CN113129149A - 基于区块链和安全多方计算的交易风险识别方法和装置 - Google Patents
基于区块链和安全多方计算的交易风险识别方法和装置 Download PDFInfo
- Publication number
- CN113129149A CN113129149A CN202110445636.7A CN202110445636A CN113129149A CN 113129149 A CN113129149 A CN 113129149A CN 202110445636 A CN202110445636 A CN 202110445636A CN 113129149 A CN113129149 A CN 113129149A
- Authority
- CN
- China
- Prior art keywords
- data
- blockchain
- transaction
- party
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 238000013058 risk prediction model Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000004873 anchoring Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 25
- 230000015654 memory Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000010076 replication Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000010949 in-process test method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- MZWGYEJOZNRLQE-KXQOOQHDSA-N 1-stearoyl-2-myristoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCCCCCCCC MZWGYEJOZNRLQE-KXQOOQHDSA-N 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
提供一种基于区块链和安全多方计算的交易风险识别方法和装置。所述交易风险识别方法包括：接收区块链交易请求，所述区块链交易请求包括交易相关数据；从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及基于所述风险预测模型，确定所述区块链交易的风险等级。
Description
技术领域
本公开涉及区块链技术领域，具体涉及应用于金融领域的区块链技术，更具体地涉及一种基于区块链和安全多方计算的交易风险识别方法、装置、电子设备、计算机可读存储介质和程序产品。
背景技术
区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。区块链技术作为数据共享的新的新的分布式系统，依赖其点对点去中心化通讯，加密技术验证不可篡改，数据透明可溯源，分布式共识集体维护等特性，解决了数据协同和数据孤岛问题，可以应用于各个业务领域，如供应链金融，贸易融资，数字资产数据交换，业务协作，溯源存证等各个领域。
安全多方计算技术是当今密码学的热点课题，它是一个复杂的密码协议，可以针对无可信的第三方场景下，安全进行协同计算的问题，主要体现数据计算的隐私性和正确性，安全多方计算主要核心技术包括同态加密、混淆电路、秘密协作和不经意间传输，依托安全多方计算结合传统的机器学习算法进行联合建模，能保证用户隐私安全，数据不出本地私域，避免单数据源联合建模的特征。
发明内容
针对现有技术中的问题，本公开实施例提供一种基于区块链和安全多方计算的交易风险识别方法及装置，能够至少部分地解决现有技术中存在的问题。
根据本公开实施例的一个方面，提供了一种基于区块链和安全多方计算的交易风险识别方法，所述交易风险识别方法包括：
接收区块链交易请求，所述区块链交易请求包括交易相关数据；
从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；
从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；
将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；
执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及
基于所述风险预测模型，确定所述区块链交易的风险等级。
根据本公开的一些实施例，所述从多个链下存储节点分别获取与所述区块链上数据对应的链下数据包括：从多个链下存储节点分别获取与所述区块链上数据通过哈希锚定的方式锚定的链下数据。
根据本公开的一些实施例，所述区块链上数据包括区块链基础数据和/或合约相关数据；和/或，所述链下数据包括大体量数据、区块历史数据和保密数据。
根据本公开的一些实施例，所述交易风险识别方法还包括：将区块链上数据中的合约相关数据发送给安全多方计算节点；以及所述安全多方计算节点基于所述合约相关数据实施安全多方计算。
根据本公开的一些实施例，发送给安全多方计算节点的合约相关数据至少与权限控制、通证服务、算力共享和模型参数中的至少一个相关。
根据本公开的一些实施例，所述多个链下存储节点包括分布式文件系统。
根据本公开的一些实施例，所述多个链下存储节点形成有向无环图。
根据本公开的一些实施例，所述区块链网络节点为联盟链中的多个区块链网络节点。
根据本公开的一些实施例，所述执行安全多方计算并合并安全多方计算的结果以获得风险预测模型包括：执行安全多方计算，获得风险预测模型的多组参数；基于所述多组参数，确定风险预测模型的实际参数；将所述实际参数发送给决策服务节点；以及所述决策服务节点确定风险预测模型。
根据本公开实施例的另一方面，提供了一种基于区块链和安全多方计算的交易风险识别装置，包括：接收模块，用于接收区块链交易请求，所述区块链交易请求包括交易相关数据；链上数据获取模块，用于从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；链下数据获取模块，用于从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；数据同步模块，用于将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；安全多方计算模块，用于执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及确定模块，用于基于所述风险预测模型，确定所述区块链交易的风险等级。
根据本公开实施例的又一方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述的基于区块链和安全多方计算的交易风险识别方法。
根据本公开实施例的再一方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的基于区块链和安全多方计算的交易风险识别方法。
根据本公开实施例的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的基于区块链和安全多方计算的交易风险识别方法。
本公开的实施例提出了一种基于区块链和安全多方计算的交易风险识别的方法和制造，结合使用安全多方计算和区块链技术，建立体系化且安全的数据协同方案，从而可以在区块链平台上利用安全多方计算相关技术构建一个高效、精准和全面的交易风险识别系统，确保区块链链上交易的合法合规性，且风险可控。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1是本公开的一些实施例提供的基于区块链和安全多方计算的交易风险识别系统的结构示意图；
图2是本公开的一些实施例提供的基于区块链和安全多方计算的交易风险识别方法的流程示意图；
图3是根据本公开的一些示例性实施例的用于实现区块链网络节点与链下存储节点之间数据共享的结构的示意图；
图4是根据本公开的一些示例性实施例的用于实现区块链网络节点与安全多方计算节点之间数据共享的结构的示意图；
图5是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别方法和系统中的多方协作数据流图；
图6是根据本公开的一些示例性实施例的决策服务节点的示意图；
图7是根据本公开的一些示例性实施例的用于构建区块链交易风险识别模型的数据流图；
图8是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别方法的流程图；
图9是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别装置的节点间信息交互图；
图10示意性示出了根据本公开实施例的适于实现上述基基于区块链和安全多方计算的交易风险识别方法的电子设备的方框图；以及
图11示意性示出了根据本公开另一些实施例的适于实现上述基基于区块链和安全多方计算的交易风险识别方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本文中，“安全多方计算(Secure Multi-Party Computation，简称为SMPC或MPC)”是指一组互不信任的参与方之间保护隐私的协同计算，在安全多方计算中，要确保输入的独立性，计算的正确性，同时不泄露各个输入值给参与计算的其他成员。例如，在一个多用户的网络中，用户之间可能互不信任，但可以通过该网络实现协同计算，同时在计算过程中以及计算结束后，都能保证用户数据的安全性。在相关技术中，尝试使用全同态加密方案进行安全多方云计算。目前全同态的加密方案主要包括如下三种类型：基于理想格(ideal lattice)的加密方案；基于整数上近似最大公约数(简称为GCD)问题的加密方案；基于带扰动学习(Learning With Errors，LWE)问题的加密方案。例如，可以利用部分同态加密算法(例如加法同态的加密算法或乘法同态的加密算法)，典型的加法同态的加密算法包括Paillier加密算法和Benaloh加密算法，典型的乘法同态的加密算法包括RSA加密算法和ElGamal加密算法。
本公开的实施例提供了基于区块链和安全多方计算的交易风险识别方法、装置、电子设备、计算机可读存储介质和程序产品。
例如，所述交易风险识别方法包括：接收区块链交易请求，所述区块链交易请求包括交易相关数据；从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及基于所述风险预测模型，确定所述区块链交易的风险等级。
例如，所述从多个链下存储节点分别获取与所述区块链上数据对应的链下数据包括：从多个链下存储节点分别获取与所述区块链上数据通过哈希锚定的方式锚定的链下数据。
例如，所述区块链上数据包括区块链基础数据和/或合约相关数据；和/或，所述链下数据包括大体量数据、区块历史数据和保密数据。
例如，所述交易风险识别方法还包括：将区块链上数据中的合约相关数据发送给安全多方计算节点；以及所述安全多方计算节点基于所述合约相关数据实施安全多方计算。
例如，发送给安全多方计算节点的合约相关数据至少与权限控制、通证服务、算力共享和模型参数中的至少一个相关。
例如，所述多个链下存储节点包括分布式文件系统。
例如，所述多个链下存储节点形成有向无环图。
例如，所述区块链网络节点为联盟链中的多个区块链网络节点。
例如，所述执行安全多方计算并合并安全多方计算的结果以获得风险预测模型包括：执行安全多方计算，获得风险预测模型的多组参数；基于所述多组参数，确定风险预测模型的实际参数；将所述实际参数发送给决策服务节点；以及所述决策服务节点确定风险预测模型。
在本公开的实施例中，构建一套基于事前检测、事中分析和事后应急处理的全方位的数据的分析处理的技术方案，解决在数据和预处理的基础上安全多方计算算法对相关内容进行分析、预测和决策。下面结合附图对本公开的技术方案进行详细说明。
图1是本公开的一些实施例提供的基于区块链和安全多方计算的交易风险识别系统的结构示意图，如图1所示，本公开实施例提供的交易风险识别系统包括应用终端1、路由节点6、链下存储节点3、安全多方计算节点4、决策服务节点5和区块链网络节点2。
应用终端1与路由节点6通信连接，路由节点6分别与链下存储节点3和区块链网络节点2通信连接，区块链网络节点2和链下存储节点3均与安全多方计算节点4通信连接，安全多方计算节点4分别与决策服务节点5和区块链网络节点2通信连接，决策服务节点5与区块链网络节点2通信连接。
应用终端1发起与区块链网络节点2的网络通信，例如应用终端1通过路由节点6向区块链网络节点2发送区块链交易请求。应用终端1包括但不限于移动终端、台式机、笔记本电脑、应用服务器等。例如，所述应用终端1包括各种端机，包括边缘端、移动端、PC端，应用服务器端等。应用终端可创建与区块链接入节点、记账节点、共识节点的网络通讯。
区块链网络节点2是区块链网络中的节点，包括但不限于接入节点、记账节点、共识节点等。区块链网络中的区块链网络节点2可以对区块链交易请求进行处理，例如通过节点共识算法共识完成后，在通过GRPC通讯与智能合约节点通讯执行智能合约逻辑，并修改区块链的状态数据，并在区块链上以链式存储的方式保存对状态数据的修改记录。所述区块链网络节点2，是区块链执行共识交易的节点，接收区块链上层业务应用的交易请求，进行区块链的交易共识和计算，并管理职能合约的调用，将区块链网络节点的线上实时的交易访问请求旁路存储计算节点，保存交易请求信息到链下存储节点3，并基于安全多方计算算法的分析和处理，返回模型参数等。
在本公开的实施例中，数据通过区块链网络节点2进行上链存储，同时上链数据通过例如哈希锚定的方式锚定到链下存储节点3，链下锚定存储能较大程度解决区块链链上数据获取的成本。其中，链下存储节点3可以采用服务器实现。
可选地，链下存储节点3可以从路由节点6接收应用终端1发送给区块链网络的复制数据，例如接收区块链交易请求的复制数据。链下存储节点3从复制数据中获得接收区块链交易请求的复制数据，将区块链交易请求的复制数据作为区块链交易旁路请求发送给安全多方计算节点4。
例如，路由节点6对应用终端1发送给区块链网络的数据进行流量复制，并将复制的流量发送给链下存储节点3，例如对应用终端1发送给区块链网络节点2的区块链交易请求进行复制，然后将复制的区块链交易请求发送给链下存储节点3。路由节点6基于网络底层数据包的请求复制，无需穿透整个TCP协议栈，可以从数据链路层或者网络层做流量复制，例如通过交换机上的端口网络流量拷贝功能实现流量复制，这样可以非侵入式地获取路由节点6发送给区块链网络节点2的数据，并对于发送给区块链网络的请求透明无感知。例如，路由节点6可以采用交换机路由设备。
安全多方计算节点4可以包括存储和计算两大功能模块。其中，存储模块用于接收用于构建安全多方计算模型的所有数据存储，包括区块链网络节点请求报文，区块链网络节点和智能合约日志，区块链高度时间序列，链上存储数据以及业务层面的风险监控数据，例如账号黑名单，失信人员，大额资金等业务等信息。计算模块主要基于安全多方计算平台构建的模型进行模型导入、数据探索、模型训练等功能，对存储的数据进行实时的分析和计算，并实时地优化安全多方计算业务模型，用于交易风险实时、精准、全面的识别。
决策服务节点5提供接口供外部调用，当区块链交易存在风险时，可以根据风险等级进行交易预警、通知人工干预和终止交易等处理。决策服务节点5可以采用服务器实现。例如，所述决策服务节点5，可以基于模型构建不同区块链网络上的智能合约的知识图谱，区分不同业务场景的智能合约，同时针对不同区块链网络和智能合约应用部署对应的安全多方计算模型，构建不同智能合约的图谱和对潜在的交易风险进行识别分析，同时对外封装OpenAPI接口或者SDK，用于智能合约调用或者外部调用，同时可以对区块链系统中的相关业务进行统计分析，用于监控预警，统计汇报或者可视化链上业务交易数据。
图2是本公开的一些实施例提供的基于区块链和安全多方计算的交易风险识别方法的流程示意图，如图2所示，本公开实施例提供的区块链交易风险识别方法可以按照以下步骤执行。
在步骤S201中，接收区块链交易请求，所述区块链交易请求包括交易相关数据。
具体地，应用终端可以发起智能合约交易接口调用，通过路由节点向区块链网络节点发送区块链交易请求。所述路由节点接收到所述区块链交易请求之后，在正常向区块链网络节点发送所述区块链交易请求的同时，会复制所述区块链交易请求，然后将复制的区块链交易请求发送给链下存储节点。所述交易相关数据可以包括交易标识、智能合约标识等信息，包括但不限于客户ID、客户交易金额、客户凭证等需要上链共享的数据，可以根据实际需要进行设置，本公开实施例不做限定。
在步骤S202中，从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据。
在步骤S203中，从多个链下存储节点分别获取与所述区块链上数据对应的链下数据。
在本公开的实施例中，可以将数据差异化定义，将其分为链上数据和链下数据。例如，链上数据可以指实时存储于区块链网络节点的数据，区块链网络节点具备对链上数据的全拷贝能力，是能形成区块有效性证明的最小单元数据集合。所述链上数据可以包括但不限于链基础数据、智能合约及合约操作数据、资产类数据和简短静态数据中的至少一种。例如，所述链基础数据可以包括账户、交易、区块头等直接数据，账户树、交易树及区块生成证明等区块有效性证明数据，以及供用户数据查询必要的索引数据等；所述智能合约及合约操作数据可以包括智能合约的图灵完备脚本及其依赖数据；所述简短静态数据可以包括交易备注等通常数据量很小的数据。链下数据可以指无需实时存储于区块链网络节点的数据，可以包括使用频率较低、存储体量相对较大的数据集合，例如，所述链下数据可以包括大体量数据、区块历史数据和保密性要求较高数据中的至少一种。所述大体量数据的特点是所需的存储空间大，例如视频、图片、地理位置等数据；所述区块历史数据使用频率低，户无需实时查询，链下数据可作为备份手段；所述保密性要求较高数据可以包括个人身份信息、医疗数据等。
在本公开的实施例中，链下数据与链上数据锚定，例如，可以将数据哈希值、数据索引等作为链上数据存储。
图3是根据本公开的一些示例性实施例的用于实现区块链网络节点与链下存储节点之间数据共享的结构的示意图。如图3所示，所述区块链网络节点2主要包括数据存证智能合约21、区块链区块信息23、状态数据存储24和历史数据存储25。例如，所述数据存证智能合约可以包括权限控制、通证服务、存储共享、带宽共享等智能合约接口，并提供给链下存储节点3的数据服务接口31调用。
例如，所述链下存储节点3可以是一个对等的分布式文件系统，它尝试为所有计算设备连接同一个文件系统，提供了一个高吞吐量、按内容寻址的块存储模型，以及与内容相关超链接，并形成了一个广义的梅克树(Merkle tree)有向无环图(DAG)。所述链下存储节点3主要包括数据服务接口31、交互操作32、核心API 30、数据服务33和数据同步服务34。数据服务接口31和交互操作32提供外部文件操作的功能。数据服务33包括DAG模块、目录模块、区块链服务、数据模块、哈希索引和格式转换等模块。数据同步模块34包括点对点通讯、路由策略、区块交换和订阅发布等功能，用于与区块链网络节点2的数据同步服务22基于GRPC协议进行数据同步。
例如，在分布式文件系统(Distributed File System，DFS)中，文件系统管理的物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点(例如计算机)相连，或者，若干不同的逻辑磁盘分区或卷标组合在一起而形成完整的有层次的文件系统。分布式文件系统为分布在网络上任意位置的资源提供一个逻辑上的树形文件系统结构，从而使用户访问分布在网络上的共享文件更加简便。单独的分布式文件系统中的共享文件夹的作用是相对于通过网络上的其他共享文件夹的访问点。计算机通过文件系统管理、存储数据，而信息爆炸时代中人们可以获取的数据成指数倍的增长，单纯通过增加硬盘个数来扩展计算机文件系统的存储容量的方式，在容量大小、容量增长速度、数据备份、数据安全等方面的表现都差强人意。分布式文件系统可以有效解决数据的存储和管理难题，将固定于某个地点的某个文件系统，扩展到任意多个地点/多个文件系统，众多的节点组成一个文件系统网络。每个节点可以分布在不同的地点，通过网络进行节点间的通信和数据传输。人们在使用分布式文件系统时，无需关心数据是存储在哪个节点上、或者是从哪个节点从获取的，只需要像使用本地文件系统一样管理和存储文件系统中的数据。分布式文件系统是建立在客户机/服务器技术基础之上的，一个或多个文件服务器与客户机文件系统协同操作，这样客户机就能够访问由服务器管理的文件。
在本文中，有向无环图(DAG)中的“有向”指的是有方向，准确的说应该是同一个方向，“无环”则指不形成闭环。在DAG中，没有区块的概念，其组成单元是一笔笔的交易，每个单元记录的是单个用户的交易，这样就省去了打包出块的时间。验证手段则依赖于后一笔交易对前一笔交易的验证，换句话说，如果要想进行一笔交易，就必须要验证前面的交易，具体验证几个交易，根据不同的规则来进行。这种验证手段，使得DAG可以异步并发的写入很多交易，并最终构成一种拓扑的树状结构，能够极大地提高扩展性。
在步骤S204中，执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型。
图4是根据本公开的一些示例性实施例的用于实现区块链网络节点与安全多方计算节点之间数据共享的结构的示意图。如图4所示，基于区块链网络节点2和安全多方计算节点4，可以实现数据协同计算的权限控制、通证服务、算力共享和模型参数共享等功能。例如，所述区块链网络节点2可以基于智能合约和区块链共识实现与安全多方计算节点4的多方协同计算，同时，区块链共识及其承载的智能合约实现权限控制、通证服务、算力共享和模型参数共享等功能。
如图4所示，所述区块链网络节点2主要包括数据存证智能合约21、区块链区块信息23、状态数据存储24和历史数据存储25。例如，所述数据存证智能合约可以包括权限控制、通证服务、算力共享、模型参数共享等智能合约接口，并提供给安全多方计算节点4的预处理模块调用。
所述安全多方计算节点4通过区块链网络提供的数据，并通过安全多方计算节点的计算实现多方的数据协同计算。如图4所示，所述安全多方计算节点可以包括预处理模块、计算模块和任务终止模块等。例如，所述预处理模块可以实现预处理41、安全计算启动42和函数编译43等操作。所述计算模块可以包括计算电路44、函数运算模块45和校验模块46等。例如，计算电路44可以包括布尔电路、算数电路、不经意随机访问机、定点/浮点数计算电路等。所述函数运算模块45可以实现加法/乘法、逻辑门、寄存器访问等功能。所述校验模块46可以包括乘法三元组、全局信息校验密码、随机数元组等。所述任务终止模块可以包括结果输出模块48等。例如，预处理模块可以为程序自动控制的数据导入模块，同时提供外部的业务风险数据，例如黑名单数据、敏感信息数据、大额资金信息等。
示例性地，可以通过区块链网络节点2接收到交易请求，交易请求方生成计算请求后，可以通过智能合约21中加载密钥共享模块，和安全计算模块，请求方将自己的证书签名和加密公钥提交到区块链上，利用共识层的共识节点进行共识来确保节点间的相互信任，区块链网络节点2同时建立与计算处理模块的实时异步的通讯连接，区块链网络节点共享加密后的请求数据.在计算模块中，通过“Map任务模块”，“同态加密处理”，“Reduce任务模块”串联处理，并将不同联盟方的数据，合并在一起进行计算，利用请求方的公钥将计算的结果加密返回。在此过程中，每一个联盟方均不知道其他请求方的信息，请求方收到返回的结果后，利用自己的私钥进行解密得到最终的结果。以此方式，在信息隐私保护的前提下实现了数据联合共享计算的功能。
在本公开的实施例中，所述区块链网络节点2可以是联盟链区块链网络中的节点。联盟链表示在共识的过程当中受制于预选节点的区块链。联盟链的区块链技术是指在共识的过程中可以受到预选节点控制的区块链，例如，有一个15个金融企业组成的共同体，每个企业都有一个节点在运行着，而且要使每个区块链发生作用需要得到10个企业的共同确认才可以生效。区块链也许所有人都可以获取数据，也许参与者受到限制，或者走混合型线路，比如区块链的根哈希以及API(应用程序接口)对外是开放的，API同意外界作用限制被访问查询的次数以及得到区块链的状态消息。在联盟链区块链网络，数据的所有权通常由不同联盟控制，如链上数据通常采用通道隔离和加密体系保证数据隐私和数据安全，但是区块链联盟方通常需要对链上数据进行全局性的分析统计，以进行更好的研究和做业务决策，因此需要将采用安全多方计算的方式进行数据多方协同处理和共享计算。
在本公开的实施例中，为了保证联盟方用户的数据隐私和数据安全，联盟方用户希望在交易信息不被他人获取的情况下协作完成计算任务，所以引入安全多方计算。
例如，安全多方计算是n个参与者P1、P2、……、Pn，需要共同执行某一个计算任务
f(x1，x2，……，xn)＝(y1，y2，……，yn)
联盟中每一方Pi(1≤i≤n)只能得到自己的输入xi，并且只能获得自己的输出yi。安全多方计算有以下安全要求：忠诚性，大部分的参与方是忠诚的，忠诚是指参与方完全按照规定执行任务；终止性，在有限的时间中，忠诚方能够终止执行计算任务；隐私性，任何参与方Pi不能够得到其他参与方的输入xj(i＝j)；一致性，所有忠诚方最终得到相同的输出y1＝y2＝……＝yn.
图5是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别方法和系统中的多方协作数据流图。如图5所示，交易请求可以包括主要的交易要素(例如客户ID，客户交易金额，客户凭证等需要上链共享的数据)，通过区块链网络节点2进行上链存储，同时根据上链数据通过哈希锚定的方式锚定到链下存储3。同时，链下存储3中的数据以密文的方式发送给安全多方计算(即MPC)节点4，各个MPC节点4基于链下锚定存储数据进行多方数据协同计算，并将结果参数通过区块链网络节点在多方共享。
在步骤S205中，基于所述风险预测模型，确定所述区块链交易的风险等级。
图6是根据本公开的一些示例性实施例的决策服务节点的示意图。如图6所示，决策服务节点5可以包括决策服务控制装置51、统计分析装置52、接口服务装置53和建模分析装置54。例如，决策服务控制装置51可以接收存储MPC节点4返回的数据分析接口，做统计分析和对外提供标准的API接口提供统一的调用。统计分析装置52可以包括监控预警模块521，统计汇报模块522以及可视化模块523，用于便捷的统计分析和业务处理决策。接口服务装置53可以提供标准的OpenAPI接口531，封装的SDK接口532，同时可以提供实时的推送服务533，用于交易风险的实时监控。建模分析装置54可以包括数据探索模块541，模型训练模块542，模型部署模块543，对接外部安全多方计算平台，进行数据探索，模型训练和生产模型部署。
图7是根据本公开的一些示例性实施例的用于构建区块链交易风险识别模型的数据流图。如图7所示，在本公开的实施例中，基于安全多方计算的方式可以使用数据进行联合建模，整个过程数据本身在本地私域进行计算，过程中交互的是加密的模型参数，最终得到加密的分布式模型。在多方的交易风险模块过程中，例如，有角色A持有数据集A，角色B持有数据集B，数据集A和数据集B通过区块链的P2P通讯进行区块链的多方数据共享，并通过多方计算后获取模型参数通过区块链进行共享，数据同步34作为链上链下数据集和MPC节点4的桥梁，用于MPC节点数据集的构建，MPC节点4获取数据集后通过建模分析模块54，进行本地数据集的建模分析，本地建模分析后通过区块链进行模型合并，并将合并后的模型和参数发送给决策服务节点5。
示例性地，图8是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别方法的流程图。
在操作T101，应用请求端1发起智能合约交易接口调用。
在操作T102，交易请求发送到区块链网络节点2，并通过链上链下同步技术将数据同步存储到链下存储节点3，同时请求的交易数据到安全多方计算节点4。
在操作T103，对智能合约交易请求在请求复制节点进行流量复制，并获取真实的线上交易请求报文，并解析存储到安全多方计算节点4。
在操作T104，安全多方计算节点4以准实施的方式获取复制的线上请求，同时获取区块链区块和交易相关信息，并通过正则匹配的方式获取日志中心的交易信息。
在操作T105，在安全多方计算节点4中部署安全多方计算算法模型，对区块链交易请求进行实施检测分析，识别交易风险。
在操作T106，如果交易命中风险策略，则主动在智能合约调用决策服务提供的接口终止交易，并在决策服务节点5展现交易信息，并通知监控管理人员进行预警和后续人工干预流程。
图9是根据本公开的一些示例性实施例的基于区块链和安全多方计算的交易风险识别装置的节点间信息交互图。
在操作T201，区块链网络联盟决策，明确区块链网络节点和成员信息，并明确网络的具体业务应用场景，编写对应的智能合约代码，在区块链网络节点2部署业务智能合约。
在操作T202，应用请求端1通过SDK或者API接口调用区块链网络节点2，发起智能合约交易调用。
在操作T203，在交换机网络路由节点6上设置区块链网络节点2，将交易数据同步到链下数据存储节点3和安全多方计算节点4.
在操作T204，安全多方计算节点4通过在线的网络请求引流，模拟交易执行进行回放，并解析实际的交易报文信息。
在操作T205，区块链网络节点2接收交易请求，并通过区块链3F+1节点共识，判断满足条件将交易请求发往智能合约执行引擎总执行智能合约接口调用。
在操作T206，安全多方计算节点4进行模型的校验和实施的计算分析，综合前置请求报文、区块链链上数据、日志信息、区块交易时间序列等信息进行安全多方计算建模和分析预测。
在操作T207，区块链网络节点2的日志收集守护进程收集区块链网络节点和智能合约节点执行日志，通过正则匹配日志中关键信息，例如交易ID、智能合约ID、交易结果报文等。
在操作T208，决策服务节点5触发智能合约交易风险预警，并通知应用侧，同时可视化展示。
在本公开的实施例中，提供了在企业级的区块链平台系统中基于安全多方计算的区块链交易风险识别技术的方法和制造，构建了一套基于事前检测、事中分析和事后应急处理的全方位的交易数据的分析处理的技术，解决在数据和预处理的基础上安全多方计算算法对相关内容进行分析、预测和决策，特别地，在数据隐私保护方面引入在区块链安全技术的基础上引入多方安全计算，进行数据的隐私安全共享。
图10示意性示出了根据本公开实施例的适于实现上述基基于区块链和安全多方计算的交易风险识别方法的电子设备的方框图。
如图10所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
图11示意性示出了根据本公开另一些实施例的适于实现上述基基于区块链和安全多方计算的交易风险识别方法的电子设备的方框图。如图11所示，所述电子设备600可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图11中所示的所有部件；此外，电子设备600还可以包括图11中没有示出的部件，可以参考现有技术。
如图11所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
例如，存储器140可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本公开的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被图10中的处理器901或图11中的中央处理器100执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种基于区块链和安全多方计算的交易风险识别方法，其特征在于，所述交易风险识别方法包括：
接收区块链交易请求，所述区块链交易请求包括交易相关数据；
从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；
从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；
将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；
执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及
基于所述风险预测模型，确定所述区块链交易的风险等级。
2.根据权利要求1所述的方法，其特征在于，所述从多个链下存储节点分别获取与所述区块链上数据对应的链下数据包括：
从多个链下存储节点分别获取与所述区块链上数据通过哈希锚定的方式锚定的链下数据。
3.根据权利要求1所述的方法，其特征在于，所述区块链上数据包括区块链基础数据和/或合约相关数据；和/或，
所述链下数据包括大体量数据、区块历史数据和保密数据。
4.根据权利要求1所述的方法，其特征在于，所述交易风险识别方法还包括：
将区块链上数据中的合约相关数据发送给安全多方计算节点；以及
所述安全多方计算节点基于所述合约相关数据实施安全多方计算。
5.根据权利要求1所述的方法，其特征在于，发送给安全多方计算节点的合约相关数据至少与权限控制、通证服务、算力共享和模型参数中的至少一个相关。
6.根据权利要求1所述的方法，其特征在于，所述多个链下存储节点包括分布式文件系统。
7.根据权利要求1所述的方法，其特征在于，所述多个链下存储节点形成有向无环图。
8.根据权利要求1所述的方法，其特征在于，所述区块链网络节点为联盟链中的多个区块链网络节点。
9.根据权利要求1所述的方法，其特征在于，所述执行安全多方计算并合并安全多方计算的结果以获得风险预测模型包括：
执行安全多方计算，获得风险预测模型的多组参数；
基于所述多组参数，确定风险预测模型的实际参数；
将所述实际参数发送给决策服务节点；以及
所述决策服务节点确定风险预测模型。
10.一种基于区块链和安全多方计算的交易风险识别装置，其特征在于，包括：
接收模块，用于接收区块链交易请求，所述区块链交易请求包括交易相关数据；
链上数据获取模块，用于从区块链网络节点获取与所述区块链交易请求对应的区块链交易的区块链上数据；
链下数据获取模块，用于从多个链下存储节点分别获取与所述区块链上数据对应的链下数据；
数据同步模块，用于将从多个链下存储节点获取的链下数据，分别同步至安全多方计算节点；
安全多方计算模块，用于执行安全多方计算并合并安全多方计算的结果，以获得风险预测模型；以及
确定模块，用于基于所述风险预测模型，确定所述区块链交易的风险等级。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110445636.7A CN113129149A (zh) | 2021-04-23 | 2021-04-23 | 基于区块链和安全多方计算的交易风险识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110445636.7A CN113129149A (zh) | 2021-04-23 | 2021-04-23 | 基于区块链和安全多方计算的交易风险识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113129149A true CN113129149A (zh) | 2021-07-16 |
Family
ID=76779748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110445636.7A Pending CN113129149A (zh) | 2021-04-23 | 2021-04-23 | 基于区块链和安全多方计算的交易风险识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129149A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821564A (zh) * | 2021-09-09 | 2021-12-21 | 湖南大学 | 异构并行区块链及其链上数据与链下合约协同方法 |
| CN114254370A (zh) * | 2021-12-31 | 2022-03-29 | 上海创能国瑞新能源科技股份有限公司 | 基于多方安全隐私计算提升交易匹配度的方法及装置 |
| CN115378803A (zh) * | 2022-04-13 | 2022-11-22 | 网易（杭州）网络有限公司 | 日志管理方法、装置、区块链节点和存储介质 |
| CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN117787792A (zh) * | 2023-12-27 | 2024-03-29 | 江苏科佳软件开发有限公司 | 一种基于医疗器械质量安全风险监管的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694669A (zh) * | 2018-07-18 | 2018-10-23 | 矩阵元技术（深圳）有限公司 | 一种区块链智能合约实现方法及装置 |
| CN111160814A (zh) * | 2020-04-01 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的用户风险评估方法、装置和系统 |
| CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
| CN112613076A (zh) * | 2021-01-22 | 2021-04-06 | 支付宝(杭州)信息技术有限公司 | 保护隐私的多方数据处理的方法、装置和系统 |
-
2021
- 2021-04-23 CN CN202110445636.7A patent/CN113129149A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694669A (zh) * | 2018-07-18 | 2018-10-23 | 矩阵元技术（深圳）有限公司 | 一种区块链智能合约实现方法及装置 |
| CN111160814A (zh) * | 2020-04-01 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的用户风险评估方法、装置和系统 |
| CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
| CN112613076A (zh) * | 2021-01-22 | 2021-04-06 | 支付宝(杭州)信息技术有限公司 | 保护隐私的多方数据处理的方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| BLOCK VC著: "《共识之美：区块链经济的全景与未来》", 30 April 2020, 经济日报出版社, pages: 104 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113821564A (zh) * | 2021-09-09 | 2021-12-21 | 湖南大学 | 异构并行区块链及其链上数据与链下合约协同方法 |
| CN113821564B (zh) * | 2021-09-09 | 2023-08-18 | 湖南大学 | 异构并行区块链及其链上数据与链下合约协同方法 |
| CN114254370A (zh) * | 2021-12-31 | 2022-03-29 | 上海创能国瑞新能源科技股份有限公司 | 基于多方安全隐私计算提升交易匹配度的方法及装置 |
| CN114254370B (zh) * | 2021-12-31 | 2024-04-12 | 上海创能国瑞新能源科技股份有限公司 | 基于多方安全隐私计算提升交易匹配度的方法及装置 |
| CN115378803A (zh) * | 2022-04-13 | 2022-11-22 | 网易（杭州）网络有限公司 | 日志管理方法、装置、区块链节点和存储介质 |
| CN115378803B (zh) * | 2022-04-13 | 2023-12-12 | 网易（杭州）网络有限公司 | 日志管理方法、装置、区块链节点和存储介质 |
| CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN116029555B (zh) * | 2023-03-22 | 2023-06-13 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
| CN117787792A (zh) * | 2023-12-27 | 2024-03-29 | 江苏科佳软件开发有限公司 | 一种基于医疗器械质量安全风险监管的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alamri et al. | Blockchain for Internet of Things (IoT) research issues challenges & future directions: A review | |
| CN113711536B (zh) | 从区块链网络中提取数据 | |
| CN110192380B (zh) | 用于管理区块链云服务的系统和方法 | |
| US20210224805A1 (en) | Systems, devices, and methods for dlt-based data management platforms and data products | |
| CN111213340B (zh) | 选择用于密码功能的证明委托并使其安全 | |
| KR102145701B1 (ko) | 안전한 다자 계산에서 참가자에 의한 입력 데이터의 허위 표시 방지 | |
| CN113129149A (zh) | 基于区块链和安全多方计算的交易风险识别方法和装置 | |
| JP6763094B2 (ja) | 地図アプリケーションのブロックチェーンベースのクラウドソーシング | |
| JP2022174127A (ja) | 分散型元帳におけるｄａｇベースのトランザクション処理方法およびシステム | |
| CN112631605B (zh) | 联邦学习模型的代码编译方法、装置、设备及存储介质 | |
| JP7228322B2 (ja) | ブロックチェーン・ネットワークにおける自動コミット・トランザクション管理 | |
| CN112053274B (zh) | 政务区块链网络的构建向导方法及装置 | |
| CN115769241A (zh) | 针对经许可的区块链的隐私保护架构 | |
| US11917088B2 (en) | Integrating device identity into a permissioning framework of a blockchain | |
| KR102569409B1 (ko) | 가상 분산 원장 네트워크를 위한 시스템 및 방법 | |
| CN112600830B (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
| US11838406B2 (en) | Systems and methods for control-data plane partitioning in virtual distributed ledger networks | |
| Zhang et al. | SABlockFL: a blockchain-based smart agent system architecture and its application in federated learning | |
| CN115526629A (zh) | 基于区块链网络的收单交易方法、装置及身份认证装置 | |
| CN115131029A (zh) | 基于区块链的数字文件签署方法及装置 | |
| Jalali et al. | Security Issues and Solutions in Federate Learning Under IoT Critical Infrastructure | |
| Wang et al. | zkFL: Zero-Knowledge Proof-based Gradient Aggregation for Federated Learning | |
| US20230195909A1 (en) | Secure on-premises to cloud connector framework | |
| Pandey et al. | A Secure and Scalable IoT Data Management System based on Blockchain | |
| US20230222227A1 (en) | Machine learning notebook cell obfuscation |
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 |