CN112910873A - 用于区块链事务异常检测的有用工作量证明方法及系统 - Google Patents
用于区块链事务异常检测的有用工作量证明方法及系统 Download PDFInfo
- Publication number
- CN112910873A CN112910873A CN202110111379.3A CN202110111379A CN112910873A CN 112910873 A CN112910873 A CN 112910873A CN 202110111379 A CN202110111379 A CN 202110111379A CN 112910873 A CN112910873 A CN 112910873A
- Authority
- CN
- China
- Prior art keywords
- transaction
- node
- new block
- neural network
- block
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种用于区块链事务异常检测的有用工作量证明方法及系统,结合区块链大数据量的特性和深度学习技术,解决区块链工作量证明机制的资源浪费问题,并通过事务异常检测的方式感知区块链网络遭受的安全攻击;该方法通过将事务异常检测神经网络的训练和验证的任务作为有用工作量证明,分发到区块链的结点上,使整个区块链共同维护一个异常检测网络,并利用该网络检测事务的合法性,实现区块链网络的实时安全检测。
Description
技术领域
本发明涉及区块链技术领域,更具体的,涉及一种用于区块链事务异常检测的有用工作量证明方法及系统。
背景技术
有用工作量证明(Proof of Useful Work,PoUW)是一种解决区块链中存在资源浪费而没有过多收益问题的工作量证明机制替代方案。工作量证明被用于在区块链中提高结点产生区块的难度,致使恶意结点即使能够通过公平地竞争产生攻击区块也将得不偿失,从而提高区块链的安全性。传统区块链的工作量证明,如比特币,使用了暴力破解哈希值的方式来证明结点工作量,这将导致整个区块链的结点在共同、反复地计算着一个无意义的哈希难题,造成电力算力等资源的浪费。
区块链发展早期,有学者提出一些PoW的替代方案,如PoS,DPoS、PBFT,它们往往在高安全性、强一致性、强可扩展性、高效率和资源节约等共识机制的要求中某些方面表现不佳。同时,区块链本身作为一个存储大量数据的分布式数据库,海量信息数据和状态数据为区块链结点间共享,如何充分利用这个大型分布式数据库也是发挥区块链系统结构优势的一个关键点。
为此,有学者提出提出“应用深度学习的区块链”(Baldominos A,Yago Sáez.Coin.AI:A Proof-of-Useful-Work Scheme for Blockchain-Based DistributedDeep Learning[J].Entropy,2019,21(8):723.)。Coin.AI展示了一个在区块链上训练神经网络的框架,它包含两个主要部分:执行神经网络模型交付的可用工作量证明、字符串语法到模型结构的映射方式。该方案提供了如何构建基于区块链的分布式深度学习系统实用思路。
有学者提出基于区块链的隐私保护深度学习(Zhu X,Li H,Yu Y.Blockchain-Based Privacy Preserving Deep Learning[C]//International Conference onInformation Security and Cryptology.Springer,Cham,2018.)。该方案充分发挥区块链去中心化优势,采用上传神经网络更新权重的方式,在区块链网络上训练深度学习模型,提供了一个小批量的分布式深度学习训练方法。
Anita等人在对区块链网络攻击的调查研究(Anita N,VijayalakshmiM.Blockchain Security Attack:A Brief Survey[C]//2019 10th InternationalConference on Computing,Communication and Networking Technologies(ICCCNT).2019.)中将区块链安全攻击分为7个类别:基于哈希的攻击、集中攻击、流量攻击、网络级攻击、注入攻击、完整性攻击、私钥泄露攻击。尽管区块链安全攻击多种多样,但从统计的角度来看,攻击行为模式与合法的行为模式间有很大的偏差。因此,结合区块链网络中日志、事务数据、状态等信息和深度学习技术建立针对区块链网络安全攻击的异常检测模型是可行的。
有学者提出用于区块链网络的攻击检测的深度学习方法(Scicchitano F,Liguori A,Guarascio M,et al.A Deep Learning Approach for Detecting SecurityAttacks on Blockchain[C]//Fourth Italian Conference on Cyber Security(ITASEC).2020.)。该方法提供了一个全面可行的解决方案来监控区块链事务安全。该方法通过监控区块链活动提取的聚合信息训练异常检测神经网络,这种方式对多种已存在的攻击都能进行有效识别,例如DAO攻击等。
综上所述,首先传统区块链网络的工作量证明机制存在算力、电力等资源浪费问题,其次区块链网络存在各种安全攻击,例如51%攻击等,同时区块链作为一个大型的分布式数据库,存储了大量事务信息数据和事务状态数据,这些数据并未得到充分利用。研究如何结合深度学习技术,充分挖掘区块链系统中海量数据信息,针对不同攻击的异常事务行为建立事务异常检测模型,为区块链提供事务安全检测,并有效解决工作量证明的资源浪费问题是热点问题。
发明内容
本发明为克服现有的区块链网络在应用过程中存在资源浪费的技术缺陷,提供一种用于区块链事务异常检测的有用工作量证明方法及系统。
为解决上述技术问题,本发明的技术方案如下:
用于区块链事务异常检测的有用工作量证明方法,由若干个结点执行完成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;具体执行步骤包括:
S1:产生新事务的普通结点向相邻的结点广播一则消息,该消息包含该事务的所有信息;接收到该消息的结点继续向其他结点转发该消息,并将该消息置入本地待处理事务池中;
S2:在本地待处理事务池中,由打包结点抽取事务列表并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;
S3:根据事务判别结果构建训练数据集并利用打包结点选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
S4:通过验证结点对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则执行步骤S5;否则,丢弃该新区块,返回执行步骤S2;
S5:接收该新区块并进行广播;
S6:打包结点广播新数据集。
上述方案中,本发明结合区块链大数据量的特性和深度学习技术,提出一种用于区块链事务异常检测的有用工作量证明方法,解决区块链工作量证明机制的资源浪费问题,并通过事务异常检测的方式感知区块链网络遭受的安全攻击;该方法通过将事务异常检测神经网络的训练和验证的任务作为有用工作量证明,分发到区块链的结点上,使整个区块链共同维护一个异常检测网络,并利用该网络检测事务的合法性,实现区块链网络的实时安全检测。
上述方案中,本发明基于用于区块链事务异常检测的有用工作量证明方法,在无中心服务器参与的情况下,能基于现有数据进行异常实时检测,确保事务的合法有效和区块链系统安全。
其中,在所述步骤S2中,通过打包结点抽取最多包含n个事务的事务列表X={x|x1,x2,Λ,xn},经过特征转换算法生成关于X的状态信息S={s|s1,s2,Λ,sn};并输入异常检测神经网络输出事务判别结果Y={y|y1,y2,Λ,yn}。
其中,在所述步骤S3中,所述根据事务判别结果构建训练数据集的过程具体为:通过打包结点对事务判别结果进行标记,将Y={y|y1,y2,Λ,yn}区分为异常事务数据集D1和合法事务数据集D2,由数据集D1和数据集D2组成训练数据集D。
其中,在所述步骤S3中,所述异常检测神经网络的优化方式包括更新式优化方式和覆盖式优化方式,具体为:
更新式优化方式:通过训练数据集D对现有的异常检测神经网络进行再训练,产生异常检测神经网络更新梯度信息G,接着生成更新式新区块;
覆盖式优化方式:选择必要的字段信息进行拼接后输入哈希算法中,生成新区块哈希值,通过映射函数将新区块哈希值映射为新的异常检测神经网络结构使用训练数据集D训练得到新的异常检测神经网络,接着生成覆盖式新区块。
其中,所述的按照优化方式进行性能阈值测试过程具体为:
其中,在所述步骤S5中,若某结点接收新区块后超出时间间隔τ未扩展新区块,则将检测阈值T减少为T'。
其中,在所述步骤S5中,在某结点接收新区块后,若完成新区块的扩展,则向挖掘该区块的结点发送回馈消息宣称该区块被接纳;当挖掘该区块的结点接收的回馈消息达到设定值,则向其他结点广播关于该新区块的训练样本数据集和测试集。
用于区块链事务异常检测的有用工作量证明系统,包括由若干个结点构建而成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;其中:
所述普通结点用于产生新事务并向相邻的结点广播一则消息,该消息包含该事务的所有信息;由其他普通结点接收该消息置入本地待处理事务池中,并继续向其他结点转发;
所述打包结点在本地待处理事务池中,对消息进行事务列表的抽取,并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;接着,打包结点根据事务判别结果构建训练数据集并选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
所述验证结点接收并对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则接收该新区块并进行广播,否则,丢弃该新区块。
其中,在所述打包结点中,所述异常检测神经网络的优化方式包括更新式优化方式和覆盖式优化方式,具体为:
覆盖式优化方式:选择必要的字段信息进行拼接后输入哈希算法中,生成新区块哈希值,通过映射函数将新区块哈希值映射为新的异常检测神经网络结构;使用训练数据集训练,得到新的异常检测神经网络,接着生成覆盖式新区块;
更新式优化方式:通过训练数据集对现有的异常检测神经网络进行再训练,产生异常检测神经网络更新梯度信息,接着生成更新式新区块。
上述方案中,针对现有的方案无法同时满足区块链的高安全性、强一致性、强可扩展性、高效率和资源节约,且其拥有的大量数据没有得到有效利用的利用,提出一种用于区块链事务异常检测的有用工作量证明系统,具体优势如下:
首先,其结合深度学习算法,实时检测区块链网络中的异常事务,有效地识别恶意结点产生的异常行为,提高区块链网络安全性;然后,其采用梯度更新和神经网络覆盖两种方案优化异常检测神经网络,能针对事务模式识别未知的攻击方式所造成的异常事件,具有实用性和可扩展性;第三,其将异常检测工作及异常检测神经网络训练工作分发给所有区块链结点,保持区块链的去中心化特性的同时,节省深度学习所消耗的大量算力,同时事务的有效性和合法性将由大量区块链结点共同监督;最后,其借助深度学习算法,充分利用区块链中的事务数据信息及事务状态信息,使区块链作为一个分布式数据库为所有结点共享,同时该区块链网络也作为一个分布式深度学习平台,为区块链系统寻求异常检测神经网络方案的最优解。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供一种用于区块链事务异常检测的有用工作量证明方法及系统,结合区块链大数据量的特性和深度学习技术,解决区块链工作量证明机制的资源浪费问题,并通过事务异常检测的方式感知区块链网络遭受的安全攻击;该方法通过将事务异常检测神经网络的训练和验证的任务作为有用工作量证明,分发到区块链的结点上,使整个区块链共同维护一个异常检测网络,并利用该网络检测事务的合法性,实现区块链网络的实时安全检测。
附图说明
图1为本发明所述方法流程示意图;
图2为本发明所述系统结构示意图;
图3为打包结点生成新区块的流程示意图;
图4为验证结点验证新区块的流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,用于区块链事务异常检测的有用工作量证明方法,由若干个结点执行完成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;具体执行步骤包括:
S1:产生新事务的普通结点向相邻的结点广播一则消息,该消息包含该事务的所有信息;接收到该消息的结点继续向其他结点转发该消息,并将该消息置入本地待处理事务池中;
S2:在本地待处理事务池中,由打包结点抽取事务列表并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;
S3:根据事务判别结果构建训练数据集并利用打包结点选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
S4:通过验证结点对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则执行步骤S5;否则,丢弃该新区块,返回执行步骤S2;
S5:接收该新区块并进行广播;
S6:打包结点广播新数据集。
在具体实时过程中,本发明中的区块链系统根据系统运行中结点不同行为,可分为三个实体,但实际上,在区块链系统运行时,每个结点均可具备以下提及的所有功能并执行相应的行为。三个实体分别为:普通结点、打包结点、验证结点,参见图2。当一个新事务产生,普通结点将该事务向区块链系统种的邻近结点广播;打包结点根据某种策略,抽取未包含在区块链账本中的事务列表,使用异常检测神经网络验证该事务列表,并优化异常检测网络,随后打包生成新区块,向邻近结点广播该区块,当该区块被大多数结点接受时,向区块链网络广播数据集更新;验证结点用于验证所收到的新区块,验证通过后向邻近结点广播该新区块。
在具体实施过程中,本发明结合区块链大数据量的特性和深度学习技术,提出一种用于区块链事务异常检测的有用工作量证明方法,解决区块链工作量证明机制的资源浪费问题,并通过事务异常检测的方式感知区块链网络遭受的安全攻击;该方法通过将事务异常检测神经网络的训练和验证的任务作为有用工作量证明,分发到区块链的结点上,使整个区块链共同维护一个异常检测网络,并利用该网络检测事务的合法性,实现区块链网络的实时安全检测。
在具体实施过程中,本发明基于用于区块链事务异常检测的有用工作量证明方法,在无中心服务器参与的情况下,能基于现有数据进行异常实时检测,确保事务的合法有效和区块链系统安全。
更具体的,在所述步骤S2中,通过打包结点抽取最多包含n个事务的事务列表X={x|x1,x2,Λ,xn},经过特征转换算法生成关于X的状态信息S={s|s1,s2,Λ,sn};并输入异常检测神经网络输出事务判别结果Y={y|y1,y2,Λ,yn}。
更具体的,在所述步骤S3中,所述根据事务判别结果构建训练数据集的过程具体为:通过打包结点对事务判别结果进行标记,将Y={y|y1,y2,Λ,yn}区分为异常事务数据集D1和合法事务数据集D2,由数据集D1和数据集D2组成训练数据集D。
更具体的,在所述步骤S3中,所述异常检测神经网络的优化方式包括更新式优化方式和覆盖式优化方式,具体为:
覆盖式优化方式:选择必要的字段信息,如合法事务列表X'、上一区块希值Hashprior、随机数nonce等信息进行拼接后输入哈希算法中,生成新区块哈希值Hashcurrent,通过映射函数将新区块哈希值映射为新的异常检测神经网络结构使用训练数据集D训练得到新的异常检测神经网络。完成训练后,该结点将合法事务列表X'、上一区块希值Hashprior、随机数nonce等信息及其哈希值,打包生成更新式新区块Bcurrent,并广播向其他结点;
更新式优化方式:通过训练数据集D对现有的异常检测神经网络进行再训练,产生异常检测神经网络更新梯度信息G。该结点将合法事务列表X'、上一区块希值Hashprior、随机数nonce、更新梯度信息G等信息及其哈希值,打包生成覆盖式新区块Bcurrent,并向其他相邻结点广播。
更具体的,所述的按照优化方式进行性能阈值测试过程具体为:
