CN115086073A - 基于区块链技术的数字信息传输方法 - Google Patents

基于区块链技术的数字信息传输方法 Download PDF

Info

Publication number
CN115086073A
CN115086073A CN202210854350.9A CN202210854350A CN115086073A CN 115086073 A CN115086073 A CN 115086073A CN 202210854350 A CN202210854350 A CN 202210854350A CN 115086073 A CN115086073 A CN 115086073A
Authority
CN
China
Prior art keywords
data
network
information
module
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.)
Pending
Application number
CN202210854350.9A
Other languages
English (en)
Inventor
侯胜旭
覃家良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mack Storage Technology Co ltd
Original Assignee
Shenzhen Mack Storage Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Mack Storage Technology Co ltd filed Critical Shenzhen Mack Storage Technology Co ltd
Priority to CN202210854350.9A priority Critical patent/CN115086073A/zh
Publication of CN115086073A publication Critical patent/CN115086073A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/045—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply hybrid encryption, i.e. combination of symmetric and asymmetric encryption
    • 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
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明公开一种基于区块链技术的数字信息传输方法，其中包括：步骤1、通过数据发出端发送数据信息；其中所述数据发出端设置有区块链网络节点，通过区块链网络节点实现与其他设备数据信息的信息交互；步骤2、通过数据传输模块将数据传输模块发出的数据信息通过区块链网络传递到数据接收端，实现数据信息的接收与交互；步骤3、通过数据接收端接收已经处理后的数据信息。本发明通过改进型GAN算法模型实现数据信息传递过程中的安全防护，通过数据加密模块提高了数据加密能力，大大提高了数据信息传输能力。

Description

基于区块链技术的数字信息传输方法
技术领域
本发明涉及互联网加密技术领域，且更确切地涉及一种基于区块链技术的数字信息传输方法。
背景技术
随着互联网信息技术的不断发展，计算机被广泛地应用到不同领域中。在数字化、信息化、网络化发展推动下，尤其是信息全球化进程推动了网络信息平台构建及广泛应用的步伐，网络数据信息呈现爆炸式发展，因此，目前的网络数据信息具有的特点书数据量大、处理处理效率低下，并且数据在交互过程中不安全，容易出现数据泄露、数据篡改等问题，因此当前的数字信息传输过程中存在极大的数据安全威胁，如何提高数据信息的加密能力是亟待解决的技术问题。
发明内容
针对上述技术的不足，本发明公开一种基于区块链技术的数字信息传输方法，通过引入区块链网络，提高了数字信息传输过程中的数据加密能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种基于区块链技术的数字信息传输方法，其中包括：
步骤1、通过数据发出端发送数据信息；其中所述数据发出端设置有区块链网络节点，通过区块链网络节点实现与其他设备数据信息的信息交互；
步骤2、通过数据传输模块将数据传输模块发出的数据信息通过区块链网络传递到数据接收端，实现数据信息的接收与交互；其中所述数据传输模块内设置有网络节点、区块链节点、区块链网络、网络检测模块和网络传输节点数据监测模块，其中所述区块链网络内设置有区块链节点，所述区块链节点与网络节点连接，所述网络节点还设置有网络检测模块和网络传输节点数据监测模块；
其中所述网络传输节点数据监测模块为基于ARM+DSP双核处理器控制模块；其中所述网络传输节点数据监测模块包括ARM主控芯片、与所述ARM主控芯片连接通信的CMOS摄像头、定位模块、采集模块、帧缓存器、无线通讯模块、显示模块、复位电路、晶振电路、OV7670模块和AL422B模块，所述ARM主控芯片还连接有区块链接口，所述区块链接口连接有网络数字校准模块；
所述网络检测模块为基于FPGA主控芯片EP4CE115F29C7N的网络数据隔离模块，假 设数据发出端发送的数据记作为
Figure 530352DEST_PATH_IMAGE001
，实现数据隔离时，将发出端发送的数据生成多项式， 并将信息码多项式左移k位，进行按位加减运算，得到的余数为校验码，校验码函数表达式 为：
Figure 626484DEST_PATH_IMAGE002
（1）
公式（1）中，
Figure 275771DEST_PATH_IMAGE003
为生成多项式数据函数，
Figure 344222DEST_PATH_IMAGE004
为校验码，
Figure 420762DEST_PATH_IMAGE005
为商，
Figure 738611DEST_PATH_IMAGE006
为生产多项式 的最高幂值，通过公式（1）求出商
Figure 191589DEST_PATH_IMAGE007
，将该数据信息隔离；
所述网络节点设置有基于SX127集成传输芯片的传输电路；
所述区块链网络采用基于改进型GAN算法模型实现数据信息传递过程中的安全防护；
步骤3、通过数据接收端接收已经处理后的数据信息，通过远端监测单元实现数据信息监控；监控采用的是AVR单片机系列单元机，具体型号为Mega64L-8AU主控单元。
作为本发明进一步的技术方案，利用所述改进型GAN算法模型监控网络数据安全输出的数据信息为：
Figure 176862DEST_PATH_IMAGE008
(2)
公式(2)中，
Figure 424304DEST_PATH_IMAGE009
表示数字信息运行安全标准，
Figure 164203DEST_PATH_IMAGE010
表示实际网络运行数字信息 调度安全值，
Figure 217609DEST_PATH_IMAGE011
表示期望网络数字信息调度安全值，
Figure 995072DEST_PATH_IMAGE012
表示网络数字信息调度安全设 备参数，
Figure 413415DEST_PATH_IMAGE013
表示网络数字信息监控设备安全参数。
作为本发明进一步的技术方案，所述改进型GAN算法模型诊断后的数据信息输出最佳目标函数为：
Figure 909119DEST_PATH_IMAGE014
(3)
公式(3)中，
Figure 438320DEST_PATH_IMAGE015
表示数字信息交互最佳安全目标，
Figure 335869DEST_PATH_IMAGE016
表示数字信息真实安 全标准数值，
Figure 987430DEST_PATH_IMAGE017
表示算法能达到的最佳运行安全标准。
作为本发明进一步的技术方案，所述改进型GAN算法模型在监控数据信息过程中的损失函数是将表示输入样本数字运行信息与数字安全标称值之间的关系，即：
Figure 642534DEST_PATH_IMAGE018
(4)
公式(4)中，
Figure 972496DEST_PATH_IMAGE019
表示改进型GAN算法模型的损失函数，
Figure 724552DEST_PATH_IMAGE020
表示输入数字运 行信息，
Figure 484697DEST_PATH_IMAGE021
表示数字安全标称值；
则数字运行安全状态下的样本数据信息函数为：
Figure 751731DEST_PATH_IMAGE022
(5)
公式(5)中，
Figure 888314DEST_PATH_IMAGE023
表示数据信息库中安全标准，
Figure 494876DEST_PATH_IMAGE024
表示监控数字数据内积运 算，
Figure 488239DEST_PATH_IMAGE025
表示数字运行存在的不可控数据变化，
Figure 180252DEST_PATH_IMAGE026
表示运行监控网络节点采集样本总数，
Figure 58209DEST_PATH_IMAGE027
表 示整个数字信息环境下的网络信息安全总量，
Figure 329397DEST_PATH_IMAGE028
表示标准数字监控安全代数，
Figure 431345DEST_PATH_IMAGE029
表示 数字信息安全总期望。
作为本发明进一步的技术方案，所述网络节点还连接有数据采集通信模块电路，所述数据采集通信模块电路包括SSX1632芯片加密模块、32位CPU内核CS322D以及与二者连接的CAN接口。
作为本发明进一步的技术方案，所述区块链节点采用改进型BP神经网络模型实现数据信息故障诊断；所述BP神经网络模型输出端通过贝叶斯分类器实现数据信息分类，其中所述改进型BP神经网络模型包括输入层、隐含层、输出层、贝叶斯分类器和区块链节点，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与输出层的输入端连接，所述输出层的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与区块链节点的输入端连接。
作为本发明进一步的技术方案，所述改进型BP神经网络模型的工作方法包括以下步骤：
（S1）将网络数据信息输入至BP神经网络模型，原始数据设为
Figure 672971DEST_PATH_IMAGE030
，隐 含层设为
Figure 151357DEST_PATH_IMAGE031
，输出层设为
Figure 466932DEST_PATH_IMAGE032
，各个层次之间不同的数据权值由
Figure 5360DEST_PATH_IMAGE033
以及
Figure 468703DEST_PATH_IMAGE034
进行表示；
（S2）函数设置，在输入层中第n个节点的输出用
Figure 685533DEST_PATH_IMAGE035
来表示，输出层的第n个节点的 输出用
Figure 855614DEST_PATH_IMAGE036
来表示，隐含层中第j个节点的输出用
Figure 627261DEST_PATH_IMAGE037
来表示，用
Figure 515583DEST_PATH_IMAGE038
和
Figure 335771DEST_PATH_IMAGE039
来表示其中的阈值，各 个节点的输出函数分别表示为：
Figure 891517DEST_PATH_IMAGE040
（6）
Figure 506169DEST_PATH_IMAGE041
（7）
Figure 944104DEST_PATH_IMAGE042
（8）
（S3）平均误差消除，神经网络中数据信息样本的平均误差表示为：
Figure 567983DEST_PATH_IMAGE043
（9）
公式（9）中，通过N来表示神经网络训练过程中样本的个数，通过M来表示输出过程 中神经元的数量，通过
Figure 978236DEST_PATH_IMAGE044
来表示训练过程中第k个训练样本的均方误差，通过
Figure 91686DEST_PATH_IMAGE045
来表示第k 个样本中最终输出的神经元m的误差，通过E来表示整体训练过程结束时的判断参数；
（S4）逆向传递误差计算，在BP神经网络中数据信息进行反向传递时，主要进行如下的步骤：首先对隐含层和输出层之间的权值进行计算，计算通过该式进行：
Figure 709528DEST_PATH_IMAGE046
（10）
之后计算输入层和隐含层之间的权值，通过该式进行计算：
Figure 933836DEST_PATH_IMAGE047
（11）
公式（10）、公式（11）中，
Figure 464174DEST_PATH_IMAGE048
表示惯性系数，
Figure 482946DEST_PATH_IMAGE049
表示数据信息的数 值增益系数，介于0-1之间，通过这两个系数的调整可以控制该BP神经网络的学习；
通过BP神经网络模型输出端的数据信息记作
Figure 567577DEST_PATH_IMAGE050
，则计算样本数据属 于每种类别的概率为
Figure 595576DEST_PATH_IMAGE051
，
Figure 714841DEST_PATH_IMAGE052
……
Figure 373356DEST_PATH_IMAGE053
；根据概率大小判断数据的最终类别：
Figure 7599DEST_PATH_IMAGE054
为数据
Figure 245814DEST_PATH_IMAGE055
类，则通过贝叶斯分类模型计算后的数据信息记作 为：
Figure 547482DEST_PATH_IMAGE056
（12）
其中
Figure 376898DEST_PATH_IMAGE057
（13）
其中
Figure 498438DEST_PATH_IMAGE058
-
Figure 805922DEST_PATH_IMAGE059
表示BP神经网络模型的权重。
积极有益效果
本发明中，通过采用呈链条式连接的区块链节点将节点设备连接起来，提高网络数据交互过程中的便捷性，通过应用区块链网络，提高了网络数据信息安全能力，能够实现网络数据信息去中心化、可追溯、不可篡改的能力，通过加密算法提高了网络数据交互过程中安全能力，通过数据发出端发送数据信息；通过数据传输模块将数据传输模块发出的数据信息通过区块链网络传递到数据接收端，实现数据信息的接收与交互，数据监测模块为基于ARM+DSP双核处理器控制模块提高了数据监控能力，通过改进型GAN算法模型实现数据信息传递过程中的安全防护；数据加密模块使用了SSX1632芯片，具有32位CPU内核CS322D，内置对称加密算法和非对称加密算法，可存储256对密钥及证书，加密模块产生随机数对电力基建信息进行加密。数据采集通信模块具有多种通信接口，使用PCA82C250作为CAN总线收发器，最高通信速率达到1Mbps，CAN接口支持110个节点相连接。通过SX127集成传输芯片的运行和数据传输，通过通过BP神经网络模型实现网络节点数据信息故障诊断与分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明原理架构示意图；
图2为本发明实施方法示意图；
图3为本发明SX127集成传输芯片的传输电路的示意图；
图4为本发明数据监测模块原理示意图；
图5为本发明中SSX1632芯片加密模块示意图；
图6为本发明中改进型BP神经网络模型架构示意图；
图7为本发明中改进型BP神经网络模型工作方法流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种基于区块链技术的数字信息传输方法，包括：
步骤1、通过数据发出端发送数据信息；其中所述数据发出端设置有区块链网络节点，通过区块链网络节点实现与其他设备数据信息的信息交互；
步骤2、通过数据传输模块将数据传输模块发出的数据信息通过区块链网络传递到数据接收端，实现数据信息的接收与交互；其中所述数据传输模块内设置有网络节点、区块链节点、区块链网络、网络检测模块和网络传输节点数据监测模块，其中所述区块链网络内设置有区块链节点，所述区块链节点与网络节点连接，所述网络节点还设置有网络检测模块和网络传输节点数据监测模块；
其中所述网络传输节点数据监测模块为基于ARM+DSP双核处理器控制模块；其中所述网络传输节点数据监测模块包括ARM主控芯片、与所述ARM主控芯片连接通信的CMOS摄像头、定位模块、采集模块、帧缓存器、无线通讯模块、显示模块、复位电路、晶振电路、OV7670模块和AL422B模块，所述ARM主控芯片还连接有区块链接口，所述区块链接口连接有网络数字校准模块；
所述网络检测模块为基于FPGA主控芯片EP4CE115F29C7N的网络数据隔离模块，假 设数据发出端发送的数据记作为
Figure 631271DEST_PATH_IMAGE060
，实现数据隔离时，将发出端发送的数据生成多项式， 并将信息码多项式左移k位，进行按位加减运算，得到的余数为校验码，校验码函数表达式 为：
Figure 428326DEST_PATH_IMAGE061
（1）
公式（1）中，
Figure 240424DEST_PATH_IMAGE062
为生成多项式数据函数，
Figure 148337DEST_PATH_IMAGE004
为校验码，
Figure 831123DEST_PATH_IMAGE005
为商，
Figure 2341DEST_PATH_IMAGE063
为生产多项 式的最高幂值，通过公式（1）求出商
Figure 98473DEST_PATH_IMAGE007
，将该数据信息隔离；
所述网络节点设置有基于SX127集成传输芯片的传输电路；
所述区块链网络采用基于改进型GAN算法模型实现数据信息传递过程中的安全防护；
步骤3、通过数据接收端接收已经处理后的数据信息，通过远端监测单元实现数据信息监控；监控采用的是AVR单片机系列单元机，具体型号为Mega64L-8AU主控单元。
在上述实施例中，远程在线监控主控模块监控过程中，设置有光耦隔离，VCC1在远程监控终端中作为主电源使用，为了提高供电能力，应用VCC2和VCC3作为远程监控终端的辅电源，提供能源供给基础。该芯片还设置有输入输出模块，将VCC1和VCC3通过物理模块进行数据信息隔离。开关量控制模块采用的输入输出模块为MAX485芯片，必要时可通过CC2530芯片替代，CC2530芯片设置有A/D转换模块，实现模数转换，数据传递过程中的数据节点可以设置CC2530芯片，这种芯片能够通过GPRS-DTU模块实现串行通信。采用MAX485芯片时，本身具有光耦隔离性能，通过将单片机RS-485 串口并设置光藕隔离，通过单片机的PE6IO口对芯片DE和RE置0或置1来使能控制，进而控制通信数据的发送或接收，充分实现了数据传输和状态控制的可靠性。在进行远程数据控制时，通过BUS总线、RS485总线或者RS232总线连接通信模块，进而实现与监控中心的通信。
在上述实施例中数据采集时，采用ARM+DSP双核处理器和Lora的嵌入式数据采集系统，通过设置多信息通道采集接口，兼容RS485、RS234、无线通讯、TCP/IP通信协议、CAN总线、远程无线数据接收端等多种通讯方式。控制芯片采用ARM嵌入式处理器，该处理器为ARMCortex应用处理器，在具体型号上为 16/32位RISC微处理，该处理具有卓越的控制和采集能力，其中该模块还设置有SDIO接口、SD卡接口、RS232串口、internet网口、USB接口等多种数据信息。其中ARM控制模块还具有128MB以上的数据信息DDB内存，为了提高数据内存量，还设置有256MB NAND flash存储模块。该模块还设置了主控制板，主控制板作为图像采集单元的硬件结构设计，其上设置的S3C6410处理器可以支持NAND flash、NOR flash、SD卡多种数据存储方法，为了提高其计算和应用能力，采用DSP模块对采集数据信息的适配器，以实现网络节点图像数据信息的高精度采集。其中DSP模块对于数据信息的计算能力比较快。
在上述实施例中，利用所述改进型GAN算法模型监控网络数据安全输出的数据信息为：
Figure 747760DEST_PATH_IMAGE064
(2)
公式(2)中，
Figure 612948DEST_PATH_IMAGE065
表示数字信息运行安全标准，
Figure 423909DEST_PATH_IMAGE066
表示实际网络运行数字信息 调度安全值，
Figure 210599DEST_PATH_IMAGE067
表示期望网络数字信息调度安全值，
Figure 725894DEST_PATH_IMAGE068
表示网络数字信息调度安全设备 参数，
Figure 383272DEST_PATH_IMAGE069
表示网络数字信息监控设备安全参数。
在上述实施例中，改进型GAN算法模型诊断后的数据信息输出最佳目标函数为：
Figure 693030DEST_PATH_IMAGE070
(3)
公式(3)中，
Figure 698508DEST_PATH_IMAGE015
表示数字信息交互最佳安全目标，
Figure 689598DEST_PATH_IMAGE016
表示数字信息真实安全 标准数值，
Figure 201482DEST_PATH_IMAGE017
表示算法能达到的最佳运行安全标准。
在上述实施例中，所述改进型GAN算法模型在监控数据信息过程中的损失函数是将表示输入样本数字运行信息与数字安全标称值之间的关系，即：
Figure 885404DEST_PATH_IMAGE071
(4)
公式(4)中，
Figure 381107DEST_PATH_IMAGE072
表示改进型GAN算法模型的损失函数，
Figure 785675DEST_PATH_IMAGE020
表示输入数字运 行信息，
Figure 414715DEST_PATH_IMAGE073
表示数字安全标称值；
则数字运行安全状态下的样本数据信息函数为：
Figure 207222DEST_PATH_IMAGE074
(5)
公式(5)中，
Figure 986959DEST_PATH_IMAGE075
表示数据信息库中安全标准，
Figure 195217DEST_PATH_IMAGE024
表示监控数字数据内积运 算，
Figure 947273DEST_PATH_IMAGE076
表示数字运行存在的不可控数据变化，
Figure 769735DEST_PATH_IMAGE077
表示运行监控网络节点采集样本总数，
Figure 974452DEST_PATH_IMAGE078
表 示整个数字信息环境下的网络信息安全总量，
Figure 173352DEST_PATH_IMAGE079
表示标准数字监控安全代数，
Figure 776984DEST_PATH_IMAGE080
表示数 字信息安全总期望。
在具体实施例中，改进型GAN（Auxiliary Classifier Generative AdversarialNetwork，ACGAN）算法也被成为带辅助分类器的GAN，改进型GAN算法模型能够对数字监控的数据合理化分析，通过博弈的方法对监控数据进行训练式分析，本申请利用改进型GAN算法模型利用对抗数据实现数字调度数据的实时监控，为后续检修提供安全保障。
原始的GAN的辨别模块是简单的神经网络。这里使用基于能量的神经网络进行真实样本与虚假样本分布的距离衡量。ACGAN的判别器是一个自编码器。那么ACGAN就是将判别器的输入输出求一个重构误差（rescontruction error），也就是判别器的输出，也即所说的能量（energy）。真实样本的重建误差小，同时希望由生成器生成的图片的能量小。那么D的损失函数中要最小化 -D(G(z)），就是最大化D(G(z))，通常在判别模块中不再输入类标签，另外在输入样本是否为真的同时，利用另一个分类器来判断输入样本的所属类别。通过编码过程生成目标分布的均值与方差，然后通过采样的技巧来复原目标样本分布，并且使用复原的分布和真实分布的距离来进行参数的调节。
通过这种方法实现网络数据信息安全监控。
在上述实施例中，所述网络节点还连接有数据采集通信模块电路，所述数据采集通信模块电路包括SSX1632芯片加密模块、32位CPU内核CS322D以及与二者连接的CAN接口。
在具体实施例中，数据加密模块使用了SSX1632芯片，具有32位CPU内核CS322D，内置对称加密算法和非对称加密算法，可存储256对密钥及证书，加密模块产生随机数对电力基建信息进行加密。数据采集通信模块具有多种通信接口，使用PCA82C250作为CAN总线收发器，最高通信速率达到1Mbps，CAN接口支持110个节点相连接。
在上述实施例中，SX127集成传输芯片的运行形式为接收和传输形式，通过不断地变化的运行规律从而进行数据的集成与传输。该芯片中含有8个引脚，不同的引脚分别对应着实现不同功能，虽然功能不同，但是引脚之间也相互存在联系，芯片中的COMP引脚作为芯片电路中的补偿电容，作用是可以减少该芯片内部输出数据的误差；VFB引脚与三极管的发射极相连接，与COMP引脚组成一个完整的闭环，同时与二极管的输出端形成T1形式的闭环控制；IN引脚是输入接口，其功能是与外接电源相互连接，且作为充电电容，保证了芯片的持续供电；RT/CT功能是作为转换引脚，主要负责功能的就是芯片的接收和传输的功能，态势数据信号的变化通过放大器完成；Vref连接C3和稳定电路，功能是用于保持芯片电压的恒定；VCC引脚连接电源，控制芯片的总电压；PWM引脚的功能是负责整理态势数据信号的形态，进行脉冲控制，方便对于态势信号的识别；GND引脚的功能是连接接地装置进行线路保护。SX127芯片既能够有效的去接收数字信息信号，又能够快速的发送处理后的态势该值变化信号，集成后的数字信息信号在芯片中进行调制处理，使得数字信息信号有规律可循，从而方便进行整体数据信息情况下的分析与把控。
在上述实施例中，所述区块链节点采用改进型BP神经网络模型实现数据信息故障诊断；所述BP神经网络模型输出端通过贝叶斯分类器实现数据信息分类，其中所述改进型BP神经网络模型包括输入层、隐含层、输出层、贝叶斯分类器和区块链节点，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与输出层的输入端连接，所述输出层的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与区块链节点的输入端连接。
在上述实施例中，通过BP神经网络模型实现网络节点数据信息故障诊断与分类。
在上述实施例中，所述改进型BP神经网络模型的工作方法包括以下步骤：
（S1）将网络数据信息输入至BP神经网络模型，原始数据设为
Figure 708031DEST_PATH_IMAGE081
， 隐含层设为
Figure 462360DEST_PATH_IMAGE082
，输出层设为
Figure 137055DEST_PATH_IMAGE032
，各个层次之间不同的数据权值由
Figure 660440DEST_PATH_IMAGE033
以及
Figure 27968DEST_PATH_IMAGE034
进行表示；
（S2）函数设置，在输入层中第n个节点的输出用
Figure 269593DEST_PATH_IMAGE083
来表示，输出层的第n个节点的 输出用
Figure 482400DEST_PATH_IMAGE084
来表示，隐含层中第j个节点的输出用
Figure 63554DEST_PATH_IMAGE085
来表示，用
Figure 398720DEST_PATH_IMAGE038
和
Figure 65325DEST_PATH_IMAGE039
来表示其中的阈值，各个 节点的输出函数分别表示为：
Figure 81823DEST_PATH_IMAGE086
（6）
Figure 579800DEST_PATH_IMAGE087
（7）
Figure 286200DEST_PATH_IMAGE088
（8）
（S3）平均误差消除，神经网络中数据信息样本的平均误差表示为：
Figure 174522DEST_PATH_IMAGE089
（9）
公式（9）中，通过N来表示神经网络训练过程中样本的个数，通过M来表示输出过程 中神经元的数量，通过
Figure 57027DEST_PATH_IMAGE044
来表示训练过程中第k个训练样本的均方误差，通过
Figure 347194DEST_PATH_IMAGE090
来表示第k 个样本中最终输出的神经元m的误差，通过E来表示整体训练过程结束时的判断参数；
（S4）逆向传递误差计算，在BP神经网络中数据信息进行反向传递时，主要进行如下的步骤：首先对隐含层和输出层之间的权值进行计算，计算通过该式进行：
Figure 227426DEST_PATH_IMAGE091
（10）
之后计算输入层和隐含层之间的权值，通过该式进行计算：
Figure 665360DEST_PATH_IMAGE092
（11）
公式（10）、公式（11）中，
Figure 23660DEST_PATH_IMAGE093
表示惯性系数，
Figure 433913DEST_PATH_IMAGE049
表示数据信息的 数值增益系数，介于0-1之间，通过这两个系数的调整可以控制该BP神经网络的学习；
在具体实施例中，当通过上述整体计算过程计算出的误差超出设定的预设标准范 围时，就表示采集到的数字信息的实际运行数据与标准状态下的运行数据严重不符，即为 出现运行故障。为了节约人力成本并保证数字信息出现运行故障时能够被系统及时检测 到，该研究在BP神经网络检测运行故障的基础上加入了可信度检测，通过识别检测结果的 可信度，系统可以自动判别数字信息是否出现故障。该算法中将采集到的数字信息的运行 数据作为训练样本，以此修正权值和阈值，提高该技术检测故障的准确度。另某个输出数据 为
Figure 547363DEST_PATH_IMAGE094
，那么
Figure 410276DEST_PATH_IMAGE095
，用z表示系统整体输出数据的总量，将可信度设置为
Figure 634584DEST_PATH_IMAGE096
，
Figure 633764DEST_PATH_IMAGE097
可 根据下式进行计算：
Figure 852869DEST_PATH_IMAGE098
（12）
公式（12）中，
Figure 265395DEST_PATH_IMAGE099
表示第i个输出数据中绝对值最大的数据样本，
Figure 231077DEST_PATH_IMAGE100
表示 第i个输出数据中的样本绝对值的总和，
Figure 350343DEST_PATH_IMAGE101
最小为1，之后对得到的数据通过
Figure 540016DEST_PATH_IMAGE102
进行归一化。用
Figure 377522DEST_PATH_IMAGE103
表示可信度的阈值，通过阈值检验BP神经网络的输出结构是 否符合要求，有助于提升数字信息故障检测的准确度。
通过BP神经网络模型输出端的数据信息记作
Figure 881316DEST_PATH_IMAGE104
，则计算样本数据 属于每种类别的概率为
Figure 182984DEST_PATH_IMAGE105
，
Figure 481241DEST_PATH_IMAGE106
……
Figure 868360DEST_PATH_IMAGE107
；根据概率大小判断数据的最终类别：
Figure 175845DEST_PATH_IMAGE108
为数据
Figure 4124DEST_PATH_IMAGE109
类，则通过贝叶斯分类模型计算后的数据信息记 作为：
Figure 735932DEST_PATH_IMAGE110
（13）
其中
Figure 282451DEST_PATH_IMAGE111
（14）
其中
Figure 455943DEST_PATH_IMAGE112
-
Figure 404308DEST_PATH_IMAGE113
表示BP神经网络模型的权重。
通过贝叶斯分类模型能够实现故障诊断后数据信息的分类。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种基于区块链技术的数字信息传输方法，其特征在于：包括：
步骤1、通过数据发出端发送数据信息；其中所述数据发出端设置有区块链网络节点，通过区块链网络节点实现与其他设备数据信息的信息交互；
步骤2、通过数据传输模块将数据传输模块发出的数据信息通过区块链网络传递到数据接收端，实现数据信息的接收与交互；其中所述数据传输模块内设置有网络节点、区块链节点、区块链网络、网络检测模块和网络传输节点数据监测模块，其中所述区块链网络内设置有区块链节点，所述区块链节点与网络节点连接，所述网络节点还设置有网络检测模块和网络传输节点数据监测模块；
其中所述网络传输节点数据监测模块为基于ARM+DSP双核处理器控制模块；其中所述网络传输节点数据监测模块包括ARM主控芯片、与所述ARM主控芯片连接通信的CMOS摄像头、定位模块、采集模块、帧缓存器、无线通讯模块、显示模块、复位电路、晶振电路、OV7670模块和AL422B模块，所述ARM主控芯片还连接有区块链接口，所述区块链接口连接有网络数字校准模块；
所述网络检测模块为基于FPGA主控芯片EP4CE115F29C7N的网络数据隔离模块，假设数 据发出端发送的数据记作为
Figure 84203DEST_PATH_IMAGE001
，实现数据隔离时，将发出端发送的数据生成多项式，并将 信息码多项式左移k位，进行按位加减运算，得到的余数为校验码，校验码函数表达式为：
Figure 268672DEST_PATH_IMAGE002
（1）
公式（1）中，
Figure 253946DEST_PATH_IMAGE003
为生成多项式数据函数，
Figure 501388DEST_PATH_IMAGE004
为校验码，
Figure 572112DEST_PATH_IMAGE005
为商，
Figure 563202DEST_PATH_IMAGE006
为生产多项式的最 高幂值，通过公式（1）求出商
Figure 402982DEST_PATH_IMAGE007
，将该数据信息隔离；
所述网络节点设置有基于SX127集成传输芯片的传输电路；
所述区块链网络采用基于改进型GAN算法模型实现数据信息传递过程中的安全防护；
步骤3、通过数据接收端接收已经处理后的数据信息，通过远端监测单元实现数据信息监控；监控采用的是AVR单片机系列单元机，具体型号为Mega64L-8AU主控单元。
2.根据权利要求1所述的一种基于区块链技术的数字信息传输方法，其特征在于：利用所述改进型GAN算法模型监控网络数据安全输出的数据信息为：
Figure 821325DEST_PATH_IMAGE008
(2)
公式(2)中，
Figure 113766DEST_PATH_IMAGE009
表示数字信息运行安全标准，
Figure 908546DEST_PATH_IMAGE010
表示实际网络运行数字信息调度 安全值，
Figure 602833DEST_PATH_IMAGE011
表示期望网络数字信息调度安全值，
Figure 192077DEST_PATH_IMAGE012
表示网络数字信息调度安全设备参 数，
Figure 237394DEST_PATH_IMAGE013
表示网络数字信息监控设备安全参数。
3.根据权利要求2所述的一种基于区块链技术的数字信息传输方法，其特征在于：所述改进型GAN算法模型诊断后的数据信息输出最佳目标函数为：
Figure 570286DEST_PATH_IMAGE014
(3)
公式(3)中，
Figure 119079DEST_PATH_IMAGE015
表示数字信息交互最佳安全目标，
Figure 144804DEST_PATH_IMAGE016
表示数字信息真实安全标准 数值，
Figure 411837DEST_PATH_IMAGE017
表示算法能达到的最佳运行安全标准。
4.根据权利要求3所述的一种基于区块链技术的数字信息传输方法，其特征在于：所述改进型GAN算法模型在监控数据信息过程中的损失函数是将表示输入样本数字运行信息与数字安全标称值之间的关系，即：
Figure 279912DEST_PATH_IMAGE018
(4)
公式(4)中，
Figure 948790DEST_PATH_IMAGE019
表示改进型GAN算法模型的损失函数，
Figure 145416DEST_PATH_IMAGE020
表示输入数字运行信 息，
Figure 634167DEST_PATH_IMAGE021
表示数字安全标称值；
则数字运行安全状态下的样本数据信息函数为：
Figure 574441DEST_PATH_IMAGE022
(5)
公式(5)中，
Figure 97826DEST_PATH_IMAGE023
表示数据信息库中安全标准，
Figure 199774DEST_PATH_IMAGE024
表示监控数字数据内积运算，
Figure 441400DEST_PATH_IMAGE025
表示数字运行存在的不可控数据变化，
Figure 919785DEST_PATH_IMAGE026
表示运行监控网络节点采集样本总数，
Figure 297677DEST_PATH_IMAGE027
表示整 个数字信息环境下的网络信息安全总量，
Figure 836106DEST_PATH_IMAGE028
表示标准数字监控安全代数，
Figure 299448DEST_PATH_IMAGE029
表示数字 信息安全总期望。
5.根据权利要求1所述的一种基于区块链技术的数字信息传输方法，其特征在于：所述网络节点还连接有数据采集通信模块电路，所述数据采集通信模块电路包括SSX1632芯片加密模块、32位CPU内核CS322D以及与二者连接的CAN接口。
6.根据权利要求1所述的一种基于区块链技术的数字信息传输方法，其特征在于：所述区块链节点采用改进型BP神经网络模型实现数据信息故障诊断；所述BP神经网络模型输出端通过贝叶斯分类器实现数据信息分类，其中所述改进型BP神经网络模型包括输入层、隐含层、输出层、贝叶斯分类器和区块链节点，其中所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端与输出层的输入端连接，所述输出层的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与区块链节点的输入端连接。
7.根据权利要求6所述的一种基于区块链技术的数字信息传输方法，其特征在于：所述改进型BP神经网络模型的工作方法包括以下步骤：
（S1）将网络数据信息输入至BP神经网络模型，原始数据设为
Figure 581525DEST_PATH_IMAGE030
，隐含层 设为
Figure 79503DEST_PATH_IMAGE031
，输出层设为
Figure 523253DEST_PATH_IMAGE032
，各个层次之间不同的数据权值由
Figure 674224DEST_PATH_IMAGE033
以及
Figure 556730DEST_PATH_IMAGE034
进行表示；
（S2）函数设置，在输入层中第n个节点的输出用
Figure 846897DEST_PATH_IMAGE035
来表示，输出层的第n个节点的输出 用
Figure 523866DEST_PATH_IMAGE036
来表示，隐含层中第j个节点的输出用
Figure 899484DEST_PATH_IMAGE037
来表示，用
Figure 585680DEST_PATH_IMAGE038
和
Figure 730353DEST_PATH_IMAGE039
来表示其中的阈值，各个节点 的输出函数分别表示为：
Figure 843803DEST_PATH_IMAGE040
（6）
Figure 706717DEST_PATH_IMAGE041
（7）
Figure 931025DEST_PATH_IMAGE042
（8）
（S3）平均误差消除，神经网络中数据信息样本的平均误差表示为：
Figure 195784DEST_PATH_IMAGE043
（9）
公式（9）中，通过N来表示神经网络训练过程中样本的个数，通过M来表示输出过程中神 经元的数量，通过
Figure 417818DEST_PATH_IMAGE044
来表示训练过程中第k个训练样本的均方误差，通过
Figure 564765DEST_PATH_IMAGE045
来表示第k个样 本中最终输出的神经元m的误差，通过E来表示整体训练过程结束时的判断参数；
（S4）逆向传递误差计算，在BP神经网络中数据信息进行反向传递时，主要进行如下的步骤：首先对隐含层和输出层之间的权值进行计算，计算通过该式进行：
Figure 592764DEST_PATH_IMAGE046
（10）
之后计算输入层和隐含层之间的权值，通过该式进行计算：
Figure 712030DEST_PATH_IMAGE047
（11）
公式（10）、公式（11）中，
Figure 167282DEST_PATH_IMAGE048
表示惯性系数，
Figure 1858DEST_PATH_IMAGE049
表示数据信息的数值 增益系数，介于0-1之间，通过这两个系数的调整可以控制该BP神经网络的学习；
通过BP神经网络模型输出端的数据信息记作
Figure 567969DEST_PATH_IMAGE050
，则计算样本数据属于 每种类别的概率为
Figure 541741DEST_PATH_IMAGE051
，
Figure 167894DEST_PATH_IMAGE052
……
Figure 227117DEST_PATH_IMAGE053
；根据概率大小判断数据的最终类别：
Figure 596919DEST_PATH_IMAGE054
为数据
Figure 690777DEST_PATH_IMAGE055
类，则通过贝叶斯分类模型计算后的数据信息记作 为：
Figure 487831DEST_PATH_IMAGE056
（12）
其中
Figure 34350DEST_PATH_IMAGE057
（13）
其中
Figure 942264DEST_PATH_IMAGE058
-
Figure 890628DEST_PATH_IMAGE059
表示BP神经网络模型的权重。
CN202210854350.9A 2022-07-20 2022-07-20 基于区块链技术的数字信息传输方法 Pending CN115086073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854350.9A CN115086073A (zh) 2022-07-20 2022-07-20 基于区块链技术的数字信息传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854350.9A CN115086073A (zh) 2022-07-20 2022-07-20 基于区块链技术的数字信息传输方法

Publications (1)

Publication Number Publication Date
CN115086073A true CN115086073A (zh) 2022-09-20

Family

ID=83259538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854350.9A Pending CN115086073A (zh) 2022-07-20 2022-07-20 基于区块链技术的数字信息传输方法

Country Status (1)

Country Link
CN (1) CN115086073A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110225016A (zh) * 2019-05-31 2019-09-10 北京理工大学 一种基于区块链网络的数据隐蔽传输方法
CN112910743A (zh) * 2021-03-19 2021-06-04 中山大学 一种区块链性能检测系统
CN114722388A (zh) * 2022-06-09 2022-07-08 深圳市爱莲说文化传播有限公司 一种数据库数据信息安全监视方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110225016A (zh) * 2019-05-31 2019-09-10 北京理工大学 一种基于区块链网络的数据隐蔽传输方法
CN112910743A (zh) * 2021-03-19 2021-06-04 中山大学 一种区块链性能检测系统
CN114722388A (zh) * 2022-06-09 2022-07-08 深圳市爱莲说文化传播有限公司 一种数据库数据信息安全监视方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王俊: "基于神经网络的电气自动化设备故障检测方法", 《自动化与仪器仪表》 *
陈思羽 等: "电网通信管理系统中电源数据信息处理方法研究", 《电气自动化》 *
骆国铭 等: "智能电网环境下的电力调度安全运行监控方法研究", 《计算机测量与控制》 *

Similar Documents

Publication Publication Date Title
CN110837872B (zh) 一种工控网络入侵检测方法及系统
CN104598968A (zh) 变压器故障诊断方法
CN108090515A (zh) 一种基于数据融合的环境等级评估方法
CN111682925B (zh) 智慧路灯用数据采集及处理方法
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN115086073A (zh) 基于区块链技术的数字信息传输方法
CN115951123B (zh) 一种基于无线通信的电能计量方法及系统
CN114722388B (zh) 一种数据库数据信息安全监视方法
CN113658415B (zh) 一种智能网关的预警方法和系统
CN115189863A (zh) 一种基于区块链网络架构电商交易信息管理系统
CN113242247B (zh) 一种基于边缘计算的工业智能物联模块
CN104568256A (zh) 发动机扭矩检测系统及方法
CN111539516A (zh) 基于大数据处理的电网故障诊断系统及方法
CN113542276B (zh) 混网网络入侵目标检测方法及系统
Chao et al. Research on the monitoring system of the grain quantity based on the CAN-bus
Qin et al. Embedded weather forecast system based on multisource information fusion and perception
CN113537528B (zh) 一种输变电设备状态监测数据的预处理方法及系统
Fu et al. Design and Research of Optical Cable Monitoring System Based on Multi-Channel Sensing
CN115459451B (zh) 一种基于电源回路的开关量传感器的智能通讯方法
CN107785933A (zh) 一种基于智能识别的新能源并网电能质量监控方法
CN118540089A (zh) 基于大数据时间戳的网络传输信息匹配计算方法
Zhang et al. Power Load Prediction Based on Multi-IoT Monitoring Sensors and Protection Detection Response Recovery Network Security Model.
CN118860730A (zh) 设备数据汇聚处理方法、装置、设备及介质
CN115086074A (zh) 一种具有内部运行监测功能的网络安防病毒识别阻拦系统
Li et al. Design of Non-Intrusive Bus Data Monitoring and Intelligent Processing Unit

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220920

RJ01 Rejection of invention patent application after publication