CN114465873B - 用于区块链异常节点发现和修复的方法和存储介质 - Google Patents
用于区块链异常节点发现和修复的方法和存储介质 Download PDFInfo
- Publication number
- CN114465873B CN114465873B CN202210071168.6A CN202210071168A CN114465873B CN 114465873 B CN114465873 B CN 114465873B CN 202210071168 A CN202210071168 A CN 202210071168A CN 114465873 B CN114465873 B CN 114465873B
- Authority
- CN
- China
- Prior art keywords
- node
- feature
- data
- abnormal
- block chain
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于区块链技术领域,具体涉及用于区块链异常节点发现和修复的方法和存储介质,方法执行以下步骤:步骤1:在三维坐标系下,建立目标区块链的立体模型;在立体模型中,区块链中的每个节点都被三维坐标系下的坐标值唯一标志,立体模型中的一个坐标点对应区块链中的一个节点。其通过建立区块链的立体模型,以及配合采集到的区块链的节点的运行数据,得到立体模型下的空间分布特征,再基于空间分布特征来判断是否出现异常节点,提升了异常节点检测的准确率;同时,本发明在进行异常节点检测时,使用广义数据模型来精准定位出现异常的节点,进一步提升了检测准确率;在检测到异常节点时,通过构建的镜像区块链来替换异常节点,实现节点修复。
Description
技术领域
本发明属于区块链技术领域,具体涉及用于区块链异常节点发现和修复的方法和存储介质。
背景技术
区块链是一个信息技术领域的术语。从本质上讲,它是一个共享数据库,存储于其中的数据或信息,具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征。基于这些特征,区块链技术奠定了坚实的“信任”基础,创造了可靠的“合作”机制,具有广阔的运用前景。区块链具有如下特征:
去中心化。区块链技术不依赖额外的第三方管理机构或硬件设施,没有中心管制,除了自成一体的区块链本身,通过分布式核算和存储,各个节点实现了信息自我验证、传递和管理。去中心化是区块链最突出最本质的特征。
开放性。区块链技术基础是开源的,除了交易各方的私有信息被加密外,区块链的数据对所有人开放,任何人都可以通过公开的接口查询区块链数据和开发相关应用,因此整个系统信息高度透明。
独立性。基于协商一致的规范和协议(类似比特币采用的哈希算法等各种数学算法),整个区块链系统不依赖其他第三方,所有节点能够在系统内自动安全地验证、交换数据,不需要任何人为的干预。
安全性。只要不能掌控全部数据节点的51%,就无法肆意操控修改网络数据,这使区块链本身变得相对安全,避免了主观人为的数据变更。
匿名性。除非有法律规范要求,单从技术上来讲,各区块节点的身份信息不需要公开或验证,信息传递可以匿名进行。
发明内容
本发明的主要目的在于提供用于区块链异常节点发现和修复的方法和存储介质,其通过建立区块链的立体模型,以及配合采集到的区块链的节点的运行数据,得到立体模型下的空间分布特征,再基于空间分布特征来判断是否出现异常节点,提升了异常节点检测的准确率;同时,本发明在进行异常节点检测时,使用广义数据模型来精准定位出现异常的节点,进一步提升了检测准确率;在检测到异常节点时,通过构建的镜像区块链来替换异常节点,实现节点修复。
为达到上述目的,本发明的技术方案是这样实现的:
用于区块链异常节点发现和修复的方法,所述方法执行以下步骤:
步骤1:在三维坐标系下,建立目标区块链的立体模型;在所述立体模型中,区块链中的每个节点都被三维坐标系下的坐标值唯一标志,所述立体模型中的一个坐标点对应区块链中的一个节点;
步骤2:构建目标区块链的镜像区块链;该镜像区块链与目标区块链的结构相同,且镜像区块链中的节点与目标区块链中的节点一一对应;
步骤3:实时记录目标区块链的运行状态,得到某一时刻下目标区块链中的节点的运行数据;将该运行数据写入立体模型中与目标区块链中的节点对应的坐标点;
步骤4:分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征;再对多个不同时刻下的空间分布特征进行互相对比分析,以判断是否出现异常节点;
步骤5:若步骤4中判断出现异常节点,则进行异常节点检测,检测出目标区块链中出现异常的节点,记录检测结果;