当验证结点接收包含异常检测神经网络的覆盖式新区块时,则使用杯底网络验证区块中事务的合法性,并使用测试集Dtest测试性能是否满足阈值T,当满足条件,将替换本地异常检测神经网络并将覆盖式新区块广播到其他结点;当不满足时,丢弃该新区块;
当验证结点接收包含更新梯度信息G的更新式新区块时,利用更新梯度信息G对本地异常检测神经网络进行更新得到使用测试集Dtest测试性能是否满足阈值T,当满足条件,将替换本地异常检测神经网络当不满足时,丢弃该新区块。
更具体的,在所述步骤S5中,若某结点接收新区块后超出时间间隔τ未扩展新区块,则将检测阈值T减少为T'。
更具体的,在所述步骤S5中,在某结点接收新区块后,若完成新区块的扩展,则向挖掘该区块的结点发送回馈消息宣称该区块被接纳;当挖掘该区块的结点接收的回馈消息达到设定值,则向其他结点广播关于该新区块的训练样本数据集和测试集。
实施例2
更具体的,如图2所示,在实施例1的基础上,用于区块链事务异常检测的有用工作量证明系统,包括由若干个结点构建而成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;其中:
所述普通结点用于产生新事务并向相邻的结点广播一则消息,该消息包含该事务的所有信息;由其他普通结点接收该消息置入本地待处理事务池中,并继续向其他结点转发;
所述打包结点在本地待处理事务池中,对消息进行事务列表的抽取,并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;接着,打包结点根据事务判别结果构建训练数据集并选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
所述验证结点接收并对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则接收该新区块并进行广播,否则,丢弃该新区块。
更具体的,在所述打包结点中,所述异常检测神经网络的优化方式包括更新式优化方式和覆盖式优化方式,具体为:
覆盖式优化方式:选择必要的字段信息进行拼接后输入哈希算法中,生成新区块哈希值,通过映射函数将新区块哈希值映射为新的异常检测神经网络结构;使用训练数据集训练,得到新的异常检测神经网络,接着生成覆盖式新区块;
更新式优化方式:通过训练数据集对现有的异常检测神经网络进行再训练,产生异常检测神经网络更新梯度信息,接着生成更新式新区块。
在具体实施过程中,针对现有的方案无法同时满足区块链的高安全性、强一致性、强可扩展性、高效率和资源节约,且其拥有的大量数据没有得到有效利用的利用,提出一种用于区块链事务异常检测的有用工作量证明系统,具体优势如下:
首先,其结合深度学习算法,实时检测区块链网络中的异常事务,有效地识别恶意结点产生的异常行为,提高区块链网络安全性;然后,其采用梯度更新和神经网络覆盖两种方案优化异常检测神经网络,能针对事务模式识别未知的攻击方式所造成的异常事件,具有实用性和可扩展性;第三,其将异常检测工作及异常检测神经网络训练工作分发给所有区块链结点,保持区块链的去中心化特性的同时,节省深度学习所消耗的大量算力,同时事务的有效性和合法性将由大量区块链结点共同监督;最后,其借助深度学习算法,充分利用区块链中的事务数据信息及事务状态信息,使区块链作为一个分布式数据库为所有结点共享,同时该区块链网络也作为一个分布式深度学习平台,为区块链系统寻求异常检测神经网络方案的最优解。
实施例3
在实施例1、实施例2的基础上,如图3、图4所示,结合具体实施例对本发明作进一步的描述,首先给出本发明中设计的各符号的含义:
transaction_massage:包含事务及基本信息字段的消息;
X={x|x1,x2,Λ,xn}:包含事务样本数据的列表;
Z():将事务样本数据列表X转化为能用于异常检测神经网络的输入向量列表的特定算法,算法具体内容由异常检测目标而定;
S={s|s1,s2,Λ,sn}:由X和特定特征转化算法Z()生成的状态特征向量集;
Y={y|y1,y2,Λ,yn}:对应X中样本的异常检测结果集,标记某事务样本的合法性;
D'={(si,yi)|(st,y1),(s2,y2),...,(sn,yn)}由S和Y组成的数据集,用于异常检测神经网络优化;
Hashprior:上一区块希值;
nonce:由打包结点生成的随机数;
W:根据区块信息拼接而成的长字符串;
h():某种哈希算法,如MD5;
Hashcurrent:由W和哈希算法h()生成的哈希值,用于映射异常检测神经网络结构;
M():用于映射异常检测神经网络结构的映射算法,如Coin.AI中的Hash-to-Architecture Mapping算法;
D:本地数据集,包含本地训练集Dtrain和本地测试集Dtest;
T:异常检测神经网络的性能阈值,如该神经网络的分类准确度;
G:神经网络更新中的梯度矩阵;
τ:扩展区块的最大等待时间间隔,当超出该时间未扩展区块链,则动态调整性能阈值T;
receive_massage:当验证结点确认接纳某区块,向该区块的打包结点发送该消息;
sample_massage:包含打包区块过程中的新数据集样本,用于在区块链系统运行时,不断更新系统中各结点的数据集。
整个方案的构造步骤实施如下:
(1)广播事务
在新事务产生时,普通结点向邻近结点发送一条transaction_massage消息,其中包含一个事务应包含的所有基本字段及数据,例如区块链版本信息、事务数据字段、时间戳等。
当邻近结点(包括普通结点、打包结点、验证结点)收到transaction_massage消息,若该消息是首次接收,则将该消息中包含的事务置入本地待处理事务池,并将transaction_massage消息继续向邻结点转发;若该消息非首次接收,则丢弃该消息。
(2)事务合法性检查
打包结点从本地待处理事务池抽取最多包含n个事务的事务列表X={x|x1,x2,Λ,xn},并使用X和特征转换算法Z(),生成关于X的状态信息S={s|s1,s2,Λ,sn},并将S作为输入,传入异常检测神经网络得到判别结果Y={y|y1,y2,Λ,yn}。其中每个状态信息si是对应事务样本xi的用于异常检测的状态信息特征向量。每个yi,若标记为VALID,则代表异常事务,若标记为INVALID,则代表合法事务,该yi分别与事务样本xi对应。
(3)异常检测神经网络的覆盖式优化
首先,将状态信息S={s|s1,s2,Λ,sn}分别与Y={y|y1,y2,Λ,yn}中标记一一对应,重组成新训练样本数据集D'={(si,yi)|(s1,y1),(s2,y2),...,(sn,yn)}。
然后,将标记为VALID的合法事务列表X'、上一区块的哈希值Hashprior、随机数nonce等生成区块的必要字段拼接成长字符串W,将长字符串W,传入哈希算法h()得到长字符串哈希值Hashcurrent。接着,将Hashcurrent作为输入,通过映射函数M(),映射为新的异常检测神经网络结构并将本地数据集D和新数据集D',共同训练神经网络
完成训练后,将标记为VALID的合法事务列表X'、上一区块哈希值Hashprior、随机数nonce、当前区块哈希值Hashcurrent、新异常检测神经网络的快照等字段打包生成新区块Bcurrent。
最后将Bcurrent向其他结点广播。
(4)异常检测神经网络的更新式优化
首先,将状态信息S={s|s1,s2,Λ,sn}分别与判别结果Y={y|y1,y2,Λ,yn}中的标记一一对应,重组成新训练样本数据集D'={(Si,yi)|(s1,y1),(s2,y2),...,(sn,yn)}。
完成训练后,将标记为VALID的合法事务列表X'、上一区块哈希值Hashprior、随机数nonce、当前区块哈希值Hashcurrent、更新梯度信息G等字段打包生成新区块Bcurrent。
最后将新区块Bcurrent向其他结点广播。
(5)区块验证
当该区块包含覆盖式优化信息时,验证结点将使用本地并使用测试集Dtest对区块中的神经网络快照进行性能检验,当其性能满足阈值T,则将该替换并将新区块Bcurrent向相邻结点广播;当其性能不满足阈值T,则丢弃该区块。
当该区块包含更新式优化信息时,验证结点将判断该区块中的更新梯度信息G是否对应本地最新异常检测神经网络结构,若不符合,则丢弃该区块,若符合,则使用更新梯度信息G更新本地异常检测神经网络并使用测试集Dtest对更新后的本地异常检测神经网络进行性能检验,当其性能满足阈值T,则将该作为本地最新异常检测神经网络,并将新区块Bcurrent向相邻结点广播;当其性能不满足阈值T,则丢弃该区块,并将回退更新前的版本。
(6)阈值调整
在步骤(5)中,若验证结点超出时间间隔τ,未成功验证新区块并扩展区块链,则使用某随机策略,将性能检测阈值T降低,保持系统中区块链正常扩展。
(7)区块链网络训练样本更新
当验证结点接纳了新区块Bcurrent,则向打包生成该Bcurrent的结点发送一条receive_massage消息。
当向打包生成该Bcurrent的结点接收的Bcurrent消息达到阈值λ(该值可根据区块链结点总数量占比数量设定),则向邻结点广播一则包含生成该区块所使用的新数据集D'={(si,yi)|(s1,y1),(s2,y2),...,(sn,yn)}的sample_massage消息。
当其他结点接收到sample_massage消息,并确认打包结点身份后,利用sample_massage消息中所包含的样本,更新本地训练集Dtrain和测试集Dtest,并将sample_massage消息向邻结点广播。
在具体实施过程中,本发明公开了一种用于区块链网络事务异常检测的有用工作量证明方法,适用于应用场景为公共服务、鉴权、供应链等事务及事务数据及状态信息透明、事务异常行为敏感的区块链网络系统。本发明基于区块链系统和深度学习技术,通过事务合法性验证以检测事务异常,识别区块链系统安全攻击行为,把异常检测神经网络优化工作作为工作量证明分发给区块链系统中所有结点,把工作量证明中耗费的大量算力用于解决深度学习神经网络中的计算问题,通过优化事务异常检测神经网络,不断提升区块链系统的安全性,实现区块链系统资源的合理分配和高安全性要求。本发明可在不需要中心服务器的情况下,实现神经网络的持续优化、区块链事务异常检测和对区块链网络安全攻击行为模式的识别,并能显著减少区块链系统中算力等资源的浪费。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.用于区块链事务异常检测的有用工作量证明方法,其特征在于,由若干个结点执行完成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;具体执行步骤包括:
S1:产生新事务的普通结点向相邻的结点广播一则消息,该消息包含该事务的所有信息;接收到该消息的结点继续向其他结点转发该消息,并将该消息置入本地待处理事务池中;
S2:在本地待处理事务池中,由打包结点抽取事务列表并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;
S3:根据事务判别结果构建训练数据集并利用打包结点选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
S4:通过验证结点对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则执行步骤S5;否则,丢弃该新区块,返回执行步骤S2;
S5:接收该新区块并进行广播;
S6:打包结点广播新数据集。
3.根据权利要求2所述的用于区块链事务异常检测的有用工作量证明方法,其特征在于,在所述步骤S3中,所述根据事务判别结果构建训练数据集的过程具体为:通过打包结点对事务判别结果进行标记,将Y={y|y1,y2,Λ,yn}区分为异常事务数据集D1和合法事务数据集D2,由数据集D1和数据集D2组成训练数据集D。
7.根据权利要求5或6所述的用于区块链事务异常检测的有用工作量证明方法,其特征在于,在所述步骤S5中,若某结点接收新区块后超出时间间隔τ未扩展新区块,则将检测阈值T减少为T'。
8.根据权利要求7所述的用于区块链事务异常检测的有用工作量证明方法,其特征在于,在所述步骤S5中,在某结点接收新区块后,若完成新区块的扩展,则向挖掘该区块的结点发送回馈消息宣称该区块被接纳;当挖掘该区块的结点接收的回馈消息达到设定值,则向其他结点广播关于该新区块的训练样本数据集和测试集。
9.用于区块链事务异常检测的有用工作量证明系统,其特征在于,包括由若干个结点构建而成,每个结点均可具备以下提及的所有功能并执行相应的行为,具体包括普通结点、打包结点、验证结点;其中:
所述普通结点用于产生新事务并向相邻的结点广播一则消息,该消息包含该事务的所有信息;由其他普通结点接收该消息置入本地待处理事务池中,并继续向其他结点转发;
所述打包结点在本地待处理事务池中,对消息进行事务列表的抽取,并通过特征转换算法进行处理,生成每个事务对应的状态信息;将状态信息输入异常检测神经网络中,得到事务判别结果;接着,打包结点根据事务判别结果构建训练数据集并选择异常检测神经网络的优化方式,对异常检测神经网络进行更新优化,生成新区块并广播至其他结点;
所述验证结点接收并对其接收到的新区块进行合法性验证,丢弃含异常事务的新区块或对只含合法事务的新区块进行性能阈值测试,若满足要求,则接收该新区块并进行广播,否则,丢弃该新区块。
10.根据权利要求9所述的用于区块链事务异常检测的有用工作量证明系统,其特征在于,在所述打包结点中,所述异常检测神经网络的优化方式包括更新式优化方式和覆盖式优化方式,具体为:
覆盖式优化方式:选择必要的字段信息进行拼接后输入哈希算法中,生成新区块哈希值,通过映射函数将新区块哈希值映射为新的异常检测神经网络结构;使用训练数据集训练,得到新的异常检测神经网络,接着生成覆盖式新区块;
更新式优化方式:通过训练数据集对现有的异常检测神经网络进行再训练,产生异常检测神经网络更新梯度信息,接着生成更新式新区块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111379.3A CN112910873B (zh) | 2021-01-27 | 2021-01-27 | 用于区块链事务异常检测的有用工作量证明方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110111379.3A CN112910873B (zh) | 2021-01-27 | 2021-01-27 | 用于区块链事务异常检测的有用工作量证明方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112910873A true CN112910873A (zh) | 2021-06-04 |
CN112910873B CN112910873B (zh) | 2022-08-23 |
Family
ID=76120676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110111379.3A Active CN112910873B (zh) | 2021-01-27 | 2021-01-27 | 用于区块链事务异常检测的有用工作量证明方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910873B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412336A (zh) * | 2022-08-26 | 2022-11-29 | 国网数字科技控股有限公司 | 联盟链账本篡改攻击检测方法、装置及电子设备 |
CN115563570A (zh) * | 2022-12-05 | 2023-01-03 | 上海飞旗网络技术股份有限公司 | 一种资源的异常检测方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN109118224A (zh) * | 2018-08-22 | 2019-01-01 | 泰康保险集团股份有限公司 | 区块链网络的工作量证明方法、装置、介质及电子设备 |
CN109542883A (zh) * | 2018-10-30 | 2019-03-29 | 广州斯拜若科技有限公司 | 一种基于区块链的信息查重方法 |
CN109769002A (zh) * | 2019-03-21 | 2019-05-17 | 浙江工商大学 | 一种基于区块链技术的分布式协同物联网异常检测方法 |
US20200106623A1 (en) * | 2018-09-28 | 2020-04-02 | NEC Laboratories Europe GmbH | Method and system for a trusted execution environment-based proof of stake protocol |
CN111275200A (zh) * | 2020-01-20 | 2020-06-12 | 杭州加密矩阵科技有限公司 | 一种适用于区块链工作量证明的多边缘服务器缓存算法 |
CN111327674A (zh) * | 2020-01-20 | 2020-06-23 | 杭州加密矩阵科技有限公司 | 一种适用于区块链工作量证明的单边缘服务器缓存算法 |
WO2020165256A1 (en) * | 2019-02-13 | 2020-08-20 | Uvue Limited | System and method for evaluating useful work |
US20200371832A1 (en) * | 2019-05-24 | 2020-11-26 | International Business Machines Corporation | Anomalous transaction detection for database |
-
2021
- 2021-01-27 CN CN202110111379.3A patent/CN112910873B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107864198A (zh) * | 2017-11-07 | 2018-03-30 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习训练任务的区块链共识方法 |
CN109118224A (zh) * | 2018-08-22 | 2019-01-01 | 泰康保险集团股份有限公司 | 区块链网络的工作量证明方法、装置、介质及电子设备 |
US20200106623A1 (en) * | 2018-09-28 | 2020-04-02 | NEC Laboratories Europe GmbH | Method and system for a trusted execution environment-based proof of stake protocol |
CN109542883A (zh) * | 2018-10-30 | 2019-03-29 | 广州斯拜若科技有限公司 | 一种基于区块链的信息查重方法 |
WO2020165256A1 (en) * | 2019-02-13 | 2020-08-20 | Uvue Limited | System and method for evaluating useful work |
CN109769002A (zh) * | 2019-03-21 | 2019-05-17 | 浙江工商大学 | 一种基于区块链技术的分布式协同物联网异常检测方法 |
US20200371832A1 (en) * | 2019-05-24 | 2020-11-26 | International Business Machines Corporation | Anomalous transaction detection for database |
CN111275200A (zh) * | 2020-01-20 | 2020-06-12 | 杭州加密矩阵科技有限公司 | 一种适用于区块链工作量证明的多边缘服务器缓存算法 |
CN111327674A (zh) * | 2020-01-20 | 2020-06-23 | 杭州加密矩阵科技有限公司 | 一种适用于区块链工作量证明的单边缘服务器缓存算法 |
Non-Patent Citations (5)
Title |
---|
BALDOMINOS, ALEJANDRO, AND YAGO SAEZ.: ""Coin. AI: A proof-of-useful-work scheme for blockchain-based distributed deep learning."", 《ENTROPY》 * |
LIHU, ANDREI, ET AL.: ""A Proof of Useful Work for Artificial Intelligence on the Blockchain."", 《ARXIV PREPRINT ARXIV:2001.09244》 * |
LIU, YIMING, ET AL.: ""Blockchain and machine learning for communications and networking systems."", 《 IEEE COMMUNICATIONS SURVEYS & TUTORIALS》 * |
SCICCHITANO, FRANCESCO, ET AL.: ""A Deep Learning Approach for Detecting Security Attacks on Blockchain."", 《ITASEC》 * |
宋琪: ""基于区块链的协同入侵检测系统研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412336A (zh) * | 2022-08-26 | 2022-11-29 | 国网数字科技控股有限公司 | 联盟链账本篡改攻击检测方法、装置及电子设备 |
CN115563570A (zh) * | 2022-12-05 | 2023-01-03 | 上海飞旗网络技术股份有限公司 | 一种资源的异常检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112910873B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202928B (zh) | 传感边缘云区块链网络可信卸载协作节点选择系统及方法 | |
CN106488393B (zh) | 基于演化博弈机制的分簇无线传感器网络簇头选举系统 | |
CN101299691B (zh) | 一种基于人工免疫的动态网格入侵检测方法 | |
CN112910873B (zh) | 用于区块链事务异常检测的有用工作量证明方法及系统 | |
Chen et al. | A survey on blockchain systems: Attacks, defenses, and privacy preservation | |
CN112348204A (zh) | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 | |
Wei et al. | MobiID: A user-centric and social-aware reputation based incentive scheme for delay/disruption tolerant networks | |
Kong et al. | A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing | |
Wang et al. | Beh-Raft-Chain: a behavior-based fast blockchain protocol for complex networks | |
Gyawali et al. | Deep reinforcement learning based dynamic reputation policy in 5g based vehicular communication networks | |
CN115293256A (zh) | 一种由区块链辅助的联邦学习无线网络模型 | |
CN108092759A (zh) | 一种基于信任机制的无线传感网络节点安全状态评估方法 | |
Xing et al. | Uavs-aided delay-tolerant blockchain secure offline transactions in post-disaster vehicular networks | |
Wu et al. | A solution to data accessibility across heterogeneous blockchains | |
Wang et al. | Blockchain-based federated learning in mobile edge networks with application in internet of vehicles | |
Han et al. | Identifying top-k influential nodes based on discrete particle swarm optimization with local neighborhood degree centrality | |
Liu et al. | Communitychain: Towards a scalable blockchain in smart home | |
CN114745288B (zh) | 基于区块链和动态赋权的复杂网络抗毁性模型量化方法 | |
Yu et al. | Trust evaluation of computing power network based on improved particle swarm neural network | |
Alotaibi et al. | PPIoV: A privacy preserving-based framework for IoV-fog environment using federated learning and blockchain | |
CN115348022A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN110059826B (zh) | 基于动态权重的测试向量生成与优化方法 | |
Mishra et al. | A task offloading and reallocation scheme for passenger assistance using fog computing | |
Chen et al. | Tangless: Optimizing cost and transaction rate in IOTA by using Lyapunov optimization theory | |
Nourmohammadi et al. | Sharding and its impact on fork probability |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |