CN111652615B - 基于区块链大数据的安全识别方法及人工智能云服务平台 - Google Patents

基于区块链大数据的安全识别方法及人工智能云服务平台 Download PDF

Info

Publication number
CN111652615B
CN111652615B CN202010585953.4A CN202010585953A CN111652615B CN 111652615 B CN111652615 B CN 111652615B CN 202010585953 A CN202010585953 A CN 202010585953A CN 111652615 B CN111652615 B CN 111652615B
Authority
CN
China
Prior art keywords
payment
consensus
protection
verification
target
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.)
Active
Application number
CN202010585953.4A
Other languages
English (en)
Other versions
CN111652615A (zh
Inventor
杨刘琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi new agribusiness supply chain Technology Co.,Ltd.
Original Assignee
Guangxi New Agribusiness Supply Chain Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi New Agribusiness Supply Chain Technology Co ltd filed Critical Guangxi New Agribusiness Supply Chain Technology Co ltd
Priority to CN202010585953.4A priority Critical patent/CN111652615B/zh
Priority to CN202011479257.1A priority patent/CN112488713A/zh
Priority to CN202011477761.8A priority patent/CN112488712A/zh
Publication of CN111652615A publication Critical patent/CN111652615A/zh
Application granted granted Critical
Publication of CN111652615B publication Critical patent/CN111652615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G06Q20/3825—Use of electronic signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/405—Establishing or using transaction specific rules

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于区块链大数据的安全识别方法及人工智能云服务平台，通过智能学习分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，能够很好地学习到分布式账本的支付安全特点，以便于后续为在智能支付过程中提供符合支付安全特点的安全防护更新脚本从而进行安全防护，由此通过共识预测规则的安全识别和对比，提高后续区块链支付过程中的安全性。