步骤6:基于步骤5中的检测结果,从镜像区块链中调取与目标区块链中出现异常的节点对应的节点,填充进目标区块链中,以实现异常节点的修复。
进一步的,所述步骤5中进行异常节点检测的方法包括:建立区块链网络的广义数据模型,并将区块链网络中节点采集的数据作为节点数据中的节点数据,得到广义数据矩阵;基于所建立的广义数据模型和广义数据矩阵,将区块链网络中的每一个节点及其相邻的节点视为一个子网络,得到每个子网络的子节点数据模型和子节点数据矩阵;将每个子节点数据矩阵通过一个高通滤波器,得到子节点高频节点数据矩阵;通过节点逆傅里叶变换,从每个子节点高频节点数据矩阵中筛选出该子节点高频节点数据矩阵在给定节点频率上的子节点数据分量矩阵;通过比较不同子节点数据分量矩阵中每个节点的当前时刻的数据分量与历史时刻的数据分量的差别,筛选出在给定节点频率上的异常子节点,并建立异常子节点中心节点集合;如果某个子节点的所有节点均存在于异常子节点中心节点集合中,则说明该子节点的中心节点是定位出的异常节点。
进一步的,所述建立异常子节点中心节点集合的方法包括:使用如下公式,在每个子节点i中,根据子节点数据分量矩阵计算该子节点的最小阈值和最大阈值并由此确定出该子节点的正常区间/>判断每个子节点i的子节点数据分量矩阵中各个节点当前时刻的数据分量是否处于该子节点的正常区间内,若子节点i中存在至少一个节点的当前时刻的数据分量位于该正常区间之外,则将该子节点i的中心节点放入异常子节点中心节点集合中。
进一步的,所述计算子节点的最小阈值和最大阈值/>并由此确定出该子节点的正常区间/>的公式为: ;其中,Ni为第i个子节点数据分量矩阵的节点数,Mi为第i个子节点数据分量矩阵的时刻数,τ为给定的权值,/>为第i个子节点的第j个节点在当前时刻的数据分量;/>为第i个子节点的第j个节点在历史时刻的数据分量。
进一步的,所述步骤4中分析立体模型的空间分布特征的方法包括:步骤S1:获取立体模型,并根据预设的分割数目n将所述立体模型进行分割,得到n块立体模型分块;步骤S2:建立与立体模型分块数目相同的n组空间分布特征模型,所述n组空间分布特征模型一一对应的从所述n块立体模型分块中提取特征信息,得到n组特征信息;步骤S3:建立与特征信息组别数目相同的n组特征分类器,所述n组特征分类器一一对应的对所述n组特征信息进行特征分类;步骤S4:根据反向传播算法分别计算每组特征分类过程中所产生的损失值,得到n组损失值;步骤S5:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,得到优化后的空间分布特征模型和特征分类器;步骤S6:使用空间分布特征模型和特征分类器分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征。
进一步的,所述步骤包括:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,所述空间分布特征模型根据返回的损失值来调整配置参数,得到优化后的空间分布特征模型,所述特征分类器根据返回的损失值来调整配置参数,得到优化后的特征分类器。
进一步的,所述步骤S5后还包括:通过n个优化后的空间分布特征模型和特征分类器来得到优化后的n组特征分类。
进一步的,所述得到优化后的n组特征分类的方法包括:将n块立体模型重新输入n个已优化的空间分布特征模型中,得到优化后的n组特征信息,并将n组特征信息输入n个已优化的特征分类器,得到优化后的n组特征分类。
进一步的,所述得到优化后的n组特征分类后还包括:将优化后的n组特征分类进行特征融合,得到特征融合数据。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行用于区块链异常节点发现和修复的方法。
本发明的用于区块链异常节点发现和修复的方法和存储介质,具有如下有益效果:其通过建立区块链的立体模型,以及配合采集到的区块链的节点的运行数据,得到立体模型下的空间分布特征,再基于空间分布特征来判断是否出现异常节点,提升了异常节点检测的准确率;同时,本发明在进行异常节点检测时,使用广义数据模型来精准定位出现异常的节点,进一步提升了检测准确率;在检测到异常节点时,通过构建的镜像区块链来替换异常节点,实现节点修复。主要通过以下过程实现:1.立体模型的构建:本发明通过构建目标区块链的立体模型,以此来将目标区块链抽象化,再通过采集区块链中的节点的运行数据,在多个时刻下分析立体模型下的空间分布特征,以此来是否出现了异常节点,可以提升异常节点检测的准确率;2.异常节点的判断和检测:本发明在判断目标区块链中出现了异常节点的情况下,通过建立区块链网络的广义数据模型,并将区块链网络中节点采集的数据作为节点数据中的节点数据,得到广义数据矩阵,然后再来判断是否出现了异常节点,可以降低误检测率,提升异常节点检测的准确率;3.空间分布特征的检测方法:本发明使用基于深度学习的空间分布特征模型和特征分类器来进行空间分布特征的分析,可以提升空间分布特征的准确率,随着空间分布特征分析的次数增加,其准确率也会稳步提升,进一步提升了准确率。
