CN116668455A - 一种面向多区块链的平台节点数据管理方法及系统 - Google Patents
一种面向多区块链的平台节点数据管理方法及系统 Download PDFInfo
- Publication number
- CN116668455A CN116668455A CN202310935806.9A CN202310935806A CN116668455A CN 116668455 A CN116668455 A CN 116668455A CN 202310935806 A CN202310935806 A CN 202310935806A CN 116668455 A CN116668455 A CN 116668455A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- micro
- fluctuation
- data information
- 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.)
- Granted
Links
- 238000013523 data management Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000007726 management method Methods 0.000 claims abstract description 41
- 238000010276 construction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000013500 data storage Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1044—Group management mechanisms
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
- H04L67/1078—Resource delivery mechanisms
- H04L67/1082—Resource delivery mechanisms involving incentive schemes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种面向多区块链的平台节点数据管理方法及系统,涉及数据管理技术领域,获取P个目标主体的多个历史数据信息集合,构建宏区块链和Q个微区块链,进行数据波动程度分析获得P*Q个波动系数,并进行扩容方案配置,基于扩容处理后的Q个微区块链进行数据处理管理,在预设时间周期后采集数据处理信息分析获得P个奖励参数,对P个目标主体进行奖励,解决了现有技术中数据管理方法完备性不足,数据流转过程中存在数据篡改等异常状况,数据的存储管理质量较劣且信息沟通效率较差的技术问题,针对待管理目标主体与数据类型,搭建适配性区块链,结合区块链内的共识机制、不可篡改等特点,提升数据存储管理的质量与行业信息沟通效率。
Description
技术领域
本发明涉及数据管理技术领域,具体涉及一种面向多区块链的平台节点数据管理方法及系统。
背景技术
由于信息化的推进,存在大量衍生数据,数据的多元化与量化波动性,造成数据管理难度,造成数据管理受限。目前主要通过数据集成等方式辅助进行数据管理,无法满足日趋增长的管理需求。
现有技术中不存在较为完备的数据管理方法,数据流转过程中存在数据篡改等异常状况,数据的存储管理质量较劣且信息沟通效率较差。
发明内容
本申请提供了一种面向多区块链的平台节点数据管理方法及系统,用于针对解决现有技术中存在的数据管理方法完备性不足,数据流转过程中存在数据篡改等异常状况,数据的存储管理质量较劣且信息沟通效率较差的技术问题。
鉴于上述问题,本申请提供了一种面向多区块链的平台节点数据管理方法及系统。
第一方面,本申请提供了一种面向多区块链的平台节点数据管理方法,所述方法包括:
获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
第二方面,本申请提供了一种面向多区块链的平台节点数据管理系统,所述系统包括:
数据获取模块,所述数据获取模块用于获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
区块链构建模块,所述区块链构建模块用于在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
波动分析模块,所述波动分析模块用于根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
扩容处理模块,所述扩容处理模块用于根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
数据处理管理模块,所述数据处理管理模块用于基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
奖励参数获取模块,所述奖励参数获取模块用于根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种面向多区块链的平台节点数据管理方法,获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,于数据管理平台内,构建宏区块链和Q个微区块链,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建,根据所述多个历史数据信息集合,进行数据波动程度分析获得P*Q个波动系数,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,基于扩容处理后的Q个微区块链,进行数据处理管理并记载至对应的微区块链和所述宏区块链内进行广播,在预设时间周期后,采集获取P*Q个数据处理次数、P*Q个数据处理量,进行分析获得P个奖励参数,对所述P个目标主体进行奖励,解决了现有技术中数据管理方法完备性不足,数据分享流转过程中存在数据篡改等异常状况,数据的存储管理质量较劣且信息沟通效率较差的技术问题,针对待管理目标主体与数据类型,搭建适配性区块链,结合区块链内的共识机制、不可篡改等特点,提升数据存储管理的质量与行业信息沟通效率。
附图说明
图1为本申请提供了一种面向多区块链的平台节点数据管理方法流程示意图;
图2为本申请提供了一种面向多区块链的平台节点数据管理方法中宏区块链和Q个微区块链构建流程示意图;
图3为本申请提供了一种面向多区块链的平台节点数据管理方法中P*Q个扩容方案获取流程示意图;
图4为本申请提供了一种面向多区块链的平台节点数据管理系统结构示意图。
附图标记说明:数据获取模块11,区块链构建模块12,波动分析模块13,扩容处理模块14,数据处理管理模块15,奖励参数获取模块16。
具体实施方式
本申请通过提供一种面向多区块链的平台节点数据管理方法及系统,获取P个目标主体的多个历史数据信息集合,构建宏区块链和Q个微区块链,进行数据波动程度分析获得P*Q个波动系数,并进行扩容方案配置,基于扩容处理后的Q个微区块链进行数据处理管理,在预设时间周期后采集数据处理信息分析获得P个奖励参数,对P个目标主体进行奖励,用于解决现有技术中存在的数据管理方法完备性不足,数据流转过程中存在数据篡改等异常状况,数据的存储管理质量较劣且信息沟通效率较差的技术问题。
实施例一
如图1所示,本申请提供了一种面向多区块链的平台节点数据管理方法,所述方法包括:
步骤S100:获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
具体而言,由于数据的多元化与量化波动性,造成数据管理难度,现有技术不存在较优的数据管理方式,导致数据管理效果较差。本申请提供的一种面向多区块链的平台节点数据管理方法及系统,对待管理目标进行数据的细化规整与链化关联,精准定位数据波动并进行针对性处理与管理,保障数据管理有序性,提升数据存储管理质量。
具体的,所述P个目标主体为待进行管理的数据来源,示例性的,若以同行业的多个企业进行售价、销量、原材料采购等信息的共享,以提升行业内市场稳定性为场景,则所述P个目标主体为待进行数据管理的企业,所述多个历史时间窗口对应的时间区间相同,基于所述多个历史时间窗口,对所述P个目标主体进行历史数据信息采集。针对各个时间窗口,采集各个目标主体于单个时间窗口下包含的Q种数据类别对应的历史数据信息,所述Q种数据类别可以是售价、销量、原材料价格、营收额、利润额等。集成所述P个目标主体的采集数据,作为一个历史数据信息集合,针对所述多个历史时间窗口,获取所述多个历史数据信息集合,所述多个历史数据信息集合为待进行管理的源数据。
步骤S200:在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
进一步而言,如图2所示,在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,本申请步骤S200还包括:
步骤S210:在所述数据管理平台内,在所述P个目标主体内,构建Q个微节点集合,每个微节点集合内包括P个微节点;
步骤S220:在所述数据管理平台内,在所述P个目标主体内,构建P个宏节点;
步骤S230:对所述多个历史数据信息集合进行划分,获得P个历史数据信息集,以及P*Q个历史类别数据信息集;
步骤S240:基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链。
进一步而言,基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链,本申请步骤S240还包括:
步骤S241:对所述P个历史数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P个第一数据区块集;
步骤S242:基于所述P个宏节点和所述P个第一数据区块集,构建获得所述宏区块链;
步骤S243:对所述P*Q个历史类别数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P*Q个第二数据区块集;
步骤S244:基于所述Q个微节点集合和所述P*Q个第二数据区块集,构建所述Q个微区块链。
具体而言,所述数据管理平台为对所述P个目标主体进行数据管理的平台,于所述数据管理平台内,结合所述P个目标主体与所述Q种数据类别,对所述多个历史数据信息进行划分与哈希算法处理,以及搭建P个宏节点与P*Q个微节点,基于匹配节点进行数据导入与节点链接,构建所述宏区块链和所述Q个微区块链,其中,所述宏区块链中每个第一数据区块包括一个企业在一个时间窗口的Q种数据类别的数据集合;所述Q个微区块链内的各第二数据区块包括一个企业在一个时间窗口的一种数据类别的数据。
具体的,于所述数据管理平台内,基于各个目标主体的所述Q种数据类别分别进行数据节点构建,即区块链节点服务器,获取P*Q个微节点,将所述P个目标主体的同数据类别对应的微节点,确定分别包括P个微节点的Q个微节点集合;将所述p个目标主体内的各个目标主体分别作为构建目标,构建对应于所述P个目标主体的所述p个宏节点,即一个目标主体包括Q个微节点,以及一个宏节点。将所述Q个微节点集合与所述p个宏节点作为区块链的构成要素。
进一步的,基于所述多个历史数据集合,将所述P个目标主体作为划分标准,进行数据划分确定所述P个历史数据信息集;在此基础上,将Q种数据类别作为划分标准,对所述P个历史数据信息集分别进行数据划分,获取所述P*Q个历史类别数据信息集。进而基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链。
具体的,基于所述多个时间窗口,对所述P个历史数据信息集进行划分,对每个时间窗口的历史数据信息分别进行哈希算法处理,将数据信息转换为固定长度的哈希值,数据处理与传输共享过程中,当数据内容被篡改时哈希值无法对应,如此可以确定数据篡改者,可有效提升数据共享的信任程度。完成数据处理后,结合数据对应的历史时间窗口的时间戳,即用于标识特定事件发生时间的字符或编码信息的序列,构建所述P个第一数据区块集,各数据区块集包含所述多个时间窗口下同一目标主体的时序信息集合。进一步在所述P个宏节点,进行所述P个第一数据区块集的匹配与数据导入,使得每个数据区块内包括数据内容和对应的哈希值,并对所述P个宏节点按照时间进行次序链接,且上一个数据区块内包括指向下一个数据区块的地址信息,构成所述宏区块链,区块链里的每个节点都可以看到其他节点上传的数据区块,形成共识机制。
同理,对所述P*Q个历史类别数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,并结合时间戳构建所述P*Q个第二数据区块集,所述P*Q个第二数据区块集与所述Q个微节点集合包含的P*Q个微节点一一对应。提取同数据类别对应的P个微节点与P个第二数据区块,进行映射匹配与数据导入,生成该数据类别组建的微区块链,基于所述Q个微节点集合和所述P*Q个第二数据区块集,构建所述Q个微区块链。
步骤S300:根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
进一步而言,根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数,本申请步骤S300还包括:
步骤S310:对所述多个历史数据信息集合进行划分,获得P*Q个历史类别数据信息集;
步骤S320:分别计算所述P*Q个历史类别数据信息集内数据信息的均方差;
步骤S330:分别计算P*Q个均方差与所述P*Q个均方差的平均值的比值,获得所述P*Q个波动系数。
具体而言,基于所述P个目标主体与所述Q种数据类别,将所述多个历史数据信息集合划分为所述P*Q个历史类别数据信息集。对所述P*Q个历史类别数据信息集中各个历史类别数据信息集分别进行均值计算,例如对售价等数据对应的历史类别数据信息集内的数据进行均值计算,结合各历史类别数据信息集的数据均值计算均方差,确定衡量历史类别数据信息集的数据变化程度的P*Q个均方差,均方差越小,表明数据波动越小。进一步的,对获取的所述P*Q个均方差求均值,遍历所述P*Q个均方差,分别与所述P*Q个均方差的平均值进行比值计算,生成所述P*Q个波动系数,即衡量数据波动程度的表征指标,波动系数与均方差呈正相关,蒋所述P*Q个波动系数作为对应节点的扩容限制条件。
步骤S400:根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
进一步而言,如图3所示,根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,本申请步骤S400还包括:
步骤S410:基于所述数据管理平台的历史管理数据,获取样本波动系数集合,并获取预设扩容量;
步骤S420:根据所述样本波动系数集合内多个样本波动系数的大小,对所述预设扩容量进行调整,获得样本扩容方案集合;
步骤S430:采用所述样本波动系数集合和所述样本扩容方案集合作为构建数据,基于决策树,构建扩容方案分析模型;
步骤S440:分别将所述P*Q个波动系数输入所述扩容方案分析模型,获得所述P*Q个扩容方案。
具体而言,所述Q个微区块链与所述宏区块链的执行功能不同,在宏区块链里只对各目标主体的数据集合进行公示广播,不进行数据处理和分析;微区块链内需进行数据的处理和分析,以及一种数据类别的处理结果的公示广播,因此需保障各微节点的存储空间或者运行内存满足执行需求。根据所述P*Q个波动系数的大小,进行节点扩容分析。
具体的,基于所述数据管理平台内的所述历史管理数据,获取所述样本波动系数集合,上述样本数据可直接基于所述历史管理数据进行识别提取。并获取所述预设扩容量,即基于一参考波动系数确定的满足运行需求的标准扩容量。基于所述样本波动系数集合,基于所述多个样本波动系数的大小,对所述预设扩容量进行调整,例如基于样本波动系数与参考波动系数的差值,结合参考波动系数进行比值计算,将计算比值与所述预设扩容量的乘积,作为扩容调整尺度,将差值符号作为扩容调整方向,对所述预设扩容量进行调整,确定对应于所述样本波动系数集合的所述样本扩容方案集合。对所述样本波动系数集合与所述样本扩容方案集合进行映射关联,确定所述构建数据,基于决策树训练生成所述扩容方案分析模型。通过搭建所述扩容方案分析模型,可提高波动系数适配扩容方案的决策效率与分析精准度。
进一步的,将所述P*Q个波动系数输入所述扩容方案分析模型中,通过进行决策归属,确定适配于各波动系数的所述P*Q个扩容方案并进行模型输出,基于所述P*Q个扩容方案进行各微节点的针对性扩容调整,保障每个微节点的存储空间与运行内存满足处理需求。
步骤S500:基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
步骤S600:根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
具体而言,基于扩容处理后的所述Q个微区块链,当存在任意一个目标主体的任意一种数据类别的数据信息发生变化时,定位对应的微节点,同步执行变化数据信息的数据处理与管理,管理完成后,基于该微节点存在的微区块链与所述宏区块链内分别进行公示广播,使得区块链里的各节点都可以看到其余各节点上传的数据区块,形成共识机制。所述预设时间周期为进行数据变化整体性管理的时间区段,例如一周,即每间隔一周执行数据变化统计。在所述预设时间周期后,对所述Q个微区块链内各个区块链节点的数据处理信息进行统计,计算各区块链节点对应的P*Q个数据处理次数与所述P*Q个数据处理量。进一步的,基于所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量确定各区块链节点执行数据共享的贡献,基于具体贡献量进行目标主体激励。
进一步而言,根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,本申请步骤S600还包括:
步骤S610:根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,计算获得P个总波动系数、P个总数据处理次数和P个总数据处理量;
步骤S620:根据所述P个总波动系数,计算获得P个第一贡献系数,根据所述P个总数据处理次数,计算获得P个第二贡献系数,根据所述P个总数据处理量,计算获得P个第三贡献系数;
步骤S630:分别对所述P个第一贡献系数、P个第二贡献系数和P个第三贡献系数进行加权计算,获得P个贡献系数;
步骤S640:基于所述数据管理平台历史时间内的管理数据,构建主体奖励分析模型;
步骤S650:分别将所述P个贡献系数输入所述主体奖励分析模型内,获得所述P个奖励参数。
进一步而言,基于所述数据管理平台历史时间内的管理数据,构建主体奖励分析模型,本申请步骤S640还包括:
步骤S641:基于所述数据管理平台历史时间内的管理数据,获取样本贡献系数集合和样本奖励参数集合;
步骤S642:采用所述样本贡献系数集合和所述样本奖励参数集合作为构建数据,基于前馈神经网络,构建所述主体奖励分析模型,其中,采用构建数据进行监督训练,通过梯度下降的方式更新所述主体奖励分析模型的网络参数,直到达到收敛条件。
具体而言,基于所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,对同一目标主体对应的数据信息进行加和,即,于所述P*Q个波动系数中提取各目标主体对应的Q个波动系数并求和,确定所述P个总波动系数,同理,获取所述P个总数据处理次数和所述P个总数据处理量。进一步的,基于所述P个总波动系数分别进行贡献系数计算,示例性的,自设定波动区间划定间隔,确定多级波动区间,分别配置对应的贡献系数,其中,波动区间内的波动系数越大,对应的贡献系数越大,对多级波动区间与配置贡献系数进行映射关联,作为参考序列。遍历所述P个总波动系数,于所述参考序列中进行分别匹配,将匹配的波动区间级别对应的贡献系数,作为P个第一贡献系数;同理,基于所述P个总数据处理次数确定所述P个第二贡献系数;基于所述P个总数据处理量确定所述P个第三贡献系数,总数据处理次数、总数据处理量越大,则第二贡献系数和第三贡献系数越大,所述P个第一贡献系数、所述P个第二贡献系数与所述P个第三贡献系数为衡量数据共享贡献的指标。
进一步的,对第一贡献系数、第二贡献系数与第三贡献系数进行权重配置,例如基于波动系数、数据处理次数与数据处理量的重要程度确定权重配比,获取分布权重,三项权重之和为1。于所述P个第一贡献系数、P个第二贡献系数和P个第三贡献系数中,识别提取同一目标主体对应的所述第一贡献系数、第二贡献系数与第三贡献系数,进行赋权求和作为该目标主体的贡献系数,获取所述P个贡献系数。其中,目标主体的数据的波动越多、数据处理次数越多,处理数据量越多,表明该目标主体对于数据共享的贡献越大,需进行激励,基于所述P个贡献系数进行奖励参数的配置。
具体的,构建所述主体奖励分析模型,基于所述数据管理平台历史时间内的管理数据,调用所述样本贡献系数集合与所述样本奖励参数集合,上述样本数据可直接进行识别提取。进而对所述样本贡献系数集合与所述样本奖励参数集合进行映射关联,获取所述构建数据,基于前馈神经网络进行监督训练与测试,生成所述主体奖励分析模型,并基于梯度下降法进行目标最优处理,即若训练的所述主体奖励分析模型的输出精度不满足所述收敛条件时,例如模型精度不满足准确度要求,进行调参重训练,直至满足所述收敛条件停止训练,获取构建完成的所述主体奖励分析模型,可有效保障模型的处理精度。进一步将所述P个贡献系数输入所述主体奖励分析模型内,输出所述P个奖励参数。基于所述P个奖励参数,对所述P个目标主体执行激励。
实施例二
基于与前述实施例中一种面向多区块链的平台节点数据管理方法相同的发明构思,如图4所示,本申请提供了一种面向多区块链的平台节点数据管理系统,所述系统包括:
数据获取模块11,所述数据获取模块11用于获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
区块链构建模块12,所述区块链构建模块12用于在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
波动分析模块13,所述波动分析模块13用于根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
扩容处理模块14,所述扩容处理模块14用于根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
数据处理管理模块15,所述数据处理管理模块15用于基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
奖励参数获取模块16,所述奖励参数获取模块16用于根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
进一步而言,所述系统还包括:
微节点构建模块,所述微节点构建模块用于在所述数据管理平台内,在所述P个目标主体内,构建Q个微节点集合,每个微节点集合内包括P个微节点;
宏节点构建模块,所述宏节点构建模块用于在所述数据管理平台内,在所述P个目标主体内,构建P个宏节点;
数据划分模块,所述数据划分模块用于对所述多个历史数据信息集合进行划分,获得P个历史数据信息集,以及P*Q个历史类别数据信息集;
构建模块,所述构建模块用于基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链。
进一步而言,所述系统还包括:
第一数据区块集构建模块,所述第一数据区块集构建模块用于对所述P个历史数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P个第一数据区块集;
宏区块链构建模块,所述宏区块链构建模块用于基于所述P个宏节点和所述P个第一数据区块集,构建获得所述宏区块链;
第二数据区块集构建模块,所述第二数据区块集构建模块用于对所述P*Q个历史类别数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P*Q个第二数据区块集;
微区块链构建模块,所述微区块链构建模块用于基于所述Q个微节点集合和所述P*Q个第二数据区块集,构建所述Q个微区块链。
进一步而言,所述系统还包括:
历史类别数据信息集获取模块,所述历史类别数据信息集获取模块用于对所述多个历史数据信息集合进行划分,获得P*Q个历史类别数据信息集;
均方差计算模块,所述均方差计算模块用于分别计算所述P*Q个历史类别数据信息集内数据信息的均方差;
波动系数获取模块,所述波动系数获取模块用于分别计算P*Q个均方差与所述P*Q个均方差的平均值的比值,获得所述P*Q个波动系数。
进一步而言,所述系统还包括:
样本数据获取模块,所述样本数据获取模块用于基于所述数据管理平台的历史管理数据,获取样本波动系数集合,并获取预设扩容量;
扩容量调整模块,所述扩容量调整模块用于根据所述样本波动系数集合内多个样本波动系数的大小,对所述预设扩容量进行调整,获得样本扩容方案集合;
模型构建模块,所述模型构建模块用于采用所述样本波动系数集合和所述样本扩容方案集合作为构建数据,基于决策树,构建扩容方案分析模型;
扩容方案获取模块,所述扩容方案获取模块用于分别将所述P*Q个波动系数输入所述扩容方案分析模型,获得所述P*Q个扩容方案。
进一步而言,所述系统还包括:
数据计算模块,所述数据计算模块用于根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,计算获得P个总波动系数、P个总数据处理次数和P个总数据处理量;
贡献系数计算模块,所述贡献系数计算模块用于根据所述P个总波动系数,计算获得P个第一贡献系数,根据所述P个总数据处理次数,计算获得P个第二贡献系数,根据所述P个总数据处理量,计算获得P个第三贡献系数;
系数加权计算模块,所述系数加权计算模块用于分别对所述P个第一贡献系数、P个第二贡献系数和P个第三贡献系数进行加权计算,获得P个贡献系数;
主体奖励分析模型构建模块,所述主体奖励分析模型构建模块用于基于所述数据管理平台历史时间内的管理数据,构建主体奖励分析模型;
参数获取模块,所述参数获取模块用于将所述P个贡献系数输入所述主体奖励分析模型内,获得所述P个奖励参数。
进一步而言,所述系统还包括:
样本数据集获取模块,所述样本数据集获取模块用于基于所述数据管理平台历史时间内的管理数据,获取样本贡献系数集合和样本奖励参数集合;
模型获取模块,所述模型获取模块用于采用所述样本贡献系数集合和所述样本奖励参数集合作为构建数据,基于前馈神经网络,构建所述主体奖励分析模型,其中,采用构建数据进行监督训练,通过梯度下降的方式更新所述主体奖励分析模型的网络参数,直到达到收敛条件。
本说明书通过前述对一种面向多区块链的平台节点数据管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种面向多区块链的平台节点数据管理方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种面向多区块链的平台节点数据管理方法,其特征在于,所述方法包括:
获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
2.根据权利要求1所述的方法,其特征在于,在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,包括:
在所述数据管理平台内,在所述P个目标主体内,构建Q个微节点集合,每个微节点集合内包括P个微节点;
在所述数据管理平台内,在所述P个目标主体内,构建P个宏节点;
对所述多个历史数据信息集合进行划分,获得P个历史数据信息集,以及P*Q个历史类别数据信息集;
基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链。
3.根据权利要求2所述的方法,其特征在于,基于所述P个宏节点和所述P个历史数据信息集,构建所述宏区块链,基于所述Q个微节点集合和P*Q个历史类别数据信息集,构建所述Q个微区块链,包括:
对所述P个历史数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P个第一数据区块集;
基于所述P个宏节点和所述P个第一数据区块集,构建获得所述宏区块链;
对所述P*Q个历史类别数据信息集内每个时间窗口的历史数据信息进行哈希算法处理,结合时间戳,构建P*Q个第二数据区块集;
基于所述Q个微节点集合和所述P*Q个第二数据区块集,构建所述Q个微区块链。
4.根据权利要求1所述的方法,其特征在于,根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数,包括:
对所述多个历史数据信息集合进行划分,获得P*Q个历史类别数据信息集;
分别计算所述P*Q个历史类别数据信息集内数据信息的均方差;
分别计算P*Q个均方差与所述P*Q个均方差的平均值的比值,获得所述P*Q个波动系数。
5.根据权利要求1所述的方法,其特征在于,根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,包括:
基于所述数据管理平台的历史管理数据,获取样本波动系数集合,并获取预设扩容量;
根据所述样本波动系数集合内多个样本波动系数的大小,对所述预设扩容量进行调整,获得样本扩容方案集合;
采用所述样本波动系数集合和所述样本扩容方案集合作为构建数据,基于决策树,构建扩容方案分析模型;
分别将所述P*Q个波动系数输入所述扩容方案分析模型,获得所述P*Q个扩容方案。
6.根据权利要求1所述的方法,其特征在于,根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,包括:
根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,计算获得P个总波动系数、P个总数据处理次数和P个总数据处理量;
根据所述P个总波动系数,计算获得P个第一贡献系数,根据所述P个总数据处理次数,计算获得P个第二贡献系数,根据所述P个总数据处理量,计算获得P个第三贡献系数;
分别对所述P个第一贡献系数、P个第二贡献系数和P个第三贡献系数进行加权计算,获得P个贡献系数;
基于所述数据管理平台历史时间内的管理数据,构建主体奖励分析模型;
分别将所述P个贡献系数输入所述主体奖励分析模型内,获得所述P个奖励参数。
7.根据权利要求6所述的方法,其特征在于,基于所述数据管理平台历史时间内的管理数据,构建主体奖励分析模型,包括:
基于所述数据管理平台历史时间内的管理数据,获取样本贡献系数集合和样本奖励参数集合;
采用所述样本贡献系数集合和所述样本奖励参数集合作为构建数据,基于前馈神经网络,构建所述主体奖励分析模型,其中,采用构建数据进行监督训练,通过梯度下降的方式更新所述主体奖励分析模型的网络参数,直到达到收敛条件。
8.一种面向多区块链的平台节点数据管理系统,其特征在于,所述系统包括:
数据获取模块,所述数据获取模块用于获取P个目标主体在多个历史时间窗口的多个历史数据信息集合,其中,每个历史数据信息集合内包括Q种数据类别的历史数据信息,P和Q为大于1的整数;
区块链构建模块,所述区块链构建模块用于在数据管理平台内,结合所述多个历史数据信息集合,构建宏区块链和Q个微区块链,其中,所述宏区块链内基于所述多个历史数据信息集合构建,每个微区块链基于一种数据类别的历史数据信息构建;
波动分析模块,所述波动分析模块用于根据所述多个历史数据信息集合,分别分析所述P个目标主体在所述Q种数据类别上的数据波动程度,获得P*Q个波动系数;
扩容处理模块,所述扩容处理模块用于根据所述P*Q个波动系数的大小,分析获得分别对所述Q个微区块链内的P个节点进行扩容处理的P*Q个扩容方案,并进行扩容处理;
数据处理管理模块,所述数据处理管理模块用于基于扩容处理后的Q个微区块链,在任意一个目标主体的任意一种数据类别的数据信息发生变化时,进行数据处理管理,记载至对应的微区块链和所述宏区块链内进行广播,并在预设时间周期后,分别采集所述Q个微区块链内区块链节点的数据处理信息,获得P*Q个数据处理次数、P*Q个数据处理量;
奖励参数获取模块,所述奖励参数获取模块用于根据所述P*Q个波动系数、P*Q个数据处理次数和P*Q个数据处理量,进行分析,获得P个奖励参数,对所述P个目标主体进行奖励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935806.9A CN116668455B (zh) | 2023-07-28 | 2023-07-28 | 一种面向多区块链的平台节点数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935806.9A CN116668455B (zh) | 2023-07-28 | 2023-07-28 | 一种面向多区块链的平台节点数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116668455A true CN116668455A (zh) | 2023-08-29 |
CN116668455B CN116668455B (zh) | 2023-10-10 |
Family
ID=87715638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935806.9A Active CN116668455B (zh) | 2023-07-28 | 2023-07-28 | 一种面向多区块链的平台节点数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116668455B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010204583A (ja) * | 2009-03-05 | 2010-09-16 | Toshiba Corp | マスク描画データの検証方法 |
CN111371556A (zh) * | 2020-02-21 | 2020-07-03 | 运易通科技有限公司 | 一种区块链节点记账方法、装置、设备及存储介质 |
CN114048228A (zh) * | 2021-11-04 | 2022-02-15 | 北京京东振世信息技术有限公司 | 状态存储的更新方法、装置、设备及存储介质 |
CN114884965A (zh) * | 2022-04-27 | 2022-08-09 | 抖动科技(深圳)有限公司 | 基于人工智能的服务器扩容决策方法及相关设备 |
CN116112504A (zh) * | 2021-11-09 | 2023-05-12 | 广州汽车集团股份有限公司 | 一种车辆环境感知控制方法及控制系统 |
-
2023
- 2023-07-28 CN CN202310935806.9A patent/CN116668455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010204583A (ja) * | 2009-03-05 | 2010-09-16 | Toshiba Corp | マスク描画データの検証方法 |
CN111371556A (zh) * | 2020-02-21 | 2020-07-03 | 运易通科技有限公司 | 一种区块链节点记账方法、装置、设备及存储介质 |
CN114048228A (zh) * | 2021-11-04 | 2022-02-15 | 北京京东振世信息技术有限公司 | 状态存储的更新方法、装置、设备及存储介质 |
CN116112504A (zh) * | 2021-11-09 | 2023-05-12 | 广州汽车集团股份有限公司 | 一种车辆环境感知控制方法及控制系统 |
CN114884965A (zh) * | 2022-04-27 | 2022-08-09 | 抖动科技(深圳)有限公司 | 基于人工智能的服务器扩容决策方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116668455B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230162216A1 (en) | Systems, methods, and articles of manufacture to measure online audiences | |
Thuiller et al. | Package ‘biomod2’ | |
Zhong et al. | Estimation of missing traffic counts using factor, genetic, neural, and regression techniques | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
US5963880A (en) | Method for predicting water meter accuracy | |
CN115086089A (zh) | 一种用于网络安全评估预测的方法及系统 | |
CN114548552A (zh) | 碳排放量预测方法、装置以及电子设备 | |
US20220318833A1 (en) | Blockchain-based method, device and system for processing vehicle driving data | |
Chen et al. | Trust me, my neighbors say it's raining outside: Ensuring data trustworthiness for crowdsourced weather stations | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
CN116668455B (zh) | 一种面向多区块链的平台节点数据管理方法及系统 | |
CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
CN114118633B (zh) | 一种基于先行关系的指标自优化预测方法及装置 | |
CN116304935A (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114924943A (zh) | 基于人工智能的数据中台评估方法及相关设备 | |
CN115270637A (zh) | 一种基于gbrt的地下排水管道最大应力预测方法 | |
CN112668784A (zh) | 基于大数据的区域宏观经济预测模型及方法 | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
Mubang et al. | Simulating User-Level Twitter Activity with XGBoost and Probabilistic Hybrid Models | |
Buchholz et al. | Time-based maintenance models under uncertainty | |
Clark et al. | Using Non-Parametric Tests to Evaluate Traffic Forecasting Performance. | |
Flores et al. | A spatial high‐resolution model of the dynamics of agricultural land use |
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 |