CN113782213B - 基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 - Google Patents
基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113782213B CN113782213B CN202110984385.XA CN202110984385A CN113782213B CN 113782213 B CN113782213 B CN 113782213B CN 202110984385 A CN202110984385 A CN 202110984385A CN 113782213 B CN113782213 B CN 113782213B
- Authority
- CN
- China
- Prior art keywords
- track
- patient
- information
- clustering
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012795 verification Methods 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 208000035473 Communicable disease Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种基于区块链的患者轨迹存储方法、装置、存储介质及电子设备，所述方法应用于区块链网络中的第一节点，包括：在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；接收所述可信计算环境发送的轨迹验证结果；在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到。
Description
技术领域
本公开涉及区块链技术领域，具体地，涉及一种基于区块链的患者轨迹存储方法、装置、存储介质及电子设备。
背景技术
在一些流行病的预防及控制过程中，对患者的轨迹数据进行统计和分析是一种有效的疫情监测手段，其可以直观展示疫情动态，也有助于挖掘疫情传播规律以及预测疫情发展趋势。
相关场景中，可以结合传染病动力学、传染病可视化以及多维特征可视化等方式对患者的轨迹数据进行分析。然而，这些方式都较为依赖所上报的患者轨迹信息，当患者轨迹信息存在虚假时，则可能误导相关的分析结果，甚至加大疫情扩散的风险。
发明内容
本公开的目的是提供一种基于区块链的患者轨迹存储方法、装置、存储介质及电子设备，以解决上述相关技术问题。
为了实现上述目的，根据本公开实施例的第一方面，提供一种基于区块链的患者轨迹存储方法，应用于区块链网络中的第一节点，所述方法包括：
在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；
接收所述可信计算环境发送的轨迹验证结果；
在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；
其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到。
可选地，所述区块链中还保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息，所述信息验证请求还包括所述第一节点从所述区块链中获取到的轨迹验证模型，所述轨迹验证结果包括所述目标患者轨迹信息所属的聚类类别，所述将所述目标患者轨迹信息存储至所述区块链网络的区块链中，包括：
向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求；
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中；所述第二节点基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
可选地，通过如下方式训练得到所述轨迹验证模型：
获取患者身份集合；
对所述患者身份集合进行聚类，得到多个身份类别；
针对每一所述身份类别，获取该身份类别所包括的每一患者身份样本所对应的轨迹信息，得到对应于该身份类别的轨迹样本集合；
依次将每一所述轨迹样本集合作为聚类模型的输入进行聚类，直至聚类模型收敛，得到所述轨迹验证模型。
可选地，所述患者身份集合包括患者身份样本集合以及待检测患者身份集合，所述对所述患者身份集合进行聚类，包括：
从所述患者身份样本集合中随机选择多个目标患者身份样本作为聚类中心；
针对所述患者身份集合中的每一患者身份样本，计算该患者身份样本与各聚类中心的归一化欧式距离值；并
将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别，所述目标归一化欧式距离值为计算得到的归一化欧式距离值中的最小者；
针对每一类患者身份样本，重新计算聚类中心，并重复执行从计算该患者身份样本与各聚类中心的归一化欧式距离值至将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第一阈值；