Description

基于区块链大数据的安全识别方法及人工智能云服务平台
技术领域
本申请涉及区块链及安全支付技术领域，具体而言，涉及一种基于区块链大数据的安全识别方法及人工智能云服务平台。
背景技术
随着移动支付技术的快速发展，区块链支付在互联网中的使用越来越普遍，区块链简单说就是一种去中心化的分布式账本，本质是通过公开的、加密的不可篡改的技术手段，为解决多方信任问题提供了一个方案。鉴于此，如何自适应性提高区块链支付过程中的安全性，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的在于提供一种基于区块链大数据的安全识别方法及人工智能云服务平台，通过智能学习分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，能够很好地学习到分布式账本的支付安全特点，以便于后续为用户提供符合支付安全特点的安全防护更新脚本进行自动控制，从而通过共识预测规则的安全识别和对比，提高后续区块链支付过程中的安全性。
第一方面，本申请提供一种基于区块链大数据的安全识别方法，应用于人工智能云服务平台，所述人工智能云服务平台与多个不同分布式账本的区块链验证服务系统通信连接，所述区块链验证服务系统包括区块链请求响应组件以及与所述区块链请求响应组件通信连接的支付加密组件，所述方法包括：
获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息，其中，所述支付响应大数据信息通过所述分布式账本的区块链验证服务系统中的所述支付加密组件对所述区块链请求响应组件进行加密完成后得到，所述支付响应大数据信息包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，所述支付响应对象用于表征共识支付验证过程中每次产生的验证对象，所述支付账本信息集合用于记录相应的支付响应对象下的共识支付验证数据；
根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型；
根据所述安全识别人工智能模型对所述分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到所述分布式账本在所述预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则；
根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列，所述防护执行节点序列包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列。
在第一方面的一种可能的实现方式中，所述根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型的步骤，包括：
提取每个所述支付响应对象所对应的支付账本信息集合的交易协议特征信息；
以所述交易协议特征信息作为待生成模型的输入特征，将所述交易协议特征信息输入到所述待生成模型中，通过所述待生成模型解析所述交易协议特征信息在交易协议类别内的可学习特征，所述可学习特征包括可学习特征区间段集合；
按照预设标记对所述可学习特征区间段集合进行分割，得到多个学习分割特征；
根据所述可学习特征所对应的特征向量确定多个第一更新命令内容，所述多个第一更新命令内容分别为所述多个学习分割特征在所述待生成模型中学习控制的更新命令内容，所述待生成模型用于学习多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在所述待生成模型中映射的更新命令内容，所述多个可学习特征区间段集合为在所述交易协议类别内获取到的多个可学习特征所包括的可学习特征区间段集合，其中，所述第一更新命令内容根据所述特征向量所表征的特征参数类型以及不同特征参数类型所对应的预设更新命令内容得到；
按照所述多个第一更新命令内容中的每个第一更新命令内容从高收敛度到低收敛度的顺序，对所述多个第一更新命令内容进行排序，得到更新命令内容序列；
基于预设相似比例阈值和所述更新命令内容序列，确定所述多个学习分割特征中的学习分割特征在所述待生成模型中映射的更新命令内容，所述预设相似比例阈值用于指示所述可学习特征区间段集合与交易协议类别内获取的可学习特征区间段集合相似部分在所述可学习特征区间段集合中所占的比例；
当所述学习分割特征在所述待生成模型中映射的更新命令内容匹配预设更新命令内容时，确定所述可学习特征为目标可学习特征，当确定该可学习特征为目标可学习特征时，对于所述多个第一更新命令内容中的每个第一更新命令内容，根据所述第一更新命令内容控制所述待生成模型学习在所述交易协议类别内获得的多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在所述待生成模型中映射的更新命令内容，并在学习控制之后生成对应的预测共识规则；
根据所述每个支付响应对象的预测共识规则和所述每个支付响应对象所对应的预设共识规则标签更新所述待生成模型的更新命令内容。
在第一方面的一种可能的实现方式中，，所述提取每个所述支付响应对象所对应的支付账本信息集合的交易协议特征信息的步骤，包括：
在所述支付账本信息集合的每个数据项目的共识支付验证数据中，确定与所述支付响应对象相对应的共识规则标签所关联的规则签名向量；
针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据所述每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度，并根据每个共识支付验证数据的规则签名向量覆盖度，确定每个共识支付验证数据的置信规则签名向量覆盖度，其中所述签名验证单位的单元规则信息包括签名验证单位的数量、排列号和特征值中的至少一种；
按照置信规则签名向量覆盖度从高到低的顺序，对共识支付验证数据进行排序，根据预先设定的特征数量，选取排位在前的所述特征数量的共识支付验证数据作为所述支付账本信息集合的交易协议特征信息。
在第一方面的一种可能的实现方式中，如果所述签名验证单位的单元规则信息包括签名验证单位的数量，所述针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据所述每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度的步骤，包括：
针对每个共识支付验证数据，根据该共识支付验证数据中的关联的各个规则签名向量上的签名验证单位的数量之和，确定关联的各个规则签名向量对应的第一规则签名向量覆盖度，并根据关联的各个规则签名向量对应的第一规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，所述数量之和越大，所述第一规则签名向量覆盖度越大。
在第一方面的一种可能的实现方式中，如果所述签名验证单位的单元规则信息包括签名验证单位的排列号，所述针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据所述每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度的步骤，包括：
针对每个共识支付验证数据，根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的排列号，确定每个规则签名向量上的由相邻两个签名验证单位确定的最大签名验证区间和最小签名验证区间，根据每个规则签名向量上的最大签名验证区间与最小签名验证区间的比值是否小于预设的阈值，确定每个规则签名向量对应的第二规则签名向量覆盖度，根据每个规则签名向量对应的第二规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，比值小于预设的阈值时对应的第二规则签名向量覆盖度较比值大于设定的阈值时对应的第二规则签名向量覆盖度大；
针对每个共识支付验证数据中的每个规则签名向量，根据该规则签名向量上的签名验证单位的排列号，确定该规则签名向量上的签名验证单位的平均排列号点；
根据关联的各个规则签名向量上的平均排列号点的关系，确定关联的各个规则签名向量对应的位点构成序列，根据该位点构成序列和所述共识支付验证数据的数据所对应时间的序列的顺序关联度，确定关联的各个规则签名向量对应的第三规则签名向量覆盖度，并根据关联的各个规则签名向量对应的第三规则签名向量覆盖度的和，确定所述共识支付验证数据的规则签名向量覆盖度，其中，所述顺序关联度越大，所述第三规则签名向量覆盖度越大，所述共识支付验证数据的数据所对应时间的序列为共识支付验证数据沿正向时间轴构成的序列；
针对每个共识支付验证数据中的每个规则签名向量，根据该规则签名向量上的签名验证单位的排列号，确定该规则签名向量上的签名验证单位的平均排列号点，并确定每相邻三个规则签名向量中任意两个规则签名向量上的平均排列号点的中间排列号点，同时确定剩余一个规则签名向量上的平均排列号点与该中间排列号点的匹配程度；
根据所述匹配程度，确定每相邻三个规则签名向量的重合度，其中，匹配程度越大重合度越高，或确定每相邻三个规则签名向量中相邻两个规则签名向量上的平均排列号点的中间排列号点，根据两个中间排列号点的顺序关联度，确定每相邻三个规则签名向量的重合度以确定每相邻三个规则签名向量对应的第四规则签名向量覆盖度，其中，顺序关联度越大重合度越高；
根据每相邻三个规则签名向量对应的第四规则签名向量覆盖度的和，确定所述共识支付验证数据的规则签名向量覆盖度，其中，重合度越高，第四规则签名向量覆盖度越大。
在第一方面的一种可能的实现方式中，如果所述签名验证单位的单元规则信息包括签名验证单位的特征值，所述针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据所述每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度的步骤，包括：
