CN113722137A - 用于共享工业智能设备故障修复方案的方法及设备 - Google Patents
用于共享工业智能设备故障修复方案的方法及设备 Download PDFInfo
- Publication number
- CN113722137A CN113722137A CN202110986208.5A CN202110986208A CN113722137A CN 113722137 A CN113722137 A CN 113722137A CN 202110986208 A CN202110986208 A CN 202110986208A CN 113722137 A CN113722137 A CN 113722137A
- Authority
- CN
- China
- Prior art keywords
- fault
- repair
- block chain
- data packet
- repair data
- 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
- 230000008439 repair process Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012797 qualification Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005067 remediation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 108091026890 Coding region Proteins 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/44—Program or device authentication
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种用于共享工业智能设备故障修复方案的方法及设备，包括：区块链节点获取关联设备的当前故障参数，更新存储的待修复列表，对当前故障参数签名后发送至云服务器；云服务器基于当前故障参数更新故障预测模型并广播；关联的区块链节点获取修复成功的修复方案并更新待修复列表，生成修复数据包并广播；区块链节点接收修复数据包，并基于待修复列表自判第一校验资格，若有资格，进行合理性判断和合法性判断，否则基于故障预测列表自判第二校验资格，若有资格，对修复数据包进行合法性判断，否则丢弃；区块链节点基于判断结果生成投票信息，区块链网络基于投票信息确定是否将其上链。本发明可实现修复方案的共享，省时省力且防篡改。
Description
技术领域
本发明属于区块链技术领域，具体来说涉及一种用于共享工业智能设备故障修复方案的方法及设备。
背景技术
智能制造装备是指工业购买者用在生产经营过程中的工业产品，包括固定设备和辅助设备等。产品的制造及生产离不开工业设备，通过工业设备制备并加工才可得到完整的产品；但是工业设备在生产过程中会出现故障，尤其是智能制造装备，其作为具有感知、分析、推理、决策、控制功能的制造装备，是先进制造技术、信息技术和智能技术的集成和深度融合，不仅可以把人从繁重的体力劳动、部分脑力劳动以及恶劣、危险的工作环境中解放出来，而且能扩展人的器官功能，极大地提高劳动生产率，增强人类认识世界和改造世界的能力；但是智能制造装备也会出现系统故障，导致一个或多个功能模块无法正常使用。
对不同制造企业在同一厂商购买的同种智能制造设备，现有的制造企业在智能制造设备的运行过程中，若出现故障，则会由企业的技术人员进行故障修复，而部分制造企业由于没有专业技术人员或者对该设备不够了解，则会要求智能制造设备的厂商委派技术人员进行故障修复或者外聘的专业技术人员进行故障修复，且针对出现相同故障的不同工业购买者，厂商的技术人员需要分别去过个地点进行故障修复，费时费力。
发明内容
本发明的目的之一在于提供一种用于共享工业智能设备故障修复方案的方法及设备，以解决背景技术中提出的问题。
为实现上述目的，本发明提供技术方案如下：
一种用于共享工业智能设备故障修复方案的方法，应用于区块链网络，所述区块链网络包括若干区块链节点和一云服务器；
所述修复方案共享方法包括以下步骤：
S1：区块链节点获取关联设备的当前故障参数，更新存储的待修复列表，对当前故障参数签名后发送至云服务器，执行S2；所述当前故障参数包括故障信息和产生该故障信息时关联设备的运行参数；
S2：云服务器接收并验证当前故障参数签名，验证通过后基于当前故障参数更新故障汇总表，基于故障汇总表更新存储的故障预测模型，将故障预测模型发送至各区块链节点，执行S3；
S3：对设备的当前故障执行修复操作后，关联的区块链节点获取修复成功的修复方案并更新存储的待修复列表，将修复方案和对应的故障参数签名后整合成修复数据包，将修复数据包发送至区块链网络，执行S4；
S4：区块链节点接收修复数据包，并基于存储的待修复列表自判第一校验资格，若有资格，对修复数据包进行合理性判断和合法性判断，并执行S6，否则执行S5；
S5：区块链节点获取关联设备的运行参数，并通过故障预测模型预测故障信息以更新存储的故障预测列表；基于修复数据包、存储的故障预测列表自判第二校验资格，若有资格，对修复数据包进行合法性判断，执行S6；
S6：区块链节点基于判断结果生成投票信息，区块链网络基于投票信息确定是否将修复数据包存储至区块链网络。
优选地，所述S1中，对当前故障参数签名包括以下步骤：
S101：对当前故障参数进行哈希计算得到故障摘要；
S102：通过云服务器的公钥对故障摘要进行加密；
S103：通过区块链节点的私钥对加密后的故障摘要进行二次加密。
优选地，所述故障预测模型为SVM分类器。
优选地，S3中修复数据包的整合方法包括以下步骤：
S301：将修复方案和故障参数进行哈希计算得到修复数据摘要；
S302：通过区块链节点的私钥对修复数据摘要进行加密，得到修复数据签名以及生成所述修复数据签名的时间戳；
S303：将修复方案、故障参数、修复数据签名、时间戳按照预设规则排列，得到固定格式的修复数据包。
优选地，所述S4中，第一校验资格的自判方法为 判断待修复列表中是否存在至少一故障信息与修复数据包中的故障信息一致，若存在则有第一校验资格，否则无第一校验资格。
优选地，所述S5中，第二校验资格的自判方法为 判断预测故障列表中是否存在至少一预测的故障信息，与修复数据包中的故障信息一致，若是，则有第二校验资格，否则无第二校验资格。
优选地，所述合法性判断包括以下步骤：
S421：对修复数据签名使用对应的公钥解密，得到一中间值；
S422：对修复数据包中的修复方案和故障参数进行哈希计算，得到一哈希值；
S423：判断哈希值与中间值一致，若是，则合法，否则不合法。
优选地，所述合理性判断为：获取修复数据包中的修复方案，基于修复方案对关联设备执行修复操作，若修复成功，则合理，否则不合理。
优选地，所述S6包括以下步骤：
S601：区块链节点基于合法性判断结果生成第一投票信息，基于合理性判断结果生成第二投票信息；
S602：区块链网络在预设投票时段内基于第一投票信息统计第一赞成票和第一反对票，判断第一赞成票占总第一投票数的比例是否大于预设值，若是，执行S603，否则丢弃；
S603：区块链网络在预设投票时段内基于第二投票信息统计第二赞成票和第二反对票，判断第二赞成票占总第二投票数的比例是否大于预设值，若是，将修复数据包存储至区块链网络，否则丢弃。
一种计算设备，包括：
至少一处理器；以及
与所述至少一处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一处理器执行的指令，所述指令被所述至少一处理器执行，以使所述至少一处理器能够执行用于共享工业智能设备故障修复方案的方法。
与现有技术相比，本发明的有益效果为：
1）区块链节点生成关联设备的修复数据包后发送至区块链网络进行合法性、合理性判断，将符合要求的修复数据包存储至区块链网络，实现修复数据包的存储、共享，当出现相同故障时即可使用修复数据包对关联设备进行修复操作，减少维修成本，省时省力；
2）通过区块链节点中存储的待修复列表和故障预测列表来自判修复数据包的第一校验资格、第二校验资格，校验资格的不确定性提高了区块链节点的作弊成本，降低区块链节点作弊可能性；
3）由具有校验资格的区块链节点进行合法性和合理性判断，从而提高修复数据包的可靠性，防止修复数据包被篡改。
附图说明
图1为本发明的用于共享工业智能设备故障修复方案的方法的场景示意图。
图2为本发明中工业智能设备与区块链节点的连接关系图。
图3为本发明用于共享工业智能设备故障修复方案的方法的流程示意图。
图4为本发明中区块链节点生成投票信息的示意图。
图5为本发明的一种执行用于共享工业智能设备故障修复方案的方法的计算设备的结构示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
图1为本发明的用于共享工业智能设备故障修复方案的方法的场景示意图。
图2为本发明中工业智能设备与区块链节点的连接关系图。
如图1-2所示，该用于共享工业智能设备的故障修复的方法，应用于区块链网络，所述区块链网络包括若干区块链节点和一服务器，一所述区块链节点与一工业智能设备关联以获取工业智能设备的故障参数、修复方案等信息，任意两区块链节点间可通过网络进行通信，且所有区块链节点均与云服务器通信。
网络用以在区块链节点和云服务器间、区块链节点和区块练节点间提供通信链路的介质。网络可以包括各种连接类型，例如无线通信链路或者光线电缆等等。
区块链网络是去中心化的网络，是一个P2P的网络，其中的每一个区块链节点都是对等的，各个区块链节点共同提供网络服务。
区块链节点，通常指的是区块链网络中的计算机，也就是说任何连接到区块链网络的计算机(包括手机，矿机等)都称为节点。
云服务器可以是提供各种服务的服务器，例如对区块链节点进行激活、对故障参数进行管理的后台管理服务器。后台管理服务器可以接收工业智能设备的故障参数进行故障预测分析等处理，并将处理结果反馈至区块链网络。
本发明中，云服务器管理员在云服务器上输入工业智能设备的唯一标识编码序列，云服务器基于该唯一标识编码序列生成预激活编码，进行关联的区块链节点的预激活；设备管理员在该区块链节点上输入预激活编码，该区块链节点基于预激活编码进行预激活验证，若预激活验证成功，则该区块链节点提示设备管理员输入自定义用户名和自定义密码，该区块链节点基于自定义用户名、自定义密码、预激活编码以及唯一标识编码序列生成非对称密钥对，该非对称密钥对包括公钥和私钥，将公钥通过网络进行广播，云服务器在接收区块链节点的公钥时发送云服务器的公钥至该区块链节点。因此每一区块链节点均存储有自己的私钥、除自已以外其他区块链节点的公钥以及云服务器的公钥，举例来说区块链节点A1存储有区块链节点A1的私钥、除区块链节点A1外其他公钥设备的公钥以及云服务器的公钥；云服务器存储有云服务器自己的私钥以及所有区块链节点的公钥。本发明中，每一工业智能设备对应一唯一标识编码序列，如何基于唯一标识编码序列获取预激活编码为本领域的公知常识，本领域技术人员可根据实际情况自行设置；每一区块链节点均设有内置的密钥生成程序，至于密钥生成程序如何基于自定义用户名、自定义密码、预激活编码以及唯一标识编码序列生成非对称密钥对，也为本领域的公知常识，本领域技术人员可根据实际情况自行设置。
图3为本发明用于共享工业智能设备故障修复方案的方法的流程示意图。
如图3所示，所述修复程序共享方法包括以下步骤：
步骤1：区块链节点获取关联设备的当前故障参数，更新存储的待修复列表，对当前故障参数签名后发送至云服务器，执行S2；所述当前故障参数包括故障信息和产生该故障信息时关联设备的运行参数；
本发明中，每一工业智能设备在运行过程中都会出现故障，当出现系统故障时，工业智能设备会显示故障信息及产生故障时的运行参数并同步至区块链节点，这里的产生故障时的运行参数。
本发明中，每一区块练节点均存储有一待修复列表和一故障预测列表。
本发明步骤1中，对当前故障参数签名包括以下步骤：
步骤101：对当前故障参数进行哈希计算得到故障摘要；该哈希计算可以是SHA256算法，SHA256算法使用的哈希值长度是256位，通常用一个长度为64的十六进制字符串来表示。经过SHA256算法得到的字符串无法反向解密，保证故障参数的可靠性。
步骤102：通过云服务器的公钥对故障摘要进行加密；由于每一区块链节点均存储有云服务器的公钥，因此，生成故障参数的区块链节点可利用云服务器的公钥对故障摘要进行加密，通过云服务器的公钥对故障摘要进行加密，保证只有云服务器才能获取故障参数。
步骤103：通过区块链节点的私钥对加密后的故障摘要进行二次加密；由于每一区块链节点均有自己的私钥，因此与生成故障参数的工业智能设备相关联的区块链节点会对加密后的故障摘要进行二次加密，得到故障参数签名；这里的二次加密仅是指对加密后的故障摘要进行加密，而不是对加密后的故障摘要再加密两次的意思。
本发明中，需要了解的是，非对称密钥对包括对应的一个公钥和一个私钥，私钥是密钥对所有者持有，不可公布，公钥是密钥对持有者公布给他人的。公钥用来给数据加密，用公钥加密的数据只能使用私钥解密，用私钥加密的数据只能用公钥解密。
这里，区块链节点对当前故障参数签名后发送至云服务器是将当前故障参数签名、当前故障参数、用于表示该区块链节点身份的信息（如区块链节点地址）等内容一并发送至云服务器。
步骤2：云服务器接收并验证当前故障参数签名，验证通过后基于当前故障参数更新故障汇总表，基于故障汇总表更新存储的故障预测模型，将故障预测模型发送至各区块链节点，执行步骤3；
基于步骤1，云服务器首先需要验证当前故障参数签名，该验证具体为：
步骤201：云服务器使用区块链节点的公钥对签名进行解密，若解密成功，则说明该故障参数信息是由该区块链节点发送的，若无法解密，则说明故障参数信息不是该区块链节点发送的， 有伪造区块链节点进行数据窃取或者数据紊乱的可能。这里需要注意的是，云服务器事先存储有各区块链节点的公钥。
步骤202：云服务器使用私钥对步骤201所得的解密结果进行进一步解密，若解密成功，则该故障参数信息是发送给云服务器的。
步骤203：云服务器对接收的故障参数通过SHA256算法得到哈希值，若哈希值与步骤202所得结果一致，说明接收的故障参数签名是该区块链节点针对该故障参数发送给云服务器的，保证故障参数的高度一致和高度可靠性。
本发明S2中，由于所有区块链节点在获取了关联设备的故障参数后均向云服务器发送当前故障参数及其签名等内容，因此云服务器对每一接收的当前故障参数及其签名，在验证通过后均会更新故障汇总表，这里根据验证通过的当前故障参数判断故障汇总表是否不变：若当前故障参数中的故障信息和运行参数均被已记载在故障汇总表内，那么故障汇总表不变，否则故障汇总表中故障参数数量加1。
所述故障预测模型为SVM分类器。
本发明中,SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。
本发明中，基于故障汇总表中包括故障参数，故障参数包括故障信息和运行参数。基于故障汇总表构建故障样本集，故障样本集中任一故障样本即为故障汇总表中任一故障参数。将各故障样本中的运行参数作为特征、故障信息作为标签，对SVM分类器进行训练，得到训练后的SVM分类器，即为故障预测模型。
进一步的，为保证故障预测模型的预测可靠性、提高SVM分类器的训练速度，可对故障样本集中的运行参数进行特征工程。特征工程是指一系列工程化的方式从原始数据中筛选出更好的数据特征；特征工程的目的是筛选出更好的特征，获取更好的训练数据。本发明中特征工程包括数据预处理、特征选择、降维，所述数据预处理包括归一化、标准化、二值化、哑编码，该特征选择方法包括过滤式、包裹式、嵌入式等，该降维方法可以为主成分分析法或者线性判别分析法。
本发明步骤2中，故障预测模型并不是实时更新的，而是隔一个时段进行故障预测模型的更新，在这一段时间内若故障汇总表中故障参数数量小于预设值，则再隔一个时段进行故障预测模型的更新。
步骤3：对设备的当前故障执行修复操作后，关联的区块链节点获取修复成功的修复方案并更新存储的待修复列表，将修复方案和对应的故障参数签名后整合成修复数据包，将修复数据包发送至区块链网络，执行步骤4。
本发明中，设备出现故障且区块链网络中并没有存储相应的故障修复方案时，需要由技术人员人为执行修复操作，若修复成功，则说明该修复方案针对该故障时可行的，因此，在该设备关联的区块链节点中录入修复方案，区块链节点对存储待修复列表进行更新，删除当前已修复的故障参数；之后，区块链节点会将该修复方案和对应的故障参数签名后整合成修复数据包进行共享，若其他区块链节点的关联设备也出现相同的故障，则可获取相同故障的修复方案，而无需再找技术人员进行修复，省时省力。
所述步骤3中，修复数据包的整合方法包括以下步骤：
步骤301：将修复方案和故障参数进行哈希计算得到修复数据摘要；这里哈希计算也可以是SHA256算法，经过SHA256算法得到的字符串无法反向解密。
步骤302：通过区块链节点的私钥对修复数据摘要进行加密，得到修复数据签名以及生成所述修复数据签名的时间戳；时间戳(timestamp)，通常是一个字符序列，唯一地标识某一刻的时间。
步骤303：将修复方案、故障参数、修复数据签名、时间戳按照预设规则排列，得到固定格式的修复数据包。
本发明步骤303中，预测规则用于将修复方案、故障参数、修复数据签名、时间戳等内容转换成符合预设要求的格式，并按照预设排列顺序排列，以便其他区块链节点在接收该修复数据包后能对其进行解析得到正确的内容。这里需要注意的是，所述修复数据包内还包括用于表征该区块链节点身份的信息（如区块链节点地址）。修复数据包内包括但不限于上述内容，本领域技术人员可根据实际情况自行设置。
步骤4：区块链节点接收修复数据包，并基于存储的待修复列表自判第一校验资格，若有资格，对修复数据包进行合理性判断和合法性判断，并执行步骤6，否则执行步骤5。
本发明步骤4中，接收修复数据包的区块链节点为区块链网络中，除发送修复数据包外的其他区块链节点，区块练节点会对接收的修复数据包解析，并判断第一校验资格。
所述步骤4中，第一校验资格的自判方法为 判断待修复列表中是否存在至少一故障信息与修复数据包中的故障信息一致，若存在则有第一校验资格，否则无第一校验资格。
本发明步骤4中，对存储在修复列表中的故障信息和修复数据包中的故障信息进行一致性判断，表明该接收修复数据包的区块链节点也存在相同的故障，且该相同的故障无法被修复，因此该接收修复数据包的区块链节点可以对接收的修复数据包进行合法性和合理性判断。
步骤5：区块链节点获取关联设备的运行参数，并通过故障预测模型预测故障信息以更新存储的故障预测列表；基于修复数据包、存储的故障预测列表自判第二校验资格，若有资格，对修复数据包进行合法性判断，执行S6。
若该接收修复数据包的区块链节点并不存在相同的故障，则进一步判断，即自判第二校验资格：判断预测故障列表中是否存在至少一预测的故障信息，与修复数据包中的故障信息一致，若是，则有第二校验资格，否则无第二校验资格。
本发明步骤5中，将可能存在与修复数据包中故障信息一致的预测故障信息的区块链节点作为具有第二校验资格的区块链节点，对接收的修复数据包也进行合法性判断。
本发明中通过区块链节点中存储的待修复列表和故障预测列表，与修复数据包中的故障信息进行比对判断校验资格，校验资格的随机性可提高区块链节点的作弊成本，从而降低区块链节点作弊的风险。
所述合法性判断包括以下步骤：
S421：对修复数据签名使用对应的公钥解密，得到一中间值；这里，“对应的公钥”为发送修复数据包的区块链节点的公钥，若对修复数据签名解密成功后，即可可到一中间值。
S422：对修复数据包中的修复方案和故障参数进行哈希计算，得到一哈希值；这里的哈希计算为SHA256算法。
S423：判断哈希值与中间值一致，若是，则合法，否则不合法。若哈希值与中间值一致，说明修复数据包中的内容没有被篡改。
所述合理性判断为：获取修复数据包中的修复方案，基于修复方案对关联设备执行修复操作，若修复成功，则合理，否则不合理。
本发明中，部分区块链节点做合法性判断和合理性判断，部分区块链节点仅做合法性判断，可能还有部分区块链节点既不做合法性判断，也不做合理性判断；本发明通过对区块链节点进行判断操作的差异化，提高区块链共识的可靠性。
步骤6：区块链节点基于判断结果生成投票信息，区块链网络基于投票信息确定是否将修复数据包存储至区块链网络。
本发明步骤6中，具有校验资格的区块链节点才会生成投票信息，没有校验资格的区块链节点不会生成投票信息。
图4为本发明中区块链节点生成投票信息的示意图。
如图4所示，所述步骤6包括以下步骤：
步骤601：区块链节点基于合法性判断结果生成第一投票信息，基于合理性判断结果生成第二投票信息。这里，具有第一校验资格的区块链节点、具有第二校验资格的区块链节点在判断修复数据包的合法性后，会基于合法性判断结果生成赞成票或反对票，对赞成票或反对票采用私钥加密以获得第一投票信息，将第一投票信息发送至区块链网络进行统计。
步骤602：区块链网络在预设投票时段内基于第一投票信息统计第一赞成票和第一反对票，判断第一赞成票占总第一投票数的比例是否大于预设值，若是，执行步骤603，否则丢弃。
本发明步骤602中，区块链网络中任一区块链节点或云服务器会统计投票信息，若第一赞成票占中总第一投票数的51%，则执行步骤603，这里预设值可以根据实际情况执行设置。
步骤603：区块链网络在预设投票时段内基于第二投票信息统计第二赞成票和第二反对票，判断第二赞成票占总第二投票数的比例是否大于预设值，若是，将修复数据包存储至区块链网络，否则丢弃。
本发明步骤603中，在合法性的赞成比例大于预设值的情况下，由具有第一校验资格的区块链节点生成赞成票或反对票，对赞成票或反对票通过私钥加密以获得第二投票信息，将第二投票信息发送至区块链网络进行统计，若第二赞成票占总第二投票数的51%，则将该修复数据存储至区块链网络。
本发明还披露了一种计算设备，下面参照图5来描述根据本申请的这种实施方式的计算设备，所述计算设备在本实施例中可以是区块链节点本身，也可以是云服务器。图5显示的计算设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算设备50以通用计算设备的形式表现。计算设备50的组件可以包括但不限于：上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件（包括存储器52和处理器51）的总线53。
总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器52可以包括易失性存储器形式的可读介质，例如随机存取存储器（RAM）521和/或高速缓存存储器522，还可以进一步包括只读存储器（ROM）523。
存储器52还可以包括具有一组（至少一个）程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备50也可以与一个或多个外部设备54（例如键盘、指向设备等）通信，还可与一个或者多个使得用户能与计算设备50交互的设备通信，和/或与使得该计算设备50能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口55进行。并且，计算设备50还可以通过网络适配器56与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器56通过总线53与用于计算设备50的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
本发明的计算设备中的存储器52存储有可被所述至少一处理器51执行的指令，所述指令被所述至少一处理器51执行，以使所述至少一处理器51能够执行本发明的用于共享工业智能设备故障修复方案的方法。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
Claims (10)
1.一种用于共享工业智能设备故障修复方案的方法，其特征在在于，应用于区块链网络，所述区块链网络包括若干区块链节点和一云服务器；
所述修复方案共享方法包括以下步骤：
S1：区块链节点获取关联设备的当前故障参数，更新存储的待修复列表，对当前故障参数签名后发送至云服务器，执行S2；所述当前故障参数包括故障信息和产生该故障信息时关联设备的运行参数；
S2：云服务器接收并验证当前故障参数签名，验证通过后基于当前故障参数更新故障汇总表，基于故障汇总表更新存储的故障预测模型，将故障预测模型发送至各区块链节点，执行S3；
S3：对设备的当前故障执行修复操作后，关联的区块链节点获取修复成功的修复方案并更新存储的待修复列表，将修复方案和对应的故障参数签名后整合成修复数据包，将修复数据包发送至区块链网络，执行S4；
S4：区块链节点接收修复数据包，并基于存储的待修复列表自判第一校验资格，若有资格，对修复数据包进行合理性判断和合法性判断，并执行S6，否则执行S5；
S5：区块链节点获取关联设备的运行参数，并通过故障预测模型预测故障信息以更新存储的故障预测列表；基于修复数据包、存储的故障预测列表自判第二校验资格，若有资格，对修复数据包进行合法性判断，执行S6；
S6：区块链节点基于判断结果生成投票信息，区块链网络基于投票信息确定是否将修复数据包存储至区块链网络。
2.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述S1中，对当前故障参数签名包括以下步骤：
S101：对当前故障参数进行哈希计算得到故障摘要；
S102：通过云服务器的公钥对故障摘要进行加密；
S103：通过区块链节点的私钥对加密后的故障摘要进行二次加密。
3.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述故障预测模型为SVM分类器。
4.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，S3中修复数据包的整合方法包括以下步骤：
S301：将修复方案和故障参数进行哈希计算得到修复数据摘要；
S302：通过区块链节点的私钥对修复数据摘要进行加密，得到修复数据签名以及生成所述修复数据签名的时间戳；
S303：将修复方案、故障参数、修复数据签名、时间戳按照预设规则排列，得到固定格式的修复数据包。
5.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述S4中，第一校验资格的自判方法为 判断待修复列表中是否存在至少一故障信息与修复数据包中的故障信息一致，若存在则有第一校验资格，否则无第一校验资格。
6.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述S5中，第二校验资格的自判方法为 判断预测故障列表中是否存在至少一预测的故障信息，与修复数据包中的故障信息一致，若是，则有第二校验资格，否则无第二校验资格。
7.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述合法性判断包括以下步骤：
S421：对修复数据签名使用对应的公钥解密，得到一中间值；
S422：对修复数据包中的修复方案和故障参数进行哈希计算，得到一哈希值；
S423：判断哈希值与中间值一致，若是，则合法，否则不合法。
8.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述合理性判断为：获取修复数据包中的修复方案，基于修复方案对关联设备执行修复操作，若修复成功，则合理，否则不合理。
9.如权利要求1所述的一种用于共享工业智能设备故障修复方案的方法，其特征在于，所述S6包括以下步骤：
S601：区块链节点基于合法性判断结果生成第一投票信息，基于合理性判断结果生成第二投票信息；
S602：区块链网络在预设投票时段内基于第一投票信息统计第一赞成票和第一反对票，判断第一赞成票占总第一投票数的比例是否大于预设值，若是，执行S603，否则丢弃；
S603：区块链网络在预设投票时段内基于第二投票信息统计第二赞成票和第二反对票，判断第二赞成票占总第二投票数的比例是否大于预设值，若是，将修复数据包存储至区块链网络，否则丢弃。
10.一种计算设备，其特征在于，包括：
至少一处理器；以及
与所述至少一处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一处理器执行的指令，所述指令被所述至少一处理器执行，以使所述至少一处理器能够执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110986208.5A CN113722137A (zh) | 2021-08-26 | 2021-08-26 | 用于共享工业智能设备故障修复方案的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110986208.5A CN113722137A (zh) | 2021-08-26 | 2021-08-26 | 用于共享工业智能设备故障修复方案的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113722137A true CN113722137A (zh) | 2021-11-30 |
Family
ID=78678110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110986208.5A Pending CN113722137A (zh) | 2021-08-26 | 2021-08-26 | 用于共享工业智能设备故障修复方案的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722137A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190220603A1 (en) * | 2019-03-27 | 2019-07-18 | Intel Corporation | Fast and secure protocol to bootstrap a blockchain by restoring the blockchain state using trusted execution environment |
| WO2020133326A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京建极练科技有限公司 | 区块链生成方法、系统、计算机存储介质和电子设备 |
| WO2020168937A1 (zh) * | 2019-02-20 | 2020-08-27 | 深圳前海微众银行股份有限公司 | 区块链多方见证方法、装置、设备及计算机可读存储介质 |
| WO2020233373A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种应用程序的配置文件管理方法及装置 |
| WO2021093244A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳市网心科技有限公司 | 随机数生成方法、区块链节点、系统及介质 |
-
2021
- 2021-08-26 CN CN202110986208.5A patent/CN113722137A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020133326A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京建极练科技有限公司 | 区块链生成方法、系统、计算机存储介质和电子设备 |
| WO2020168937A1 (zh) * | 2019-02-20 | 2020-08-27 | 深圳前海微众银行股份有限公司 | 区块链多方见证方法、装置、设备及计算机可读存储介质 |
| US20190220603A1 (en) * | 2019-03-27 | 2019-07-18 | Intel Corporation | Fast and secure protocol to bootstrap a blockchain by restoring the blockchain state using trusted execution environment |
| WO2020233373A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种应用程序的配置文件管理方法及装置 |
| WO2021093244A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳市网心科技有限公司 | 随机数生成方法、区块链节点、系统及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王廷银;林明贵;陈达;吴允平;: "基于北斗RDSS的核辐射监测应急通讯方法", 计算机系统应用, no. 12 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107231351B (zh) | 电子证件的管理方法及相关设备 | |
| CN113495920B (zh) | 一种基于区块链的内容审核系统、方法、装置和存储介质 | |
| CN110569251A (zh) | 一种数据处理方法、相关设备及计算机可读存储介质 | |
| EP4216077A1 (en) | Blockchain network-based method and apparatus for data processing, and computer device | |
| CN110268679B (zh) | 基于区块链的认证方法和系统 | |
| CN104283688B (zh) | 一种USBKey安全认证系统及安全认证方法 | |
| CN110362357A (zh) | 一种应用程序的配置文件管理方法及装置 | |
| CN110675153A (zh) | 基于区块链的数据校验方法及装置、存储介质及电子设备 | |
| CN112134956A (zh) | 一种基于区块链的分布式物联网指令管理方法和系统 | |
| CN111130800A (zh) | 一种基于tee的可信预言机实现方法及装置 | |
| CN105610872B (zh) | 物联网终端加密方法和物联网终端加密装置 | |
| CN117240625B (zh) | 一种涉及防篡改的数据处理方法、装置及电子设备 | |
| CN115701078A (zh) | 跨链交易处理方法、装置、电子设备以及存储介质 | |
| CN110768963B (zh) | 一种分布式架构的可信安全管理平台 | |
| CN115664659A (zh) | 一种区块链交易数据的监管方法、装置、设备和介质 | |
| CN109951294B (zh) | 电子标签系统中的信息更新管理方法及相关设备 | |
| CN115118751A (zh) | 一种基于区块链的监管系统、方法、设备和介质 | |
| CN111585995A (zh) | 安全风控信息传输、处理方法、装置、计算机设备及存储介质 | |
| CN112583594B (zh) | 数据处理方法、采集设备和网关、可信平台及存储介质 | |
| CN101118639A (zh) | 安全电子人口普查系统 | |
| CN113034096B (zh) | 一种智能研发与生产信息系统 | |
| CN111865595A (zh) | 一种区块链的共识方法及装置 | |
| CN116506227B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| WO2023098824A1 (zh) | 车辆数据的管理方法、装置、服务器、存储介质 | |
| CN105872013A (zh) | 一种云计算系统 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240227 |