根据最后一次聚类得到的聚类中心确定所述多个身份类别。
可选地，所述聚类模型对输入的轨迹样本集合的聚类，包括：
从该轨迹样本集合中随机选择多个目标轨迹样本作为聚类中心；
针对所述轨迹样本集合中的每一轨迹样本，计算该轨迹样本与各聚类中心的非负余弦相似值；并
将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别，所述目标非负余弦相似值为计算得到的非负余弦相似值中的最小者；
针对每一类轨迹样本，重新计算聚类中心，并重复执行从计算该轨迹样本与各聚类中心的非负余弦相似值至将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第二阈值。
可选地，所述针对每一类轨迹样本，重新计算聚类中心，包括：
针对该类轨迹样本中的每一轨迹样本，计算该轨迹样本与该类轨迹样本中的其他轨迹样本之间的非负余弦相似度值；并
对每一所述非负余弦相似度值进行求和，得到非负余弦相似度和值；
将目标非负余弦相似度和值所对应的轨迹样本作为该类轨迹样本的新的聚类中心，所述目标非负余弦相似度和值为计算得到的非负余弦相似度和值中的最大者。
根据本公开实施例的第二方面，提供一种基于区块链的患者轨迹存储装置，应用于区块链网络中的第一节点，所述装置包括：
第一发送模块，用于在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；
接收模块，用于接收所述可信计算环境发送的轨迹验证结果；
存储模块，用于在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；
其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到。
可选地，所述区块链中还保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息，所述信息验证请求还包括所述第一节点从所述区块链中获取到的轨迹验证模型，所述轨迹验证结果包括所述目标患者轨迹信息所属的聚类类别，所述存储模块，包括：
广播模块，用于向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求；
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中；所述第二节点基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
可选地，还包括轨迹验证模型训练模块，用于训练得到所述轨迹验证模型，所述轨迹验证模型训练模块包括：
第一获取子模块，用于获取患者身份集合；
第一聚类子模块，用于对所述患者身份集合进行聚类，得到多个身份类别；
第二获取子模块，用于针对每一所述身份类别，获取该身份类别所包括的每一患者身份样本所对应的轨迹信息，得到对应于该身份类别的轨迹样本集合；
第二聚类子模块，用于依次将每一所述轨迹样本集合作为聚类模型的输入进行聚类，直至聚类模型收敛，得到所述轨迹验证模型。
可选地，第一聚类子模块，包括：
第一样本选择子单元，用于从所述患者身份样本集合中随机选择多个目标患者身份样本作为聚类中心；
第一计算子单元，用于针对所述患者身份集合中的每一患者身份样本，计算该患者身份样本与各聚类中心的归一化欧式距离值；并
第一类别确定子单元，用于将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别，所述目标归一化欧式距离值为计算得到的归一化欧式距离值中的最小者；
第一执行子单元，用于针对每一类患者身份样本，重新计算聚类中心，并重复执行从计算该患者身份样本与各聚类中心的归一化欧式距离值至将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第一阈值；
第二类别确定子单元，用于根据最后一次聚类得到的聚类中心确定所述多个身份类别。
可选地，所述聚类模型对输入的轨迹样本集合的聚类，包括：
从该轨迹样本集合中随机选择多个目标轨迹样本作为聚类中心；
针对所述轨迹样本集合中的每一轨迹样本，计算该轨迹样本与各聚类中心的非负余弦相似值；并
将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别，所述目标非负余弦相似值为计算得到的非负余弦相似值中的最小者；
针对每一类轨迹样本，重新计算聚类中心，并重复执行从计算该轨迹样本与各聚类中心的非负余弦相似值至将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第二阈值。
可选地，所述针对每一类轨迹样本，重新计算聚类中心，包括：
针对该类轨迹样本中的每一轨迹样本，计算该轨迹样本与该类轨迹样本中的其他轨迹样本之间的非负余弦相似度值；并
对每一所述非负余弦相似度值进行求和，得到非负余弦相似度和值；
将目标非负余弦相似度和值所对应的轨迹样本作为该类轨迹样本的新的聚类中心，所述目标非负余弦相似度和值为计算得到的非负余弦相似度和值中的最大者。
根据本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面中任一项所述方法的步骤。
