沃尔玛申请专利，欲在区块链上存储支付数据

于 2018-04-23 00:00:00 发布
阅读量226 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/IJXR1A64JI53L/article/details/80059487
版权
640?wx_fmt=png&wxfrom=5&wx_lazy=1 点击上方 “蓝色字” 可关注我们！








640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

暴走时评： 美国专利和商标局（USPTO）周四发布了零售业巨头沃尔玛提交的两份申请，计划使用区块链技术存储支付数据，从而确保私人信息不会被未被授权方获取。这两份文件中都为明确提到是否使用许可区块链，但专利中描述的系统却将以许可区块链的形式运行。而在此之前，沃尔玛还提交了一份“智能包裹（smart package）”专利申请，同样涉及到了区块链技术的使用。

作者：Nikhilesh De    翻译：Clover

零售业巨头沃尔玛最新发表的专利文件暗示，这家企业计划使用区块链技术存储支付数据。

美国专利和商标局（USPTO）周四发布的两份申请中均涉及使用区块链支持的平台来保护支付数据，确保私人信息不会被未被授权方获取。这两份专利申请由同一支沃尔玛团队起草，并于去年10月13日提交。

虽然这两份文件都未明确提到是否使用许可区块链（这种区块链近允许特定方运行节点），但专利中描述的系统都将以这种形式运行。这两份申请表明，客户必须能够给看到他们的支付历史——但需要限制第三方对这些信息的访问权限。

第一份专利文件描述了供应商支付系统，提出创建一个能够自动代表客户进行交易的网络。根据专利文件介绍，根据提供了哪些服务以及谁提供这些服务，一个或多个供应商会接收这些支付信息。

申请中继续写道：

“一方面提供一个供应商支付共享系统，自动处理与获得和交付产品有关的产品和服务的到期总款项的支付；在提供与获得和交付产品有关的服务的各方之间自动划分支付；并使用区块链对支付以及支付的划分进行加密。”

第二份专利申请则侧重于数字购物系统，描述了使用区块链以类似方式对支付信息进行加密的情况。

申请文件中指出，“供应商支付共享系统的一部分还包括用于有价值的数字化项目的认证系统。在示例性实施例中，认证系统利用了传统[区块链系统]的一个或多个方面。”

两个专利申请是沃尔玛提出的最新知识产权。如CoinDesk此前报道，这家公司还在申请一项“智能包裹（smart package）”专利，使用区块链作为编码信息的一种方式。

除此之外，沃尔玛还在追求区块链在供应链中的应用，特别是追踪食品的运输。

本文仅代表作者个人观点，不代表区块链铅笔的立场，不构成投资建议，内容仅供参考。

3分钟了解什么是区块链？（中文动画）|（英文动画教程）

3分钟了解什么是DAO?（中文动画）|（英文动画教程）

3分钟看懂以太坊和智能合约？（中文动画）|（英语动画教程）

3分钟了解比特币挖矿和区块链共识机制？（中文动画）|（英文动画教程）

3分钟了解公有链和私有链（中文动画教程）|（英文动画教程）

3分钟了解区块链的六层模型（中文动画教程）|（英文动画教程）

什么是区块链英文版（动画教程）

肖风：区块链与另类资产配置

逐鹿区块链！详解三大巨头BAT区块链战略布局

麦肯锡报告：区块链对保险行业的影响

八张图表解读区块链的未来发展

震惊全球的The DAO黑客事件全程回顾

Circle获得包括IDG、百度、万向在内6000万美元融资

640?

关注本公众号后，进入公众号

回复关键词可以查阅资料，以下是部分关键词

回复 WEF ，查看《WEF：世界经济论坛认为区块链是互联网金融行业的未来报告》

回复 智能合约 ，查看《巴克莱银行报告》

回复 moody ，查看《穆迪120个区块链项目报告》

回复 SWIFT ，查看SWIFT《区块链对证券交易全流程产生的影响及潜力》报告

回复 论文11 ，查看论文《可扩展的去中心区块链》

回复 埃森哲2 ，查看埃森哲《区块链每年可以为投资银行节省120亿美元》报告

回复 联合国报告 ，查看联合国报告《数字货币和区块链技术在构建社会和可信金融之间扮演的角色》

回复 用户特性 ，查看普林斯顿大学首本比特币教科书初稿《比特币用户的特性（Characteristics of Bitcoin Users）》

回复 普林斯顿 ，查看普林斯顿大学首本比特币教科书初稿《比特币和数字货币技术（Bitcoin and Cryptocurrency Technologies）》

回复 IMF，查看国际货币基金组织报告《Virtual Currencies and Beyond: Initial Considerations》

回复 DTCC ，查看美国存管信托清算公司报告《DTCC: 拥抱分布式》

回复 广发 ，查看报告《科技前沿报告：区块链：正快速走进公众和政策视野》

回复 川财1 ，查看报告《川财证券：区块链技术调研报告之一：具有颠覆所有行业的可能性》

回复 川财2 ，查看报告《川财证券：区块链技术调研报告之二：区块链技术进化论-区块链技术的国内实践和展望》

回复 桑坦德 ，查看桑坦德银行报告《The Fintech 2.0 Paper: rebooting financial services》

回复 拜占庭 ，查看《拜占庭将军问题详解》

回复 论文1 ，查看论文《比特币闪电网络：可扩展的离线即时支付》

回复 论文2 ，查看论文《比特币骨干协议》

回复 论文3 ，查看论文《数字货币是否应该进入Barbados央行国际储备货币组合中》

回复 帮助 ，查看本公众号全部关键词列表


640?wx_fmt=png

点击下方 “阅读原文” 查看更多 ，页面出现后再点击“来源”可以查看译文原文链接  ↓↓↓
区块链铅笔
关注
浅析USPTO区块链相关专利的审查思路.pdf
08-15
此外，区块链在支付系统和通信技术上的应用也是专利申请的热点。 在USPTO的审查过程中，对于这些区块链相关专利，审查员会特别关注技术的适格性，即是否符合专利法的要求，例如新颖性、创造性和实用性。通过对典型...
沃尔玛商业数据集 CSV（1K+记录）
02-22
该数据集提供了有关全球领先零售连锁店之一沃尔玛进行的销售交易的全面信息。它包含各种属性，包括发票 ID、分支机构、城市、客户类型、性别、产品线、单价、数量、税金 （5%）、总价、日期、时间、付款方式、销售...
沃尔玛历史销售数据集 CSV（6435条记录）【500010044】
10-25
该数据集是沃尔玛历史销售数据的一个CSV文件，包含6435条记录，涉及时间跨度为2010年2月5日至2012年11月1日。这样的数据集对于理解和分析零售行业的销售趋势，以及进行预测模型的构建具有极大的价值。下面将详细阐述...
沃尔玛中国启动区块链可追溯平台,创新保障食品安全.pdf
08-15
从技术分析角度看，区块链在食品安全追溯中的应用也面临诸多挑战。例如，如何确保数据录入的及时性和准确性，如何实现大规模商业应用中的技术可扩展性，以及如何保护消费者和供应链参与者的隐私等问题。因此，沃尔玛...
数据挖掘技术在工业上的应用.pdf
07-14
在零售业，数据挖掘技术对消费者行为和习惯进行分析，如美国沃尔玛超市通过数据挖掘发现男性消费者购买尿布后可能购买啤酒的消费模式。这一发现可用于优化货架摆放和进货策略。此外，对商品的畅销与否、盈利能力等...
机械原理课程设计 破碎机.doc
09-21
机械原理课程设计 破碎机.doc
电子设计论文施密特触发器电子设计论文施密特触发器
09-21
电子设计论文施密特触发器电子设计论文施密特触发器
电子设计论文往返式流动灯电子设计论文往返式流动灯
09-21
电子设计论文往返式流动灯电子设计论文往返式流动灯
基于深度学习来实现序列到序列.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
美国扩大电动汽车充电基础设施政策（英文）.pdf
09-21
政策背景与动机： 签署法案：2021年11月15日，拜登总统签署了《基础设施投资和就业法案》（IIJA），旨在通过多项措施推动美国电动汽车充电基础设施的扩张。 市场增长：随着电动汽车市场的快速增长，对充电基础设施的需求也日益增加，政府政策成为推动这一发展的关键力量。 电动汽车充电基础： 充电技术：电动汽车充电技术通常分为三级，各级充电速度和功率不同，满足不同场景下的充电需求。 充电站类型：包括公共、私人及工作场所充电站，各自具有不同的访问限制和使用特点。 市场趋势与现状： 市场增长：EV市场增长依赖技术进步、成本降低及充电便利性的提高。 充电站数量：截至2022年10月，美国公共和私人充电站总数超过50,000个，其中93%为公共充电站。 区域差异：充电站分布存在地区差异，部分低收入社区充电基础设施不足。 政策与项目： NEVI公式计划：通过IIJA设立的国家电动汽车基础设施（NEVI）公式计划，为各州提供资金以建设EV充电站。 税收抵免：扩展了替代燃料汽车加油站的税收抵免政策，包括EV充电站，以激励投资者。 联合办公室：DOT和DOE成立联合办公室，负责NEVI计划的实施和监管，确保
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
09-21
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
前端，HTML+CSS的综合案例，网页开发
09-21
我选用的软件是：Visual Studio CODE，这个软件在前端开发中十分常用，且提供了很大的便利。 当然也可以用记事本开发，记得把后缀名改成.html 还有我的CSS使用的是内部样式表。 写在head标签下。用到的标签有  <h1></h1>    <img src="lyf.jpg" class="god">     <p>    </p> 就是这三个标签，构成了HTML的主体架构。 而CSS则是设置了以下形式。 font-size: 16px;             line-height: 32px;             font-family: "Microsoft Yahei";             text-align: left;             text-indent：2em;          text-decoration: none;             color: #888888         width：66px
MFC MAPI 源码和可执行文件
09-21
大名鼎鼎的MFC MAPI 源码和可执行文件，是开发OUTLOOK插件的好帮手。
机械原理课程设计插床机构机械设计.doc
09-21
机械原理课程设计插床机构机械设计.doc
基于深度学习的音频分类 前端App.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
基于BERT模型的深度学习中文文本分类实现，包含大约20000条新闻的训练和测试集，包装有简单HTTP接口可供调用。.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
09-21
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
EKFUKFCKF录屏.mp4
09-21
EKFUKFCKF录屏.mp4
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值