CN115174129A - 异常节点检测方法、装置、计算机设备和存储介质 - Google Patents
异常节点检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115174129A CN115174129A CN202210161196.7A CN202210161196A CN115174129A CN 115174129 A CN115174129 A CN 115174129A CN 202210161196 A CN202210161196 A CN 202210161196A CN 115174129 A CN115174129 A CN 115174129A
- Authority
- CN
- China
- Prior art keywords
- node
- abnormal
- consensus
- target
- consensus node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 324
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 130
- 238000012549 training Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种异常节点检测方法、装置、计算机设备、存储介质和计算机程序产品,涉及区块链领域。所述方法包括:获取区块链中每一共识节点中的数据;通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。采用本方法,提高了共识节点异常检测的准确性和及时性。
Description
技术领域
本申请涉及区块链技术领域,特别是涉及一种异常节点检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
银行等金融服务企业在开展多用户金融项目时,其业务系统通常采用区块链技术来完成分布式系统的业务数据处理,基于区块链系统的去中心化特性,增强业务运营处理过程的安全性和稳定性,针对区块链中参与业务数据处理的共识节点,区块链需要对共识节点的可靠性(即异常节点)进行检测验证,以保证整体业务数据处理的顺利完成。
目前区块链共识节点异常性检测方法,需要基于共识节点内部预先设置的不可靠性阈值对节点异常性进行检测,并对异常检测信息进行共识认证,确定最终异常检测结果。
然而,目前的异常节点检测方法,仅依赖不可靠性阈值对节点异常性进行检测,检测结果准确性较低,若通过多个共识节点间的共识认证,则异常检测具有时延性。
发明内容
基于此,有必要针对上述技术问题,提供一种异常节点检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种异常节点检测方法。所述方法包括:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
在其中一个实施例中,所述确定所述共识节点的异常检测结果之后,所述方法还包括:
若所述共识节点的所述异常检测结果为异常共识节点,则根据所述异常共识节点的异常类型,确定异常等级;
根据所述异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
根据所述目标处理策略,对所述异常共识节点进行处理。
本实施例中,当异常检测结果中确定出当前共识节点为异常共识节点时,智能合约基于预置的嵌入式指令,对当前异常共识节点的异常类型进行等级划分,进而可以确定当前异常共识节点对整个区块链系统的影响程度,然后,智能合约确定对应的目标处理策略,并且执行该目标处理策略,对异常共识节点进行相应处理,无需人工干预,自动化实现异常共识节点的处理,实现了异常共识节点处理的及时性。
在其中一个实施例中,所述根据所述目标处理策略,对所述异常共识节点进行处理,包括:
根据第一目标处理策略,生成针对所述异常共识节点的告警信息;
响应于所述告警信息的触发,通过所述智能合约控制暂停所述异常共识节点中的异常处理进程。
本实施例中,通过智能合约确定当前异常类型对应的第一目标处理策略,进而,根据第一目标处理策略对当前异常共识节点进行替换处理,减少人为干预,同时也保证了区块链系统的稳定性。
在其中一个实施例中,所述根据所述目标处理策略,对所述异常共识节点进行处理,包括:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据所述目标共识节点替换所述区块链中的异常共识节点。
本实施例中,通过智能合约确定当前异常类型对应的第二目标处理策略,进而,根据第二目标处理策略对当前异常共识节点进行替换处理,减少人为干预,同时也保证了区块链系统的稳定性。
在其中一个实施例中,所述候选节点集中包含背书节点和共识节点,所述根据所述目标处理策略,对所述异常共识节点进行处理,包括:
根据第二目标处理策略,通过所述背书节点对所述候选节点集中的各共识节点进行节点筛选,确定与所述异常共识节点的节点类型相同的初始目标共识节点;
通过所述智能合约运行预先训练的所述异常节点模型,对所述初始目标共识节点进行异常检验,在所述初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在其中一个实施例中,所述训练所述异常节点模型的过程,包括:
获取训练样本数据集;
将所述训练样本数据集输入至所述异常节点模型中,通过所述异常节点模型中每一分类判别器对所述训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定所述样本共识节点的异常检测结果;
基于预设的模型损失函数对所述异常检测结果进行损失计算,得到模型损失值;
判别所述模型损失值是否达到预设损失阈值,直至达到所述预设损失阈值确定所述异常节点模型训练完成。
在其中一个实施例中,所述获取训练样本数据集,包括:
获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,对所述历史共识节点的数据进行缺失值补全,得到训练样本数据集。
第二方面,本申请还提供了一种异常节点检测装置。所述装置包括:
获取模块,用于获取区块链中每一共识节点中的数据;
确定模块,用于通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
上述异常节点检测方法、装置、计算机设备、存储介质和计算机程序产品,获取区块链中每一共识节点中的数据;通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。采用本方法,通过智能合约控制预先训练的异常节点模型,对区块链中的共识节点进行异常检测,无需经过区块链中全部共识节点的结果认证,即可直接确定出当前共识节点是否异常,提高了共识节点异常检测的准确性和及时性。
附图说明
图1为一个实施例中异常节点检测方法的架构示意图图;
图2为一个实施例中异常节点检测方法的流程示意图;
图3为一个实施例中确定异常共识节点异常等级步骤的流程示意图;
图4为一个实施例中根据目标处理策略处理异常共识节点步骤的流程图;
图5为另一个实施例中根据目标处理策略处理异常共识节点步骤的流程图;
图6为一个实施例中训练异常节点模型步骤的流程示意图;
图7为一个实施例中获取训练样本数据集步骤的流程示意图;
图8为一个实施例中异常节点检测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在银行等金融服务领域中,为了保证各类业务实现的高度稳定性,在银行开展多用户金融项目(例如,企业融资项目)时,其业务系统通常采用区块链技术来完成分布式业务数据的运营和处理,区块链系统中包含有多个分布式节点,每一分布式节点可以提供给各参与用户,进而,当针对某一数据信息在全网进行发布时,参与该信息共识的节点被称为共识节点,在具体应用过程中,如图1所示,当用户参与银行融资项目时,可以通过用户所在设备将申报资质数据上传至区块链系统,作为区块链系统中的共识节点,参与项目共识。因此,银行区块链系统基于各共识节点对申报数据进行运行处理,并在各共识节点间进行消息认证,以实现本轮融资资质认证。
在区块链系统中,为了保证项目开展成功,各共识节点的稳定运行是关键,因此,需要对区块链中各共识节点的异常性进行检验,若区块链系统中共识节点运行状态异常,或者共识节点中包含的用户申报数据存在数据丢失、缺失或者存在数据真伪性问题,在共识节点的异常性检测中,都将被确定为异常节点,进行进一步异常共识节点的处理,以保证项目的顺利完成。
在一个实施例中,如图2所示,提供了一种异常节点检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
本实施例中,该方法包括以下步骤:
步骤202,获取区块链中每一共识节点中的数据。
在实施中,在对区块链中的共识节点进行异常检测时,需要基于共识节点中的数据进行异常性检测,因此,每一共识节点所处的节点设备(或称为电子设备)监控并获取自身数据,以进行异常检测。其中,每一共识节点中的数据可以但不限于包括当前共识节点的运行状态数据(即节点运行参数数据)以及用户上报数据(即业务数据)等。例如,针对节点的运行状态数据可以包括:节点内存、节点内存使用率、中央处理器(CPU)占用率等;用户上报数据可以但不限于包括:用户融资数额、用户资源运营数据、融资条件数据等。本申请实施例对于共识节点中的数据种类和数量不做限定。
步骤204,通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。
在实施中,区块链中预置有智能合约,该智能合约用于响应预设的触发条件,执行对应的嵌入式功能指令,使得该智能合约本身作为区块链系统参与者,可以自动化接收和外发信息,并存储相关数据,并且,在区块链系统中,该智能合约已经进行了全网(全部节点)广播(或称为全网发布),并分别存储至区块链的各个节点中,因此,在每一共识节点中均可以自动执行相同功能指令的智能合约。本申请中,在智能合约的各功能指令中嵌入有预先训练完成的异常节点模型,因此,在区块链系统中,每一共识节点独立进行数据处理,而自身区块内的智能合约按照预设的检测周期监管自身节点的运行状态,并基于智能合约中预先训练的异常节点模型对共识节点中的数据进行异常检测,确定该共识节点的异常检测结果,即当前共识节点是否为异常节点。
其中,异常节点模型可以为基于Bagging算法的GBDT(Gradient BoostingDecision Tree,梯度提升决策树)模型,该模型的核心思想是一种梯度下降的近似算法,利用拟合残差的损失函数,计算本轮负梯度拟合损失值,进而拟合成多个CART(Classification and Regression Trees,分类与回归树),由每个CART作为投票分类器,对输入数据进行异常分类判别。
上述异常节点检测方法中,获取区块链中每一共识节点中的数据;通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。采用本方法,通过智能合约控制预先训练的异常节点模型,对区块链中的共识节点进行异常检测,无需经过区块链中全部共识节点的结果认证,即可直接确定出当前共识节点是否异常,提高了共识节点异常检测的准确性和及时性。