上述技术方案中，第一节点在接收到待保存的目标患者轨迹信息时，可以向可信计算环境发送信息验证请求。这样，第一节点可以基于可信计算环境以及轨迹验证模型对所述目标患者轨迹信息进行可信性验证，并在所述目标患者轨迹信息可信的情况下将所述目标患者轨迹信息保存至区块链中。通过这样的方式，能够提升所保存的患者轨迹信息的可信度，进而为相关数据分析过程提供保障。并且，区块链所具备的不可篡改、可追溯等性质也进一步地提升了所保存的患者轨迹信息的可信度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本公开一示例性实施例所示出的一种基于区块链的患者轨迹存储方法的流程图。
图2是本公开一示例性实施例所示出的一种第一节点与可信计算环境的通信流程图。
图3是本公开一示例性实施例所示出的一种轨迹验证模型的训练流程图。
图4是本公开一示例性实施例所示出的一种患者身份集合的聚类流程图。
图5是本公开一示例性实施例所示出的一种基于区块链的患者轨迹存储装置的框图。
图6是本公开一示例性实施例所示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
在介绍本公开的基于区块链的患者轨迹存储方法、装置、存储介质及电子设备之前，首先对本公开的应用场景进行介绍。
为了对疫情状态进行监测，相关场景中，可以在患者允许的情况下结合传染病动力学、传染病可视化以及多维特征可视化等方式对患者的轨迹数据进行分析。然而，在一些场景中，患者的轨迹数据也可能因瞒报、误报等原因出现错误，或是患者轨迹数据在保存过程中被更改。在这种情况下，患者轨迹数据的可信度较低，甚至可能误导疫情分析结果。
为此，本公开提供一种基于区块链的患者轨迹存储方法，应用于区块链网络中的第一节点，所述第一节点可以是区块链网络中任意具有患者轨迹存储轨迹需求的节点。图1是本公开所示出的一种基于区块链的患者轨迹存储方法的流程图，所述方法包括：
在步骤11中，在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求。其中，所述信息验证请求包括所述目标患者轨迹信息，目标患者轨迹信息例如可以包括患者的年龄、职业、患者在一段时间区间内的位置和时间的记录序列等等。
在一些实施场景中，为了确保验证过程的安全性，第一节点在与可信计算环境通信时还可以进行秘钥验证。参照图2所示出的一种第一节点与可信计算环境的通信流程图，在一些实施场景中，可信计算环境在接收到信息验证请求之后，还可以向第一节点发送计算请求以及可信计算环境的公钥。相应的，第一节点也可以响应所述计算请求，并向可信计算环境发送第一节点的公钥。
这里，为了提升安全性，上述可信计算环境的公钥以及第一节点的公钥可以被配置为用于当前的信息验证过程。而在多次的信息验证过程中，第一节点和可信计算环境可以使用不同的秘钥对。
此外，在一些实施场景中，可信计算环境中例如还可以包括轨迹验证模型，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到。这样，可信计算环境可以将目标患者轨迹信息输入至所述轨迹验证模型，从而得到轨迹验证结果。
在步骤12中，接收所述可信计算环境发送的轨迹验证结果；
在步骤13中，在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中。当然，在一些实施方式中，还可以将目标患者轨迹信息进行脱敏处理，并将滤除敏感信息后的目标患者轨迹信息存储至区块链中。
上述技术方案中，第一节点在接收到待保存的目标患者轨迹信息时，可以向可信计算环境发送信息验证请求。这样，第一节点可以基于可信计算环境以及轨迹验证模型对所述目标患者轨迹信息进行可信性验证，并在所述目标患者轨迹信息可信的情况下将所述目标患者轨迹信息保存至区块链中。通过这样的方式，能够提升所保存的患者轨迹信息的可信度。并且，区块链所具备的不可篡改、可追溯等性质也进一步地提升了所保存的患者轨迹信息的真实性。
在一种可能的实施方式中，所述轨迹验证模型例如可以是聚类模型。所述区块链中还可以保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息。在这种情况下，所述信息验证请求还可以包括所述第一节点从所述区块链中获取到的轨迹验证模型。
结合图2进行说明，可信计算环境例如可以向第一节点发送聚类数据需求以及聚类数据需求的摘要。这里，聚类数据需求例如可以包括轨迹验证模型的执行代码以及轨迹验证模型运行所需的参数等等，聚类数据需求的摘要可以是指对聚类数据需求进行哈希计算得到的哈希值。
第一节点可以验证所述聚类数据需求，并向所述可信计算环境发送轨迹验证模型的执行代码以及轨迹验证模型运行所需的参数，以便于所述可信计算环境对所述目标患者轨迹信息进行计算和验证，从而得到轨迹验证结果。
在一些实施场景中，所述轨迹验证结果可以包括所述目标患者轨迹信息所属的聚类类别。这些聚类类别例如可以是表征轨迹信息可信程度的类别，如可信类别、不可信类别等等。在这种情况下，所述将所述目标患者轨迹信息存储至所述区块链网络的区块链中(步骤13)，包括：
向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求。