针对每个共识支付验证数据，根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的特征值，确定每个规则签名向量上的第一个签名验证单位和最后一个签名验证单位的特征值变化特征，根据特征值变化特征是否满足预设的特征变化规则，确定每个规则签名向量对应的第五规则签名向量覆盖度，根据每个规则签名向量对应的第五规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，满足预设的特征变化规则时对应的第五规则签名向量覆盖度较不满足所述预设的特征变化规则时对应的第五规则签名向量覆盖度大；
针对每个共识支付验证数据，根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的特征值，确定每个规则签名向量上的签名验证单位的梯度值，根据每个规则签名向量上的签名验证单位的梯度值的绝对值的平均值，确定每个规则签名向量对应的第六规则签名向量覆盖度，根据每个规则签名向量对应的第六规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，该平均值越大，所述第六规则签名向量覆盖度越大。
在第一方面的一种可能的实现方式中，所述根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤，包括：
按照预定的共识支付验证策略对所述目标共识预测规则以及与所述目标共识预测规则对应的支付响应对象进行模拟验证，分别生成每个共识支付验证策略的支付验证策略结果信息；
根据所述每个共识支付验证策略的支付验证策略结果信息生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列。
在第一方面的一种可能的实现方式中，所述按照预定的共识支付验证策略对所述目标共识预测规则以及与所述目标共识预测规则对应的支付响应对象进行模拟验证，分别生成每个共识支付验证策略的支付验证策略结果信息的步骤，包括：
获取每个预定的共识支付验证策略所对应的预设签名验证单位，形成每个预定的共识支付验证策略的签名验证单位序列，并根据每种共识支付验证策略所对应的预设单位数量阈值，从所述签名验证单位序列中选取排序靠前的目标签名验证单位，以得到每个预定的共识支付验证策略所对应的目标签名验证单位；
对所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与每个预定的共识支付验证策略所对应的目标签名验证单位进行匹配，并根据匹配结果确定与每个预定的共识支付验证策略匹配的共识预测规则，以生成每个共识支付验证策略的支付验证策略结果信息。
在第一方面的一种可能的实现方式中，所述根据所述每个共识支付验证策略的支付验证策略结果信息生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤，包括：
针对所述各个共识支付验证策略的支付验证策略结果信息的每个共识预测规则，分别获取与所述共识预测规则匹配的预设防护执行节点信息，并获取所述预设防护执行节点信息与该共识支付验证策略关联的目标防护执行节点集合，并在所述目标防护执行节点集合中的目标防护执行节点数量大于设定数量时，将该共识支付验证策略确定为一个安全防护更新脚本；
在将该共识支付验证策略确定为一个安全防护更新脚本的基础上，对所述目标防护执行节点集合进行计算，获取与所述目标防护执行节点集合对应的防护验证信息，并对所述目标防护执行节点集合中所述共识预测规则的每个目标防护执行节点进行防护特征提取，获取所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量；
将与所述目标防护执行节点集合对应的防护验证信息中验证历史频次大于预设阈值的目标防护执行节点确定为关键目标防护执行节点；
根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量，计算整个节点序列的第一防护交易参数，并根据所述关键目标防护执行节点中每个目标防护执行节点的防护特征向量，计算所述关键目标防护执行节点的第二防护交易参数；
对所述第一防护交易参数、所述第二防护交易参数和所述第一防护交易参数、所述第二防护交易参数各自对应的预设权重系数进行计算，获取所述关键目标防护执行节点的特征系数，计算所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果，并根据所述计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度；
对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度；
或者，根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度，并按照预设的差异范围对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度，其中，所述第二执行共识算法参考度与所述第一执行共识算法参考度之间的参数差异不处于所述差异范围；
对所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度；
根据所述执行共识算法参考度以及所述防护验证信息，确定所述目标防护执行节点集合中每个目标防护执行节点的目标系数，并计算所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度与预设常数的比值，其中，所述目标系数为所述执行共识算法参考度除以所述防护验证信息的特征向量值后的值；
计算每个目标防护执行节点的执行共识算法参考度与预设常数的比值与对应的目标系数的乘积，获取所述目标防护执行节点集合中每个目标防护执行节点的筛选度；
根据所述每个目标防护执行节点的筛选度，将筛选度大于设定筛选度的目标防护执行节点按照时间的先后顺序进行排列，并将同一命令类型的目标防护执行节点确定为一个所述防护共识验证项目，以确定为该安全防护更新脚本所对应的防护执行节点序列。
在第一方面的一种可能的实现方式中，所述根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤之后，所述方法还包括：
将所述至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列发送给所述分布式账本的区块链验证服务系统中的支付加密组件，以使得所述支付加密组件根据所述分布式账本指定的安全防护更新脚本，按照该安全防护更新脚本所对应的防护执行节点序列对所述区块链请求响应组件所对应的支付安全验证过程进行防护。
第二方面，本申请实施例还提供一种基于区块链大数据的安全识别装置，应用于人工智能云服务平台，所述人工智能云服务平台与多个不同分布式账本的区块链验证服务系统通信连接，所述区块链验证服务系统包括区块链请求响应组件以及与所述区块链请求响应组件通信连接的支付加密组件，所述装置包括：
获取模块，用于获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息，其中，所述支付响应大数据信息通过所述分布式账本的区块链验证服务系统中的所述支付加密组件对所述区块链请求响应组件进行加密完成后得到，所述支付响应大数据信息包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，所述支付响应对象用于表征共识支付验证过程中每次产生的验证对象，所述支付账本信息集合用于记录相应的支付响应对象下的共识支付验证数据；
学习控制模块，用于根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型；
安全识别模块，用于根据所述安全识别人工智能模型对所述分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到所述分布式账本在所述预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则；
生成模块，用于根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列，所述防护执行节点序列包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列。
第三方面，本申请实施例还提供一种基于区块链大数据的安全识别系统，所述基于区块链大数据的安全识别系统包括人工智能云服务平台以及与所述人工智能云服务平台通信连接的多个不同分布式账本的区块链验证服务系统，所述区块链验证服务系统包括区块链请求响应组件以及与所述区块链请求响应组件通信连接的支付加密组件；
所述支付加密组件对所述区块链请求响应组件进行加密完成后得到分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息；
所述人工智能云服务平台，用于获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息，所述支付响应大数据信息包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，所述支付响应对象用于表征共识支付验证过程中每次产生的验证对象，所述支付账本信息集合用于记录相应的支付响应对象下的共识支付验证数据；
所述人工智能云服务平台，用于根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型；
所述人工智能云服务平台，用于根据所述安全识别人工智能模型对所述分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到所述分布式账本在所述预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则；
所述人工智能云服务平台，用于根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列，所述防护执行节点序列包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列。
第四方面，本申请实施例还提供一种人工智能云服务平台，所述人工智能云服务平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个基于区块链大数据的安全识别系统通信连接，所述机器可读存储介质用于存储程序、命令或代码，所述处理器用于执行所述机器可读存储介质中的程序、命令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于区块链大数据的安全识别方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有命令，当其在计算机上检测时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于区块链大数据的安全识别方法。
根据上述任意一个方面，本申请通过智能学习分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，能够很好地学习到分布式账本的支付安全特点，以便于后续为在智能支付过程中提供符合支付安全特点的安全防护更新脚本从而进行安全防护，由此通过共识预测规则的安全识别和对比，提高后续区块链支付过程中的安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于区块链大数据的安全识别系统的应用场景示意图；
图2为本申请实施例提供的基于区块链大数据的安全识别方法的流程示意图；
图3为本申请实施例提供的基于区块链大数据的安全识别装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的基于区块链大数据的安全识别方法的人工智能云服务平台的结构示意框图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是本发明一种实施例提供的基于区块链大数据的安全识别系统10的交互示意图。基于区块链大数据的安全识别系统10可以包括人工智能云服务平台100以及与人工智能云服务平台100通信连接的区块链验证服务系统200。图1所示的基于区块链大数据的安全识别系统10仅为一种可行的示例，在其它可行的实施例中，该基于区块链大数据的安全识别系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，基于区块链大数据的安全识别系统10中的人工智能云服务平台100和区块链验证服务系统200可以通过配合执行以下方法实施例所描述的基于区块链大数据的安全识别方法，具体人工智能云服务平台100和区块链验证服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
本实施例中，所述区块链验证服务系统200具体可以包括区块链请求响应组件以及与所述区块链请求响应组件通信连接的支付加密组件，区块链请求响应组件可以用于记录支付验证过程中的支付响应大数据信息，支付加密组件可以用于对所述区块链请求响应组件的支付响应过程中的相关安全信息进行加密，并可对支付安全验证过程进行防护，本实施例在此不作具体限定。
为了解决前述背景技术中的技术问题，图2为本发明实施例提供的基于区块链大数据的安全识别方法的流程示意图，本实施例提供的基于区块链大数据的安全识别方法可以由图1中所示的人工智能云服务平台100执行，下面对该基于区块链大数据的安全识别方法进行详细介绍。
步骤S110，获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息。
步骤S120，根据分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型。
步骤S130，根据安全识别人工智能模型对分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到分布式账本在预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则。
步骤S140，根据各个支付响应对象所对应的支付账本信息集合的共识预测规则，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列。
本实施例中，人工智能云服务平台100可以为分布式账本提供其在不同账本分布区间内的支付响应大数据信息，分布式账本可以灵活选择一部分或者全部账本分布区间内的支付响应大数据信息进行完成交易，这样人工智能云服务平台100即可获取到分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息。
本实施例中，支付响应大数据信息可以通过分布式账本的区块链验证服务系统200中的支付加密组件对区块链请求响应组件进行加密完成后得到。作为一种可能的示例，支付响应大数据信息可以包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，支付响应对象用于表征共识支付验证过程中每次产生的验证对象（例如用户生物特征验证、用户支付环境验证等行为），支付账本信息集合可以用于记录相应的支付响应对象下的共识支付验证数据，例如，每个支付响应对象通常会持续一定的时间，在此时间段内可以以每个节点（例如一次验证行为）为一个记录点记录相应的支付响应对象下的共识支付验证数据，并进行汇总后得到支付账本信息集合。
本实施例中，预设共识规则标签可以用于表征每个支付响应对象所对应的共识支付验证的类型，例如可以是工作量证明机制、权益证明机制、股份授权证明机制等，另外可以根据历史使用情况来设置分布式账本的每个支付响应对象所对应的预设共识规则标签，并上传到人工智能云服务平台100中进行记录。
本实施例中，防护执行节点序列可以包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列，这些节点序列中可以以时间轴为方向，以单位时间为一个防护单位形成一个控制命令以用于后续支付验证过程。
基于上述设计，本实施例可以通过智能学习分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，能够很好地学习到分布式账本的支付安全特点，以便于后续为在智能支付过程中提供符合支付安全特点的安全防护更新脚本从而进行安全防护，由此通过共识预测规则的安全识别和对比，提高后续区块链支付过程中的安全性。
在一种可能的实现方式中，针对步骤S120，为了提高学习控制效果，避免噪声学习的引入，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，提取每个支付响应对象所对应的支付账本信息集合的交易协议特征信息。
子步骤S122，以交易协议特征信息作为待生成模型的输入特征，将交易协议特征信息输入到待生成模型中，通过待生成模型解析交易协议特征信息在交易协议类别内的可学习特征，可学习特征包括可学习特征区间段集合。
在此基础上，考虑到可学习特征区间段集合通常是由一些标识符分隔开的，由此可以执行：
子步骤S123，按照预设标记（例如分号、顿号等）对可学习特征区间段集合进行分割，得到多个学习分割特征，并根据可学习特征所对应的特征向量确定多个第一更新命令内容。
其中，值得说明的是，上述的多个第一更新命令内容分别为多个学习分割特征在待生成模型中学习控制的更新命令内容，待生成模型用于学习多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在待生成模型中映射的更新命令内容，多个可学习特征区间段集合为在交易协议类别内获取到的多个可学习特征所包括的可学习特征区间段集合。此外还需要说明的是，第一更新命令内容根据特征向量所表征的特征参数类型以及不同特征参数类型所对应的预设更新命令内容得到。
子步骤S124，按照多个第一更新命令内容中的每个第一更新命令内容从高收敛度到低收敛度的顺序，对多个第一更新命令内容进行排序，得到更新命令内容序列。
子步骤S125，基于预设相似比例阈值和更新命令内容序列，确定多个学习分割特征中的学习分割特征在待生成模型中映射的更新命令内容。
其中，值得说明的是，预设相似比例阈值用于指示可学习特征区间段集合与交易协议类别内获取的可学习特征区间段集合相似部分在可学习特征区间段集合中所占的比例。
子步骤S126，当学习分割特征在待生成模型中映射的更新命令内容匹配预设更新命令内容时，确定可学习特征为目标可学习特征，当确定该可学习特征为目标可学习特征时，对于多个第一更新命令内容中的每个第一更新命令内容，根据第一更新命令内容控制待生成模型学习在交易协议类别内获得的多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在待生成模型中映射的更新命令内容，并在学习控制之后生成对应的预测共识规则。
子步骤S127，根据每个支付响应对象的预测共识规则和每个支付响应对象所对应的预设共识规则标签更新待生成模型的更新命令内容。
需要说明的是，可以设置更新迭代次数，当更新迭代次数达到设定次数时，表明待生成模型学习控制完毕，由此输出学习控制完成的安全识别人工智能模型。
在一种可能的实现方式中，在以上子步骤S121过程中，为了使得提取出的交易协议特征信息能够有效涉及到不同数据特征的关联性，以提高后续的学习控制效果，该子步骤S121可以通过以下的示例性子步骤实现，详细描述如下。
（1）在支付账本信息集合的每个数据项目的共识支付验证数据中，确定与支付响应对象相对应的共识规则标签所关联的规则签名向量，然后针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度，并根据每个共识支付验证数据的规则签名向量覆盖度，确定每个共识支付验证数据的置信规则签名向量覆盖度。
（2）按照置信规则签名向量覆盖度从高到低的顺序，对共识支付验证数据进行排序，根据预先设定的特征数量，选取排位在前的特征数量的共识支付验证数据作为支付账本信息集合的交易协议特征信息。
其中，签名验证单位的单元规则信息可以包括签名验证单位的数量、排列号和特征值中的至少一种。 接下来本实施例将给出几种可能的示例以确定每个共识支付验证数据的规则签名向量覆盖度。
例如，如果签名验证单位的单元规则信息包括签名验证单位的数量，那么针对每个共识支付验证数据，根据该共识支付验证数据中的关联的各个规则签名向量上的签名验证单位的数量之和，确定关联的各个规则签名向量对应的第一规则签名向量覆盖度，并根据关联的各个规则签名向量对应的第一规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，数量之和越大，第一规则签名向量覆盖度越大。
又例如，如果签名验证单位的单元规则信息包括签名验证单位的排列号，那么针对每个共识支付验证数据，可以根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的排列号，确定每个规则签名向量上的由相邻两个签名验证单位确定的最大签名验证区间和最小签名验证区间，根据每个规则签名向量上的最大签名验证区间与最小签名验证区间的比值是否小于预设的阈值，确定每个规则签名向量对应的第二规则签名向量覆盖度，根据每个规则签名向量对应的第二规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，比值小于预设的阈值时对应的第二规则签名向量覆盖度较比值大于设定的阈值时对应的第二规则签名向量覆盖度大。
又例如，可以针对每个共识支付验证数据中的每个规则签名向量，根据该规则签名向量上的签名验证单位的排列号，确定该规则签名向量上的签名验证单位的平均排列号点，并根据关联的各个规则签名向量上的平均排列号点的关系，确定关联的各个规则签名向量对应的位点构成序列，根据该位点构成序列和共识支付验证数据的数据所对应时间的序列的顺序关联度，确定关联的各个规则签名向量对应的第三规则签名向量覆盖度，并根据关联的各个规则签名向量对应的第三规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，顺序关联度越大，第三规则签名向量覆盖度越大，共识支付验证数据的数据所对应时间的序列为共识支付验证数据沿正向时间轴构成的序列。
再例如，针对每个共识支付验证数据中的每个规则签名向量，根据该规则签名向量上的签名验证单位的排列号，确定该规则签名向量上的签名验证单位的平均排列号点，并确定每相邻三个规则签名向量中任意两个规则签名向量上的平均排列号点的中间排列号点，同时确定剩余一个规则签名向量上的平均排列号点与该中间排列号点的匹配程度。
（3）根据匹配程度，确定每相邻三个规则签名向量的重合度，其中，匹配程度越大重合度越高，或确定每相邻三个规则签名向量中相邻两个规则签名向量上的平均排列号点的中间排列号点，根据两个中间排列号点的顺序关联度，确定每相邻三个规则签名向量的重合度以确定每相邻三个规则签名向量对应的第四规则签名向量覆盖度，其中，顺序关联度越大重合度越高。
（4）根据每相邻三个规则签名向量对应的第四规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，重合度越高，第四规则签名向量覆盖度越大。
（5）或者在另一种情况中，如果签名验证单位的单元规则信息包括签名验证单位的特征值，那么针对每个共识支付验证数据，根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的特征值，确定每个规则签名向量上的第一个签名验证单位和最后一个签名验证单位的特征值变化特征，根据特征值变化特征是否满足预设的特征变化规则，确定每个规则签名向量对应的第五规则签名向量覆盖度，根据每个规则签名向量对应的第五规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，满足预设的特征变化规则时对应的第五规则签名向量覆盖度较不满足预设的特征变化规则时对应的第五规则签名向量覆盖度大。
再例如，针对每个共识支付验证数据，根据该共识支付验证数据中的每个规则签名向量上的签名验证单位的特征值，确定每个规则签名向量上的签名验证单位的梯度值，根据每个规则签名向量上的签名验证单位的梯度值的绝对值的平均值，确定每个规则签名向量对应的第六规则签名向量覆盖度，根据每个规则签名向量对应的第六规则签名向量覆盖度的和，确定共识支付验证数据的规则签名向量覆盖度，其中，该平均值越大，第六规则签名向量覆盖度越大。
在一种可能的实现方式中，针对步骤S130而言，训练获得的安全识别人工智能模型可以具有共识预测规则的分类能力，通过对分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，可以得到分布式账本在预设时间段内各个支付响应对象所对应的支付账本信息集合在每个标定共识预测规则下的置信度，然后选择置信度最大的标定共识预测规则作为最终的共识预测规则。
在一种可能的实现方式中，进一步针对步骤S140，可以通过以下的示例性子步骤实现，详细描述如下。
子步骤S141，对比各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签是否不同，并根据对比结果获取与预定共识规则标签不同的目标共识预测规则以及与目标共识预测规则对应的支付响应对象。
本实施例中，对于与预定共识规则标签不同的目标共识预测规则，可以理解为可能存在支付安全的篡改风险，因此可以获取与预定共识规则标签不同的目标共识预测规则以及与目标共识预测规则对应的支付响应对象，以便于后续的防护配置处理。
子步骤S142，按照预定的共识支付验证策略对目标共识预测规则以及与目标共识预测规则对应的支付响应对象进行模拟验证，分别生成每个共识支付验证策略的支付验证策略结果信息。
子步骤S143，根据每个共识支付验证策略的支付验证策略结果信息生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列。
示例性地，在子步骤S142中，可以获取每个预定的共识支付验证策略所对应的预设签名验证单位，形成每个预定的共识支付验证策略的签名验证单位序列，并根据每种共识支付验证策略所对应的预设单位数量阈值，从所述签名验证单位序列中选取排序靠前的目标签名验证单位，以得到每个预定的共识支付验证策略所对应的目标签名验证单位。然后，对所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与每个预定的共识支付验证策略所对应的目标签名验证单位进行匹配，并根据匹配结果确定与每个预定的共识支付验证策略匹配的共识预测规则，以生成每个共识支付验证策略的支付验证策略结果信息。
示例性地，在子步骤S143中，可以通过以下实施方式实现，详细描述如下。
（1）针对所述各个共识支付验证策略的支付验证策略结果信息的每个共识预测规则，分别获取与所述共识预测规则匹配的预设防护执行节点信息，并获取所述预设防护执行节点信息与该共识支付验证策略关联的目标防护执行节点集合，并在所述目标防护执行节点集合中的目标防护执行节点数量大于设定数量时，将该共识支付验证策略确定为一个安全防护更新脚本。
（2）在将该共识支付验证策略确定为一个安全防护更新脚本的基础上，对所述目标防护执行节点集合进行计算，获取与所述目标防护执行节点集合对应的防护验证信息，并对所述目标防护执行节点集合中所述共识预测规则的每个目标防护执行节点进行防护特征提取，获取所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量。
（3）将与所述目标防护执行节点集合对应的防护验证信息中验证历史频次大于预设阈值的目标防护执行节点确定为关键目标防护执行节点。
（4）根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量，计算整个节点序列的第一防护交易参数，并根据所述关键目标防护执行节点中每个目标防护执行节点的防护特征向量，计算所述关键目标防护执行节点的第二防护交易参数。
（5）对所述第一防护交易参数、所述第二防护交易参数和所述第一防护交易参数、所述第二防护交易参数各自对应的预设权重系数进行计算，获取所述关键目标防护执行节点的特征系数，计算所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果，并根据所述计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度。
（6）对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度。
或者，在另一种示例中，还可以根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度，并按照预设的差异范围对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度。
其中，所述第二执行共识算法参考度与所述第一执行共识算法参考度之间的参数差异不处于所述差异范围。