附图说明
图1为本发明的实施例提供的用于区块链异常节点发现和修复的方法的流程示意图;
图2为本发明的实施例提供的用于区块链异常节点发现和修复的方法及存储介质的立体模型的结构示意图;
图3为本发明的实施例提供的用于区块链异常节点发现和修复的方法及存储介质的异常节点检测的原理示意图;
图4为本发明的实施例提供的用于区块链异常节点发现和修复的方法及存储介质的异常节点识别率随着故障节点比例变化的曲线示意图与现有技术的对比实验效果示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述:
实施例1
如图1所示,用于区块链异常节点发现和修复的方法,所述方法执行以下步骤:
步骤1:在三维坐标系下,建立目标区块链的立体模型;在所述立体模型中,区块链中的每个节点都被三维坐标系下的坐标值唯一标志,所述立体模型中的一个坐标点对应区块链中的一个节点;
步骤2:构建目标区块链的镜像区块链;该镜像区块链与目标区块链的结构相同,且镜像区块链中的节点与目标区块链中的节点一一对应;
步骤3:实时记录目标区块链的运行状态,得到某一时刻下目标区块链中的节点的运行数据;将该运行数据写入立体模型中与目标区块链中的节点对应的坐标点;
步骤4:分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征;再对多个不同时刻下的空间分布特征进行互相对比分析,以判断是否出现异常节点;
步骤5:若步骤4中判断出现异常节点,则进行异常节点检测,检测出目标区块链中出现异常的节点,记录检测结果;
步骤6:基于步骤5中的检测结果,从镜像区块链中调取与目标区块链中出现异常的节点对应的节点,填充进目标区块链中,以实现异常节点的修复。
采用上述技术方案,本发明通过建立区块链的立体模型,以及配合采集到的区块链的节点的运行数据,得到立体模型下的空间分布特征,再基于空间分布特征来判断是否出现异常节点,提升了异常节点检测的准确率;同时,本发明在进行异常节点检测时,使用广义数据模型来精准定位出现异常的节点,进一步提升了检测准确率;在检测到异常节点时,通过构建的镜像区块链来替换异常节点,实现节点修复。主要通过以下过程实现:1.立体模型的构建:本发明通过构建目标区块链的立体模型,以此来将目标区块链抽象化,再通过采集区块链中的节点的运行数据,在多个时刻下分析立体模型下的空间分布特征,以此来是否出现了异常节点,可以提升异常节点检测的准确率;2.异常节点的判断和检测:本发明在判断目标区块链中出现了异常节点的情况下,通过建立区块链网络的广义数据模型,并将区块链网络中节点采集的数据作为节点数据中的节点数据,得到广义数据矩阵,然后再来判断是否出现了异常节点,可以降低误检测率,提升异常节点检测的准确率;3.空间分布特征的检测方法:本发明使用基于深度学习的空间分布特征模型和特征分类器来进行空间分布特征的分析,可以提升空间分布特征的准确率,随着空间分布特征分析的次数增加,其准确率也会稳步提升,进一步提升了准确率。
实施例2
在上一实施例的基础上,所述步骤5中进行异常节点检测的方法包括:建立区块链网络的广义数据模型,并将区块链网络中节点采集的数据作为节点数据中的节点数据,得到广义数据矩阵;基于所建立的广义数据模型和广义数据矩阵,将区块链网络中的每一个节点及其相邻的节点视为一个子网络,得到每个子网络的子节点数据模型和子节点数据矩阵;将每个子节点数据矩阵通过一个高通滤波器,得到子节点高频节点数据矩阵;通过节点逆傅里叶变换,从每个子节点高频节点数据矩阵中筛选出该子节点高频节点数据矩阵在给定节点频率上的子节点数据分量矩阵;通过比较不同子节点数据分量矩阵中每个节点的当前时刻的数据分量与历史时刻的数据分量的差别,筛选出在给定节点频率上的异常子节点,并建立异常子节点中心节点集合;如果某个子节点的所有节点均存在于异常子节点中心节点集合中,则说明该子节点的中心节点是定位出的异常节点。
具体的,高通滤波器是一种让某一频率以上的信号分量通过,而对该频率以下的信号分量大大抑制的电容、电感与电阻等器件的组合装置。其特性在时域及频域中可分别用冲激响应及频率响应描述。后者是用以频率为自变量的函数表示,一般情况下它是一个以复变量jω为自变量的的复变函数,以H(jω)表示。它的模H(ω)和幅角φ(ω)为角频率ω的函数,分别称为系统的“幅频响应”和“相频响应”,它分别代表激励源中不同频率的信号成分通过该系统时所遇到的幅度变化和相位变化。可以证明,系统的“频率响应”就是该系统“冲激响应”的傅里叶变换。当线性无源系统可以用一个N阶线性微分方程表示时,频率响应H(jω)为一个有理分式,它的分子和分母分别与微分方程的右边和左边相对应。