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中。这里，基于应用场景的不同，所述第二节点例如可以是记账节点、背书节点等等。第二节点在对所述交易共识验证时，可以基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别。
示例地，在一些实施场景中，第二节点可以计算所述目标患者轨迹信息与各个聚类中心的欧式距离，并确定欧氏距离的最小值所对应的目标聚类中心。这样，所述目标患者轨迹信息的聚类类别即为所述目标聚类中心所对应的类别。其中，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
上述技术方案中，可以通过区块链中保存的轨迹验证模型的聚类中心信息来计算所述目标患者轨迹信息所属的聚类类别。这样，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，交易验证通过，所述目标患者轨迹信息可以被存储至区块链中。采用上述技术方案中的共识方式，第二节点无需再对目标患者轨迹进行聚类，也无需向可信计算环境请求轨迹验证结果，因此上述技术方案能够降低网络共识的成本，起到增强区块链网络性能的效果。
以下对所述轨迹验证模型的获得过程进行说明，图3是本公开所示出的一种轨迹验证模型的训练流程图，所述轨迹验证模型的训练流程包括：
在步骤31中，获取患者身份集合。其中，患者身份集合可以包括多个患者身份样本，每一患者身份样本例如可以包括患者的年龄、住址等信息。
在步骤32中，对所述患者身份集合进行聚类，得到多个身份类别。
举例来讲，所述患者身份集合例如可以包括患者身份样本集合以及待检测患者身份集合。参照图4所示出的一种患者身份集合的聚类流程图，所述对所述患者身份集合进行聚类，包括：
S321，从患者身份样本集合中随机选择多个目标患者身份样本作为聚类中心。例如，所述患者身份集合可以为D1，所述待检测患者身份集合可以为D2，则所述患者身份集合可以为D＝D1∪D2。步骤S321可以是指，从患者身份集合D1中选择多个目标患者身份样本作为聚类中心。示例地，可以选择p个目标患者身份样本作为初始聚类中心mk(k＝1,2,…,p)。
S322，针对所述患者身份集合中的每一患者身份样本，计算该患者身份样本与各聚类中心的归一化欧式距离值。
示例地，对于患者身份集合D中的患者身份样本Si(i＝1,2,…,n)，可以计算该患者身份样本Si与各初始聚类中心mk的归一化欧氏距离值Eud_dist(si,mk)：
其中，smax为患者身份样本Si中，各患者身份样本的度量值中的最大者，smin为患者身份样本Si中，各患者身份样本的度量值中的最小者。通过计算归一化欧式距离值，还能够排除患者身份样本之间的属性干扰。
S323，将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别。所述目标归一化欧式距离值为计算得到的归一化欧式距离值中的最小者。
以计算式说明，患者身份样本Si所对应的类别Ck为：
Ck:＝argmin(Eud_dist(i,k))
其中，argmin()为函数，argmin(f(x))的取值为使得f(x)为最小值时的x的取值。
S324，针对每一类患者身份样本，重新计算聚类中心。例如，可以通过如下计算式重新计算聚类中心：
其中，xi为第K类患者身份样本中的第i个患者身份样本的描述参数，|ck|为第K类患者身份样本中的患者身份样本的数量值。
此外，在当前聚类中心相对于上一次聚类时的聚类中心的变化值大于第一阈值时，可以重复执行从计算该患者身份样本与各聚类中心的归一化欧式距离值至将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第一阈值。
示例地，第一阈值ε可以为：
S325，根据最后一次聚类得到的聚类中心确定所述多个身份类别。
通过上述步骤，可以获得多种患者身份类别。值得说明的是，由于相同类别的人群具有相似的行为特征，而相似行为特征可以产生出相似的行为轨迹。因此，还可以基于每一身份类别的患者的轨迹进行二次聚类，进而判断轨迹的可信度。
在步骤33中，针对每一所述身份类别，获取该身份类别所包括的每一患者身份样本所对应的轨迹信息，得到对应于该身份类别的轨迹样本集合。
例如，可以分别获取身份类别Dk(k＝1,2,…,p)所对应的轨迹样本集合Ek。
在步骤34中，依次将每一所述轨迹样本集合作为聚类模型的输入进行聚类，直至聚类模型收敛，得到所述轨迹验证模型。
示例地，当轨迹样本集合包括轨迹样本集合E1以及轨迹样本集合E2的情况下，可以将轨迹样本集合E1作为聚类模型的输入进行聚类。待聚类模型收敛之后，将轨迹样本集合E2输入至所述聚类模型进行再次聚类。
以下通过轨迹样本集合E1对所述聚类模型的聚类过程进行说明，所述聚类模型对输入的轨迹样本集合的聚类，包括：
从该轨迹样本集合中随机选择多个目标轨迹样本作为聚类中心。例如，可以从该轨迹样本集合E1中随机选择m2个轨迹样本作为初始聚类中心pj(j＝1,2,…,m2)。
针对所述轨迹样本集合中的每一轨迹样本，计算该轨迹样本与各聚类中心的非负余弦相似值。示例地，轨迹样本集合E1可以包括轨迹样本Li(i＝1,2,…,m1)，则可以通过如下计算式计算非负余弦相似值：
需要说明的是，通过计算非负余弦相似值，可以降低患者轨迹中方向的影响，从而更切合对轨迹可信性分析的需求，起到避免过拟合的效果。此外，还可以将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别，所述目标非负余弦相似值为计算得到的非负余弦相似值中的最小者。
进一步的，可以针对每一类轨迹样本，重新计算聚类中心。
例如在一种可能的实施方式中，所述针对每一类轨迹样本，重新计算聚类中心，包括：
针对该类轨迹样本中的每一轨迹样本，计算该轨迹样本与该类轨迹样本中的其他轨迹样本之间的非负余弦相似度值。示例地，若A类轨迹样本包括轨迹样本1、轨迹样本2以及轨迹样本3，则可以对轨迹样本1至3两两计算非负余弦相似值。
计算完成之后，还可以对每一所述非负余弦相似度值进行求和，得到非负余弦相似度和值。例如针对样本轨迹1，可以将样本轨迹1与样本轨迹2的非负余弦相似值，以及样本轨迹1与样本轨迹3的非负余弦相似值进行求和。
这样，可以将目标非负余弦相似度和值所对应的轨迹样本作为该类轨迹样本的新的聚类中心，所述目标非负余弦相似度和值为计算得到的非负余弦相似度和值中的最大者。例如，当样本轨迹1的非负余弦相似度和值最大时，可以将样本轨迹1作为新的聚类中心。
此外，在当前聚类中心相对于上一次聚类时的聚类中心的变化值大于第二阈值时，可以重复执行从计算该轨迹样本与各聚类中心的非负余弦相似值至将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于预设阈值。
上述技术方案通过对患者身份进行聚类，从而得到了多个患者身份类别。此外，上述技术方案还基于相同类别的人群具有相似的行为特征，而相似行为特征可以产生出相似的行为轨迹的构思，对每一身份类别的患者的轨迹进行了二次聚类。也就是说，上述技术方案在构建轨迹验证模型时还综合考虑了样本人群的身份特征以及轨迹特征，从而能够提升所述轨迹验证模型对异常轨迹信息的识别准确度。
基于同一发明构思，本公开还提供一种基于区块链的患者轨迹存储装置，应用于区块链网络中的第一节点。图5是本公开所示出的一种基于区块链的患者轨迹存储装置的框图，所述装置包括：
第一发送模块501，用于在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；
接收模块502，用于接收所述可信计算环境发送的轨迹验证结果；
存储模块503，用于在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；
其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到。
上述技术方案中，第一节点在接收到待保存的目标患者轨迹信息时，可以向可信计算环境发送信息验证请求。这样，第一节点可以基于可信计算环境以及轨迹验证模型对所述目标患者轨迹信息进行可信性验证，并在所述目标患者轨迹信息可信的情况下将所述目标患者轨迹信息保存至区块链中。通过这样的方式，能够提升所保存的患者轨迹信息的可信度。并且，区块链所具备的不可篡改、可追溯等性质也进一步地提升了所保存的患者轨迹信息的真实性。
可选地，所述区块链中还保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息，所述信息验证请求还包括所述第一节点从所述区块链中获取到的轨迹验证模型，所述轨迹验证结果包括所述目标患者轨迹信息所属的聚类类别，所述存储模块，包括：
广播模块，用于向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求；
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中；所述第二节点基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
可选地，还包括轨迹验证模型训练模块，用于训练得到所述轨迹验证模型，所述轨迹验证模型训练模块包括：
第一获取子模块，用于获取患者身份集合；
第一聚类子模块，用于对所述患者身份集合进行聚类，得到多个身份类别；
第二获取子模块，用于针对每一所述身份类别，获取该身份类别所包括的每一患者身份样本所对应的轨迹信息，得到对应于该身份类别的轨迹样本集合；
第二聚类子模块，用于依次将每一所述轨迹样本集合作为聚类模型的输入进行聚类，直至聚类模型收敛，得到所述轨迹验证模型。
可选地，第一聚类子模块，包括：
第一样本选择子单元，用于从所述患者身份样本集合中随机选择多个目标患者身份样本作为聚类中心；
第一计算子单元，用于针对所述患者身份集合中的每一患者身份样本，计算该患者身份样本与各聚类中心的归一化欧式距离值；并
第一类别确定子单元，用于将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别，所述目标归一化欧式距离值为计算得到的归一化欧式距离值中的最小者；
第一执行子单元，用于针对每一类患者身份样本，重新计算聚类中心，并重复执行从计算该患者身份样本与各聚类中心的归一化欧式距离值至将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于预设阈值；
