技术领域
[0001] 本
发明涉及虚拟
加密货币领域，尤其涉及一种挖矿方法与系统。
背景技术
[0002]
加密货币是一种为确保交易安全并控制交易单位而使用
密码学原理创造的交易媒介，其基于去中心化的共识机制而与当前依赖中心化监管体系的
银行金融系统相对。加密货币的种类有很多，其中以
比特币最具代表性，也最为人所熟知。
[0003] 以比特币为例。比特币的运作依赖于
区块链技术，每一个区块对应一个账单，通过记账的方式来决定当前区块中比特币的归属和下一个区块的产生。连接到互联网中的计算设备(我们称为“
节点”)都有资格参与记账，但每个区块最终的记账权属于哪个节点是通过
工作量证明的共识机制来决定的。也就是说哪个节点的工作量被证明是最大的，且得到了当前区块中所有节点的一致性认可，那么哪个节点就将获得当前区块的记账权，相应的也就能得到这个区块的比特币作为奖励。一个节点的工作量反应了这个节点的计算能
力，即单位时间内所能完成的计算次数。参与记账的节点通过大量的计算以获得一组随机值使得当前
区块头的哈希散列值符合某一个标准，从而获得比特币，这个过程就是我们所说的“挖矿”。
[0004] 一个节点的挖矿成功率是与这个节点的计算能力直接相关的，节点的计算能力越强，就越容易挖到矿。因此，为了提高挖矿成功率，我们可以通过增加计算资源的方式来提高节点的计算能力。计算资源就是具有计算能力的芯片或设备，比如CPU和GPU等。
[0005] 随着人们生活
水平的提高，现在许多家庭购入了比较高端的
电子设备，比如高性能的计算机、高端
游戏机等，来提高
生活质量。这些设备内置有很强计算能力的CPU和GPU芯片。然而，人们并不是每天24小时都在使用这些设备的，必然会存在一些时段这些设备处于闲置状态。那么，在这些时段内，设备内部的CPU和GPU等计算资源的计算能力就被浪费。
[0006] 挖矿过程需要计算资源高
频率的运算和挖矿设备高负荷的运转，消耗大量的
电能，成本
费用比较高。
发明内容
[0007] 根据
现有技术中存在的上述问题，现提供一种挖矿技术与系统，旨在充分利用闲置的家庭电子设备计算资源的计算能力进行挖矿作业，提高挖矿的成功率，借助
云端
服务器的
机器学习技术来对过去一段时间内的挖矿信息进行分析和总结，预测出下一次挖矿所需要的信息，使得下一次挖矿时计算资源大大减少计算次数，进一步提高挖矿效率，降低能耗，节约成本。
[0008] 上述技术方案具体包括：
[0009] 一种挖矿方法，适用于虚拟加密货币的挖掘过程中，所述挖矿方法设置有挖矿设备、控制中心和云端服务器，所述挖矿设备包含计算能力闲置的家庭电子设备，所述控制中心与所述挖矿设备连接；
[0010] 所述挖矿设备通过计算进行挖矿，获得所述虚拟加密货币，所述控制中心根据所述挖矿设备工作量对所述家庭电子设备的拥有者进行交易补偿；
[0011] 所述挖矿设备连接一云端服务器，所述云端服务器包含
存储器和处理器，所述存储器用于存储所述挖矿设备上传的挖矿信息；所述处理器连接所述存储器，用于对所述挖矿信息进行分析，以得到所述挖矿信息包含的各参数之间的关系；
[0012] 所述云端服务器与所述挖矿设备协同工作的步骤包括：
[0013] 步骤S1，所述挖矿设备记录在一第一预设时段内挖矿产生的所述挖矿信息，并在所述挖矿设备的空闲时段内上传所述挖矿信息至所述存储器；
[0014] 步骤S2，所述处理器根据所述存储器中保存的历史的所述挖矿信息训练得出一机器学习模型，并将实时接收到的所述挖矿信息作为输入数据进行处理，以得到并输出挖矿所需的随机参数的预测值；
[0015] 步骤S3，所述处理器将所述预测值发送至所述挖矿设备；
[0016] 步骤S4，所述挖矿设备将所述预测值代入挖掘所述虚拟加密货币的过程中进行计算，以继续获得所述虚拟加密货币；
[0017] 所述控制中心连接所述云端服务器，所述控制中心根据所述云端服务器的工作量对所述云端服务器的拥有者进行交易补偿。
[0018] 优选的，于所述挖矿设备利用所述家庭电子设备中的
中央处理器和/或图形处理器进行虚拟加密货币的挖掘操作。
[0019] 优选的，所述挖矿信息包含固定内容、随机参数和哈希值，所述固定内容包含所述挖矿设备每次挖矿时区块的版本号、时间戳和难度，所述随机参数包含hashMerkleRoot参数以及、nNonce参数。
[0020] 优选的，所述步骤S2具体步骤包括：
[0021] 步骤S21，所述云端服务器分析各个区块的历史的所述哈希值与所述固定内容和所述随机参数之间的关系，训练得出所述机器学习模型；
[0022] 步骤S22，向所述机器学习模型输入当前区块的所述版本号与前一个区块的所述挖矿信息以及所述哈希值的要求，所述机器学习模型输出当前区块的所述预测值。
[0023] 一种挖矿系统，适用于虚拟加密货币的挖掘过程中，所述挖矿系统包含：
[0024] 多个挖矿单元，多个所述挖矿单元采用计算资源被闲置的家庭电子设备实现，所述挖矿单元在每次作业的过程中记录挖矿信息；
[0025] 发送单元，分别连接每个所述挖矿单元，用于将所述挖矿单元记录的所述挖矿信息发送至一连接所述发送单元的存储单元；
[0026] 所述存储单元中存储有所述挖矿信息；
[0027] 分析单元，连接所述存储单元，所述分析单元分析所述存储单元中的所述挖矿信息，并预测出随机参数预测值；
[0028] 调整单元，分别连接所述分析单元和所述挖矿单元，发送指令要求所述挖矿单元根据所述分析单元分析预测得出的所述随机参数预测值进行挖矿作业。
[0029] 优选的，所述挖矿单元记录的所述挖矿信息包含固定内容、随机参数和哈希值，所述固定内容包含所述挖矿设备每次挖矿时区块的版本号、时间戳和难度，所述随机参数包含hashMerkleRoot参数以及nNonce参数。
[0030] 优选的，所述分析单元分析各个区块的历史的所述哈希值与所述固定内容和所述随机参数之间的关系，训练得出所述机器学习模型；向所述机器学习模型输入当前区块的所述版本号与前一个区块的所述挖矿信息以及所述哈希值的要求，所述机器学习模型输出当前区块的所述预测值。
[0031] 优选的，还包括：
[0032] 计时单元，分别连接所述发送单元和所述挖矿单元，于所述计时单元内设置一第一预设时段；
[0033] 所述计时单元在所述挖矿单元完成一次挖矿作业后开始计时，当计时经过所述第一预设时段，并且所述挖矿单元处于空闲状态，则所述发送单元直接向所述存储单元发送在所述第一预设时段内产生的所述挖矿信息。
[0034] 上述技术方案的有益效果是：充分利用闲置的家庭电子设备计算资源的计算能力进行挖矿作业，提高挖矿的成功率，借助云端服务器的机器学习技术来对过去一段时间内的挖矿信息进行分析和总结，预测出下一次挖矿所需要的信息，使得下一次挖矿时计算资源大大减少计算次数，进一步提高挖矿效率，降低能耗，节约成本。
附图说明
[0035] 参考所附附图，以更加充分地描述本发明的
实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
[0036] 图1是本发明的较佳的实施例中，云端服务器与挖矿设备协同工作的总体
流程图；
[0037] 图2是本发明的较佳的实施例中，于图1的
基础上，对步骤S2做进一步描述的流程示意图；
[0038] 图3是本发明的较佳的实施例中，一种挖矿系统的结构示意图；
具体实施方式
[0039] 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，所描述的实施例仅仅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做出创造性劳动的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。
[0040] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0041] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
[0042] 基于现有技术中存在的上述问题，本发明提供一种挖矿方法，适用于虚拟加密货币的挖掘过程中，
[0043] 挖矿方法设置有挖矿设备、控制中心和云端服务器，挖矿设备包含计算能力闲置的家庭电子设备，控制中心与挖矿设备连接；
[0044] 挖矿设备通过计算进行挖矿，获得虚拟加密货币，控制中心根据挖矿设备工作量对家庭电子设备的拥有者进行交易补偿；
[0045] 挖矿设备连接一云端服务器，云端服务器包含存储器和处理器，存储器用于存储挖矿设备上传的挖矿信息；处理器连接存储器，用于对挖矿信息进行分析，以得到挖矿信息包含的各参数之间的关系；
[0046] 如图1所示，本发明的较佳的实施例中，云端服务器与挖矿设备协同工作的步骤包括：
[0047] 步骤S1，挖矿设备记录在一第一预设时段内挖矿产生的挖矿信息，并在挖矿设备的空闲时段内上传挖矿信息至存储器；
[0048] 步骤S2，处理器根据存储器中保存的历史的挖矿信息训练得出一机器学习模型，并将实时接收到的挖矿信息作为输入数据进行处理，以得到并输出挖矿所需的随机参数的预测值；
[0049] 步骤S3，处理器将预测值发送至挖矿设备；
[0050] 步骤S4，挖矿设备将预测值代入挖掘虚拟加密货币的过程中进行计算，以继续获得虚拟加密货币；
[0051] 控制中心连接云端服务器，控制中心根据云端服务器的工作量对云端服务器的拥有者进行交易补偿。
[0052] 具体地，虚拟加密货币的热度逐渐升高、区块链技术的不断发展，越来越多的人参与虚拟加密货币的挖掘。区块中的虚拟加密货币数量有限，最先计算出区块的哈希值的设备才能够获得相应的虚拟加密货币。高性能的挖矿设备具备更强的计算能力，显著提高了挖矿成功率。
[0053] 控制中心协商租用家庭电子设备，利用设备内置的CPU或GPU芯片挖矿。提前约定只在设备处于闲置状态时租用，不影响家庭成员正常设备。
[0054] 具体地，第一预设时段包含一日、一周，或者其他合适的时段；
[0055] 在上述实施例中，家庭电子设备上传一个月内的挖矿信息至云端服务器，云端服务器分析该设备上传的历史数据，通过机器学习的方法，对随机参数进行预测，并发送给该设备，控制中心要求挖矿设备按照云端服务器发送的随机参数预测值进行计算。
[0056] 本发明的较佳的实施例中，于挖矿设备利用家庭电子设备中的中央处理器和/或图形处理器进行虚拟加密货币的挖掘操作。
[0057] 具体地，许多家庭购入配备了性能强的CPU和GPU芯片的电子设备，比如高性能的计算机、高端游戏机等，具备强大的计算能力。然而，这些电子设备大部分时间都处于闲置状态，强大的计算资源没能充分利用。
[0058] 本发明的较佳的实施例中，补偿方式包括，在一第二预设时段内，向挖矿设备：支付现金、支付加密
虚拟货币、支付现金与虚拟加密货币的组合。
[0059] 具体地，第二预设时段包含一日、一周，或者其他合适的时段。
[0060] 上述实施例中，对于租用计算资源的补偿方式在协商的时候约定好，可以通过支付现金货币或加密货币的方式进行补偿，比如：租用一日就支付一定量的现金货币，或者租用一星期就支付一定量的加密货币，或者租一个月同时获得现金货币和加密货币，租用时段和支付方式可相互组合。
[0061] 本发明的较佳的实施例中，挖矿信息包含固定内容、随机参数和哈希值，固定内容包含挖矿设备每次挖矿时区块的版本号、时间戳和难度，随机参数包含hashMerkleRoot参数以及、nNonce参数。
[0062] 具体地，挖矿是通过CPU和GPU等计算资源进行大量的计算，以得出符合当前区块所规定的哈希值，从而获得加密货币。每次计算过程中都包含当前区块的时间戳和难度，以及前一个区块的哈希值，还有一些随机值，其中随机值包含hashMerkleRoot、nNonce等随机参数。
[0063] 本发明的较佳的实施例中，如图2所示，步骤S2具体步骤包括：
[0064] 步骤S21，云端服务器分析各个区块的历史的哈希值与固定内容和随机参数之间的关系，训练得出机器学习模型；
[0065] 步骤S22，向机器学习模型输入当前区块的版本号与前一个区块的挖矿信息以及哈希值的要求，机器学习模型输出当前区块的预测值。
[0066] 一种挖矿系统，适用于虚拟加密货币的挖掘过程中，如图3所示，挖矿系统包含：
[0067] 多个挖矿单元1，多个挖矿单元1采用计算资源被闲置的家庭电子设备实现，挖矿单元1在每次作业的过程中记录挖矿信息；
[0068] 发送单元2，分别连接每个挖矿单元1，用于将挖矿单元1记录的挖矿信息发送至一连接发送单元2的存储单元3；
[0069] 存储单元3中存储有挖矿信息；
[0070] 分析单元4，连接存储单元3，分析单元4分析存储单元3中的挖矿信息，并预测出随机参数预测值；
[0071] 调整单元5，分别连接分析单元4和挖矿单元1，发送指令要求挖矿单元1根据分析单元4分析预测得出的随机参数预测值进行挖矿作业。
[0072] 具体地，挖矿单元1在进行挖矿一段时间后，将该时间段内产生的挖矿信息通过发送单元2发送给存储单元3，存储单元3记录并
整理历史挖矿信息，分析单元4调用存储单元3中的历史挖矿信息进行机器学习，并根据最新区块的哈希值的要求，得出该区块的随机参数预测值，通过调整单元5，要求挖矿单元1参照随机参数预测值进行计算。
[0073] 本发明的较佳的实施例中，挖矿单元1记录的挖矿信息包含固定内容、随机参数和哈希值，固定内容包含挖矿设备每次挖矿时区块的版本号、时间戳和难度，随机参数包含hashMerkleRoot参数以及nNonce参数。
[0074] 具体地，挖矿单元1是通过CPU和GPU等计算资源进行大量的计算，以得出符合当前区块所规定的哈希值，从而获得加密货币。每次计算过程中都包含当前区块的时间戳和难度，以及前一个区块的哈希值，还有一些随机值，其中随机值包含hashMerkleRoot、nNonce等随机参数。
[0075] 本发明的较佳的实施例中，分析单元4分析各个区块的历史的哈希值与固定内容和随机参数之间的关系，训练得出机器学习模型；向机器学习模型输入当前区块的版本号与前一个区块的挖矿信息以及哈希值的要求，机器学习模型输出当前区块的预测值。
[0076] 本发明的较佳的实施例中，还包括：
[0077] 计时单元6，分别连接发送单元2和挖矿单元1，于计时单元6内设置一第一预设时段；
[0078] 计时单元6在挖矿单元1完成一次挖矿作业后开始计时，当计时经过第一预设时段，并且挖矿单元1处于空闲状态，则发送单元2直接向存储单元3发送在第一预设时段内产生的挖矿信息。
[0079] 具体地，第一预设时段包含一日、一周，或者其他合适的时段；
[0080] 在上述实施例中，挖矿单元1通过发送单元2上传一个月内的挖矿信息至存储单元3，分析单元4分析历史数据，通过机器学习的方法，对随机参数进行预测，并通过控制单元发送给该设备，控制单元要求挖矿单元1按照分析单元4的随机参数预测值进行计算。
[0081] 以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明
说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
