CN110740356A - 基于区块链的直播数据的监控方法及系统 - Google Patents
基于区块链的直播数据的监控方法及系统 Download PDFInfo
- Publication number
- CN110740356A CN110740356A CN201910981793.2A CN201910981793A CN110740356A CN 110740356 A CN110740356 A CN 110740356A CN 201910981793 A CN201910981793 A CN 201910981793A CN 110740356 A CN110740356 A CN 110740356A
- Authority
- CN
- China
- Prior art keywords
- data
- live broadcast
- violation
- broadcast data
- block chain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000002787 reinforcement Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000007480 spreading Effects 0.000 abstract description 3
- 238000003892 spreading Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
- H04N21/2407—Monitoring of transmitted content, e.g. distribution time, number of downloads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/254—Management at additional data server, e.g. shopping server, rights management server
- H04N21/2541—Rights Management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于区块链的直播数据的监控方法及系统，结合区块链技术，能够在受到举报次数超过阈值时，对违规行为进行进一步判断和处理，提升了违规行为判定的效率和准确率，减少了违规的漏判和错判，防止违规行为的错误判断与处理，也避免了违规行为的长时间和大范围的传播，营造良好的互联网生态环境。
Description
【技术领域】
本发明涉及计算机技术领域，尤其涉及一种基于区块链的直播数据的监控方法及系统。
【背景技术】
近年来，随着互联网的迅猛发展，直播网站层出不穷，这就带来了不少问题。直播过程的实时性，以及直播网站大多缺乏有效的监管，发生了越来越多的违规行为。然而，由于直播过程的即时性和直播数据的庞杂性，目前并没有有效的方法对直播网站中的违规行为进行有效监控。
【发明内容】
有鉴于此，本发明实施例提供了一种基于区块链的直播数据的监控方法及系统。
第一方面，本发明实施例提供了一种基于区块链的直播数据的监控方法，该方法包括：
当服务器接收到举报次数未达到举报次数阈值时，服务器读取区块链上记录的历史数据，并在识别历史数据上的违规权重后，生成对应的采集频率，然后在指定时间段内按所述照采集频率采集各客户端的直播数据；
服务器根据所述违规权重向各直播数据分配预设获取率，并创建OPEN表和 CLOSE表，将新采集的直播数据存入OPEN表，将达到预设获取率的直播数据存入CLOSE表；
各节点从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率，节点对获取到的直播数据进行预处理后生成学习倾向标识，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果，节点将监控结果上传至区块链并进行全节点广播，其他节点在收到广播后基于区块链约束规则进行处理，区块链基于区块链约束规则生成奖励区块；
区块链根据监控结果对违规权重
进行更新，并将更新后的发送至服务器中；
若
服务器向对应的客户端发送警告消息；若
服务器将对应的客户端进行暂时封号；若
服务器将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述违规权重的更新公式为:
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取率的更新公式为：
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，具体包括：
基于携带有学习倾向标识的直播数据建立遗憾函数模型：
定义遗憾函数模型的V函数：以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
将遗憾函数模型拆分为以下子模型：
其中，
根据子模型进行训练学习，分别生成基于数据类型的深度知识网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将各所述强化学习结果进行跨数据类型融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述区块链约束规则包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，当服务器收到举报次数达到举报次数阈值时，服务器直接采集被举报客户端的直播数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述直播数据包括指定时长内的图像数据、弹幕数据和声音数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述节点对获取到的直播数据进行预处理，具体包括：
设置预处理优先级，其中，弹幕数据为第一优先级，声音数据为第二优先级，图像数据为第三优先级；
第一优先级处理：判断指定时长内的弹幕内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则判断所述弹幕内容的IP重合度是否超出重合度阈值，若超出，则进行潜在违规标记，若未超出，则判断所述弹幕内容的文字重复度是否超出重复度阈值，若超出，则进行违规标记，若未超出，则进入第二优先级处理；
第二优先级处理：将声音数据转化为文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则进入第三优先级处理；
第三优先级处理：识别图像数据中文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则对图像数据进行广告识别，若识别出广告进行潜在违规标记，若未识别出广告则不进行标记；
若直播数据中存在潜在违规标记，则生成违规学习倾向标识；若直播数据不存在潜在违规标记，则生成非违规学习倾向标识。
第二方面，本发明实施例提供了一种基于区块链的直播数据的监控系统，所述系统包括：
服务器，所述服务器包括：
读取单元，用于在接收到举报次数未达到举报次数阈值时，读取区块链上记录的历史数据；
生成单元，用于在在识别历史数据上的违规权重后，生成对应的采集频率；
采集单元，用于在指定时间段内按所述照采集频率采集各客户端的直播数据；
分配单元，用于根据所述违规权重向各直播数据分配预设获取率；
创建单元，创建OPEN表和CLOSE表，将新采集的直播数据存入OPEN表，将达到预设获取率的直播数据存入CLOSE表；
判断单元，在
向对应的客户端发送警告消息；在
将对应的客户端进行暂时封号；在
将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值，
为违规权重。
至少一个节点，所述节点包括：
获取模块，用于从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率；
预处理模块，用于对获取到的直播数据进行预处理后生成学习倾向标识；
学习处理模块，用于通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果；
区块链交互模块，将监控结果上传至区块链并进行全节点广播，以使其他节点在收到广播后基于区块链约束规则进行处理。
区块链，所述区块链包括：
存储层，用于记录历史数据，所述历史数据包括违规权重数据、节点权重数据、监控结果数据和奖励区块数据；
交互层，用于和节点与服务器进行数据交互；
约束层，用于建立区块链约束规则，具体包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链；
处理层，用于对违规权重数据和节点权重数据进行更新，以及基于约束层进行奖励区块的生成、交易与记录。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的方法中，提出了一种基于区块链的直播数据的监控方法，结合区块链技术，能够在受到举报次数超过阈值时，对违规行为进行进一步判断和处理，提升了违规行为判定的效率和准确率，防止违规行为的错误判断与处理，也避免了违规行为的长时间和大范围的传播，营造良好的互联网生态环境。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例所提供的一种基于区块链的直播数据的监控方法的流程示意图；
图2是本发明实施例所提供的直播数据预处理的流程示意图；
图3是本发明实施例所提供的一种基于区块链的直播数据的监控系统的结构示意图；
图4为本发明实施例所提供的服务器的功能方块图；
图5为本发明实施例所提供的节点的功能方块图；
图6为本发明实施例所提供的区块链的系统构架图；
图7为本发明实施例所提供的节点设备的硬件示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
请参考图1，其为本发明实施例所提供的一种基于区块链的直播数据的监控方法的流程示意图，如图所示，该方法包括以下步骤：
当服务器接收到举报次数未达到举报次数阈值时，服务器读取区块链上记录的历史数据，并在识别历史数据上的违规权重后，生成对应的采集频率，然后在指定时间段内按所述照采集频率采集各客户端的直播数据；
服务器根据所述违规权重向各直播数据分配预设获取率，并创建OPEN表和 CLOSE表，将新采集的直播数据存入OPEN表，将达到预设获取率的直播数据存入CLOSE表；
各节点从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率，节点对获取到的直播数据进行预处理后生成学习倾向标识，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果，节点将监控结果上传至区块链并进行全节点广播，其他节点在收到广播后基于区块链约束规则进行处理，区块链基于区块链约束规则生成奖励区块；
区块链根据监控结果对违规权重
进行更新，并将更新后的
发送至服务器中；
若服务器向对应的客户端发送警告消息；若
服务器将对应的客户端进行暂时封号；若
服务器将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值。
需要说明的是，所述违规权重的更新公式为:
需要说明是，所述获取率的更新公式为：
需要说明的是，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，具体包括：
基于携带有学习倾向标识的直播数据建立遗憾函数模型：
定义遗憾函数模型的V函数：以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
将遗憾函数模型拆分为以下子模型：
其中，
根据子模型进行训练学习，分别生成基于数据类型的深度知识网络。
需要说明的是，将各所述强化学习结果进行跨数据类型融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
具体的，单个深度知识网络对应的玻尔兹曼策略可用如下公式进行表示然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即最小化如下玻尔兹曼策略与多任务模拟网络的交叉熵，即最小化如下公式：
损失函数可以由以下公式进行确定
整个学习过程可以写做
然后对学习过程做梯度下降，每轮梯度下降中参数变化记为
不断迭代，能够收敛到一个稳定的点，即可实现数据融合。
需要说明的是，所述区块链约束规则包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链。
需要说明的是，所述方法还包括：当服务器收到举报次数达到举报次数阈值时，服务器直接采集被举报客户端的直播数据。
需要说明的是，所述直播数据包括指定时长内的图像数据、弹幕数据和声音数据。
图2是本发明实施例所提供的直播数据预处理的流程示意图，如图2所示，所述节点对获取到的直播数据进行预处理，具体包括：
设置预处理优先级，其中，弹幕数据为第一优先级，声音数据为第二优先级，图像数据为第三优先级；
第一优先级处理：判断指定时长内的弹幕内容与违规词库是否匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则判断所述弹幕内容的IP重合度是否超出重合度阈值，若超出，则进行潜在违规标记，若未超出，则判断所述弹幕内容的文字重复度是否超出重复度阈值，若超出，则进行违规标记，若未超出，则进入第二优先级处理；
第二优先级处理：将声音数据转化为文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则进入第三优先级处理；
第三优先级处理：识别图像数据中文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则对图像数据进行广告识别，若识别出广告进行潜在违规标记，若未识别出广告则不进行标记；
若直播数据中存在潜在违规标记，则生成违规学习倾向标识；若直播数据不存在潜在违规标记，则生成非违规学习倾向标识。
预处理的过程可以有效降低学习过程的运算量，减少对节点计算资源的占用，很大程度上提升了节点的计算效率。
本发明实施例提供了一种基于区块链的直播数据的监控方法及系统，结合了区块链技术，能够在受到举报次数超过阈值时，对违规行为进行进一步判断和处理，提升了违规行为判定的效率和准确率，减少了违规的漏判和错判，防止违规行为的错误判断与处理，也避免了违规行为的长时间和大范围的传播，营造良好的互联网生态环境。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。图3是本发明实施例所提供的一种基于区块链的直播数据的监控系统的结构示意图；图4为本发明实施例所提供的服务器的功能方块图；图5为本发明实施例所提供的节点的功能方块图；图6为本发明实施例所提供的区块链的系统构架图。
请参考图3，其为本发明实施例所提供的一种基于区块链的直播数据的监控系统，所述系统包括：
服务器100，请参考图4，所述服务器包括：
读取单元110，用于在接收到举报次数未达到举报次数阈值时，读取区块链上记录的历史数据；
生成单元120，用于在在识别历
史数据上的违规权重后，生成对应的采集频率；
采集单元130，用于在指定时间段内按所述照采集频率采集各客户端的直播数据；
分配单元140，用于根据所述违规权重向各直播数据分配预设获取率；
创建单元150，创建OPEN表和CLOSE表，将新采集的直播数据存入 OPEN表，将达到预设获取率的直播数据存入CLOSE表；
判断单元160，在
向对应的客户端发送警告消息；在
将对应的客户端进行暂时封号；在
将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值，
为违规权重。
至少一个节点200，请参考图5，所述节点包括：
获取模块210，用于从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率；
预处理模块220，用于对获取到的直播数据进行预处理后生成学习倾向标识；
学习处理模块230，用于通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果；
区块链交互模块240，将监控结果上传至区块链并进行全节点广播，以使其他节点在收到广播后基于区块链约束规则进行处理。
区块链300，请参考图6，所述区块链包括：
存储层310，用于记录历史数据，所述历史数据包括违规权重数据、节点权重数据、监控结果数据和奖励区块数据；
交互层320，用于和节点与服务器进行数据交互；
约束层330，用于建立区块链约束规则，具体包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链；
处理层，用于对违规权重数据和节点权重数据进行更新，以及基于约束层进行奖励区块的生成、交易与记录。
由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。
图7是本发明的一个实施例节点设备的硬件示意图。请参考图7，在硬件层面，该节点设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该节点设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成电价的定价装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的节点工作方法。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述如本发明图实施例提供的节点设备执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器 (Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－ Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的节点设备执行时，能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于区块链的直播数据的监控方法，其特征在于，所述方法包括：
当服务器接收到举报次数未达到举报次数阈值时，服务器读取区块链上记录的历史数据，并在识别历史数据上的违规权重后，生成对应的采集频率，然后在指定时间段内按照所述采集频率采集各客户端的直播数据；
服务器根据所述违规权重向各直播数据分配预设获取率，并创建OPEN表和CLOSE表，将新采集的直播数据存入OPEN表，将达到预设获取率的直播数据存入CLOSE表；
各节点从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率，节点对获取到的直播数据进行预处理后生成学习倾向标识，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果，节点将监控结果上传至区块链并进行全节点广播，其他节点在收到广播后基于区块链约束规则进行处理，区块链基于区块链约束规则生成奖励区块；
区块链根据监控结果对违规权重
进行更新，并将更新后的
发送至服务器中；
若
服务器向对应的客户端发送警告消息；若
服务器将对应的客户端进行暂时封号；若
服务器将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值。
2.根据权利要求1所述的方法，其特征在于，所述违规权重的更新公式为:
3.根据权利要求1所述的方法，其特征在于，所述获取率的更新公式为：
4.根据权利要求1所述的方法，其特征在于，通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，具体包括：
基于携带有学习倾向标识的直播数据建立遗憾函数模型：
定义遗憾函数模型的V函数：
以及Q函数：Qπ(x,a)＝c(x,a)-λπ+E[Vπ(x′)|x,a]；其中，E为迭代次数，
将遗憾函数模型拆分为以下子模型：
其中，
根据子模型进行训练学习，分别生成基于数据类型的深度知识网络。
5.根据权利要求4所述的方法，其特征在于，将各所述强化学习结果进行跨数据类型融合，具体包括：
将各个深度知识网络分别转化为对应的玻尔兹曼策略，然后训练一个多任务模拟网络，最小化各个玻尔兹曼策略与多任务模拟网络的差距，即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
6.根据权利要求1所述的方法，其特征在于，所述区块链约束规则包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：当服务器收到举报次数达到举报次数阈值时，服务器直接采集被举报客户端的直播数据。
8.根据权利要求1所述的方法，其特征在于，所述直播数据包括指定时长内的图像数据、弹幕数据和声音数据。
9.根据权利要求8所述的方法，其特征在于，所述节点对获取到的直播数据进行预处理，具体包括：
设置预处理优先级，其中，弹幕数据为第一优先级，声音数据为第二优先级，图像数据为第三优先级；
第一优先级处理：判断指定时长内的弹幕内容与违规词库是否匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则判断所述弹幕内容的IP重合度是否超出重合度阈值，若超出，则进行潜在违规标记，若未超出，则判断所述弹幕内容的文字重复度是否超出重复度阈值，若超出，则进行违规标记，若未超出，则进入第二优先级处理；
第二优先级处理：将声音数据转化为文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则进入第三优先级处理；
第三优先级处理：识别图像数据中文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则对图像数据进行广告识别，若识别出广告进行潜在违规标记，若未识别出广告则不进行标记；
若直播数据中存在潜在违规标记，则生成违规学习倾向标识；若直播数据不存在潜在违规标记，则生成非违规学习倾向标识。
10.一种基于区块链的直播数据的监控系统，其特征在于，包括：
服务器，所述服务器包括：
读取单元，用于在接收到举报次数未达到举报次数阈值时，读取区块链上记录的历史数据；
生成单元，用于在在识别历史数据上的违规权重后，生成对应的采集频率；
采集单元，用于在指定时间段内按所述照采集频率采集各客户端的直播数据；
分配单元，用于根据所述违规权重向各直播数据分配预设获取率；
创建单元，创建OPEN表和CLOSE表，将新采集的直播数据存入OPEN表，将达到预设获取率的直播数据存入CLOSE表；
判断单元，在
向对应的客户端发送警告消息；在
将对应的客户端进行暂时封号；在
将对应的客户端进行永久封号；其中，Δ1为第一阈值，Δ2为第二阈值，Δ3为第三阈值，
为违规权重。
至少一个节点，所述节点包括：
获取模块，用于从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率；
预处理模块，用于对获取到的直播数据进行预处理后生成学习倾向标识；
学习处理模块，用于通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果，将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果；
区块链交互模块，将监控结果上传至区块链并进行全节点广播，以使其他节点在收到广播后基于区块链约束规则进行处理。
区块链，所述区块链包括：
存储层，用于记录历史数据，所述历史数据包括违规权重数据、节点权重数据、监控结果数据和奖励区块数据；
交互层，用于和节点与服务器进行数据交互；
约束层，用于建立区块链约束规则，具体包括：
每个节点每次只处理一个直播数据；
当前节点在处理直播数据过程中，若接收到其他的基于相同直播数据的监控结果时，立即停止对当前数据的处理；
当监控结果被区块链以区块形式记录时，区块链向带有最早的时间戳的节点投放奖励区块，该奖励区块可在节点之间进行交易，且交易记录写入区块链；
处理层，用于对违规权重数据和节点权重数据进行更新，以及基于约束层进行奖励区块的生成、交易与记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981793.2A CN110740356B (zh) | 2019-10-16 | 2019-10-16 | 基于区块链的直播数据的监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910981793.2A CN110740356B (zh) | 2019-10-16 | 2019-10-16 | 基于区块链的直播数据的监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110740356A true CN110740356A (zh) | 2020-01-31 |
| CN110740356B CN110740356B (zh) | 2020-12-18 |
Family
ID=69268994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910981793.2A Active CN110740356B (zh) | 2019-10-16 | 2019-10-16 | 基于区块链的直播数据的监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110740356B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486991A (zh) * | 2021-09-07 | 2021-10-08 | 南通林德安全设备科技有限公司 | 一种基于区块链的医疗数据神经网络特征融合方法及系统 |
| CN113516613A (zh) * | 2020-03-27 | 2021-10-19 | 复旦大学 | 基于多标签分类和定位网络的ct图像椎骨识别和定位的方法及用途 |
| CN113888526A (zh) * | 2021-10-21 | 2022-01-04 | 北京实力伟业环保科技有限公司 | 基于微生物的废气处理方法及系统 |
| US20230115096A1 (en) * | 2021-10-07 | 2023-04-13 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| US11838256B2 (en) | 2021-10-07 | 2023-12-05 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| US11902395B2 (en) | 2021-10-07 | 2024-02-13 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716690A (zh) * | 2013-12-27 | 2014-04-09 | 广州华多网络科技有限公司 | 多媒体直播举报的方法、终端、服务器及系统 |
| CN106604133A (zh) * | 2016-12-20 | 2017-04-26 | 天脉聚源（北京）教育科技有限公司 | 直播监控方法及装置 |
| US20180176228A1 (en) * | 2016-12-21 | 2018-06-21 | International Business Machines Corporation | Monitoring actions performed by a network of peer devices using a blockchain |
| CN109034188A (zh) * | 2018-06-15 | 2018-12-18 | 北京金山云网络技术有限公司 | 机器学习模型的获取方法、获取装置、设备及存储介质 |
| CN110012300A (zh) * | 2018-01-04 | 2019-07-12 | 华为技术有限公司 | 视频直播方法及装置 |
-
2019
- 2019-10-16 CN CN201910981793.2A patent/CN110740356B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716690A (zh) * | 2013-12-27 | 2014-04-09 | 广州华多网络科技有限公司 | 多媒体直播举报的方法、终端、服务器及系统 |
| CN106604133A (zh) * | 2016-12-20 | 2017-04-26 | 天脉聚源（北京）教育科技有限公司 | 直播监控方法及装置 |
| US20180176228A1 (en) * | 2016-12-21 | 2018-06-21 | International Business Machines Corporation | Monitoring actions performed by a network of peer devices using a blockchain |
| CN110012300A (zh) * | 2018-01-04 | 2019-07-12 | 华为技术有限公司 | 视频直播方法及装置 |
| CN109034188A (zh) * | 2018-06-15 | 2018-12-18 | 北京金山云网络技术有限公司 | 机器学习模型的获取方法、获取装置、设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516613A (zh) * | 2020-03-27 | 2021-10-19 | 复旦大学 | 基于多标签分类和定位网络的ct图像椎骨识别和定位的方法及用途 |
| CN113486991A (zh) * | 2021-09-07 | 2021-10-08 | 南通林德安全设备科技有限公司 | 一种基于区块链的医疗数据神经网络特征融合方法及系统 |
| US20230115096A1 (en) * | 2021-10-07 | 2023-04-13 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| US11792286B2 (en) * | 2021-10-07 | 2023-10-17 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| US11838256B2 (en) | 2021-10-07 | 2023-12-05 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| US11902395B2 (en) | 2021-10-07 | 2024-02-13 | Rovi Guides, Inc. | Systems and methods for dynamically routing application notifications to selected devices |
| CN113888526A (zh) * | 2021-10-21 | 2022-01-04 | 北京实力伟业环保科技有限公司 | 基于微生物的废气处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110740356B (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110740356A (zh) | 基于区块链的直播数据的监控方法及系统 | |
| CN105279613A (zh) | 一种账务处理方法及系统 | |
| CN111382069A (zh) | 一种数据流测试方法及系统 | |
| CN110743169B (zh) | 基于区块链的防作弊方法及系统 | |
| CN111314174A (zh) | 基于区块链和sdn边缘计算网络系统的网络拨测方法及装置 | |
| CN113535399A (zh) | 一种nfv资源调度方法、装置以及系统 | |
| CN109598171A (zh) | 一种基于二维码的数据处理方法、装置及系统 | |
| CN113761367A (zh) | 机器人流程自动化程序的推送系统及方法、装置、计算设备 | |
| CN113505805A (zh) | 样本数据闭环生成方法、装置、设备及存储介质 | |
| CN113269370B (zh) | 一种活跃用户预测方法、装置、电子设备及可读存储介质 | |
| CN114553897A (zh) | 服务请求处理方法、系统及电子设备 | |
| CN114416545A (zh) | 确定测试代码覆盖率的方法、装置和电子设备 | |
| CN112437022B (zh) | 网络流量识别方法、设备及计算机存储介质 | |
| CN113268362A (zh) | 基于无服务器平台的运维方法、装置、设备及存储介质 | |
| CN111882349A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN117216736A (zh) | 异常账号的识别方法、数据调度平台及图计算平台 | |
| CN109587198B (zh) | 图文信息推送方法及装置 | |
| CN107688582B (zh) | 资源推荐模型的获取方法及装置 | |
| CN113285977B (zh) | 基于区块链和大数据的网络维护方法及系统 | |
| CN111008862A (zh) | 一种基于区块链的调查问卷信息采集方法、设备及介质 | |
| CN111967671A (zh) | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 | |
| CN111177530A (zh) | 基于大数据实现热点内容推送的方法及装置 | |
| Artés et al. | Core allocation policies on multicore platforms to accelerate forest fire spread predictions | |
| CN111985568B (zh) | 数据处理方法及装置、电子设备 | |
| CN113542203B (zh) | 一种视频业务dpi识别方法及服务器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201117 Address after: Hangzhou City, Zhejiang Province, Binjiang District West Street 310000 Qianmo Road No. 482 16 floor A building room 1601 Applicant after: HANGZHOU ADTIME TECHNOLOGY Co.,Ltd. Applicant after: Zhejiang Furun digital chain Technology Co.,Ltd. Address before: No. 15, Xiaowang Village, Banqiao Town, Fengyang County, Chuzhou City, Anhui Province Applicant before: Yang Yongqun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 1806, 18th Floor, Building A, No. 482 Qianmo Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province, 310051 Patentee after: Zhejiang Furun digital chain Technology Co.,Ltd. Patentee after: HANGZHOU ADTIME TECHNOLOGY Co.,Ltd. Address before: Room 1601, 16th Floor, Building A, No. 482 Qianmo Road, Xixing Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000 Patentee before: HANGZHOU ADTIME TECHNOLOGY Co.,Ltd. Patentee before: Zhejiang Furun digital chain Technology Co.,Ltd. |