实施例3
在上一实施例的基础上,所述建立异常子节点中心节点集合的方法包括:使用如下公式,在每个子节点i中,根据子节点数据分量矩阵计算该子节点的最小阈值和最大阈值/>并由此确定出该子节点的正常区间/>判断每个子节点i的子节点数据分量矩阵中各个节点当前时刻的数据分量是否处于该子节点的正常区间/>内,若子节点i中存在至少一个节点的当前时刻的数据分量位于该正常区间之外,则将该子节点i的中心节点放入异常子节点中心节点集合中。
具体的,一般说来,区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。
其中,数据层封装了底层数据区块以及相关的数据加密和时间戳等基础数据和基本算法;网络层则包括分布式组网机制、数据传播机制和数据验证机制等;共识层主要封装网络节点的各类共识算法;激励层将经济因素集成到区块链技术体系中来,主要包括经济激励的发行机制和分配机制等;合约层主要封装各类脚本、算法和智能合约,是区块链可编程特性的基础;应用层则封装了区块链的各种应用场景和案例。该模型中,基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点。
实施例4
在上一实施例的基础上,所述计算子节点的最小阈值和最大阈值并由此确定出该子节点的正常区间/>的公式为: ;其中,Ni为第i个子节点数据分量矩阵的节点数,Mi为第i个子节点数据分量矩阵的时刻数,τ为给定的权值,/>为第i个子节点的第j个节点在当前时刻的数据分量;/>为第i个子节点的第j个节点在历史时刻的数据分量。
实施例5
在上一实施例的基础上,所述步骤4中分析立体模型的空间分布特征的方法包括:步骤S1:获取立体模型,并根据预设的分割数目n将所述立体模型进行分割,得到n块立体模型分块;步骤S2:建立与立体模型分块数目相同的n组空间分布特征模型,所述n组空间分布特征模型一一对应的从所述n块立体模型分块中提取特征信息,得到n组特征信息;步骤S3:建立与特征信息组别数目相同的n组特征分类器,所述n组特征分类器一一对应的对所述n组特征信息进行特征分类;步骤S4:根据反向传播算法分别计算每组特征分类过程中所产生的损失值,得到n组损失值;步骤S5:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,得到优化后的空间分布特征模型和特征分类器;步骤S6:使用空间分布特征模型和特征分类器分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征。
具体的,区块链通过结点连接的散状网络分层结构,能够在整个网络中实现信息的全面传递,并能够检验信息的准确程度。这种特性一定程度上提高了物联网交易的便利性和智能化。区块链+大数据的解决方案就利用了大数据的自动筛选过滤模式,在区块链中建立信用资源,可双重提高交易的安全性,并提高物联网交易便利程度。为智能物流模式应用节约时间成本。区块链结点具有十分自由的进出能力,可独立的参与或离开区块链体系,不对整个区块链体系有任何干扰。区块链+大数据解决方案就利用了大数据的整合能力,促使物联网基础用户拓展更具有方向性,便于在智能物流的分散用户之间实现用户拓展。
实施例6
在上一实施例的基础上,所述步骤包括:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,所述空间分布特征模型根据返回的损失值来调整配置参数,得到优化后的空间分布特征模型,所述特征分类器根据返回的损失值来调整配置参数,得到优化后的特征分类器。
实施例7
在上一实施例的基础上,所述步骤S5后还包括:通过n个优化后的空间分布特征模型和特征分类器来得到优化后的n组特征分类。
实施例8
在上一实施例的基础上,所述得到优化后的n组特征分类的方法包括:将n块立体模型重新输入n个已优化的空间分布特征模型中,得到优化后的n组特征信息,并将n组特征信息输入n个已优化的特征分类器,得到优化后的n组特征分类。
实施例9
在上一实施例的基础上,所述得到优化后的n组特征分类后还包括:将优化后的n组特征分类进行特征融合,得到特征融合数据。
实施例10
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行用于区块链异常节点发现和修复的方法。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.用于区块链异常节点发现和修复的方法,其特征在于,所述方法执行以下步骤:
步骤1:在三维坐标系下,建立目标区块链的立体模型;在所述立体模型中,区块链中的每个节点都被三维坐标系下的坐标值唯一标志,所述立体模型中的一个坐标点对应区块链中的一个节点;
步骤2:构建目标区块链的镜像区块链;该镜像区块链与目标区块链的结构相同,且镜像区块链中的节点与目标区块链中的节点一一对应;
步骤3:实时记录目标区块链的运行状态,得到某一时刻下目标区块链中的节点的运行数据;将该运行数据写入立体模型中与目标区块链中的节点对应的坐标点;
步骤4:分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征;再对多个不同时刻下的空间分布特征进行互相对比分析,以判断是否出现异常节点;
步骤5:若步骤4中判断出现异常节点,则进行异常节点检测,检测出目标区块链中出现异常的节点,记录检测结果;
步骤6:基于步骤5中的检测结果,从镜像区块链中调取与目标区块链中出现异常的节点对应的节点,填充进目标区块链中,以实现异常节点的修复;
所述步骤4中分析立体模型的空间分布特征的方法包括:步骤S1:获取立体模型,并根据预设的分割数目n将所述立体模型进行分割,得到n块立体模型分块;步骤S2:建立与立体模型分块数目相同的n组空间分布特征模型,所述n组空间分布特征模型一一对应的从所述n块立体模型分块中提取特征信息,得到n组特征信息;步骤S3:建立与特征信息组别数目相同的n组特征分类器,所述n组特征分类器一一对应的对所述n组特征信息进行特征分类;步骤S4:根据反向传播算法分别计算每组特征分类过程中所产生的损失值,得到n组损失值;步骤S5:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,得到优化后的空间分布特征模型和特征分类器;步骤S6:使用空间分布特征模型和特征分类器分析立体模型中多个连续时刻下的坐标点的空间分布特征,得到多个不同时刻下的空间分布特征;
所述步骤5中进行异常节点检测的方法包括:建立区块链网络的广义数据模型,并将区块链网络中节点采集的数据作为节点数据中的节点数据,得到广义数据矩阵;基于所建立的广义数据模型和广义数据矩阵,将区块链网络中的每一个节点及其相邻的节点视为一个子网络,得到每个子网络的子节点数据模型和子节点数据矩阵;将每个子节点数据矩阵通过一个高通滤波器,得到子节点高频节点数据矩阵;通过节点逆傅里叶变换,从每个子节点高频节点数据矩阵中筛选出该子节点高频节点数据矩阵在给定节点频率上的子节点数据分量矩阵;通过比较不同子节点数据分量矩阵中每个节点的当前时刻的数据分量与历史时刻的数据分量的差别,筛选出在给定节点频率上的异常子节点,并建立异常子节点中心节点集合;如果某个子节点的所有节点均存在于异常子节点中心节点集合中,则说明该子节点的中心节点是定位出的异常节点。
2.如权利要求1所述的方法,其特征在于,所述建立异常子节点中心节点集合的方法包括:在每个子节点i中,根据子节点数据分量矩阵计算该子节点的最小阈值和最大阈值/>并由此确定出该子节点的正常区间/>判断每个子节点i的子节点数据分量矩阵中各个节点当前时刻的数据分量是否处于该子节点的正常区间内,若子节点i中存在至少一个节点的当前时刻的数据分量位于该正常区间之外,则将该子节点i的中心节点放入异常子节点中心节点集合中。
3.如权利要求2所述的方法,其特征在于,所述计算子节点的最小阈值和最大阈值/>并由此确定出该子节点的正常区间/>的公式为:
;其中,Ni为第i个子节点数据分量矩阵的节点数,Mi为第i个子节点数据分量矩阵的时刻数,τ为给定的权值,为第i个子节点的第j个节点在当前时刻的数据分量;为第i个子节点的第j个节点在历史时刻的数据分量。
4.如权利要求3所述的方法,其特征在于,所述步骤包括:将n组损失值分别返回对应的空间分布特征模型和特征分类器中,所述空间分布特征模型根据返回的损失值来调整配置参数,得到优化后的空间分布特征模型,所述特征分类器根据返回的损失值来调整配置参数,得到优化后的特征分类器。
5.如权利要求4所述的方法,其特征在于,所述步骤S5后还包括:通过n个优化后的空间分布特征模型和特征分类器来得到优化后的n组特征分类。
6.如权利要求4所述的方法,其特征在于,所述得到优化后的n组特征分类的方法包括:将n块立体模型重新输入n个已优化的空间分布特征模型中,得到优化后的n组特征信息,并将n组特征信息输入n个已优化的特征分类器,得到优化后的n组特征分类。
7.如权利要求6所述的方法,其特征在于,所述得到优化后的n组特征分类后还包括:将优化后的n组特征分类进行特征融合,得到特征融合数据。
8.用于实现权利要求1至7之一所述方法的存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的用于区块链异常节点发现和修复的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071168.6A CN114465873B (zh) | 2022-01-21 | 2022-01-21 | 用于区块链异常节点发现和修复的方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071168.6A CN114465873B (zh) | 2022-01-21 | 2022-01-21 | 用于区块链异常节点发现和修复的方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114465873A CN114465873A (zh) | 2022-05-10 |
CN114465873B true CN114465873B (zh) | 2023-09-01 |
Family
ID=81409332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071168.6A Active CN114465873B (zh) | 2022-01-21 | 2022-01-21 | 用于区块链异常节点发现和修复的方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114465873B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111211930A (zh) * | 2019-12-31 | 2020-05-29 | 杭州趣链科技有限公司 | 一种区块链服务容灾备份容器化部署方法 |
CN111783133A (zh) * | 2020-06-02 | 2020-10-16 | 广东科学技术职业学院 | 一种基于区块链技术的网络资源管理方法 |
CN112511338A (zh) * | 2020-11-09 | 2021-03-16 | 迅鳐成都科技有限公司 | 区块链共识网络动态恢复方法、电子设备、系统及介质 |
CN112511337A (zh) * | 2020-11-09 | 2021-03-16 | 迅鳐成都科技有限公司 | 区块链共识网络自恢复方法、电子设备、系统及存储介质 |
CN113315753A (zh) * | 2021-04-25 | 2021-08-27 | 国网浙江省电力有限公司电力科学研究院 | 基于编码技术的区块数据可信恢复方法 |
CN113435307A (zh) * | 2021-06-23 | 2021-09-24 | 国网天津市电力公司 | 一种基于视觉识别技术的运维方法、系统及存储介质 |
CN113821381A (zh) * | 2021-11-18 | 2021-12-21 | 深圳电通信息技术有限公司 | 区块链节点资源备份及离线节点资源转移方法及存储介质 |
CN113868216A (zh) * | 2021-12-03 | 2021-12-31 | 中国信息通信研究院 | 区块链监测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210334794A1 (en) * | 2016-06-24 | 2021-10-28 | Raise Marketplace, Llc | Resolving a parameter error associated with a primary blockchain |
CN113065727A (zh) * | 2020-01-02 | 2021-07-02 | 梅特勒-托利多(常州)精密仪器有限公司 | 基于区块链的测量设备管理方法及装置 |
-
2022
- 2022-01-21 CN CN202210071168.6A patent/CN114465873B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111211930A (zh) * | 2019-12-31 | 2020-05-29 | 杭州趣链科技有限公司 | 一种区块链服务容灾备份容器化部署方法 |
CN111783133A (zh) * | 2020-06-02 | 2020-10-16 | 广东科学技术职业学院 | 一种基于区块链技术的网络资源管理方法 |
CN112511338A (zh) * | 2020-11-09 | 2021-03-16 | 迅鳐成都科技有限公司 | 区块链共识网络动态恢复方法、电子设备、系统及介质 |
CN112511337A (zh) * | 2020-11-09 | 2021-03-16 | 迅鳐成都科技有限公司 | 区块链共识网络自恢复方法、电子设备、系统及存储介质 |
CN113315753A (zh) * | 2021-04-25 | 2021-08-27 | 国网浙江省电力有限公司电力科学研究院 | 基于编码技术的区块数据可信恢复方法 |
CN113435307A (zh) * | 2021-06-23 | 2021-09-24 | 国网天津市电力公司 | 一种基于视觉识别技术的运维方法、系统及存储介质 |
CN113821381A (zh) * | 2021-11-18 | 2021-12-21 | 深圳电通信息技术有限公司 | 区块链节点资源备份及离线节点资源转移方法及存储介质 |
CN113868216A (zh) * | 2021-12-03 | 2021-12-31 | 中国信息通信研究院 | 区块链监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114465873A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104246786B (zh) | 模式发现中的字段选择 | |
CN104240342B (zh) | 一种基于身份验证的门禁控制方法及门禁控制装置 | |
CN105678125B (zh) | 一种用户认证方法、装置 | |
Martin et al. | A framework for predicting phishing websites using neural networks | |
CN104090835B (zh) | 基于eID和谱理论的跨平台虚拟资产交易审计方法 | |
CN110502927A (zh) | 一种信息处理方法及相关装置 | |
CN109242250A (zh) | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 | |
CN111782723A (zh) | 一种基于许可链的双层产品信息追溯系统架构 | |
US11882147B2 (en) | Method and apparatus for determining a threat using distributed trust across a network | |
CN109558918A (zh) | 一种证件链不动产电子证照系统及其使用方法 | |
Cole et al. | Modeling the energy consumption of blockchain consensus algorithms | |
CN117118849B (zh) | 一种物联网网关系统及实现方法 | |
CN108108624A (zh) | 基于产品和服务的信息安全质量评估方法及装置 | |
CN107026731A (zh) | 一种用户身份验证的方法及装置 | |
Sonnad et al. | The integration of connectivity and system integrity approaches using internet of things (IoT) for enhancing network security | |
DE112021000689T5 (de) | Attestierung von neuronalen abläufen | |
CN116579775A (zh) | 一种商品交易数据管理系统及方法 | |
CN104704521B (zh) | 多因素简档和安全指纹分析 | |
CN114090985A (zh) | 区块链中用户操作权限的设置方法、装置和电子设备 | |
CN114465873B (zh) | 用于区块链异常节点发现和修复的方法和存储介质 | |
Chaudhary et al. | Blockchain-based secure voting mechanism underlying 5G network: A smart contract approach | |
CN113327037A (zh) | 基于模型的风险识别方法、装置、计算机设备和存储介质 | |
CN106068513A (zh) | 安全评估系统和方法 | |
Ball et al. | Anomaly detection using autoencoders with network analysis features | |
AU2021100847A4 (en) | Blockchain based multiple authorities signature model for industrial iot applications |
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 |