（7）对所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度。
（8）根据所述执行共识算法参考度以及所述防护验证信息，确定所述目标防护执行节点集合中每个目标防护执行节点的目标系数，并计算所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度与预设常数的比值，其中，所述目标系数为所述执行共识算法参考度除以所述防护验证信息的特征向量值后的值。
（9）计算每个目标防护执行节点的执行共识算法参考度与预设常数的比值与对应的目标系数的乘积，获取所述目标防护执行节点集合中每个目标防护执行节点的筛选度。
（10）根据所述每个目标防护执行节点的筛选度，将筛选度大于设定筛选度的目标防护执行节点按照时间的先后顺序进行排列，并将同一命令类型的目标防护执行节点确定为一个所述防护共识验证项目，以确定为该安全防护更新脚本所对应的防护执行节点序列。
在上述描述的基础上，本实施例可以将至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列发送给分布式账本的区块链验证服务系统200中的支付加密组件，以使得支付加密组件根据分布式账本指定的安全防护更新脚本，按照该安全防护更新脚本所对应的防护执行节点序列对区块链请求响应组件对应的支付安全验证过程进行防护。即，在今后的支付过程中，可以灵活选择通过智能学习该分布式账本的日常共识支付验证习惯得到的安全防护更新脚本进行进行自动控制，并且在此之后由于收集到的支付响应大数据信息越来越多，那么由此可以继续学习控制前述的安全识别人工智能模型，从而不断提高安全识别人工智能模型的精度。
图3为本申请实施例提供的基于区块链大数据的安全识别装置300的功能模块示意图，本实施例可以根据上述方法实施例对该基于区块链大数据的安全识别装置300进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。比如，在采用对应各个功能划分各个功能模块的情况下，图3示出的基于区块链大数据的安全识别装置300只是一种装置示意图。其中，基于区块链大数据的安全识别装置300可以包括获取模块310、学习控制模块320、安全识别模块330以及生成模块340，下面分别对该基于区块链大数据的安全识别装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息，其中，支付响应大数据信息通过分布式账本的区块链验证服务系统200中的支付加密组件对区块链请求响应组件进行加密完成后得到，支付响应大数据信息包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，支付响应对象用于表征共识支付验证过程中每次产生的验证对象，支付账本信息集合用于记录相应的支付响应对象下的共识支付验证数据。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
学习控制模块320，用于根据分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型。其中，学习控制模块320可以用于执行上述的步骤S120，关于学习控制模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
安全识别模块330，用于根据安全识别人工智能模型对分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到分布式账本在预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则。其中，安全识别模块330可以用于执行上述的步骤S130，关于安全识别模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
生成模块340，用于根据各个支付响应对象所对应的支付账本信息集合的共识预测规则，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列，防护执行节点序列包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列。其中，生成模块340可以用于执行上述的步骤S140，关于生成模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
进一步地，图4为本申请实施例提供的用于执行上述基于区块链大数据的安全识别方法的人工智能云服务平台100的结构示意图。如图4所示，该人工智能云服务平台100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个，图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的基于区块链大数据的安全识别方法对应的程序命令/模块（例如图3中所示的基于区块链大数据的安全识别装置300的获取模块310、学习控制模块320、安全识别模块330以及生成模块340）。处理器130通过检测存储在机器可读存储介质120中的软件程序、命令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的基于区块链大数据的安全识别方法，在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至人工智能云服务平台100。上述网络的实例包括但不限于互联网、待编译项目内部网、局域网、移动通信网及其组合。
处理器130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，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的命令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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申请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。结合本申请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。
人工智能云服务平台100可以通过网络接口110和其它设备（例如区块链验证服务系统200）进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种基于区块链大数据的安全识别方法，其特征在于，应用于人工智能云服务平台，所述人工智能云服务平台与多个不同分布式账本的区块链验证服务系统通信连接，所述区块链验证服务系统包括区块链请求响应组件以及与所述区块链请求响应组件通信连接的支付加密组件，所述方法包括：
获取分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息，其中，所述支付响应大数据信息通过所述分布式账本的区块链验证服务系统中的所述支付加密组件对所述区块链请求响应组件进行加密完成后得到，所述支付响应大数据信息包括支付响应对象以及每个支付响应对象所对应的支付账本信息集合，所述支付响应对象用于表征共识支付验证过程中每次产生的验证对象，所述支付账本信息集合用于记录相应的支付响应对象下的共识支付验证数据；
根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型；
根据所述安全识别人工智能模型对所述分布式账本在预设时间段内的各个支付响应对象下的支付响应数据信息进行安全识别，得到所述分布式账本在所述预设时间段内各个支付响应对象所对应的支付账本信息集合的共识预测规则；
根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列，所述防护执行节点序列包括至少一个防护共识验证项目以及每个防护共识验证项目所对应的节点序列；
所述根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤，包括：
对比所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签是否不同，并根据对比结果获取与预定共识规则标签不同的目标共识预测规则以及与所述目标共识预测规则对应的支付响应对象；
按照预定的共识支付验证策略对所述目标共识预测规则以及与所述目标共识预测规则对应的支付响应对象进行模拟验证，分别生成每个共识支付验证策略的支付验证策略结果信息；
根据所述每个共识支付验证策略的支付验证策略结果信息生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列。
2.根据权利要求1所述的基于区块链大数据的安全识别方法，其特征在于，所述根据所述分布式账本在每个已完成交易的账本分布区间内的支付响应大数据信息以及每个支付响应对象所对应的预设共识规则标签，配置得到对应的安全识别人工智能模型的步骤，包括：
提取每个所述支付响应对象所对应的支付账本信息集合的交易协议特征信息；
以所述交易协议特征信息作为待生成模型的输入特征，将所述交易协议特征信息输入到所述待生成模型中，通过所述待生成模型解析所述交易协议特征信息在交易协议类别内的可学习特征，所述可学习特征包括可学习特征区间段集合；
按照预设标记对所述可学习特征区间段集合进行分割，得到多个学习分割特征；
根据所述可学习特征所对应的特征向量确定多个第一更新命令内容，所述多个第一更新命令内容分别为所述多个学习分割特征在所述待生成模型中学习控制的更新命令内容，所述待生成模型用于学习多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在所述待生成模型中映射的更新命令内容，所述多个可学习特征区间段集合为在所述交易协议类别内获取到的多个可学习特征所包括的可学习特征区间段集合，其中，所述第一更新命令内容根据所述特征向量所表征的特征参数类型以及不同特征参数类型所对应的预设更新命令内容得到；
按照所述多个第一更新命令内容中的每个第一更新命令内容从高收敛度到低收敛度的顺序，对所述多个第一更新命令内容进行排序，得到更新命令内容序列；
基于预设相似比例阈值和所述更新命令内容序列，确定所述多个学习分割特征中的学习分割特征在所述待生成模型中映射的更新命令内容，所述预设相似比例阈值用于指示所述可学习特征区间段集合与交易协议类别内获取的可学习特征区间段集合相似部分在所述可学习特征区间段集合中所占的比例；
当所述学习分割特征在所述待生成模型中映射的更新命令内容匹配预设更新命令内容时，确定所述可学习特征为目标可学习特征，当确定该可学习特征为目标可学习特征时，对于所述多个第一更新命令内容中的每个第一更新命令内容，根据所述第一更新命令内容控制所述待生成模型学习在所述交易协议类别内获得的多个可学习特征区间段集合进行分割处理之后的学习分割特征，以及分割处理后的各个学习分割特征在所述待生成模型中映射的更新命令内容，并在学习控制之后生成对应的预测共识规则；
根据所述每个支付响应对象的预测共识规则和所述每个支付响应对象所对应的预设共识规则标签更新所述待生成模型的更新命令内容。
3.根据权利要求2所述的基于区块链大数据的安全识别方法，其特征在于，所述提取每个所述支付响应对象所对应的支付账本信息集合的交易协议特征信息的步骤，包括：
在所述支付账本信息集合的每个数据项目的共识支付验证数据中，确定与所述支付响应对象相对应的共识规则标签所关联的规则签名向量；
针对每个共识支付验证数据中规则签名向量上的每个签名验证单位的单元规则信息，根据所述每个签名验证单位的单元规则信息，确定每个共识支付验证数据的规则签名向量覆盖度，并根据每个共识支付验证数据的规则签名向量覆盖度，确定每个共识支付验证数据的置信规则签名向量覆盖度，其中所述签名验证单位的单元规则信息包括签名验证单位的数量、排列号和特征值中的至少一种；
按照置信规则签名向量覆盖度从高到低的顺序，对共识支付验证数据进行排序，根据预先设定的特征数量，选取排位在前的所述特征数量的共识支付验证数据作为所述支付账本信息集合的交易协议特征信息。
4.根据权利要求1所述的基于区块链大数据的安全识别方法，其特征在于，所述按照预定的共识支付验证策略对所述目标共识预测规则以及与所述目标共识预测规则对应的支付响应对象进行模拟验证，分别生成每个共识支付验证策略的支付验证策略结果信息的步骤，包括：
获取每个预定的共识支付验证策略所对应的预设签名验证单位，形成每个预定的共识支付验证策略的签名验证单位序列，并根据每种共识支付验证策略所对应的预设单位数量阈值，从所述签名验证单位序列中选取排序靠前的目标签名验证单位，以得到每个预定的共识支付验证策略所对应的目标签名验证单位；
对所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与每个预定的共识支付验证策略所对应的目标签名验证单位进行匹配，并根据匹配结果确定与每个预定的共识支付验证策略匹配的共识预测规则，以生成每个共识支付验证策略的支付验证策略结果信息。
5.根据权利要求1所述的基于区块链大数据的安全识别方法，其特征在于，所述根据所述每个共识支付验证策略的支付验证策略结果信息生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤，包括：
针对所述各个共识支付验证策略的支付验证策略结果信息的每个共识预测规则，分别获取与所述共识预测规则匹配的预设防护执行节点信息，并获取所述预设防护执行节点信息与该共识支付验证策略关联的目标防护执行节点集合，并在所述目标防护执行节点集合中的目标防护执行节点数量大于设定数量时，将该共识支付验证策略确定为一个安全防护更新脚本；
在将该共识支付验证策略确定为一个安全防护更新脚本的基础上，对所述目标防护执行节点集合进行计算，获取与所述目标防护执行节点集合对应的防护验证信息，并对所述目标防护执行节点集合中所述共识预测规则的每个目标防护执行节点进行防护特征提取，获取所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量；
将与所述目标防护执行节点集合对应的防护验证信息中验证历史频次大于预设阈值的目标防护执行节点确定为关键目标防护执行节点；
根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量，计算整个节点序列的第一防护交易参数，并根据所述关键目标防护执行节点中每个目标防护执行节点的防护特征向量，计算所述关键目标防护执行节点的第二防护交易参数；
对所述第一防护交易参数、所述第二防护交易参数和所述第一防护交易参数、所述第二防护交易参数各自对应的预设权重系数进行计算，获取所述关键目标防护执行节点的特征系数，计算所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果，并根据所述计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度；
对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度；
或者，根据所述目标防护执行节点集合中每个目标防护执行节点的防护特征向量与所述特征系数的计算结果获取所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度，并按照预设的差异范围对所述目标防护执行节点集合中每个目标防护执行节点的第一执行共识算法参考度进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度；
对所述目标防护执行节点集合中每个目标防护执行节点的第二执行共识算法参考度和所述防护验证信息进行计算，获取所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度；
根据所述执行共识算法参考度以及所述防护验证信息，确定所述目标防护执行节点集合中每个目标防护执行节点的目标系数，并计算所述目标防护执行节点集合中每个目标防护执行节点的执行共识算法参考度与预设常数的比值；
计算每个目标防护执行节点的执行共识算法参考度与预设常数的比值与对应的目标系数的乘积，获取所述目标防护执行节点集合中每个目标防护执行节点的筛选度；
根据所述每个目标防护执行节点的筛选度，将筛选度大于设定筛选度的目标防护执行节点按照时间的先后顺序进行排列，并将同一命令类型的目标防护执行节点确定为一个所述防护共识验证项目，以确定为该安全防护更新脚本所对应的防护执行节点序列。
6.根据权利要求5所述的基于区块链大数据的安全识别方法，其特征在于，所述第二执行共识算法参考度与所述第一执行共识算法参考度之间的参数差异不处于所述差异范围。
7.根据权利要求5所述的基于区块链大数据的安全识别方法，其特征在于，所述目标系数为所述执行共识算法参考度除以所述防护验证信息的特征向量值后的值。
8.根据权利要求1-3中任意一项所述的基于区块链大数据的安全识别方法，其特征在于，所述根据所述各个支付响应对象所对应的支付账本信息集合的共识预测规则与预定共识规则标签之间的对比关系，生成至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列的步骤之后，所述方法还包括：
将所述至少一个安全防护更新脚本以及每个安全防护更新脚本所对应的防护执行节点序列发送给所述分布式账本的区块链验证服务系统中的支付加密组件，以使得所述支付加密组件根据所述分布式账本指定的安全防护更新脚本，按照该安全防护更新脚本所对应的防护执行节点序列对所述区块链请求响应组件所对应的支付安全验证过程进行防护。
9.一种人工智能云服务平台，其特征在于，所述人工智能云服务平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个基于区块链大数据的安全识别系统通信连接，所述机器可读存储介质用于存储程序、命令或代码，所述处理器用于执行所述机器可读存储介质中的程序、命令或代码，以执行权利要求1-8中任意一项所述的基于区块链大数据的安全识别方法。
CN202010585953.4A 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及人工智能云服务平台 Active CN111652615B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010585953.4A CN111652615B (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及人工智能云服务平台
CN202011479257.1A CN112488713A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法、系统及云服务平台
CN202011477761.8A CN112488712A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及安全识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010585953.4A CN111652615B (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及人工智能云服务平台

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202011479257.1A Division CN112488713A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法、系统及云服务平台
CN202011477761.8A Division CN112488712A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及安全识别系统

Publications (2)

Publication Number Publication Date
CN111652615A CN111652615A (zh) 2020-09-11
CN111652615B true CN111652615B (zh) 2021-01-29

Family

ID=72348171

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202011477761.8A Withdrawn CN112488712A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及安全识别系统
CN202011479257.1A Withdrawn CN112488713A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法、系统及云服务平台
CN202010585953.4A Active CN111652615B (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及人工智能云服务平台

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202011477761.8A Withdrawn CN112488712A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法及安全识别系统
CN202011479257.1A Withdrawn CN112488713A (zh) 2020-06-24 2020-06-24 基于区块链大数据的安全识别方法、系统及云服务平台

Country Status (1)

Country Link
CN (3) CN112488712A (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417460B (zh) * 2020-11-24 2021-07-27 吉林省联付网络科技有限公司 基于大数据和区块链的支付数据处理方法及云服务器
CN112633701B (zh) * 2020-12-25 2021-10-26 蚌埠科睿达机械设计有限公司 基于区块链的交通工程道路裂缝的巡检方法及系统
CN112835935B (zh) * 2021-02-02 2021-12-07 农夫铺子发展集团有限公司 基于区块链和移动互联网的信息流分析方法及云服务平台
CN113037496B (zh) * 2021-03-15 2022-11-04 承德石油高等专科学校 一种基于区块链技术视频采集装置及其方法
CN112926993B (zh) * 2021-04-13 2021-12-28 哈尔滨哈银消费金融有限责任公司 基于区块链安全大数据的信息生成方法及区块链服务系统
CN112926984B (zh) * 2021-04-13 2021-11-30 深圳薪汇科技有限公司 基于区块链安全大数据的信息预测方法及区块链服务系统
CN113723957B (zh) * 2021-08-20 2023-10-27 上海浦东发展银行股份有限公司 区块链账户信息确认方法、装置、计算机设备和存储介质
CN114117452A (zh) * 2021-12-06 2022-03-01 蓬莱市泽涛互联网服务有限公司 基于智慧医疗安全服务的防护升级方法及大数据挖掘系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392608A (zh) * 2017-07-11 2017-11-24 北京博晨技术有限公司 基于区块链系统的数字资产交易方法及区块链系统
CN109743167A (zh) * 2019-01-07 2019-05-10 殷鹏 基于区块链的大数据安全识别认证方法
WO2019171269A1 (en) * 2018-03-08 2019-09-12 nChain Holdings Limited Blockchain-Implemented Methods And Systems For Authorisation Based On Bilinear Map Accumulators
CN110517137A (zh) * 2019-08-02 2019-11-29 杭州宇链科技有限公司 一种生成功能模块化安全合约的方法及系统
CN110717825A (zh) * 2018-06-27 2020-01-21 复旦大学 一种基于区块链的分布式数据交易记账系统
CN110990871A (zh) * 2019-11-29 2020-04-10 腾讯云计算（北京）有限责任公司 基于人工智能的机器学习模型训练方法、预测方法及装置
CN111242618A (zh) * 2020-01-08 2020-06-05 成都库珀区块链科技有限公司 一种基于区块链合约技术的私钥保管方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7003133B2 (ja) * 2016-12-21 2022-01-20 エヌチェーン ホールディングス リミテッド スクリプトサイズ及びオペコードリミットに対するセキュリティベース制限を維持しながらブロックチェーン上の複雑な機能を有効するためのコンピュータにより実現されるシステム及び方法
KR20230169472A (ko) * 2017-05-22 2023-12-15 엔체인 홀딩스 리미티드 무신뢰 결정성 상태 기계
US11334874B2 (en) * 2018-08-06 2022-05-17 Inveniam Capital Partners, Inc. Digital contracts in blockchain environments

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392608A (zh) * 2017-07-11 2017-11-24 北京博晨技术有限公司 基于区块链系统的数字资产交易方法及区块链系统
WO2019171269A1 (en) * 2018-03-08 2019-09-12 nChain Holdings Limited Blockchain-Implemented Methods And Systems For Authorisation Based On Bilinear Map Accumulators
CN110717825A (zh) * 2018-06-27 2020-01-21 复旦大学 一种基于区块链的分布式数据交易记账系统
CN109743167A (zh) * 2019-01-07 2019-05-10 殷鹏 基于区块链的大数据安全识别认证方法
CN110517137A (zh) * 2019-08-02 2019-11-29 杭州宇链科技有限公司 一种生成功能模块化安全合约的方法及系统
CN110990871A (zh) * 2019-11-29 2020-04-10 腾讯云计算（北京）有限责任公司 基于人工智能的机器学习模型训练方法、预测方法及装置
CN111242618A (zh) * 2020-01-08 2020-06-05 成都库珀区块链科技有限公司 一种基于区块链合约技术的私钥保管方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Blockchain-Based Solutions to Security and Privacy Issues in the Internet of Things;Yong Yu et al.;《IEEE Wireless Communications》;20181231;第25卷(第6期);第12-18页 *

Also Published As

Publication number Publication date
CN111652615A (zh) 2020-09-11
CN112488713A (zh) 2021-03-12
CN112488712A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN111652615B (zh) 基于区块链大数据的安全识别方法及人工智能云服务平台
US11601421B1 (en) Identity management system
CN111695903B (zh) 基于区块链和移动互联网的信息流分析方法及云计算平台
CN109478263A (zh) 用于体系结构评估和策略执行的系统和设备
CN111767707A (zh) 雷同病例检测方法、装置、设备及存储介质
US11425000B2 (en) On-the-fly reorganization of directed acyclic graph nodes of a computing service for high integration flexibility
CN112232426A (zh) 目标检测模型的训练方法、装置、设备及可读存储介质
KR20200049273A (ko) 머신러닝을 위한 학습데이터 세트의 구성 방법 및 장치
CN111932226A (zh) 基于区块链和大数据的数据流监测方法及云计算服务平台
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN110162957B (zh) 智能设备的鉴权方法和装置、存储介质、电子装置
CN114254360A (zh) 模型训练方法、装置、存储介质、系统以及区块链节点
CN111079175B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN112528306A (zh) 基于大数据和人工智能的数据访问方法及云计算服务器
CN115526551B (zh) 基于人工智能的农产品溯源数据处理方法及云平台
CN113271319B (zh) 一种基于区块链的通讯数据加密方法及系统
CN111062056B (zh) 基于迁移学习实现的私有数据保护建模方法、系统及装置
US20230005122A1 (en) Image forgery detection via pixel-metadata consistency analysis
CN112784990A (zh) 一种成员推断模型的训练方法
CN112330312A (zh) 基于区块链支付和面部识别的数据处理方法及大数据平台
CN111932225A (zh) 基于区块链和数字货币金融的信息处理方法及云计算平台
CN111506914B (zh) 大数据加密方法、装置、服务器及可读存储介质
US20230267349A1 (en) Smart training and smart deployment of machine learning models
CN117350547B (zh) 订单的风险处理方案确定方法、装置、设备及存储介质
CN113792683B (zh) 文本识别模型的训练方法、装置、设备以及存储介质

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
CB02 Change of applicant information

Address after: Room 1904, 19th floor, building 12, City Park Plaza, platinum Avenue, Panlong District, Kunming City, Yunnan Province

Applicant after: Yang Liuqin

Address before: 1550 No. 201306 Shanghai Pudong New Area Lingang New City Harbor Boulevard

Applicant before: Yang Liuqin

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20210108

Address after: Plant complex building of Laifu Science Park, No.9 Xijiu Road, high tech Zone, Nanning, Guangxi 530000

Applicant after: Guangxi Nanning Dongchuang Intellectual Property Operating Co.,Ltd.

Address before: Room 1904, 19th floor, building 12, City Park Plaza, platinum Avenue, Panlong District, Kunming City, Yunnan Province, 650225

Applicant before: Yang Liuqin

Effective date of registration: 20210108

Address after: No. 705, No. 2 Building, Guantang R&D Center, No. 10 Shuangren Road, Liudong New District, Liuzhou City, Guangxi Zhuang Autonomous Region (Trusted by Liuzhou Gaochuang Business Secretary Co., Ltd.)

Applicant after: Guangxi new agribusiness supply chain Technology Co.,Ltd.

Address before: Plant complex building of Laifu Science Park, No.9 Xijiu Road, high tech Zone, Nanning, Guangxi 530000

Applicant before: Guangxi Nanning Dongchuang Intellectual Property Operating Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant