CN112364388A - 基于区块链实现的传感器数据认证方法及装置 - Google Patents

基于区块链实现的传感器数据认证方法及装置 Download PDF

Info

Publication number
CN112364388A
CN112364388A CN202011171078.1A CN202011171078A CN112364388A CN 112364388 A CN112364388 A CN 112364388A CN 202011171078 A CN202011171078 A CN 202011171078A CN 112364388 A CN112364388 A CN 112364388A
Authority
CN
China
Prior art keywords
data
sensor data
block
node
authentication code
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.)
Pending
Application number
CN202011171078.1A
Other languages
English (en)
Inventor
李欣旭
咸晓雨
樊玉明
田寅
唐海川
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.)
CRRC Industry Institute Co Ltd
Original Assignee
CRRC Industry Institute 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 CRRC Industry Institute Co Ltd filed Critical CRRC Industry Institute Co Ltd
Priority to CN202011171078.1A priority Critical patent/CN112364388A/zh
Publication of CN112364388A publication Critical patent/CN112364388A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例提供一种基于区块链实现的传感器数据认证方法及装置。其中，该方法包括：获取数据节点所生成区块中的传感器数据；将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。采用本发明实施例公开的基于区块链实现的传感器数据认证方法，能够有效提升传感器数据的认证效率，保证了数据流在网络中的可信度，从而实现了传感器数据的可靠采集、传输与使用。

Description

基于区块链实现的传感器数据认证方法及装置
技术领域
本发明涉及计算机应用技术领域，具体涉及一种基于区块链实现的传感器数据认证方法和装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
近年来，随着物联网技术的快速发展，各类型传感器设备在监测领域的应用越来越广泛。现有传感网旨在通过传感器组网以增强感知状态量，实现感知范围与精度的提升，保证网络各节点数据的真实性是传感网正常运行的基础。然而，大规模部署的传感网中存在诸多设备管理和数据安全的问题，比如在传感器数据采集、传输和存储过程中，存在传感设备遭受破坏以及传感器数据容易受到人为篡改的情况，从而导致传感网的感知精度下降。因此需要验证合法的传感器数据输入设备，抵御恶意设备，防止数据被篡改，采用数据安全机制保障数据可信度。
为了解决上述问题，现有技术中通常采用数字证书认证的方式对传感器数据进行验证，提高传感器数据的可信度。然而，数字证书认证方式中证书凭证容易被窃取，其安全性较低。而利用区块链系统中分布式记录策略可以有效防止数据被篡改，解决传感网中对节点数据真实性的信任问题。因此如何使区块链技术能适应传感网中的海量数据交互过程有效提升传感器数据的认证效率和可靠性成为目前业界亟待解决的需要课题。
发明内容
为此，本发明实施例提供一种基于区块链实现的传感器数据认证方法及装置，以解决现有技术中存在的大规模部署传感网中数据认证效率和可靠性较低，安全性无法满足当前实际需求的问题。
第一方面，本发明实施例提供一种基于区块链实现的传感器数据认证方法，包括：
获取数据节点所生成区块中的传感器数据；
将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；
其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；
若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
进一步的，所述将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值，具体包括：
将所述传感器数据输入至预设的认证码生成模型，得到所述认证码生成模型输出的区块认证码；
其中，所述区块认证码用于对应标识所述区块；
将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图；
将所述特征图输入至共识认证模型，得到所述共识认证模型输出的表示节点数据可信度的概率值；
其中，所述共识认证模型是基于样本数据节点采集的传感器数据、所述样本数据节点采集的传感器数据所对应的识别结果以及样本标签训练得到的。
进一步的，所述将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图，具体包括：
将所述区块认证码输入至第一数据节点对应的自编码器中，得到第一区块认证码；将所述第一区块认证码输入至第二数据节点对应的自编码器中，得到第二区块认证码；其中，所述第二数据节点表示除所述第一数据节点之外的若干个数据节点；
将所述区块认证码和所述第二区块认证码拼接得到目标数据，并按照预设的规则拆分所述目标数据得到所述特征图。
进一步的，所述自编码器包含若干个隐含层；
所述隐含层用于对输入的所述区块认证码进行再编码及解码处理。
进一步的，所述的基于区块链实现的传感器数据认证方法，还包括：在所述数据节点生成区块之前，对所述传感器数据进行来源验证；
所述对所述传感器数据进行来源验证，具体包括：
获取待验证的传感器数据；
将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果；其中，所述验证网络模型是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本数据标签训练得到的；
若所述验证结果包含的数据真实性概率值满足预设条件，则接收所述传感器数据，并执行后续操作。
进一步的，所述将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果，具体包括：
将所述传感器数据输入至预设的卷积神经网络模型进行数据降维，得到目标维度的传感器数据；
将所述目标维度的传感器数据输入至预设的长短期记忆网络模型进行特征提取，获得数据特征；
将所述数据特征输入至逻辑回归层得到所述验证结果。
进一步的，所述数据节点包含具备运算能力的嵌入式计算机和数据采集器；
其中，所述数据采集器集成多种类型传感器的通信协议，用于对接不同类型的传感器，并将获取的传感器数据转换成所述嵌入式计算机识别的数组序列。
第二方面，本发明实施例提供一种基于区块链实现的传感器数据认证装置，包括：
数据获取单元，用于获取数据节点所生成区块中的传感器数据；
概率预测单元，用于将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；特征图获得单元，用于将所述区块认证码输入至预设的自编码器，获得对应的特征图；
存证单元，用于若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
进一步的，所述概率预测单元，具体包括：
区块认证码生成单元，用于将所述传感器数据输入至预设的认证码生成模型，得到所述认证码生成模型输出的区块认证码；
其中，所述区块认证码用于对应标识所述区块；
特征图获得单元，用于将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图；
可信度概率值预测单元，用于将所述特征图输入至共识认证模型，得到所述共识认证模型输出的表示节点数据可信度的概率值；
其中，所述共识认证模型是基于样本数据节点采集的传感器数据、所述样本数据节点采集的传感器数据所对应的识别结果以及样本标签训练得到的。
进一步的，所述特征图获得单元，具体用于：
将所述区块认证码输入至第一数据节点对应的自编码器中，得到第一区块认证码；将所述第一区块认证码输入至第二数据节点对应的自编码器中，得到第二区块认证码；其中，所述第二数据节点表示除所述第一数据节点之外的若干个数据节点；
将所述区块认证码和所述第二区块认证码拼接得到目标数据，并按照预设的规则拆分所述目标数据得到所述特征图。
进一步的，所述自编码器包含若干个隐含层；
所述隐含层用于对输入的所述区块认证码进行再编码及解码处理。
进一步的，所述的基于区块链实现的传感器数据认证装置，还包括：数据来源验证单元，用于在所述数据节点生成区块之前，对所述传感器数据进行来源验证；
所述数据来源验证单元，具体包括：
数据获取子单元，用于获取待验证的传感器数据；
数据来源验证子单元，用于将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果；其中，所述验证网络模型是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本数据标签训练得到的；
数据接收子单元，用于若所述验证结果包含的数据真实性概率值满足预设条件，则接收所述传感器数据，并执行后续操作。
进一步的，所述数据来源验证子单元，具体用于：
将所述传感器数据输入至预设的卷积神经网络模型进行数据降维，得到目标维度的传感器数据；
将所述目标维度的传感器数据输入至预设的长短期记忆网络模型进行特征提取，获得数据特征；
将所述数据特征输入至逻辑回归层得到所述验证结果。
进一步的，所述数据节点包含具备运算能力的嵌入式计算机和数据采集器；
其中，所述数据采集器集成多种类型传感器的通信协议，用于对接不同类型的传感器，并将获取的传感器数据转换成所述嵌入式计算机识别的数组序列。
第三方面，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的基于区块链实现的传感器数据认证方法的步骤。
第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于区块链实现的传感器数据认证方法的步骤。
采用本发明实施例所述的基于区块链实现的传感器数据认证方法，通过引入共识神经网络架构，对数据节点生成区块中的传感器数据进行处理认证，能够有效提升传感器数据的认证效率，保证了数据流在网络中的可信度，从而实现了传感器数据的可靠采集、传输与使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例提供的一种基于区块链实现的传感器数据认证方法的流程示意图；
图2为本发明实施例提供的一种基于区块链实现的传感器数据认证方法中对传感器数据进行来源验证的流程示意图；
图3为本发明实施例提供的一种基于区块链实现的传感器数据认证方法中对传感器数据进行共识认证的流程示意图
图4为本发明实施例提供的一种基于区块链实现的传感器数据认证装置的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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取的所有其他实施例，都属于本发明保护的范围。
下面基于本发明所述的基于区块链实现的传感器数据认证方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的基于区块链实现的传感器数据认证方法的流程图，具体实现过程包括以下步骤：
步骤S101：获取数据节点所生成区块中的传感器数据。
在本发明实施例中，每个节点能够接受对应连接的所有传感器所上传的数据，为了使传感器层兼容更多种类的传感器，因此本发明简化对底层各传感器功能的要求，进而设置数据节点具备一定计算能力，以实现对传感器数据的来源校验、执行区块链协议、生成区块、建立共识等一系列功能。具体的，每个数据节点由具备运算能力的嵌入式计算机和数据采集器组成。由于所使用的传感器类型不同，传感器对应的通信协议也多种多样，因此所述数据采集器集成多种类型传感器的通信协议，用于对接不同类型的传感器，并将获取的传感器数据转换成所述嵌入式计算机识别的数组序列，以便用于后续计算。
在获取数据节点所生成区块中的传感器数据之前，需要预先通过该数据节点生成包含传感器数据的区块。
在本发明实施例中，为了满足传感器数据的实时性要求，区块生成时间间隔可设置为1秒。每个区块由一个区块头和一个区块主体组成。区块头中包含区块id、区块生成时间、所属节点以及区块认证码等信息。区块id用于标识该区块属于区块链上的第几个区块，具体为前一区块的区块id+1。所属节点用于标识该区块具体是由哪个数据节点生成的。区块主体则记录1秒内该数据节点所有采集并验证完成的传感器数据。通过对每组传感器数据进行哈希计算可以得到每组传感器数据对应的哈希值，再将每个哈希值两两进行哈希运算，最终得到一个哈希根值，即Merkel根，并将其保存在区块头中。其中，区块头中的区块认证码是通过所述认证码生成模型对区块主体内传感器数据进行计算得到的，下面将会具体展开讲述。
另外，如图2所示，所述数据节点生成区块之前，还需要预先对所述传感器数据进行来源验证，根据验证结果判断是否接收该传感器数据。其中，所述的对传感器数据进行来源验证，具体实现过程包括：获取待验证的传感器数据，将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果，若所述验证结果包含的数据真实性概率值满足预设条件，则接收所述传感器数据，并执行后续操作。
其中，所述验证网络模型是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本数据标签训练得到的。具体的，首先建立一个正常数据节点，包含嵌入式计算机和数据接收器，随后采集一段时间的传感器数据作为样本传感器数据，并标记将该样本传感器数据标记为正常数据，添加进样本库。此外，人为伪造一些传感器数据，标记为伪造数据，也添加进样本库。然后建立一个由若干卷积神经网络模型(Convolutional NeuralNetworks，简称CNN)和长短期记忆网络模型(Long Short-Term Memory，简称LSTM)组合成的深度神经网络，该深度神经网络的输入为按一秒间隔分割的传感器数据，经过卷积神经网络模型降维后输入给长短期记忆网络模型，然后长短期记忆网络模型将计算得到的特征输出给逻辑回归层(sofmax层)，通过逻辑回归层输出为一个数值，该数值即为代表该传感器数据为正常数据而非伪造数据的概率值，用于表示该传感器数据的可信度。使用样本库内的数据对神经网络进行训练，最终使该神经网络能够辨别传感器数据来源是否为真实传感器而非伪造传感器的验证网络模型，以保证传感数据的真实性。最后，将验证网络模型装进数据节点的计算过程中。
相应的，所述的将传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果，具体实现过程可以包括：将所述传感器数据输入至预设的卷积神经网络模型进行数据降维，得到目标维度的传感器数据；将所述目标维度的传感器数据输入至预设的长短期记忆网络模型进行特征提取，获得数据特征；将所述数据特征输入至逻辑回归层得到所述验证结果。
步骤S102：将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值。其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的。
在本发明实施例中，所述的共识神经网络架构至少由认证码生成模型、分别对应多个数据节点构建的自编码器以及共识认证模型组成。
其中，所述认证码生成模型是预先设置完成的卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络。在本发明实施例中，其具备一定的传感数据特征提取能力，主要用于将数据节点生成的区块内所有传感数据转化成128维的对应标识该区块的区块认证码。
所述自编码器是分别对应不同数据节点建立的，与数据节点的数量相同，该自编码器的输入定义为128维的向量，输出也为128维，隐含层至少包含编码器层、解码器层等3～5层结构，构筑在隐含层中的顺序通常为：编码器-编码器-解码器-解码器-输出。在本发明实施例中，其主要用于对输入的所述区块认证码进行再编码解码
所述共识认证模型至少由若干卷积层、下采样层、全连接层以及最后的逻辑回归层(softmax层)组成。在本发明实施例中，所述共识认证模型的输入为通过自编码器得到的16*16的特征图，输出为一个表示对应数据节点的数据是否可信的概率值。如果概率足够高，则认可该数据节点打包的包含传感器数据的区块，并将其添加至传感区块链上。
如图3所示，在具体实施过程中，所述的将传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值，具体实现过程可以包括：首先将传感器数据输入至所述认证码生成模型，得到该认证码生成模型输出的区块认证码，所述区块认证码用于对应标识所述区块；然后，将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的16*16的特征图；进而将该特征图输入至共识认证模型，得到所述共识认证模型输出的表示节点数据可信度的概率值。所述的共识认证模型是基于样本数据节点采集的传感器数据、所述样本数据节点采集的传感器数据所对应的识别结果以及样本标签训练得到的。
其中，上述内容中所述的将区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图，具体实现过程包括：将所述区块认证码输入至第一数据节点对应的自编码器中，得到第一区块认证码；将所述第一区块认证码输入至第二数据节点对应的自编码器中，得到第二区块认证码。其中，所述第二数据节点表示除所述第一数据节点之外的若干个数据节点。将所述区块认证码和所述第二区块认证码拼接得到目标数据，并按照预设的规则拆分所述目标数据得到所述特征图。
下面将以3个数据节点构成的数据节点层为例进行说明：
对应数据节点1、2、3分别建立三个自动编码器A、B、C，自编码器的输入定义为128维的向量，输出也为128维。对于数据节点1的区块认证码1，优先输入自编码器A，转化得到区块认证码A1，再将区块认证码A1依次输入自编码器B和C得到A2。对于数据节点2，则优先输入自编码器B，再输入自编码器C和A。对于数据节点3，则优先输入自编码器C，再输入自编码器A和B。对于节点1生成的区块认证码1和自编码器编码后得到的A2，通过拼接得到256维的目标数据。将该目标数据拆分变成一个16*16的特征图。此时，将该16*16的特征图输入至共识认证CNNs网络，输出为一个数值，该数值为代表该节点数据是否可信的概率值。如果概率足够高，则认可该数据节点打包的此区块，并将其添加至传感区块链上。
需要说明的是，本发明实施例中所述的数据节点层中数据节点的数量不限于上述列举的包含3个数据节点的例子，在具体实施过程中可按照实际情况进行设置，在此不再详细赘述。
在共识神经网络架构训练阶段：(1)人为建立若干正常的数据节点，采集一段时间传感器数据作为样本传感器数据。(2)对于数据节点1，正常生成一个区块，此时使用认证码生成模型将区块主体的数据转化至128维，然后将对应的区块认证码1输入自编码器A，转化得到区块认证码A1。将A1依次输入自编码器B和C得到A2，拼接区块认证码1和区块认证码A2得到256维的目标数据。拆分所述目标数据变成一个16*16的特征图，该特征图将作为共识认证网络的输入，因为其来源于正常数据节点，因此样本标签为1。(3)对于数据节点2，同样正常生成一个区块，使用区块认证码生成模型将区块主体的数据转化至128维，然后首先将区块认证码2输入自编码器B，转化得到区块认证码B1。将B1依次输入自编码器C和自编码器A得到B2，拼接区块认证码2和区块认证码B2，得到256维的目标数据。拆分目标数据变成一个16*16的特征图，该特征图将作为共识认证模型的输入，因为其来源于正常数据节点，因此样本标签为1。对于数据节点3也是如此，不同的是优先输入的自编码器为C，随后再依次输入自编码器A和自编码器B。(4)将人为伪造若干数据节点以替换上述若干正常的数据节点中的部分数据节点，然后采集一段时间传感器数据也作为样本传感器数据。例如将数据节点2替换成人为伪造的数据节点，生成区块认证码2后，再将其依次输入自编码器B、自编码器C、自编码器A三个自编码器后，得到区块认证码2’，并将区块认证码2和区块认证码2’拼接后，再拆分成16*16的特征图，该特征图将作为共识认证模型的输入，因为其来源于伪造数据节点，因此样本标签为0。
根据上述训练结果，不断调整共识神经网络架构的参数权重，使所述共识神经网络架构能够区别正常或者伪造的数据节点对应的区块认证码。其中，在所述共识神经网络架构中每个数据节点的自编码器都有区别，但是认证码生成模型和共识认证模型是共用的，存储于每个数据节点中。
对于数据节点层，由于每个数据节点都参与了区块认证码的生成过程，通过训练各自编码器的编码规律形成了紧密联系，一旦某个数据节点被伪造，其区块认证码在层层编解码过程中更加容易显现出漏洞，从而被共识认证模型捕捉，最终防止伪造数据节点混入传感网络，危害数据安全。
训练后，将共识神经网络架构封装层嵌入式运行程序，以使数据节点能够更快的进行计算。
步骤S103：若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
在使用过程中，当一个数据节点生成区块时，基于传感数据同时生成一段128维的区块认证码，这段区块认证码依次通过其后续数据节点的自编码器，生成一张特征图被传入共识认证模型，最后输出该数据节点生成区块被认可的概率值。如果该概率值高于预设的概率阈值，则表明该数据节点被其它各个数据节点投票认可，因此可以链接至该节点上一个区块，通过添加到区块链上进行永久保存。
另外，需要说明的是，数据流从传感器层开始生成，不同种类的状态量被各类传感器采集。传感器通常采用电池供电，运行嵌入式代码，从而保证其低功耗的特点。运行流程主要包括三个方面：(1)传感器数据采集；(2)传感器数据封装；(3)传感器数据上传。除了执行所述操作之外，其余时候传感器处于睡眠模式以节约电能，延长使用电池时间。在传感器完成数据收集和封装的任务后，最终向其上层(即数据节点层)中对应的数据节点提交本次所采集的传感器数据。
进一步的，本发明实施例中还可以设置应用服务层，该层可基于传感器数据对被监测设备的状态感知、故障预测、健康周期管理等功能，向使用者提供泛在感知等服务。通过传感器层和数据节点层组成的架构，应用服务层中的数据服务器能够容易获取到可信的包含传感器数据的区块，从而提升传感网的计算效率。
采用本发明实施例所述的基于区块链实现的传感器数据认证方法，通过引入共识神经网络架构，对数据节点生成区块中的传感器数据进行处理认证，能够有效提升传感器数据的认证效率，保证了数据流在网络中的可信度，从而实现了传感器数据的可靠采集、传输与使用。
与上述提供的一种基于区块链实现的传感器数据认证方法相对应，本发明还提供一种基于区块链实现的传感器数据认证装置。由于该装置的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的基于区块链实现的传感器数据认证装置的实施例仅是示意性的。请参考图4所示，其为本发明实施例提供的一种基于区块链实现的传感器数据认证装置的结构示意图。
本发明所述的一种基于区块链实现的传感器数据认证装置具体包括如下部分：
数据获取单元401，用于获取数据节点所生成区块中的传感器数据。
概率预测单元402，用于将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；特征图获得单元，用于将所述区块认证码输入至预设的自编码器，获得对应的特征。
存证单元403，用于若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
采用本发明实施例所述的基于区块链实现的传感器数据认证装置，通过引入共识神经网络架构，对数据节点生成区块中的传感器数据进行处理认证，能够有效提升传感器数据的认证效率，保证了数据流在网络中的可信度，从而实现了传感器数据的可靠采集、传输与使用。
与上述提供的基于区块链实现的传感器数据认证方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图5所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)501、存储器(memory)502和通信总线503，其中，处理器501，存储器502通过通信总线503完成相互间的通信。处理器501可以调用存储器502中的逻辑指令，以执行基于区块链实现的传感器数据认证方法，该方法包括：获取数据节点所生成区块中的传感器数据；将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
此外，上述的存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于区块链实现的传感器数据认证方法，该方法包括：获取数据节点所生成区块中的传感器数据；将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于区块链实现的传感器数据认证方法，该方法包括：获取数据节点所生成区块中的传感器数据；将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于区块链实现的传感器数据认证方法，其特征在于，包括：
获取数据节点所生成区块中的传感器数据；
将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；
其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；
若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
2.根据权利要求1所述的基于区块链实现的传感器数据认证方法，其特征在于，所述将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值，具体包括：
将所述传感器数据输入至预设的认证码生成模型，得到所述认证码生成模型输出的区块认证码；
其中，所述区块认证码用于对应标识所述区块；
将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图；
将所述特征图输入至共识认证模型，得到所述共识认证模型输出的表示节点数据可信度的概率值；
其中，所述共识认证模型是基于样本数据节点采集的传感器数据、所述样本数据节点采集的传感器数据所对应的识别结果以及样本标签训练得到的。
3.根据权利要求2所述的基于区块链实现的传感器数据认证方法，其特征在于，所述将所述区块认证码依次通过分别对应多个数据节点构建的自编码器，得到对应的特征图，具体包括：
将所述区块认证码输入至第一数据节点对应的自编码器中，得到第一区块认证码；将所述第一区块认证码输入至第二数据节点对应的自编码器中，得到第二区块认证码；其中，所述第二数据节点表示除所述第一数据节点之外的若干个数据节点；
将所述区块认证码和所述第二区块认证码拼接得到目标数据，并按照预设的规则拆分所述目标数据得到所述特征图。
4.根据权利要求2或3所述的基于区块链实现的传感器数据认证方法，其特征在于，所述自编码器包含若干个隐含层；
所述隐含层用于对输入的所述区块认证码进行再编码及解码处理。
5.根据权利要求1所述的基于区块链实现的传感器数据认证方法，其特征在于，还包括：在所述数据节点生成区块之前，对所述传感器数据进行来源验证；
所述对所述传感器数据进行来源验证，具体包括：
获取待验证的传感器数据；
将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果；其中，所述验证网络模型是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本数据标签训练得到的；
若所述验证结果包含的数据真实性概率值满足预设条件，则接收所述传感器数据，并执行后续操作。
6.根据权利要求5所述的基于区块链实现的传感器数据认证方法，其特征在于，所述将所述传感器数据输入至验证网络模型中，得到所述验证网络模型输出的验证结果，具体包括：
将所述传感器数据输入至预设的卷积神经网络模型进行数据降维，得到目标维度的传感器数据；
将所述目标维度的传感器数据输入至预设的长短期记忆网络模型进行特征提取，获得数据特征；
将所述数据特征输入至逻辑回归层得到所述验证结果。
7.根据权利要求1所述的基于区块链实现的传感器数据认证方法，其特征在于，所述数据节点包含具备运算能力的嵌入式计算机和数据采集器；
其中，所述数据采集器集成多种类型传感器的通信协议，用于对接不同类型的传感器，并将获取的传感器数据转换成所述嵌入式计算机识别的数组序列。
8.一种基于区块链实现的传感器数据认证装置，其特征在于，包括：
数据获取单元，用于获取数据节点所生成区块中的传感器数据；
概率预测单元，用于将所述传感器数据输入至共识神经网络架构中，得到所述共识神经网络架构输出的表示节点数据可信度的概率值；其中，所述共识神经网络架构是基于样本传感器数据、所述样本传感器数据对应的预测结果以及样本标签训练得到的；特征图获得单元，用于将所述区块认证码输入至预设的自编码器，获得对应的特征图；
存证单元，用于若所述概率值大于预设的概率阈值，则将所述区块添加到区块链上。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任意一项所述的基于区块链实现的传感器数据认证方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的基于区块链实现的传感器数据认证方法的步骤。
CN202011171078.1A 2020-10-28 2020-10-28 基于区块链实现的传感器数据认证方法及装置 Pending CN112364388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171078.1A CN112364388A (zh) 2020-10-28 2020-10-28 基于区块链实现的传感器数据认证方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171078.1A CN112364388A (zh) 2020-10-28 2020-10-28 基于区块链实现的传感器数据认证方法及装置

Publications (1)

Publication Number Publication Date
CN112364388A true CN112364388A (zh) 2021-02-12

Family

ID=74511113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171078.1A Pending CN112364388A (zh) 2020-10-28 2020-10-28 基于区块链实现的传感器数据认证方法及装置

Country Status (1)

Country Link
CN (1) CN112364388A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158212A (zh) * 2021-04-23 2021-07-23 深圳前海华兆新能源有限公司 基于区块链技术的分布式数据库安全认证方法
CN114760066A (zh) * 2022-03-28 2022-07-15 深蓝感知(杭州)物联科技有限公司 一种时序数据分片双链认证方法与装置
CN114861912A (zh) * 2022-07-06 2022-08-05 武汉山川软件有限公司 一种基于大数据的数据验证方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889326A (zh) * 2019-02-19 2019-06-14 北京工业大学 一种基于区块链的物联网架构以及已验证数据证明共识方法
CN110138597A (zh) * 2019-04-17 2019-08-16 上海大学 基于信用积分和节点聚类的区块链dpos共识机制改进方法
WO2020147489A1 (zh) * 2019-01-18 2020-07-23 阿里巴巴集团控股有限公司 区块链交易的生成方法和装置
CN111680793A (zh) * 2020-04-21 2020-09-18 广州中科易德科技有限公司 一种基于深度学习模型训练的区块链共识方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020147489A1 (zh) * 2019-01-18 2020-07-23 阿里巴巴集团控股有限公司 区块链交易的生成方法和装置
CN109889326A (zh) * 2019-02-19 2019-06-14 北京工业大学 一种基于区块链的物联网架构以及已验证数据证明共识方法
CN110138597A (zh) * 2019-04-17 2019-08-16 上海大学 基于信用积分和节点聚类的区块链dpos共识机制改进方法
CN111680793A (zh) * 2020-04-21 2020-09-18 广州中科易德科技有限公司 一种基于深度学习模型训练的区块链共识方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
樊爱京;孙泽军;潘中强;常新峰;孙亚南;吕乐乐;: "基于区块链的无线传感网络安全认证模型", 平顶山学院学报, no. 05 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158212A (zh) * 2021-04-23 2021-07-23 深圳前海华兆新能源有限公司 基于区块链技术的分布式数据库安全认证方法
CN114760066A (zh) * 2022-03-28 2022-07-15 深蓝感知(杭州)物联科技有限公司 一种时序数据分片双链认证方法与装置
CN114760066B (zh) * 2022-03-28 2023-05-23 深蓝感知(杭州)物联科技有限公司 一种时序数据分片双链认证方法与装置
CN114861912A (zh) * 2022-07-06 2022-08-05 武汉山川软件有限公司 一种基于大数据的数据验证方法和装置
CN114861912B (zh) * 2022-07-06 2022-09-16 武汉山川软件有限公司 一种基于大数据的数据验证方法和装置

Similar Documents

Publication Publication Date Title
CN112364388A (zh) 基于区块链实现的传感器数据认证方法及装置
Zhao et al. SeqFuzzer: An industrial protocol fuzzing framework from a deep learning perspective
CN109617706B (zh) 工业控制系统防护方法及工业控制系统防护装置
US11514365B2 (en) Immutable watermarking for authenticating and verifying AI-generated output
CN110874646A (zh) 一种联邦学习的异常处理方法、装置及电子设备
CN113111359A (zh) 基于信息安防的大数据资源共享方法及资源共享系统
CN111181930A (zh) DDoS攻击检测的方法、装置、计算机设备及存储介质
CN110365678B (zh) 一种基于反样本的工控网络协议漏洞挖掘方法
CN113886817A (zh) 主机入侵检测方法及装置、电子设备、存储介质
CN112488163A (zh) 一种异常账号的识别方法、装置、计算机设备及存储介质
CN115840965B (zh) 一种信息安全保障模型训练方法和系统
CN117216788A (zh) 基于区块链的联邦学习隐私保护视频场景识别方法
CN115208604B (zh) 一种ami网络入侵检测的方法、装置及介质
CN114862372B (zh) 基于区块链的智慧教育数据防篡改处理方法及系统
CN115189863A (zh) 一种基于区块链网络架构电商交易信息管理系统
CN111953712B (zh) 一种基于特征融合及密度聚类的入侵检测方法及装置
CN112950222A (zh) 资源处理异常检测方法、装置、电子设备及存储介质
CN116070191A (zh) 信息处理方法及其装置、存储介质、程序产品
Hu et al. Vehicular-Network-Intrusion Detection Based on a Mosaic-Coded Convolutional Neural Network
CN116016610B (zh) 基于区块链的车联网数据安全共享方法、装置及设备
CN113709092B (zh) 数据检测方法、装置、计算机设备以及存储介质
Song et al. Vehicular Communications
CN117240699A (zh) 物联网异常情况的处理方法及装置
CN117499049A (zh) 基于区块链的数据处理方法、装置、设备及存储介质
CN117375855A (zh) 一种异常检测方法、模型训练方法及相关设备

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