开的各种替代实施例和/或修改鉴于本公开都是可能的，无论是否在本文中明确描述或暗示。在如此描述了本公开的实施例之后，本领域普通技术人员将认识到在不脱离本公开的范围的情况下可以在形式和细节上进行改变。
技术特征：1.一种与区块链决策可靠性分数调整相关的系统，包括：非暂态存储器；以及一个或多个硬件处理器，耦合到所述非暂态存储器并被配置为从所述非暂态存储器读取指令以使所述系统执行包括下列项的操作：访问区块链中的广播事件，其中所述广播事件对应于历史时间段；识别所述区块链中的参与者为所述广播事件中的每一个提供的广播决策；识别所述广播事件中的每一个的共识决策，其中，所述共识决策指示所述区块链中的参与者之间是否存在应将相应的广播事件作为新节点添加到所述区块链的共识；基于所述参与者为所述广播事件中的每一个提供的所识别的广播决策和所述广播事件的每一个的所识别的共识决策，计算所述参与者的成功率；以及基于所述成功率，增加或减少所述参与者的决策可靠性分数，其中所述决策可靠性分数包括应用于由所述参与者在所述区块链的未来广播事件中提供的广播决策的权重。2.根据权利要求1所述的系统，其中，所述决策可靠性分数被基于所述成功率低于预定阈值而减少，其中，所述决策可靠性分数被减少的量是与所述成功率低于所述预定阈值相对应的预定量。3.根据权利要求1所述的系统，其中，所述决策可靠性分数被基于所述成功率高于预定阈值而增加，其中，所述决策可靠性分数被增加的量是与所述成功率高于所述预定阈值相对应的预定量。4.根据权利要求1所述的系统，其中，所述操作针对所述区块链中的每个参与者被执行。5.根据权利要求4所述的系统，其中，所述操作还包括：在增加或减少每个参与者的所述决策可靠性分数之后，确定所述参与者中的最高可靠性分数小于上限可靠性分数；以及将每个参与者的所述决策可靠性分数增加与所述最高可靠性分数和所述上限可靠性分数之间的差值相等的量。6.根据权利要求1所述的系统，其中，所述成功率在多个范围中的范围内，并且其中，所述决策可靠性分数被减少或增加对应于所述范围的量。7.根据权利要求1所述的系统，其中，所述参与者的所述决策可靠性分数基于所述成功率而被减少，并且其中，所述操作还包括暂停所述参与者参与所述区块链。8.根据权利要求7所述的系统，其中，暂停所述参与者参与所述区块链允许所述参与者提供针对未来广播事件的广播决策，但是所述参与者针对未来广播事件的所述广播决策不被包括在对用于确定是否向所述区块链添加新节点的节点共识分数的计算中。9.根据权利要求1所述的系统，其中，所述操作还包括基于已经发生的广播事件的数量来选择所述历史时间段。10.根据权利要求9所述的系统，其中，所述已经发生的广播事件的数量超过发生的广播事件的预定阈值数量。11.一种调整区块链参与者可靠性分数的方法，该方法包括：访问区块链中的广播事件，其中所述广播事件对应于过去的选定时间段；识别所述区块链中的参与者为与所述选定时间段相对应的所述广播事件中的每一个
提供的广播决策；识别与所述选定时间段相对应的所述广播事件中的每一个的共识决策，其中，所述共识决策指示所述区块链中的参与者之间是否存在应将该广播事件作为新节点添加到所述区块链的共识；基于所述参与者为所述广播事件中的每一个提供的所识别的广播决策和所述广播事件中的每一个的所述共识决策，确定所述参与者的成功率；以及基于所述成功率，增加或减少所述参与者的决策可靠性分数，其中，所述决策可靠性分数包括应用于由所述参与者在所述区块链未来广播事件中提供的广播决策的权重。12.根据权利要求11所述的方法，其中，所述决策可靠性分数被基于所述成功率低于预定阈值而减少。13.根据权利要求12所述的方法，还包括基于所述决策可靠性分数低于指示需要暂停的预定阈值来暂停所述参与者参与所述区块链。14.根据权利要求11所述的方法，其中，所述决策可靠性分数被基于所述成功率高于预定阈值而增加。15.根据权利要求14所述的方法，还包括：确定经增加的决策可靠性分数是所述区块链的参与者中的最高可靠性分数；确定所述最高可靠性分数小于所述区块链的上限可靠性分数；以及将与所述区块链中的每个参与者相对应的决策可靠性分数增加与所述上限可靠性分数和所述最高可靠性分数之间的差值相等的量。16.一种非暂态机器可读介质，其上存储有机器可读指令，所述机器可读指令可被执行以使机器执行包括以下项的操作：识别区块链中的历史广播事件；识别所述区块链中的参与者为所述历史广播事件中的每一个提供的广播决策；识别所述历史广播事件中的每一个的共识决策，其中，所述共识决策指示所述区块链中的参与者之间是否存在应将该广播事件作为新节点添加到所述区块链的共识；基于所述参与者为所述历史广播事件中的每一个提供的所识别的广播决策和所述历史广播事件中的每一个的所述共识决策，确定所述参与者的成功率；以及基于所述成功率，减少所述参与者的决策可靠性分数，其中，所述决策可靠性分数包括应用于由所述参与者在所述区块链的未来广播事件中提供的广播决策的权重；确定所述参与者的决策可靠性分数是所述区块链中的所有参与者中的最高决策可靠性分数；确定所述最高决策可靠性分数小于所述区块链的上限决策可靠性分数；以及将与所述区块链中每个参与者相对应的决策可靠性分数增加与所述上限决策可靠性分数和所述最高决策可靠性分数之间的差值相等的量。17.根据权利要求16所述的非暂态机器可读介质，其中，所述操作还包括：在增加与所述区块链中的每个参与者相对应的决策可靠性分数之后，基于对应于另一个参与者的决策可靠性分数低于指示需要暂停的预定阈值，暂停所述另一个参与者参与所述区块链。18.根据权利要求16所述的非暂态机器可读介质，其中，所述决策可靠性分数被与所述成功率相关地减少。
19.根据权利要求16所述的非暂态机器可读介质，其中，决策可靠性分数被减少与多个范围中的范围相对应的量，其中，每个范围具有(i)对增加还是减少的指示和(2)对应的量。20.根据权利要求16所述的非暂态机器可读介质，其中，识别区块链中的所述历史广播事件是根据调度审计频率来执行的。
技术总结所描述的用于在区块链的加权共识算法中调整决策可靠性分数(例如，权重)的系统和方法包括访问区块链中的广播事件，其中广播事件对应于历史时间段。可以识别区块链中的参与者为每个广播事件提供的广播决策。可以识别每个广播事件的共识决策，其中共识决策指示在区块链中的参与者之间是否存在应将相应的广播事件作为新节点添加到区块链的共识。可以基于参与者为每个广播事件提供的所识别的广播决策和每个广播事件的所识别的共识决策来计算参与者的成功率。基于成功率，参与者的决策可靠性分数可以增加、减少或维持。减少或维持。减少或维持。
技术研发人员：普拉桑特
受保护的技术使用者：贝宝公司
技术研发日：2021.02.23
技术公布日：2022/11/1