在一个实施例中,如图3所示,步骤204之后,该方法还包括以下步骤:
步骤302,若共识节点的异常检测结果为异常共识节点,则根据异常共识节点的异常类型,确定异常等级。
在实施中,智能合约中异常检测模型输出的异常检测结果不仅反映当前共识节点存在异常,而且可以确定当前共识节点的异常类型,进而,智能合约根据预先存储的异常类型与异常等级的对应关系中,确定当前共识节点所处的异常等级。例如,异常类型可以划分为I、II、III、IV和V类这5类,进而,异常类型与异常等级的对应关系,如下表1所示:
表1
异常类型 | 异常等级 |
Ⅰ | 轻微 |
Ⅱ | 较小 |
Ⅲ | 一般 |
Ⅳ | 严重 |
Ⅴ | 非常严重 |
其中,按照异常类型I到V的顺序,异常等级逐渐增强,对共识节点的影响程度越大。
步骤304,根据异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略。
在实施中,区块链系统中的智能合约根据当前共识节点的异常等级,在预先存储的异常等级与处理策略的对应关系中确定目标处理策略,具体地,在共识节点的区块(body)中存储有异常等级与处理策略的对应关系,智能合约基于确定出的异常等级进行相应查表操作,确定当前异常等级对应的目标处理策略,例如,当前共识节点的异常等级为严重或者非常严重等级,则对应的异常等级的目标处理策略为:替换当前异常共识节点。
步骤306,根据目标处理策略,对异常共识节点进行处理。
在实施中,区块链系统中的智能合约根据目标处理策略,执行对应的控制指令,对当前异常共识节点进行处理。例如,当目标处理策略为替换当前异常共识节点时,智能合约控制暂停当前异常共识节点的处理进程,确定满足替换条件的候选共识节点,由该候选共识节点与当前异常共识节点进行数据同步,完成对异常共识节点的替换,以继续进行相关数据的处理。
可选的,智能合约中针对每一种异常类型(或者异常等级)还存储有对应的异常现象表现信息,当电子设备上作为共识节点参与区块链中项目时,对于出现某种异常类型的情况时,会表现出对应的异常现象,进而,智能合约基于预先存储的异常现象表现信息,可以控制生成对应的异常现象表现信息提示记录,在共识节点所处电子设备上进行输出显示,以提示用户当前操作的共识节点所处异常情况,以及对应的异常类型(或者异常等级)。具体地,如下表2所示:
表2
异常现象 | 异常类型 | 级别 |
网络突发抖动 | Ⅰ | 轻微 |
节点内存使用率、cpu占用率增高 | Ⅱ | 较小 |
数据传输速度变慢、存储空间减少 | Ⅲ | 一般 |
信息失真或丢弃 | Ⅳ | 严重 |
硬件故障、损坏,有宕机风险 | Ⅴ | 非常严重 |
例如,针对异常类型I,电子设备输出“共识节点异常,表现为当前网络突发抖动,异常等级:轻微”。
本实施例中,当异常检测结果中确定出当前共识节点为异常共识节点时,智能合约基于预置的嵌入式指令,对当前异常共识节点的异常类型进行等级划分,进而可以确定当前异常共识节点对整个区块链系统的影响程度,然后,智能合约确定对应的目标处理策略,并且执行该目标处理策略,对异常共识节点进行相应处理,无需人工干预,自动化实现异常共识节点的处理,实现了异常共识节点处理的及时性。
在一个实施例中,如图4所示,异常类型划分为多种,针对每一种不同的异常类型,对应的处理策略也是不同的,以其中异常类型为III或者IV类型的情况进行举例说明,则对应出的目标处理策略为第一目标处理策略,进而步骤306的具体处理过程包括:
步骤402,根据第一目标处理策略,生成针对异常共识节点的告警信息。
在实施中,基于第一目标处理策略,智能合约根据对应的嵌入式控制指令,生成针对异常共识节点的告警信息。
步骤404,响应于告警信息的触发,通过智能合约控制暂停异常共识节点中的异常处理进程。
在实施中,智能合约响应于告警信息的触发,激活异常共识节点上的自校正程序,通过执行自校正程序中的控制指令,暂停异常共识节点中的异常处理进程,例如,关闭异常共识节点上一些耗能较高、耗时较长、价值较低的程序,以保证异常共识节点中的其他处理部分可以正常处理,然后,异常共识节点中的异常处理进程在自校正程序的校正操作下运行正常时,智能合约将恢复已校正后的异常处理进程,从而,保证该共识节点的处理进度。
可选的,智能合约将自校正过程以日志的形式记录在共识节点中,以便于后期分析处理。
可选的,当异常共识节点的异常等级为轻微或较小异常等级时,不影响该共识节点的基本运行情况,因此,不需要对该共识节点进行较大更改处理,智能合约可以根据对应的嵌入式控制指令,控制输出对应的告警信息,而对于该共识节点的处理进程不做更改。
本实施例中,通过智能合约确定当前异常类型对应的第一目标处理策略,进而,根据第一目标处理策略对当前异常共识节点进行替换处理,减少人为干预,同时也保证了区块链系统的稳定性。
在一个实施例中,针对异常类型为V类型的情况,对应的目标处理策略为第二目标处理策略,则步骤306的具体处理过程包括:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
在实施中,当基于当前异常共识节点所处的异常类型:V类型时,智能合约根据对应的第二目标处理策略,执行对应的嵌入式控制指令,进而,基于嵌入式控制指令在预先设置的候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