第二类别确定子单元，用于根据最后一次聚类得到的聚类中心确定所述多个身份类别。
可选地，所述聚类模型对输入的轨迹样本集合的聚类，包括：
从该轨迹样本集合中随机选择多个目标轨迹样本作为聚类中心；
针对所述轨迹样本集合中的每一轨迹样本，计算该轨迹样本与各聚类中心的非负余弦相似值；并
将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别，所述目标非负余弦相似值为计算得到的非负余弦相似值中的最小者；
针对每一类轨迹样本，重新计算聚类中心，并重复执行从计算该轨迹样本与各聚类中心的非负余弦相似值至将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于预设阈值。
可选地，所述针对每一类轨迹样本，重新计算聚类中心，包括：
针对该类轨迹样本中的每一轨迹样本，计算该轨迹样本与该类轨迹样本中的其他轨迹样本之间的非负余弦相似度值；并
对每一所述非负余弦相似度值进行求和，得到非负余弦相似度和值；
将目标非负余弦相似度和值所对应的轨迹样本作为该类轨迹样本的新的聚类中心，所述目标非负余弦相似度和值为计算得到的非负余弦相似度和值中的最大者。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开所提供的基于区块链的患者轨迹存储方法的步骤。
本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开所提供的基于区块链的患者轨迹存储方法的步骤。
图6是根据一示例性实施例示出的一种电子设备600的框图。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。
其中，处理器601用于控制该电子设备600的整体操作，以完成上述的基于区块链的患者轨迹存储方法的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、位置信息等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于区块链的患者轨迹存储方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于区块链的患者轨迹存储方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的基于区块链的患者轨迹存储方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的基于区块链的患者轨迹存储方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (8)
1.一种基于区块链的患者轨迹存储方法，其特征在于，应用于区块链网络中的第一节点，所述方法包括：
在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；
接收所述可信计算环境发送的轨迹验证结果；
在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；
其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到；
所述区块链中还保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息，所述信息验证请求还包括所述第一节点从所述区块链中获取到的轨迹验证模型，所述轨迹验证结果包括所述目标患者轨迹信息所属的聚类类别，所述将所述目标患者轨迹信息存储至所述区块链网络的区块链中，包括：
向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求；
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中；所述第二节点基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
2.根据权利要求1所述的方法，其特征在于，通过如下方式训练得到所述轨迹验证模型：
获取患者身份集合；
对所述患者身份集合进行聚类，得到多个身份类别；
针对每一所述身份类别，获取该身份类别所包括的每一患者身份样本所对应的轨迹信息，得到对应于该身份类别的轨迹样本集合；
依次将每一所述轨迹样本集合作为聚类模型的输入进行聚类，直至聚类模型收敛，得到所述轨迹验证模型。
3.根据权利要求2所述的方法，其特征在于，所述患者身份集合包括患者身份样本集合以及待检测患者身份集合，所述对所述患者身份集合进行聚类，包括：
从所述患者身份样本集合中随机选择多个目标患者身份样本作为聚类中心；
针对所述患者身份集合中的每一患者身份样本，计算该患者身份样本与各聚类中心的归一化欧式距离值；并
将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别，所述目标归一化欧式距离值为计算得到的归一化欧式距离值中的最小者；
针对每一类患者身份样本，重新计算聚类中心，并重复执行从计算该患者身份样本与各聚类中心的归一化欧式距离值至将目标归一化欧式距离值所对应的聚类中心作为该患者身份样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第一阈值；
根据最后一次聚类得到的聚类中心确定所述多个身份类别。
4.根据权利要求2所述的方法，其特征在于，所述聚类模型对输入的轨迹样本集合的聚类，包括：
从该轨迹样本集合中随机选择多个目标轨迹样本作为聚类中心；
针对所述轨迹样本集合中的每一轨迹样本，计算该轨迹样本与各聚类中心的非负余弦相似值；并
将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别，所述目标非负余弦相似值为计算得到的非负余弦相似值中的最小者；
针对每一类轨迹样本，重新计算聚类中心，并重复执行从计算该轨迹样本与各聚类中心的非负余弦相似值至将目标非负余弦相似值所对应的聚类中心作为该轨迹样本的类别的步骤，直至当前聚类中心相对于上一次聚类时的聚类中心的变化值小于第二阈值。
5.根据权利要求4所述的方法，其特征在于，所述针对每一类轨迹样本，重新计算聚类中心，包括：
针对该类轨迹样本中的每一轨迹样本，计算该轨迹样本与该类轨迹样本中的其他轨迹样本之间的非负余弦相似度值；并
对每一所述非负余弦相似度值进行求和，得到非负余弦相似度和值；
将目标非负余弦相似度和值所对应的轨迹样本作为该类轨迹样本的新的聚类中心，所述目标非负余弦相似度和值为计算得到的非负余弦相似度和值中的最大者。
6.一种基于区块链的患者轨迹存储装置，其特征在于，应用于区块链网络中的第一节点，所述装置包括：
第一发送模块，用于在接收到待保存的目标患者轨迹信息时，向可信计算环境发送信息验证请求，所述信息验证请求包括所述目标患者轨迹信息；
接收模块，用于接收所述可信计算环境发送的轨迹验证结果；
存储模块，用于在所述轨迹验证结果表征所述目标患者轨迹信息可信时，将所述目标患者轨迹信息存储至所述区块链网络的区块链中；
其中，所述信息验证结果由所述可信计算环境基于轨迹验证模型以及所述目标患者轨迹信息生成，所述轨迹验证模型基于虚假患者轨迹和真实患者轨迹训练得到；
所述区块链中还保存有轨迹验证模型信息，所述轨迹验证模型信息包括聚类中心信息，所述信息验证请求还包括所述第一节点从所述区块链中获取到的轨迹验证模型，所述轨迹验证结果包括所述目标患者轨迹信息所属的聚类类别，所述存储模块，包括：
广播模块，用于向所述区块链网络中广播包括所述目标患者轨迹信息以及所述目标患者轨迹信息所属的聚类类别的交易请求；
其中，在所述区块链网络中的第二节点对所述交易请求验证通过的情况下，所述目标患者轨迹信息被存储至区块链中；所述第二节点基于所述聚类中心信息计算所述目标患者轨迹信息所属的聚类类别，在计算得到的聚类类别与所述交易请求中的聚类类别一致时，所述交易请求验证通过。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984385.XA CN113782213B (zh) | 2021-08-25 | 2021-08-25 | 基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984385.XA CN113782213B (zh) | 2021-08-25 | 2021-08-25 | 基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113782213A CN113782213A (zh) | 2021-12-10 |
| CN113782213B true CN113782213B (zh) | 2023-11-07 |
Family
ID=78839406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110984385.XA Active CN113782213B (zh) | 2021-08-25 | 2021-08-25 | 基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113782213B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109600361A (zh) * | 2018-11-26 | 2019-04-09 | 武汉极意网络科技有限公司 | 基于哈希算法的验证码防攻击方法及装置 |
| CN111460335A (zh) * | 2020-02-28 | 2020-07-28 | 山东爱城市网信息技术有限公司 | 一种基于区块链的疫情防控信息管理方法及设备、介质 |
| US10769241B1 (en) * | 2013-02-07 | 2020-09-08 | Cerner Innovation, Inc. | Discovering context-specific complexity and utilization sequences |
| CN112836001A (zh) * | 2021-02-02 | 2021-05-25 | 中国工商银行股份有限公司 | 基于区块链的轨迹确定方法、装置、系统和电子设备 |
-
2021
- 2021-08-25 CN CN202110984385.XA patent/CN113782213B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10769241B1 (en) * | 2013-02-07 | 2020-09-08 | Cerner Innovation, Inc. | Discovering context-specific complexity and utilization sequences |
| CN109600361A (zh) * | 2018-11-26 | 2019-04-09 | 武汉极意网络科技有限公司 | 基于哈希算法的验证码防攻击方法及装置 |
| CN111460335A (zh) * | 2020-02-28 | 2020-07-28 | 山东爱城市网信息技术有限公司 | 一种基于区块链的疫情防控信息管理方法及设备、介质 |
| CN112836001A (zh) * | 2021-02-02 | 2021-05-25 | 中国工商银行股份有限公司 | 基于区块链的轨迹确定方法、装置、系统和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| Peng Zhu,et al..Enhancing Traceability of Infectious Diseases: A Blockchain-Based Approach.《Information Processing and Management》.2021,第58卷第1-20页. * |
| 面向传染病监测的时空聚类算法研究;赵翌僮;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第03期);第E055-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113782213A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3178011B1 (en) | Method and system for facilitating terminal identifiers | |
| CN110166462B (zh) | 访问控制方法、系统、电子设备及计算机存储介质 | |
| WO2020019483A1 (zh) | 一种模拟器识别方法、识别设备及计算机可读介质 | |
| CN110691085B (zh) | 登录方法、装置、密码管理系统及计算机可读介质 | |
| CN108667828A (zh) | 一种风险控制方法、装置及存储介质 | |
| CN111508588B (zh) | 训练装置、训练方法和计算机可读记录介质 | |
| CN113760123B (zh) | 屏幕触控的优化方法、装置、终端设备及存储介质 | |
| CN111953665B (zh) | 服务器攻击访问识别方法及系统、计算机设备、存储介质 | |
| CN110602135A (zh) | 网络攻击处理方法、装置以及电子设备 | |
| CN114972827A (zh) | 资产识别方法、装置、设备及计算机可读存储介质 | |
| CN114329469A (zh) | Api异常调用行为检测方法、装置、设备及存储介质 | |
| CN109995751B (zh) | 上网设备标记方法、装置及存储介质、计算机设备 | |
| CN106911727A (zh) | 应用程序登录控制方法、装置及智能终端 | |
| CN108363740B (zh) | Ip地址的分析方法、装置、存储介质及终端 | |
| CN113782213B (zh) | 基于区块链的患者轨迹存储方法、装置、存储介质及电子设备 | |
| CN110751570B (zh) | 一种基于业务逻辑的电力业务报文攻击识别方法及系统 | |
| CN112070161A (zh) | 一种网络攻击事件分类方法、装置、终端及存储介质 | |
| CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
| CN109658082B (zh) | 一种计费异常的识别方法及设备 | |
| CN113420791B (zh) | 边缘网络设备接入控制方法、装置及终端设备 | |
| US11989293B2 (en) | Systems, methods, and media for identifying and responding to malicious files having similar features | |
| CN117391214A (zh) | 模型训练方法、装置及相关设备 | |
| CN115712893A (zh) | 一种攻击检测方法及装置 | |
| JP2023533354A (ja) | 端末検証を実現するための方法、装置、システム、デバイス、および記憶媒体 | |
| CN110801630A (zh) | 作弊程序确定方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |