本發明涉及人工智能，特別涉及一種基于大模型微調的智能合約建模方法、裝置及電子設備。

背景技術：

1、智能合約是區塊鏈技術的核心創新之一，它的出現改變了傳統的交易方式，為許多領域帶來了效率提升和成本降低。將智能合約代碼建模為領域描述有助于非技術人員理解代碼行為和邏輯結構、方便法律專家驗證智能合約法律兼容性、提升跨領域協同測試驗證參與度和透明度。然而，智能合約代碼的邏輯復雜性、要素完整性、領域多樣性使得智能合約代碼等效建模面臨準確性差、效率低、成本高等挑戰。

2、相關技術主要采用軟件工程方法實現智能合約代碼領域等效建模。第一類研究采用結構化圖形建模方法，利用bpmn(business?process?model?andnotation，圖形化表示法)或uml(unified?modeling?language，統一建模語言)標準化建模工具和符號來描述智能合約代碼行為和邏輯。第二類研究聚焦設計dsl(domain-specific?language，特定領域描述語言)，根據智能合約特定需求和領域特征進行定制，旨在實現易于理解、易于維護的個性化描述。第三類研究形式化建模方法，將智能合約代碼抽象為條件規則，利用一階邏輯或線性時序邏輯等描述智能合約規則邏輯。

3、然而，雖然結構化圖形建模方法標準化程度高，易于跨領域協同建模，但是建模能力受限于圖標要素，并且粒度較粗以至于難以完全捕捉復雜智能合約代碼邏輯細節、表達準確性較差。dsl和形式化建模方法雖然可實現細粒度建模，能有效描述智能合約行為和邏輯，但是建模過程需要專業技術知識、學習門檻較高，并且處理復雜性高智能合約代碼成本較高、效率較低。

技術實現思路

1、本發明提供一種基于大模型微調的智能合約建模方法、裝置及電子設備，以解決相關技術中智能合約代碼領域等效建模存在局限性，建模效率較低及建模成本高等問題。

2、本發明第一方面實施例提供一種基于大模型微調的智能合約建模方法，包括以下步驟：獲取智能合約代碼和業務流程模型的業務流程數據；將智能合約代碼和業務流程數據轉化為微調框架的輸入序列，其中，微調框架包括解碼器和編碼器，編碼器包括注意力機制模塊和全連接前饋模塊，解碼器包括交叉注意力模塊和全連接前饋模塊；在編碼器的注意力機制模塊和全連接前饋模塊、以及解碼器的交叉注意力模塊之后分別加入低秩矩陣層，并在解碼器的全連接前饋模塊之后設計目標大模型的綜合損失函數；利用輸入序列迭代訓練微調框架下目標大模型，在訓練過程中，基于低秩矩陣層和綜合損失函數調整目標大模型訓練過程中的模型參數，直到迭代訓練結束；封裝目標大模型訓練后的模型參數，將目標大模型部署于智能合約設計平臺，基于目標大模型實現智能合約建模功能。

3、可選地，綜合損失函數包括語義相似度損失、結構匹配損失和生成損失，基于語義相似性損失、結構匹配損失和生成損失構建的綜合損失函數，引導目標大模型學習智能合約與業務流程模型的業務流程之間的對應關系。

4、可選地，綜合損失函數的公式為：

5、l＝αlss+βlsm+γlg

6、其中，l表示損失函數值，α，β和γ表示權重，lss表示語義相似度損失，lsm表示結構匹配損失，lg表示生成損失。

7、可選地，在將智能合約代碼和業務流程數據轉化為微調框架的輸入序列之前，還包括：對智能合約和業務流程數據進行預處理，其中，預處理包括數據清洗、數據格式轉換、數據對齊和分割數據處理的一種或多種。

8、可選地，在數據對齊階段，根據語言映射原理將智能合約中的功能、邏輯和流程的至少一個，映射為業務流程數據中的任務、網關和事件的至少一個。

9、可選地，將智能合約代碼和業務流程數據轉化為微調框架的輸入序列，包括：識別微調框架的輸入格式；根據輸入格式對智能合約代碼和業務流程數據進行分詞處理；將目標大模型加載到微調框架下，根據目標大模型的標記器對分詞處理后的詞元進行標記，并為標記后的詞元分配唯一索引；通過微調框架的嵌入層將標記后的詞元轉化為輸入序列。

10、可選地，利用輸入序列迭代訓練微調框架下目標大模型，包括：設置微調框架的超參數，開始目標大模型的微調；將輸入序列輸入目標大模型，利用輸入序列迭代訓練目標大模型，在訓練過程中，低秩矩陣層參與到相應位置的參數計算；根據綜合損失函數計算的損失函數值優化目標大模型的模型參數，在滿足迭代停止條件后，完成目標大模型的迭代訓練。

11、可選地，微調框架包括seq2seq框架，解碼器和編碼器基于transformer架構。

12、本發明第二方面實施例提供一種基于大模型微調的智能合約建模裝置，包括：獲取模塊，用于獲取智能合約代碼和業務流程模型的業務流程數據；處理模塊，用于將智能合約代碼和業務流程數據轉化為微調框架的輸入序列，其中，微調框架包括解碼器和編碼器，編碼器包括注意力機制模塊和全連接前饋模塊，解碼器包括交叉注意力模塊和全連接前饋模塊；微調模塊，用于在編碼器的注意力機制模塊和全連接前饋模塊、以及解碼器的交叉注意力模塊之后分別加入低秩矩陣層，在解碼器的全連接前饋模塊之后設計目標大模型的綜合損失函數，利用輸入序列迭代訓練微調框架下目標大模型，在訓練過程中，基于低秩矩陣層和綜合損失函數調整目標大模型訓練過程中的模型參數，直到迭代訓練結束；部署模塊，用于封裝目標大模型訓練后的模型參數，將目標大模型部署于智能合約設計平臺，基于目標大模型實現智能合約建模功能。

13、本發明第三方面實施例提供一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序，以實現如上述實施例的基于大模型微調的智能合約建模方法。

14、由此，本發明包括如下有益效果：

15、本發明實施例可以在序列到序列框架下微調基礎的預訓練大語言模型，在合適位置添加低秩矩陣層，基于語義相似度損失、結構損失和生成損失構建綜合損失函數，使得大模型能更好理解智能合約代碼中行為語義和規制邏輯，進而優化智能合約代碼建模過程，降低智能合約轉換成本，從而可以通過構建智能合約特定領域語料庫微調大語言模型，有效界面相關技術中智能合約代碼領域等效建模存在的局限性，提高建模效率和降低建模成本。

16、本發明附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。

技術特征：

1.一種基于大模型微調的智能合約建模方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的基于大模型微調的智能合約建模方法，其特征在于，所述綜合損失函數包括語義相似度損失、結構匹配損失和生成損失，基于所述語義相似性損失、所述結構匹配損失和所述生成損失構建的綜合損失函數，引導所述目標大模型學習智能合約與業務流程模型的業務流程之間的對應關系。

3.根據權利要求2所述的基于大模型微調的智能合約建模方法，其特征在于，所述綜合損失函數的公式為：

4.根據權利要求1所述的基于大模型微調的智能合約建模方法，其特征在于，在將所述智能合約代碼和所述業務流程數據轉化為微調框架的輸入序列之前，還包括：

5.根據權利要求4所述的基于大模型微調的智能合約建模方法，其特征在于，在數據對齊階段，根據語言映射原理，將智能合約中的功能、邏輯和流程的至少一個映射為所述業務流程數據中的任務、網關和事件的至少一個。

6.根據權利要求1或4所述的基于大模型微調的智能合約建模方法，其特征在于，所述將所述智能合約代碼和所述業務流程數據轉化為微調框架的輸入序列，包括：

7.根據權利要求1所述的基于大模型微調的智能合約建模方法，其特征在于，所述利用所述輸入序列迭代訓練所述微調框架下目標大模型，包括：

8.根據權利要求1所述的基于大模型微調的智能合約建模方法，其特征在于，所述微調框架包括seq2seq框架，所述解碼器和所述編碼器基于transformer架構。

9.一種基于大模型微調的智能合約建模裝置，其特征在于，包括：

10.一種電子設備，其特征在于，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序，以實現權利要求1-8任一項所述的基于大模型微調的智能合約建模方法。

技術總結
本發明涉及智能合約技術領域，特別涉及一種基于大模型微調的智能合約建模方法、裝置及電子設備，其中，方法包括：將智能合約代碼和業務流程數據轉化為微調框架的輸入序列，其中，微調框架包括解碼器和編碼器，在編碼器的注意力機制模塊和全連接前饋模塊、以及解碼器的交叉注意力模塊之后分別加入低秩矩陣層，并在解碼器的全連接前饋模塊之后設計目標大模型的綜合損失函數；利用輸入序列迭代訓練微調框架下目標大模型，封裝目標大模型訓練后的模型參數，將目標大模型部署于智能合約設計平臺，基于目標大模型實現智能合約建模功能。由此，解決了相關技術中智能合約代碼領域等效建模存在局限性，建模效率較低及建模成本高等問題。

技術研發人員：高勝,陳琳琳,朱建明
受保護的技術使用者：中央財經大學
技術研發日：
技術公布日：2025/4/28