由于在区块链系统中,任意节点都可以成为共识节点,其成为共识节点的条件为该节点的性能需要满足区块链中共识机制的处理需求,因此,预先设置的候选节点集中的各候选共识节点是处理性能上满足共识需求的节点。在预置候选节点集的过程中,本申请采用Knuth洗牌算法,在区块链系统的全部节点中随机抽取节点,并对该节点的节点性能进行初步验证,将验证通过后的节点集合作为候选节点集。
可选的,候选节点集中包含的各候选节点并非是固定不变的,可以根据异常节点的处理情况,对候选节点集中包含的各候选节点进行更新替换。
本实施例中,通过智能合约确定当前异常类型对应的第二目标处理策略,进而,根据第二目标处理策略对当前异常共识节点进行替换处理,减少人为干预,同时也保证了区块链系统的稳定性。
在一个实施例中,如图5所示,在预置的候选节点集中包含背书节点和共识节点,这两种类型的节点分别携带有对应的节点类型标识,以用于节点识别。其中,背书节点是节点在具体实例化后设置背书策略,从而被指定出的背书节点,该背书节点可以用于对候选节点集中的共识节点进行节点验证,故而,针对上述步骤中的针对第二目标策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点的具体处理过程包括:
步骤502,根据第二目标处理策略,通过背书节点对候选节点集中的各共识节点进行节点筛选,确定与异常共识节点的节点类型相同的初始目标共识节点。
在实施中,智能合约根据第二目标处理策略,执行对应的嵌入式控制指令,触发候选节点集中的背书节点基于其中预置的背书策略,对候选节点集中的各共识节点进行初步节点检验,从而,在候选节点集中筛选确定出满足背书策略对应的初步筛选条件的初始目标共识节点。
步骤504,通过智能合约运行预先训练的异常节点模型,对初始目标共识节点进行异常检验,在初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在实施中,智能合约控制将得到的初始目标共识节点输入至嵌入的异常节点模型(已预先训练完成)中,通过异常节点模型对初始目标共识节点进行异常检验,确定在初始目标共识节点中确定非异常的初始目标共识节点作为用于替换异常共识节点的最终目标共识节点。
可选的,当确定出的最终目标共识节点的数目有多个,则可以通过智能合约选择其中与当前异常共识节点距离最近的最终目标共识节点作为进行替换的节点。
在一个实施例中,如图6所示,智能合约中嵌入的异常节点模型是预先通过训练样本数据集训练完成的,因此,在构建出异常节点模型之后,需要通过训练样本数据集对新构建出的异常节点模型进行训练,则训练过程具体包括如下步骤:
步骤602,获取训练样本数据集。
在实施中,电子设备获取训练样本数据集。其中,该训练样本数据集中包含区块链系统中历史共识节点的数据。
步骤604,将训练样本数据集输入至异常节点模型中,通过异常节点模型中每一分类判别器对训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果。
在实施中,电子设备将训练样本数据集输入至待训练的异常节点模型中,通过异常节点模型中的每一分类判别器对训练样本数据集中的每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果。
例如,以异常节点模型为基于Baggings算法特性的GBDT模型进行说明,GBDT模型中包含多个利用baggings算法集成的分类判别器,例如,M个,针对训练样本数据集中的每一条数据项,其中包含的多项数据指标(也称为异常类型影响因子)为x1,x2,…,xn;预设异常检测结果为y,因此,构成每一条数据项输入值为(x1,x2,…,xn,y),GBDT模型中的每一分类判别器对该输入值进行判断,得出分类判别器的分类结果,针对M个分类判别器确定出的分类结果,利用投票法进行结果确定,具体为以采样率p随机采样M次,确定M次分类结果中出现次数最多的分类结果,将该分类结果确定为当前样本共识节点的异常检测结果。
步骤606,基于预设的模型损失函数对异常检测结果进行损失计算,得到模型损失值。
在实施中,在有监督的模型训练过程中,电子设备基于已知的模型分类结果,根据预设的模型损失函数(拟合残差函数)对当前异常节点模型的异常检测结果进行损失计算,得到模型损失值。
步骤608,判别模型损失值是否达到预设损失阈值,直至达到预设损失阈值确定异常节点模型训练完成。
在实施中,电子设备判别模型损失值是否达到预设损失阈值,若当前模型损失值未达到预设损失阈值,则继续对该异常节点模型进行训练,直至达到预设损失阈值,电子设备确定该异常节点模型训练完成。进而,可以将训练完成的异常节点模型嵌入区块链的智能合约中。
在一个实施例中,如图7所示,步骤602中获取训练样本数据集的具体处理过程包括:
步骤702,获取区块链中历史共识节点的数据。
在实施中,电子设备获取区块链中历史共识节点的数据,其中,历史共识节点的数据中包含正常共识节点的数据,也包含异常共识节点的数据,以用于训练异常节点模型对节点异常情况时数据特征进行学习。
其中,历史共识节点的数据的来源可以从数据库中获取,也可以向第三方收集,本申请实施例不做限定。
步骤704,根据预设的属性分布概率补全算法,对历史共识节点的数据进行缺失值补全,得到训练样本数据集。
在实施中,在获取到的历史共识节点的数据中,可能会存在数据缺失值,电子设备根据预设的属性分布概率补全算法,对历史共识节点的数据进行缺失值补全,从而得到可进行异常节点模型训练的训练样本数据集。
具体地,属性分布概率补全算法,可以针对历史共识节点数据中每一共识节点对应的一条数据记录进行缺失值分析,即统计该条数据记录中缺失值数据出现的次数和概率,进而,基于出现的次数和概率对缺失值数据进行插值模拟,得到缺失数据补全值,以保持该条数据记录中,数据的整体分布情况。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常节点检测方法的异常节点检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常节点检测装置实施例中的具体限定可以参见上文中对于异常节点检测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种异常节点检测装置800,包括:获取模块810和确定模块820,其中:
获取模块810,用于获取区块链中每一共识节点中的数据。
确定模块820,用于通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。
在一个实施例中,该装置800还包括:
第一确定模块,用于若共识节点的异常检测结果为异常共识节点,则根据异常共识节点的异常类型,确定异常等级;
第二确定模块,用于根据异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
处理模块,用于根据目标处理策略,对异常共识节点进行处理。
在一个实施例中,处理模块具体用于根据第一目标处理策略,生成针对异常共识节点的告警信息;
响应于告警信息的触发,通过智能合约控制暂停异常共识节点中的异常处理进程。
在一个实施例中,处理模块具体用于根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
在一个实施例中,候选节点集中包含背书节点和共识节点,处理模块具体用于根据第二目标处理策略,通过背书节点对候选节点集中的各共识节点进行节点筛选,确定与异常共识节点的节点类型相同的初始目标共识节点;
通过智能合约运行预先训练的异常节点模型,对初始目标共识节点进行异常检验,在初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在一个实施例中,该装置800还包括:
数据获取模块,用于获取训练样本数据集;
训练模块,用于将训练样本数据集输入至异常节点模型中,通过异常节点模型中每一分类判别器对训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果;
损失计算模块,用于基于预设的模型损失函数对异常检测结果进行损失计算,得到模型损失值;
判别模块,用于判别模型损失值是否达到预设损失阈值,直至达到预设损失阈值确定异常节点模型训练完成。
在一个实施例中,数据获取模块,具体用于获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,对历史共识节点的数据进行缺失值补全,得到训练样本数据集。
上述异常节点检测装置800中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常节点检测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若共识节点的异常检测结果为异常共识节点,则根据异常共识节点的异常类型,确定异常等级;
根据异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
根据目标处理策略,对异常共识节点进行处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第一目标处理策略,生成针对异常共识节点的告警信息;
响应于告警信息的触发,通过智能合约控制暂停异常共识节点中的异常处理进程。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第二目标处理策略,通过背书节点对候选节点集中的各共识节点进行节点筛选,确定与异常共识节点的节点类型相同的初始目标共识节点;
通过智能合约运行预先训练的异常节点模型,对初始目标共识节点进行异常检验,在初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本数据集;
将训练样本数据集输入至异常节点模型中,通过异常节点模型中每一分类判别器对训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果;
基于预设的模型损失函数对异常检测结果进行损失计算,得到模型损失值;
判别模型损失值是否达到预设损失阈值,直至达到预设损失阈值确定所述异常节点模型训练完成。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,历史共识节点的数据进行缺失值补全,得到训练样本数据集。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若共识节点的异常检测结果为异常共识节点,则根据异常共识节点的异常类型,确定异常等级;
根据异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
根据目标处理策略,对异常共识节点进行处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一目标处理策略,生成针对异常共识节点的告警信息;
响应于告警信息的触发,通过智能合约控制暂停异常共识节点中的异常处理进程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第二目标处理策略,通过背书节点对候选节点集中的各共识节点进行节点筛选,确定与异常共识节点的节点类型相同的初始目标共识节点;
通过智能合约运行预先训练的异常节点模型,对初始目标共识节点进行异常检验,在初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本数据集;
将训练样本数据集输入至异常节点模型中,通过异常节点模型中每一分类判别器对训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果;
基于预设的模型损失函数对异常检测结果进行损失计算,得到模型损失值;
判别模型损失值是否达到预设损失阈值,直至达到预设损失阈值确定异常节点模型训练完成。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,对历史共识节点的数据进行缺失值补全,得到训练样本数据集。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一共识节点中的数据进行异常检测,确定共识节点的异常检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若共识节点的异常检测结果为异常共识节点,则根据异常共识节点的异常类型,确定异常等级;
根据异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
根据目标处理策略,对异常共识节点进行处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一目标处理策略,生成针对异常共识节点的告警信息;
响应于告警信息的触发,通过智能合约控制暂停异常共识节点中的异常处理进程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据目标共识节点替换区块链中的异常共识节点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第二目标处理策略,通过背书节点对候选节点集中的各共识节点进行节点筛选,确定与异常共识节点的节点类型相同的初始目标共识节点;
通过智能合约运行预先训练的异常节点模型,对初始目标共识节点进行异常检验,在初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本数据集;
将训练样本数据集输入至异常节点模型中,通过异常节点模型中每一分类判别器对训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定样本共识节点的异常检测结果;
基于预设的模型损失函数对异常检测结果进行损失计算,得到模型损失值;
判别模型损失值是否达到预设损失阈值,直至达到预设损失阈值确定异常节点模型训练完成。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,对历史共识节点的数据进行缺失值补全,得到训练样本数据集。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种异常节点检测方法,其特征在于,所述方法包括:
获取区块链中每一共识节点中的数据;
通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
2.根据权利要求1所述的方法,其特征在于,所述确定所述共识节点的异常检测结果之后,所述方法还包括:
若所述共识节点的所述异常检测结果为异常共识节点,则根据所述异常共识节点的异常类型,确定异常等级;
根据所述异常等级,在预设的异常等级与处理策略的对应关系中确定目标处理策略;
根据所述目标处理策略,对所述异常共识节点进行处理。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标处理策略,对所述异常共识节点进行处理,包括:
根据第一目标处理策略,生成针对所述异常共识节点的告警信息;
响应于所述告警信息的触发,通过所述智能合约控制暂停所述异常共识节点中的异常处理进程。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标处理策略,对所述异常共识节点进行处理,包括:
根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据所述目标共识节点替换所述区块链中的异常共识节点。
5.根据权利要求4所述的方法,其特征在于,所述候选节点集中包含背书节点和共识节点,所述根据第二目标处理策略,在候选节点集中确定满足预设条件的目标共识节点,并根据所述目标共识节点替换所述区块链中的异常共识节点,包括:
根据第二目标处理策略,通过所述背书节点对所述候选节点集中的各共识节点进行节点筛选,确定与所述异常共识节点的节点类型相同的初始目标共识节点;
通过所述智能合约运行预先训练的所述异常节点模型,对所述初始目标共识节点进行异常检验,在所述初始目标共识节点中确定非异常的初始目标共识节点作为最终目标共识节点。
6.根据权利要求1所述的方法,其特征在于,所述训练所述异常节点模型的过程,包括:
获取训练样本数据集;
将所述训练样本数据集输入至所述异常节点模型中,通过所述异常节点模型中每一分类判别器对所述训练样本数据集中每一样本共识节点对应的数据项进行异常检测,确定所述样本共识节点的异常检测结果;
基于预设的模型损失函数对所述异常检测结果进行损失计算,得到模型损失值;
判别所述模型损失值是否达到预设损失阈值,直至达到所述预设损失阈值确定所述异常节点模型训练完成。
7.根据权利要求6所述的方法,其特征在于,所述获取训练样本数据集,包括:
获取区块链中历史共识节点的数据;
根据预设的属性分布概率补全算法,对所述历史共识节点的数据进行缺失值补全,得到训练样本数据集。
8.一种异常节点检测装置,其特征在于,所述装置包括:
获取模块,用于获取区块链中每一共识节点中的数据;
确定模块,用于通过智能合约运行预先训练的异常节点模型,对每一所述共识节点中的数据进行异常检测,确定所述共识节点的异常检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161196.7A CN115174129A (zh) | 2022-02-22 | 2022-02-22 | 异常节点检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161196.7A CN115174129A (zh) | 2022-02-22 | 2022-02-22 | 异常节点检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115174129A true CN115174129A (zh) | 2022-10-11 |
Family
ID=83475739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210161196.7A Pending CN115174129A (zh) | 2022-02-22 | 2022-02-22 | 异常节点检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115174129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766412A (zh) * | 2022-11-15 | 2023-03-07 | 上海钛动网络科技有限公司 | 基于多种区块链节点的监控及自动切换的方法 |
CN116545766A (zh) * | 2023-06-27 | 2023-08-04 | 积至网络(北京)有限公司 | 基于链式安全的验证方法、系统及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180302222A1 (en) * | 2017-04-18 | 2018-10-18 | Samsung Electronics Co., Ltd. | Method and apparatus for access control in distributed blockchain-based internet of things (iot) network |
CN110474822A (zh) * | 2019-08-08 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种区块链节点检测方法、装置、设备及介质 |
CN110730225A (zh) * | 2019-09-30 | 2020-01-24 | 北京中电拓方科技股份有限公司 | 基于区块链的物联网的数据处理方法、物联网及存储介质 |
CN110752969A (zh) * | 2019-10-21 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 一种性能检测方法、装置、设备及介质 |
CN111464589A (zh) * | 2020-03-03 | 2020-07-28 | 深圳壹账通智能科技有限公司 | 智能合约处理方法、计算机设备及存储介质 |
CN111968000A (zh) * | 2020-07-09 | 2020-11-20 | 南京邮电大学 | 一种基于双链机制的智慧农业数据监测与自动控制方法 |
CN112422341A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 区块链网络的故障检测方法及相关设备 |
CN112995111A (zh) * | 2019-12-17 | 2021-06-18 | 中国移动通信集团河南有限公司 | 基于区块链的物联网安全检测方法、设备、系统和介质 |
CN113220483A (zh) * | 2021-05-06 | 2021-08-06 | 邢国政 | 一种区块链共识主节点的切换方法及系统 |
CN113886832A (zh) * | 2021-09-14 | 2022-01-04 | 华南理工大学 | 智能合约漏洞检测方法、系统、计算机设备和存储介质 |
-
2022
- 2022-02-22 CN CN202210161196.7A patent/CN115174129A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180302222A1 (en) * | 2017-04-18 | 2018-10-18 | Samsung Electronics Co., Ltd. | Method and apparatus for access control in distributed blockchain-based internet of things (iot) network |
CN110474822A (zh) * | 2019-08-08 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种区块链节点检测方法、装置、设备及介质 |
CN110730225A (zh) * | 2019-09-30 | 2020-01-24 | 北京中电拓方科技股份有限公司 | 基于区块链的物联网的数据处理方法、物联网及存储介质 |
CN110752969A (zh) * | 2019-10-21 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 一种性能检测方法、装置、设备及介质 |
CN112995111A (zh) * | 2019-12-17 | 2021-06-18 | 中国移动通信集团河南有限公司 | 基于区块链的物联网安全检测方法、设备、系统和介质 |
CN111464589A (zh) * | 2020-03-03 | 2020-07-28 | 深圳壹账通智能科技有限公司 | 智能合约处理方法、计算机设备及存储介质 |
CN111968000A (zh) * | 2020-07-09 | 2020-11-20 | 南京邮电大学 | 一种基于双链机制的智慧农业数据监测与自动控制方法 |
CN112422341A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 区块链网络的故障检测方法及相关设备 |
CN113220483A (zh) * | 2021-05-06 | 2021-08-06 | 邢国政 | 一种区块链共识主节点的切换方法及系统 |
CN113886832A (zh) * | 2021-09-14 | 2022-01-04 | 华南理工大学 | 智能合约漏洞检测方法、系统、计算机设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766412A (zh) * | 2022-11-15 | 2023-03-07 | 上海钛动网络科技有限公司 | 基于多种区块链节点的监控及自动切换的方法 |
CN116545766A (zh) * | 2023-06-27 | 2023-08-04 | 积至网络(北京)有限公司 | 基于链式安全的验证方法、系统及设备 |
CN116545766B (zh) * | 2023-06-27 | 2023-12-15 | 积至网络(北京)有限公司 | 基于链式安全的验证方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115174129A (zh) | 异常节点检测方法、装置、计算机设备和存储介质 | |
CN106656536A (zh) | 一种用于处理服务调用信息的方法与设备 | |
CN114881349A (zh) | 基于大数据分析的预警方法及存储介质 | |
JP7268756B2 (ja) | 劣化抑制プログラム、劣化抑制方法および情報処理装置 | |
CN113326177B (zh) | 一种指标异常检测方法、装置、设备及存储介质 | |
CN112612671A (zh) | 系统监控方法、装置、设备及存储介质 | |
CN108334427B (zh) | 存储系统中的故障诊断方法及装置 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN111106953B (zh) | 一种异常根因分析的方法及装置 | |
CN113535449B (zh) | 异常事件修复处理方法、装置、计算机设备及存储介质 | |
CN114064413B (zh) | 容器组调控方法、装置及电子设备 | |
CN115660091A (zh) | 一种量子计算机比特量子翻转预警及阈值设置的方法 | |
CN114549193A (zh) | 名单筛查方法、装置、设备、存储介质和程序产品 | |
JP6937146B2 (ja) | 多重型学習システムおよび多重型学習プログラム | |
CN114580792B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
KR102708193B1 (ko) | 이종 데이터 기반 챔피언 모델을 이용한 향상된 예측 시스템 및 예측 방법 | |
CN117520397A (zh) | 报警风暴处理方法、装置、设备、存储介质和程序产品 | |
CN114741673B (zh) | 行为风险检测方法、聚类模型构建方法、装置 | |
US20220383141A1 (en) | System and method for feature selection recommendation | |
Bhat et al. | Anomaly detection using Federated Learning: A Performance Based Parameter Aggregation Approach | |
CN114186031A (zh) | 系统故障预测方法、装置、计算机设备和存储介质 | |
CN114154662A (zh) | 运行系统的故障诊断方法、装置、计算机设备和存储介质 | |
CN117648310A (zh) | 数据降级处理方法、装置、设备和介质 | |
CN117873544A (zh) | 运维方法、装置、计算机设备、存储介质和程序产品 |
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 |