CN118037284A - 移动支付方法和系统 - Google Patents
移动支付方法和系统 Download PDFInfo
- Publication number
- CN118037284A CN118037284A CN202410030275.3A CN202410030275A CN118037284A CN 118037284 A CN118037284 A CN 118037284A CN 202410030275 A CN202410030275 A CN 202410030275A CN 118037284 A CN118037284 A CN 118037284A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- payment
- node
- consensus
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012795 verification Methods 0.000 claims abstract description 125
- 238000012790 confirmation Methods 0.000 claims abstract description 96
- 125000002015 acyclic group Chemical group 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 38
- 238000000547 structure data Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000013508 migration Methods 0.000 claims description 20
- 230000005012 migration Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012300 Sequence Analysis Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000013467 fragmentation Methods 0.000 description 4
- 238000006062 fragmentation reaction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/325—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices using wireless networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3825—Use of electronic signatures
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
- H04L9/3255—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures using group based signatures, e.g. ring or threshold signatures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3297—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving time stamps, e.g. generation of time stamps
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/56—Financial cryptography, e.g. electronic payment or e-cash
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及移动支付技术领域,尤其涉及一种移动支付方法及系统。所述方法包括以下步骤:通过有向无环区块链系统获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,得到引用验证支付数据;通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行训练,获取节点信任权重模型;获取交易历史数据以及系统资源历史数据;对引用验证支付数据进行预验证,获取预验证数据;基于节点信任权重模型对预验证数据进行快速确认,获取确认支付数据。本发明能够高效、安全地完成移动支付。
Description
技术领域
本发明涉及移动支付技术领域,尤其涉及一种移动支付方法及系统。
背景技术
移动支付是金融科技领域的重要技术之一,广泛应用于现代社会的支付交易场景,移动支付的发展为用户提供了更多的支付选择和便利性,然而,传统的中心化支付系统存在一些潜在的问题,如中间商风险、数据隐私泄露和交易费用高昂等,尽管已经提出一些基于区块链的移动支付解决方案,但由于区块链系统的性能限制,其吞吐量和交易处理速度相对较低,
发明内容
基于此,本发明有必要提供一种移动支付方法,以解决至少一个上述技术问题。
为实现上述目的,一种移动支付方法,包括以下步骤:
步骤S1:通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
步骤S2:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
步骤S3:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
步骤S4:对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
步骤S5:基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
步骤S6:对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
本发明首先通过对有向无环区块链系统进行支付请求,可以实现支付数据的实时生成和传输,提高支付效率和安全性;通过对支付数据进行环签名,可以保证支付数据的不可篡改性和匿名性,防止支付数据被伪造或泄露;基于支付时间戳对支付签名进行虚假引用验证,可以避免支付数据被重复使用或滥用,确保支付数据的唯一性和有效性,并将引用验证支付数据记录至有向无环区块链系统,可以实现支付数据的分布式存储和共享,提高支付数据的可追溯性和可信度。通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据,可以利用已有的支付数据进行数据挖掘和分析,提取支付数据的特征和规律;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,可以降低数据的维度和噪声,提高数据的质量和准确性,从而获取节点信任权重模型,可以反映各个节点在支付过程中的信任程度和影响力。通过有向无环区块链系统获取交易历史数据以及系统资源历史数据,可以了解支付系统的运行状况和性能指标,监测支付系统的稳定性和可靠性;对交易历史数据进行标签加权,可以根据交易数据的重要性和敏感性,赋予不同的权重和优先级,从而获取标签加权交易数据,可以优化交易数据的处理和传输,提高交易数据的响应速度和满足度。对系统资源历史数据进行树结构构建,可以将系统资源按照层级和关系进行组织和管理,从而得到网络负载拓扑结构树,可以反映网络负载的分布和变化,为网络负载的优化和调节提供基础和支持;对网络负载拓扑结构树进行冗余节点扩展,可以增加网络负载的容量和冗余度,从而获取负载优先树结构数据,可以提高网络负载的均衡性和鲁棒性,保证网络负载的高效和稳定。基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,可以综合考虑节点的信任度、网络的负载度和交易的权重度,从多个维度和角度进行支付决策的学习和迁移,从而获取支付决策模型集,可以提高支付决策的智能性和灵活性,适应不同的支付场景和需求。对引用验证支付数据进行预验证,可以对支付数据进行初步的检查和筛选,提高支付数据的合法性和合理性,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,可以根据支付决策模型集的输出,对预验证数据进行快速的确认和反馈,提高支付数据的确认速度和确认率,从而获取确认支付数据;对确认支付数据进行一致性共识广播,可以实现支付数据的广泛传播和共识达成,提高支付数据的一致性和共识度,并将共识确认数据记录至有向无环区块链系统,可以实现支付数据的最终确定和更新。
优选地,本发明还提供了一种移动支付系统,用于执行如上所述的移动支付方法,该移动支付系统包括:
引用验证模块,用于通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
信任模型训练模块,用于通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
标签加权模块,用于通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
网络负载树构建模块,用于对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
支付决策学习模块,用于基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
交易快速确认模块,用于对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
综上所述,本发明提供了一种移动支付系统,该移动支付系统由引用验证模块、信任模型训练模块、标签加权模块、网络负载树构建模块、支付决策学习模块以及交易快速确认模块组成,能够实现本发明所述任意一种移动支付方法,系统内部结构互相协作,通过采用有向无环结构的区块链系统作为基于区块链的移动支付系统,高效的完成了虚假引用验证和环签名的支付交易预处理,并引入机器学习的方法对虚假引用以及共识问题的节点进行信用风险标记,用于信任模型的构建,再通过对系统资源的标签和多元的优先级分类,构建出自适应系统负载波动以及交易并发量波动的背书和共识的适应策略,以完成后续高效的预验证、快速确认和一致性共识,从而简化了移动支付系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所述移动支付方法的步骤流程示意图;
图2为图1中步骤S2的详细步骤流程示意图;
图3为图1中步骤S3的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种移动支付方法,所述方法包括以下步骤:
步骤S1:通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
步骤S2:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
步骤S3:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
步骤S4:对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
步骤S5:基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
步骤S6:对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
本发明实施例中,请参考图1所示,为本发明所述移动支付方法的步骤流程示意图,在本实例中,所述移动支付方法的步骤包括:
步骤S1:通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
本发明实施例通过网络或移动设备向有向无环区块链系统发送支付请求,包含支付的金额、收款方、附加信息;在支付请求中附加当前的时间作为支付时间戳,用于防止重放攻击和排序交易,使用环签名方案对支付请求进行数字签名,在有向无环区块链系统中检查支付签名是否引用了不存在或无效的交易,如果没有,则认为是有效的支付请求,否则拒绝支付请求。将有效的支付请求记录到有向无环区块链系统中,作为新的交易节点,与其他交易节点形成有向无环图。
步骤S2:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
本发明实施例通过从有向无环区块链系统中读取历史的有效支付请求数据和共识确认数据,作为训练数据集,使用欠采样方法对训练数据集进行平衡处理,避免数据不均衡的问题。使用迭代训练方法对训练数据集进行机器学习,学习每个交易节点的信任权重,即该节点发起或确认的交易的可信度,得到节点信任权重模型,用于评估交易节点的信誉和影响力。
步骤S3:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
本发明实施例通过从有向无环区块链系统中读取交易历史数据和系统资源历史数据,作为分析数据集,对交易历史数据进行标签加权处理,即根据交易的类型、金额、频率、时间等因素给交易分配不同的权重,反映交易的重要性和紧急性,得到标签加权交易数据,用于优化支付决策的效率和效果。
步骤S4:对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
本发明实施例通过对系统资源历史数据进行树结构构建,即根据交易节点的网络连接情况,将交易节点组织成一棵树,表示网络的拓扑结构。树的根节点是系统的入口节点,树的叶子节点是系统的出口节点,树的中间节点是系统的中继节点,对网络负载拓扑结构树进行冗余节点扩展,即在树的每个分支上增加一些额外的节点,用于提高网络的容错性和可靠性,得到负载优先树结构数据,即一棵包含冗余节点的网络负载拓扑结构树。
步骤S5:基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
本发明实施例通过基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,即利用多种来源的数据和模型,进行跨域和跨任务的知识迁移。
步骤S6:对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
本发明实施例通过对引用验证支付数据进行预验证,即在本地对支付请求进行一些基本的检查,如支付金额是否合理,收款方是否存在,支付签名是否有效等,如果通过,则生成预验证数据,否则拒绝支付请求。基于支付决策模型集对预验证数据进行快速确认,即根据当前的网络状况,交易状况,节点信誉等因素,选择最优的支付决策模型,对预验证数据进行进一步的验证和确认,如果通过,则生成确认支付数据,否则拒绝支付请求。对确认支付数据进行一致性共识广播,即将确认支付数据发送给其他交易节点,要求其他交易节点对其进行验证和确认,达成一致的共识,如果通过,则生成共识确认数据,否则拒绝支付请求。将共识确认数据记录至有向无环区块链系统,作为最终的交易结果,更新系统的状态和账本。
本发明首先通过对有向无环区块链系统进行支付请求,可以实现支付数据的实时生成和传输,提高支付效率和安全性;通过对支付数据进行环签名,可以保证支付数据的不可篡改性和匿名性,防止支付数据被伪造或泄露;基于支付时间戳对支付签名进行虚假引用验证,可以避免支付数据被重复使用或滥用,确保支付数据的唯一性和有效性,并将引用验证支付数据记录至有向无环区块链系统,可以实现支付数据的分布式存储和共享,提高支付数据的可追溯性和可信度。通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据,可以利用已有的支付数据进行数据挖掘和分析,提取支付数据的特征和规律;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,可以降低数据的维度和噪声,提高数据的质量和准确性,从而获取节点信任权重模型,可以反映各个节点在支付过程中的信任程度和影响力。通过有向无环区块链系统获取交易历史数据以及系统资源历史数据,可以了解支付系统的运行状况和性能指标,监测支付系统的稳定性和可靠性;对交易历史数据进行标签加权,可以根据交易数据的重要性和敏感性,赋予不同的权重和优先级,从而获取标签加权交易数据,可以优化交易数据的处理和传输,提高交易数据的响应速度和满足度。对系统资源历史数据进行树结构构建,可以将系统资源按照层级和关系进行组织和管理,从而得到网络负载拓扑结构树,可以反映网络负载的分布和变化,为网络负载的优化和调节提供基础和支持;对网络负载拓扑结构树进行冗余节点扩展,可以增加网络负载的容量和冗余度,从而获取负载优先树结构数据,可以提高网络负载的均衡性和鲁棒性,保证网络负载的高效和稳定。基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,可以综合考虑节点的信任度、网络的负载度和交易的权重度,从多个维度和角度进行支付决策的学习和迁移,从而获取支付决策模型集,可以提高支付决策的智能性和灵活性,适应不同的支付场景和需求。对引用验证支付数据进行预验证,可以对支付数据进行初步的检查和筛选,提高支付数据的合法性和合理性,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,可以根据支付决策模型集的输出,对预验证数据进行快速的确认和反馈,提高支付数据的确认速度和确认率,从而获取确认支付数据;对确认支付数据进行一致性共识广播,可以实现支付数据的广泛传播和共识达成,提高支付数据的一致性和共识度,并将共识确认数据记录至有向无环区块链系统,可以实现支付数据的最终确定和更新。
优选地,步骤S2包括以下步骤:
步骤S21:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;
步骤S22:对历史引用验证支付数据进行节点引用故障的概率评估,从而获取引用故障评估概率;
步骤S23:对历史共识确认数据进行节点共识信用评分,从而获取共识信用评分数据;
步骤S24:利用梯度提升树算法对引用故障评估概率以及共识信用评分数据进行节点信任模型构建,从而获取节点信任模型;
步骤S25:对节点信任模型进行节点权重的欠采样迭代训练,从而获取节点信任权重模型。
作为本发明的一个实施例,参考图2所示,为图1中步骤S2的详细步骤流程示意图,在本实施例中步骤S2包括以下步骤:
步骤S21:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;
本发明实施例通过从有向无环区块链系统中获取所有的交易数据,包括交易的ID,引用的交易ID,交易的时间戳,交易的内容,对每个交易进行遍历,根据其引用的交易ID,构建一个交易的有向无环图,记录每个交易的入度和出度,以及每个交易被引用的次数。根据交易的有向无环图,提取出历史引用验证支付数据和历史共识确认数据。
步骤S22:对历史引用验证支付数据进行节点引用故障的概率评估,从而获取引用故障评估概率;
本发明实施例通过对历史引用验证支付数据进行预处理,将数据按照时间段划分,对每个时间段内的数据,统计每个节点提交的交易数量,以及其中引用故障的交易数量,计算每个节点的引用故障率,即引用故障的交易数量除以提交的交易数量,根据每个节点的引用故障率,使用概率分布模型,例如二项分布,泊松分布,贝塔分布等,拟合每个节点的引用故障概率,作为引用故障评估概率的估计值,其中引用故障可能引发“双花”问题。
步骤S23:对历史共识确认数据进行节点共识信用评分,从而获取共识信用评分数据;
本发明实施例通过对历史共识确认数据进行预处理,将数据按照时间段划分,对每个时间段内的数据,统计每个节点被引用的次数,以及每个节点被引用的平均时间,计算每个节点的共识确认率,即被引用的次数除以被引用的平均时间,根据每个节点的共识确认率,将每个节点的共识信用评分作为标签,预测每个节点的共识信用评分数据。
步骤S24:利用梯度提升树算法对引用故障评估概率以及共识信用评分数据进行节点信任模型构建,从而获取节点信任模型;
本发明实施例通过将引用故障评估概率和共识信用评分数据作为特征,将节点信任度作为标签,构建一个回归问题的数据集,其中节点信任度可以根据一定的规则或标准进行赋值,使用梯度提升树算法,训练一个回归器,将数据集划分为训练集和测试集,设置合适的参数,例如树的数量,树的深度,学习率等,优化损失函数,例如均方误差,平均绝对误差等,得到一个节点信任模型,使用测试集评估节点信任模型的性能,例如使用R方,均方根误差,平均绝对误差等指标,检验模型的拟合程度和预测准确度,如果满足要求,则保存模型,否则调整参数或数据,重新训练模型。
步骤S25:对节点信任模型进行节点权重的欠采样迭代训练,从而获取节点信任权重模型。
本发明实施例通过使用节点信任模型,为每个节点预测一个初始的节点权重值,以反映节点的信任度,使用欠采样方法,对节点权重值进行平衡处理,避免节点权重值的不均衡导致的偏差和失真,即根据实际情况和实际的结果数据统计和分析,调整不同节点的权重,以动态调整节点权重值的模型。
优选地,步骤S23中对历史共识确认数据进行节点共识信用评分采用如下公式进行:
式中,Ci是节点i的共识信用评分,i是第i个节点,Pi是节点i的共识参与度,Ri是节点i的共识正确性,Ti是节点i的平均共识响应时间,Ei是节点i的平均共识能耗,Gi是节点i的共识被攻击率,α是节点共识参与度的权重系数,β是共识正确性的权重系数,γ是节点共识性能的权重系数,δ是节点共识所需能耗的权重系数,∈是节点共识错误的调整系数,k是信任共识节点数量阈值,n是可使用节点总数。
本发明构造了一种共识信用评分计算公式,节点的共识信用评分是一个衡量节点在共识过程中参与度、正确性、性能和安全性的综合指标,它可以用于评估节点的可信度和贡献度。该公式中,Pi表示节点i在共识过程中的活跃程度,它可以用节点i参与的共识轮数除以总的共识轮数来计算;Ri表示节点i在共识过程中的正确率,它可以用节点i参与的共识轮数中达成一致的轮数除以节点i参与的共识轮数来计算;Ti表示节点i在共识过程中的平均响应速度,它可以用节点i参与的共识轮数中的总响应时间除以节点i参与的共识轮数来计算;Ei表示节点i在共识过程中的平均能耗,它可以用节点i参与的共识轮数中的总能耗除以节点i参与的共识轮数来计算;Gi表示节点i在共识过程中被恶意节点攻击的概率,它可以用节点i参与的共识轮数中被攻击的轮数除以节点i参与的共识轮数来计算;α反映了共识参与度对共识信用评分的影响程度,它是一个介于0和1之间的常数;β反映了共识正确性对共识信用评分的影响程度,它是一个介于0和1之间的常数;γ反映了节点共识性能对共识信用评分的影响程度,它是一个介于0和1之间的常数;δ表示共识能耗对共识信用评分的影响程度,它是一个大于0的常数;∈表示共识错误对共识信用评分的惩罚程度,它是一个大于0的常数;k表示在共识过程中,至少需要有多少个节点达成一致才能认为是有效的共识,它是一个大于0的整数;n表示在共识过程中,参与共识的节点的总数,它是一个大于0的整数。具体地,α·Pi+β·Ri+γ·Ti这个部分是分子,它表示节点在共识过程中的综合表现,包括参与度、正确性和性能。这个部分的有益效果是,它可以反映节点的共识贡献度,即节点在共识过程中的积极性和有效性。这个部分的权重系数α,β和γ可以根据不同的场景和需求进行调整,以体现不同的共识评价标准和偏好;这个部分是分母,它表示节点在共识过程中的综合消耗,包括能耗和被攻击率。这个部分的有益效果是,它可以反映节点的共识成本,即节点在共识过程中的资源消耗和风险承担。这个部分的权重系数δ和ε可以根据不同的场景和需求进行调整,以体现不同的共识成本敏感度和容错性。综上,该公式可以综合考虑节点在共识过程中的表现和消耗,从而计算出节点的共识信用评分,这个评分可以用于评估节点的可信度和贡献度,以及为节点分配合理的奖励和惩罚。该公式的参数可以根据不同的场景和需求进行调整,以适应不同的共识机制和目标。该公式的形式是一个分数形式,它可以方便地进行归一化和比较,以及进行进一步的分析和优化。需要说明的是,步骤S23中对历史共识确认数据进行节点共识信用评分采用该公式进行,但不仅限于可以使用该公式进行,也可以使用常规技术手段,如根据共识参与度以及共识成功率来构建统计模型,以得到一个信用模型进行信用评分,但这样做过于复杂,需要对模型不断进行调整,本发明使用该共识信用评分计算公式可以通过调整权重系数和调整系数以及共识相关的多个参数平衡调整最终的共识信用评分,更加高效。
本发明首先通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据,可以利用历史支付数据进行数据分析和挖掘,提取支付数据的特征和规律;对历史引用验证支付数据进行节点引用故障的概率评估,可以评估各个节点在引用验证过程中出现故障的可能性,从而获取引用故障评估概率,可以反映节点的引用可靠性和稳定性;对历史共识确认数据进行节点共识信用评分,可以评估各个节点在共识确认过程中的信用表现,从而获取共识信用评分数据,可以反映节点的共识贡献度和信用度;利用梯度提升树算法对引用故障评估概率以及共识信用评分数据进行节点信任模型构建,可以利用一种强大的机器学习算法,对引用故障评估概率以及共识信用评分数据进行非线性的组合和拟合,从而获取节点信任模型,可以综合考虑节点的引用可靠性和共识贡献度;对节点信任模型进行节点权重的欠采样迭代训练,可以降低节点信任模型的维度和复杂度,提高节点信任模型的质量和准确性,从而获取节点信任权重模型,可以反映各个节点在支付系统中的信任权重和影响力。
作为本发明的一个实施例,参考图3所示,为图1中步骤S3的详细步骤流程示意图,在本实施例中步骤S3包括以下步骤:
步骤S31:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据,其中交易历史数据包括交易类型数据、交易时间戳数据、交易量数据、交易价值数据以及区块高度数据;
步骤S32:对交易时间戳数据进行时间分布分析,从而获取交易时间分布数据;对交易时间分布数据进行趋势分析,从而获取交易时间分布趋势数据;
步骤S33:对交易量数据以及交易价值数据进行加权平均,从而获取加权平均交易数据;对加权平均交易数据进行波动分析,从而获取交易价值波动数据;
步骤S34:对交易时间分布趋势数据以及交易价值波动数据进行峰值匹配,从而获取交易峰值匹配数据;
步骤S35:对交易峰值匹配数据以及区块高度数据进行三维模型构建,从而获取区块交易三维模型;
步骤S36:基于区块交易三维模型进行智能合约执行的时序段统计分析,从而获取合约执行时序分析数据;
步骤S37:根据合约执行时序分析数据以及交易类型数据对区块交易三维模型进行标签加权,从而获取标签加权交易数据。
本发明实施例通过从有向无环区块链系统中获取所有的交易数据和系统资源数据,对获取的数据进行解析和处理,提取出交易类型数据、交易时间戳数据、交易量数据、交易价值数据以及区块高度数据等,分别存储在不同的数据结构中,系统资源历史数据是指有向无环区块链系统中存储的所有系统资源的相关数据,包括系统的节点数,连接数,带宽,延迟,吞吐量,容量等。对交易时间戳数据进行预处理,将数据按照时间段划分,对每个时间段内的数据,使用频率分析,直方图,箱线图等方法,计算和展示交易时间的分布情况,例如最大值,最小值,平均值,中位数,标准差,偏度,峰度等,得到交易时间分布数据。对交易时间分布数据,使用趋势分析,移动平均,指数平滑,自回归,滑动窗口等方法,计算和展示交易时间的变化趋势,例如增长率,波动率,周期性,季节性,趋势性等,得到交易时间分布趋势数据。对交易量数据和交易价值数据进行预处理,将数据按照时间段划分,对每个时间段内的数据,使用加权平均方法,根据交易的类型,时间,频率等因素,为每个交易分配一个权重,例如使用指数加权移动平均,或者使用自定义的权重函数,然后计算交易量数据和交易价值数据的加权平均值,得到加权平均交易数据,对加权平均交易数据,使用波动分析方法,计算和展示交易价值的波动情况,例如使用标准差,方差,波动率,偏度,峰度等指标,得到交易价值波动数据。对交易时间分布趋势数据和交易价值波动数据进行预处理,将数据标准化,使其具有相同的尺度和范围,对标准化后的数据,使用峰值匹配方法,寻找交易时间和交易价值的峰值点,即数据的最大值或最小值,然后比较峰值点的位置,大小,方向等,得到交易峰值匹配数据。对交易峰值匹配数据,使用相关分析方法,计算和展示交易时间和交易价值的相关系数,即两者的线性关系强度,以及其他相关指标,例如互信息,协方差,相关熵等,得到交易峰值匹配数据的评价和解释。对交易峰值匹配数据和区块高度数据进行预处理,将数据标准化,使其具有相同的尺度和范围,对标准化后的数据,使用三维模型构建方法,将交易时间,交易价值,区块高度作为三个坐标轴,将每个交易作为一个点,将所有的交易点绘制在一个三维空间中,得到区块交易三维模型,对区块交易三维模型,使用三维模型展示方法,使用不同的颜色,形状,大小等,对交易点进行标记和分类,区块高度数据是指每个交易所属的区块的高度,即该区块在有向无环区块链系统中的位置,以反映交易的先后顺序和历史深度。对区块交易三维模型进行预处理,将数据按照智能合约的类型,内容,参与方等进行筛选和分组,对每个智能合约的数据,使用时序段统计分析方法,将数据按照时间段划分,然后计算和展示每个时间段内的智能合约的执行情况,例如执行的时间,次数,结果,效率,安全性等,得到合约执行时序分析数据,对合约执行时序分析数据,使用时序分析方法,计算和展示智能合约的执行的变化趋势,例如增长率,波动率,周期性,季节性,趋势性等,以及智能合约的执行的影响因素,例如交易量,交易价值,区块高度等。对合约执行时序分析数据和交易类型数据进行预处理,将数据按照交易的类型,内容,参与方等进行筛选和分组,对每个交易的数据,使用标签加权方法,根据合约执行时序分析数据和交易类型数据,为每个交易分配一个标签和一个权重,对标签加权交易数据,使用标签加权展示方法,使用不同的颜色,形状,大小等,对交易进行标记和分类。
本发明首先通过有向无环区块链系统获取交易历史数据以及系统资源历史数据,可以利用历史数据进行数据分析和挖掘,提取数据的特征和规律;对交易时间戳数据进行时间分布分析,可以分析交易数据在时间上的分布和变化,从而获取交易时间分布数据;对交易时间分布数据进行趋势分析,可以分析交易数据在时间上的趋势和规律,从而获取交易时间分布趋势数据,可以反映交易数据的时间特性和规律;对交易量数据以及交易价值数据进行加权平均,可以根据交易数据的量和价值,赋予不同的权重和优先级,从而获取加权平均交易数据;对加权平均交易数据进行波动分析,可以分析交易数据的波动性和稳定性,从而获取交易价值波动数据,可以反映交易数据的价值特性和规律;对交易时间分布趋势数据以及交易价值波动数据进行峰值匹配,可以将交易数据在时间和价值上的峰值进行匹配和对应,从而获取交易峰值匹配数据,可以反映交易数据的峰值特性和规律;对交易峰值匹配数据以及区块高度数据进行三维模型构建,可以将交易数据在时间、价值和区块高度上的三个维度进行组合和建模,从而获取区块交易三维模型,可以反映区块交易的三维特性和规律;基于区块交易三维模型进行智能合约执行的时序段统计分析,可以对区块交易三维模型中的智能合约执行的时序段进行统计和分析,从而获取合约执行时序分析数据,可以反映智能合约执行的时序特性和规律;根据合约执行时序分析数据以及交易类型数据对区块交易三维模型进行标签加权,可以根据合约执行时序分析数据以及交易类型数据,对区块交易三维模型中的交易数据进行标签和权重的赋予和调整,从而获取标签加权交易数据,可以优化交易数据的处理和传输,提高交易数据的响应速度和满足度。
优选地,步骤S4包括以下步骤:
步骤S41:对系统资源历史数据进行资源分布分析,从而获取资源分布数据;
步骤S42:对资源分布数据进行负载变化分布分析,从而获取负载变化分布数据,其中负载变化分布数据包括网络负载变化拓扑数据以及计算资源负载变化数据;
步骤S43:对网络负载变化拓扑数据进行树结构构建,从而获取网络负载拓扑结构树;
步骤S44:根据计算资源负载变化数据对网络负载拓扑结构树进行节点加权,从而获取负载结构树数据;
步骤S45:对负载结构树数据进行负载阈值划分,从而获取负载阈值划分数据;
步骤S46:根据负载阈值划分数据对负载结构树数据进行冗余节点扩展,从而获取负载优先树结构数据。
本发明实施例通过对系统资源历史数据进行统计分析,计算各种资源的平均值、最大值、最小值、标准差等指标,以及资源之间的相关性和分布特征,选择合适的方法和工具来分析资源分布数据中的负载变化情况,例如使用负荷曲线、谐波分解法、多重相关算法来研究负荷的波动、周期性、趋势等特征,对负载变化分布进行分类,将其分为网络负载变化和计算资源负载变化两类,分别获取网络负载变化拓扑数据和计算资源负载变化数据。对网络负载变化拓扑数据进行遍历,将每个节点和边映射到树结构中,根据节点的位置和边的权重来确定树结构的层次和连接关系,对网络负载拓扑结构树中的每个节点进行加权,根据计算资源负载变化数据中的指标,如CPU使用率、内存占用率、磁盘I/O等,给每个节点赋予一个权重值,表示该节点的负载水平。对负载结构树数据中的每个节点进行负载阈值划分,根据节点的权重值,将其分为高负载、中负载、低负载等不同的负载等级,给每个节点赋予一个负载标签,表示该节点的负载状态,该阈值可以根据实际情况进行确定。对负载结构树数据中的每个节点进行冗余节点扩展,根据负载阈值划分数据中的负载标签,为高负载和中负载的节点增加冗余节点,从而分担其负载压力。
本发明首先通过对系统资源历史数据进行资源分布分析,可以分析系统资源在空间上的分布和变化,从而获取资源分布数据,可以反映系统资源的空间特性和规律;对资源分布数据进行负载变化分布分析,可以分析资源分布数据在时间上的变化和波动,从而获取负载变化分布数据,其中负载变化分布数据包括网络负载变化拓扑数据以及计算资源负载变化数据,可以反映网络负载和计算资源负载的时间特性和规律;对网络负载变化拓扑数据进行树结构构建,可以将网络负载变化拓扑数据按照层级和关系进行组织和管理,从而获取网络负载拓扑结构树,可以反映网络负载的拓扑特性和规律;根据计算资源负载变化数据对网络负载拓扑结构树进行节点加权,可以根据计算资源负载变化数据,对网络负载拓扑结构树中的节点进行权重的赋予和调整,从而获取负载结构树数据,可以反映节点的负载程度和优先级;对负载结构树数据进行负载阈值划分,可以根据负载结构树数据,对节点的负载程度进行阈值的划分和分类,从而获取负载阈值划分数据,可以反映节点的负载类型和状态;根据负载阈值划分数据对负载结构树数据进行冗余节点扩展,可以根据负载阈值划分数据,对负载结构树数据中的节点进行冗余节点的添加和删除,从而获取负载优先树结构数据,可以提高网络负载的容量和冗余度,提高网络负载的均衡性和鲁棒性,保证网络负载的高效和稳定。
优选地,步骤S5包括以下步骤:
步骤S51:对标签加权交易数据进行不同区块状态的时序特征划分,从而获取区块时序划分数据;
步骤S52:对区块时序划分数据以及负载优先树结构数据进行负载-区块时序相关性分析,从而获取负载-区块时序相关性数据;
步骤S53:基于系统资源历史数据获取区块链分片资源数据;
步骤S54:根据负载-区块时序相关性数据并基于节点信任权重模型对区块链分片资源数据进行策略学习,从而获取交易决策树数据;
步骤S55:基于交易决策树数据进行延迟增量评估,从而获取延迟增量评估数据,其中延迟增量评估包括背书延迟增量评估以及共识延迟增量评估;
步骤S56:对延迟增量评估数据进行侧链交易-成本相关性评估,从而获取侧链成本相关数据;
步骤S57:根据侧链成本相关数据对交易决策树数据进行决策树剪枝处理,从而获取区块链支付决策树数据;
步骤S58:对区块链支付决策树数据进行多元学习迁移,从而获取支付决策模型集。
本发明实施例通过读取标签加权交易数据,按照标签进行分组,得到不同区块链应用的交易数据集,对每个区块链应用的交易数据集,按照区块的生成时间进行排序,得到按时间顺序排列的区块数据集,根据需要,将区块数据集划分为不同的时间段,如小时、天、周等,得到不同时间段的区块数据子集,对每个时间段的区块数据子集,计算区块的生成时间、大小、交易数量、难度等属性的统计特征,如平均值、方差、最大值、最小值等,得到区块时序划分数据。读取区块时序划分数据和负载优先树结构数据,将它们按照时间段对齐,得到每个时间段内的区块时序特征和负载优先树特征,选择合适的统计方法或机器学习方法,如皮尔逊相关系数、线性回归、结构方程模型等,对每个时间段内的区块时序特征和负载优先树特征进行相关性分析,得到负载-区块时序相关性数据,根据负载-区块时序相关性数据,评估区块链网络的性能和效率,如负载均衡、吞吐量、延迟等,给出优化建议或策略,负载优先树结构数据是指一种树形结构,用于表示区块链网络中的节点之间的负载分配关系,每个节点都有一个负载值,表示其处理交易的能力或资源,根节点是整个网络的负载总和,子节点是其父节点的负载分配,叶子节点是实际处理交易的节点。读取系统资源历史数据,按照时间段进行分组,对每个时间段的系统资源数据集,使用分片算法,如Zilliqa、Elastico、OmniLedger等,根据系统资源的分布和需求,将区块链网络划分为多个子网络,每个子网络有一个唯一的标识,如分片ID,分片大小,分片领导者,读取负载-区块时序相关性数据和节点信任权重模型,将它们作为输入,得到一个交易决策的函数,可以根据交易的特征和需求,输出一个交易决策的结果,如分片ID,节点ID,交易费用,对每笔交易,使用交易决策的函数,得到一个交易决策的结果,将其作为一个节点,将交易的特征和需求作为该节点的属性,将交易决策的结果作为该节点的值,得到一个交易决策的节点,利用决策树算法对所有的交易决策的节点进行决策树构建,得到交易决策树数据。读取交易决策树数据,按照交易的类型,内容,参与方等进行分组,对每个类别的交易数据集,使用延迟增量评估方法,如模拟实验,数学分析,机器学习等,根据不同的分片子网络和节点的特征,如带宽,延迟,吞吐量,容量等,计算每笔交易在不同的分片子网络和节点上执行时,所产生的背书延迟增量和共识延迟增量,得到延迟增量评估数据,背书延迟增量评估是指评估每笔交易在不同的分片子网络和节点上进行背书时,所产生的延迟增量,即背书时间的增加或减少,共识延迟增量评估是指评估每笔交易在不同的分片子网络和节点上进行共识时,所产生的延迟增量,即共识时间的增加或减少。对每个类别的交易数据集,使用侧链交易-成本相关性评估方法,如成本效益分析,成本收益比,净现值等,根据不同的移动支付的并发量来计算每笔交易在侧链上执行时,所产生的成本,得到侧链成本相关数据,侧链交易是指一种在区块链网络之外进行的交易,它可以利用侧链技术,如Plasma、LightningNetwork、State Channel等,实现交易的快速和低成本,当系统的交易量突然增大,延迟增量波动变大时,可以通过为侧链上的交易提供更高的交易费用来吸引交易被更快的处理。根据侧链成本相关数据,对所有的交易决策的优化节点,使用决策树剪枝的方法,如预剪枝,后剪枝,代价复杂度剪枝等,根据节点的属性和值,去除一些不必要或不合理的节点和分支,即考虑高并发时的交易策略,以在成本、效率以及安全性中做出新的权衡。对每个类别的交易数据集,根据区块链支付决策树数据使用学习迁移的方法,根据不同的区块链支付的场景和环境的特征,如网络结构,共识机制,安全协议等,并对不同的参数,如负载、成本、效率等,进行互影响以找到关联特征,用以将区块链支付决策树数据中的知识和经验,迁移和应用到其他的区块链支付的场景和环境中,得到支付决策模型。
本发明首先通过对标签加权交易数据进行不同区块状态的时序特征划分,可以根据区块状态的不同,对交易数据进行不同的时序特征的划分和提取,从而获取区块时序划分数据,可以反映区块状态和交易数据的时序特性和规律;对区块时序划分数据以及负载优先树结构数据进行负载-区块时序相关性分析,可以分析区块时序划分数据和负载优先树结构数据之间的相关性和影响因素,从而获取负载-区块时序相关性数据,可以反映负载和区块时序之间的关系和规律;基于系统资源历史数据获取区块链分片资源数据,可以利用系统资源历史数据,获取区块链分片资源数据,可以反映区块链分片的资源特性和规律;根据负载-区块时序相关性数据并基于节点信任权重模型对区块链分片资源数据进行策略学习,可以根据负载-区块时序相关性数据,并基于节点信任权重模型,对区块链分片资源数据进行策略学习,从而获取交易决策树数据,可以反映交易决策的策略特性和规律;基于交易决策树数据进行延迟增量评估,可以对交易决策树数据进行延迟增量评估,从而获取延迟增量评估数据,其中延迟增量评估包括背书延迟增量评估以及共识延迟增量评估,可以反映交易决策的延迟特性和规律;对延迟增量评估数据进行侧链交易-成本相关性评估,可以对延迟增量评估数据进行侧链交易-成本相关性评估,从而获取侧链成本相关数据,可以反映侧链交易的成本特性和规律;根据侧链成本相关数据对交易决策树数据进行决策树剪枝处理,可以根据侧链成本相关数据,对交易决策树数据进行决策树剪枝处理,从而获取区块链支付决策树数据,可以优化交易决策树的结构和复杂度,提高交易决策树的质量和准确性;对区块链支付决策树数据进行多元学习迁移,可以对区块链支付决策树数据进行多元学习迁移,从而获取支付决策模型集,可以提高支付决策的智能性和灵活性,适应不同的支付场景和需求。
优选地,步骤S54包括以下步骤:
步骤S541:对负载-区块时序相关性数据进行聚类划分,从而获取负载聚类数据;根据负载聚类数据对区块链分片资源数据进行数据划分,从而获取资源划分数据;
步骤S542:对资源划分数据进行交易标签过滤,从而获取标签过滤交易数据;
步骤S543:对标签过滤交易数据进行优先序列划分,从而获取交易优先确认序列数据;
步骤S544:通过有向无环区块链系统获取交易背书指标数据以及交易共识指标数据;
步骤S545:根据交易背书指标数据对负载优先树结构数据进行背书节点拓扑分析,从而获取背书节点拓扑数据;
步骤S546:对背书节点拓扑数据以及交易优先确认序列数据进行背书策略匹配,从而获取背书策略匹配数据;
步骤S547:基于节点信任权重模型进行快速确认的信任节点筛选,从而获取快速信任节点数据;
步骤S548:根据交易共识指标数据对快速信任节点数据进行共识策略匹配,从而获取共识策略匹配数据;
步骤S549:利用随机森林回归算法对背书策略匹配数据以及共识策略匹配数据进行策略学习,从而获取交易决策树数据。
本发明实施例通过根据负载-区块时序相关性数据的特点,可以选择一种合适的聚类算法,例如k-means、DBSCAN、层次聚类等,对负载-区块时序相关性数据进行聚类划分,得到负载聚类数据,即每个区块时序段所属的负载情况。根据负载聚类数据,可以对区块链分片资源数据进行数据划分,即将区块链节点按照其所处理的负载类别进行划分,使得同一负载类别的区块由相近的节点处理,从而提高区块链网络的效率和安全性。数据划分的方法可以根据区块链网络的结构和协议进行选择,例如基于哈希函数、基于拜占庭容错、基于图论等,得到资源划分数据,即每个区块链节点所属的分片。根据资源划分数据,得到每个分片的节点列表,以及每个节点的资源特征,如计算能力,存储空间,网络带宽,读取交易数据,得到每笔交易的相关信息,如交易ID,交易类型,交易内容,交易参与方,交易标签,对每笔交易,根据之前标注好的标签和编号,对交易进行筛选过滤,如基于字符串匹配,基于SQL语法,基于机器学习等,根据交易的标签和分片的特征,选择与分片相匹配的交易,得到标签过滤交易数据。对每笔交易,进行优先序列的划分,包括基于时间戳,基于金额,基于随机数,基于负载因素,即根据先前标注的标签,根据交易的特征和需求,计算每笔交易的优先级,得到交易优先确认序列数据,其中不同类型的交易也会分配到不同的分片序列中。通过有向无环区块链系统的API或SDK等工具,获取每笔交易的相关信息,如交易ID,交易类型,交易内容,交易状态,根据交易的相关信息,查询有向无环区块链系统的数据库或日志等,获取每笔交易的背书和共识的详细记录,如背书节点ID,背书时间戳,背书费用,背书结果等,共识节点ID,共识时间戳,共识费用,共识结果等,对每笔交易的背书和共识的详细记录,进行数据处理和分析,计算每笔交易的背书指标和共识指标,如背书节点数,背书时间,背书费用,背书成功率等,共识节点数,共识时间,共识费用,共识成功率等。根据交易背书指标数据对负载优先树结构数据进行背书节点拓扑分析,负载优先树结构数据是指一种网络拓扑结构的数据,它将网络中的节点按照负载情况分成不同的层次,每一层的节点都有一个优先级,优先级高的节点更有可能被选为背书节点,背书节点拓扑分析是指根据交易背书指标数据和负载优先树结构数据,根据实际情况中的背书策略的指标,计算出每个节点作为背书节点的适合度,然后按照适合度的高低排序,形成一个候选背书节点的列表。对背书节点拓扑数据以及交易优先确认序列数据进行背书策略匹配,为每个交易选择一个最优的背书策略,使得交易能够在满足安全性和效率的前提下,尽快地得到确认。基于节点信任权重模型进行快速确认的信任节点筛选,根据节点的信誉和可靠性,选择一些信任节点来快速确认交易,即在不影响安全性的情况下,减少背书节点的数量,提高交易的确认速度。根据交易共识指标数据对快速信任节点数据进行共识策略匹配,即规定需要多少个快速信任节点达成一致意见,以及具体是哪些快速信任节点,使得交易能够在满足安全性和效率的前提下,尽快地得到共识。利用随机森林回归算法对背书策略匹配数据以及共识策略匹配数据进行策略学习,即通过构建多个决策树,并对它们进行平均,以满足背书和共识两个交易确认阶段的资源平衡。
本发明首先通过对负载-区块时序相关性数据进行聚类划分,可以根据负载-区块时序相关性数据的相似性和差异性,对数据进行聚类划分,从而获取负载聚类数据,可以反映负载数据的类别和特征,为后续的数据划分提供数据基础和支持;根据负载聚类数据对区块链分片资源数据进行数据划分,可以根据负载聚类数据,对区块链分片资源数据进行数据划分,从而获取资源划分数据,可以反映资源数据的分布和分配;对资源划分数据进行交易标签过滤,可以根据资源划分数据,对交易数据进行交易标签过滤,从而获取标签过滤交易数据,可以反映交易数据的重要性和敏感性;对标签过滤交易数据进行优先序列划分,可以根据标签过滤交易数据,对交易数据进行优先序列划分,从而获取交易优先确认序列数据,可以反映交易数据的优先级和顺序;通过有向无环区块链系统获取交易背书指标数据以及交易共识指标数据,可以利用有向无环区块链系统,获取交易背书指标数据以及交易共识指标数据,可以反映交易背书和交易共识的指标特性和规律;根据交易背书指标数据对负载优先树结构数据进行背书节点拓扑分析,可以根据交易背书指标数据,对负载优先树结构数据进行背书节点拓扑分析,从而获取背书节点拓扑数据,可以反映背书节点的拓扑特性和规律;对背书节点拓扑数据以及交易优先确认序列数据进行背书策略匹配,可以根据背书节点拓扑数据以及交易优先确认序列数据,对背书策略进行匹配和对应,从而获取背书策略匹配数据,可以反映背书策略的匹配特性和规律;基于节点信任权重模型进行快速确认的信任节点筛选,可以基于节点信任权重模型,对快速确认的信任节点进行筛选和选择,从而获取快速信任节点数据,可以反映快速信任节点的信任特性和规律;根据交易共识指标数据对快速信任节点数据进行共识策略匹配,可以根据交易共识指标数据,对快速信任节点数据进行共识策略匹配,从而获取共识策略匹配数据,可以反映共识策略的匹配特性和规律;利用随机森林回归算法对背书策略匹配数据以及共识策略匹配数据进行策略学习,可以利用一种强大的机器学习算法,对背书策略匹配数据以及共识策略匹配数据进行策略学习,从而获取交易决策树数据,可以反映交易决策的策略特性和规律。
优选地,步骤S58包括以下步骤:
步骤S581:对区块链支付决策树数据进行多元参数的树节点关联特征缩放,从而获取多元参数关联数据;
步骤S582:对多元参数关联数据进行互影响的特征对齐,从而获取多元对齐数据;
步骤S583:对多元对齐数据进行多元学习迁移,从而获取支付决策模型集。
本发明实施例通过对区块链支付决策树数据进行多元参数的树节点关联特征缩放,即将不同维度的特征值缩放到一个统一的区间,例如使用最小-最大归一化,即将每个特征值减去该维度的最小值,再除以该维度的最大值和最小值的差,得到一个介于0和1之间的数值。对多元参数关联数据进行互影响的特征对齐,即将不同源域的特征数据对齐到一个公共的特征空间,例如使用多源域自适应法,即利用多个源域的标注数据,通过一些对齐算法,如最大均值差异或相关向量机,来减少源域和目标域之间的分布差异,从而提高目标域的分类或回归性能。对多元对齐数据进行多元学习迁移,即利用对齐后的特征数据,通过一些迁移学习算法,如多任务学习或多模态学习,来构建一个能够适应不同场景和需求的支付决策模型集,同时满足不同用户的支付决策需求。
本发明首先通过对区块链支付决策树数据进行多元参数的树节点关联特征缩放,可以根据区块链支付决策树数据的多元参数,对树节点的关联特征进行缩放和调整,从而获取多元参数关联数据,可以反映多元参数的关联特性和规律;对多元参数关联数据进行互影响的特征对齐,可以根据多元参数关联数据的互影响性,对特征进行对齐和匹配,从而获取多元对齐数据,可以反映多元特征的对齐特性和规律;对多元对齐数据进行多元学习迁移,可以根据多元对齐数据的多元性,对数据进行多元学习迁移,从而获取支付决策模型集,可以提高支付决策的智能性和灵活性,适应不同的支付场景和需求。
步骤S6包括以下步骤:
步骤S61:对引用验证支付数据进行预验证,从而获取预验证数据;
步骤S62:基于支付决策模型集对预验证数据进行交易划分,从而获取预交易数据;
步骤S63:对预交易数据进行快速确认,从而获取确认支付数据;
步骤S64:对确认支付数据进行侧链延迟波动监控以及侧链交易成本监控,从而获取侧链监控数据;并将侧链监控数据记录至有向无环区块链系统;
步骤S65:对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
本发明实施例通过对引用验证支付数据进行预验证,检查支付数据是否有效和完整,以及是否符合支付协议的要求。预验证可以使用数字签名、哈希函数、加密算法等技术来实现。预验证通过后,会生成预验证数据,包含支付数据的摘要、验证结果、时间戳等信息。基于支付决策模型集对预验证数据进行交易划分,根据不同的支付场景和风险等级,将预验证数据分配到合适的支付通道或侧链上,生成预交易数据,包含支付数据的目标地址、支付金额、支付费用、支付通道或侧链的信息,对预交易数据进行快速确认,在支付通道或侧链上执行支付交易,并向支付方和收款方发送确认信息。快速确认可以利用支付通道或侧链的高效性和低延迟,实现即时支付的体验。快速确认后,会生成确认支付数据,包含支付数据的交易哈希、交易状态、交易时间等信息,并在确认交易后,交易共识前,将交易成功的响应反馈回移动支付方。对确认支付数据进行侧链延迟波动监控以及侧链交易成本监控,监测侧链上的支付交易的性能和成本,以及侧链与主链的同步情况。侧链延迟波动监控是指检测侧链上的交易确认时间是否稳定和可预测,侧链交易成本监控是指检测侧链上的交易费用是否合理和可控。监控后,会生成侧链监控数据,包含支付数据的延迟时间、交易费用、侧链状态等信息,用于反馈给系统进行支付决策模型集的更新迭代。最后,对确认支付数据进行一致性共识广播,将侧链上的支付交易最终提交到主链上,并将交易完成的响应反馈至系统中,以实现跨链支付的安全和可信。
本发明首先通过对引用验证支付数据进行预验证,可以对支付数据进行初步的检查和筛选,提高支付数据的合法性和合理性,从而获取预验证数据,可以反映支付数据的预验证特性和规律;基于支付决策模型集对预验证数据进行交易划分,可以根据支付决策模型集的输出,对预验证数据进行交易划分,从而获取预交易数据,可以反映交易数据的划分特性和规律;对预交易数据进行快速确认,可以根据预交易数据,对交易数据进行快速的确认和反馈,提高交易数据的确认速度和确认率,从而获取确认支付数据,可以反映交易数据的确认特性和规律;对确认支付数据进行侧链延迟波动监控以及侧链交易成本监控,可以对确认支付数据进行侧链延迟波动监控以及侧链交易成本监控,从而获取侧链监控数据,可以反映侧链的延迟和成本特性和规律,为后续的决策树剪枝处理提供数据输入和参考;并将侧链监控数据记录至有向无环区块链系统,可以实现侧链监控数据的分布式存储和共享,提高侧链监控数据的可追溯性和可信度。对确认支付数据进行一致性共识广播,可以实现确认支付数据的广泛传播和共识达成,提高确认支付数据的一致性和共识度,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统,可以实现共识确认数据的最终确定和更新。
优选地,本发明还提供了一种移动支付系统,用于执行如上所述的移动支付方法,该移动支付系统包括:
引用验证模块,用于通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
信任模型训练模块,用于通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
标签加权模块,用于通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
网络负载树构建模块,用于对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
支付决策学习模块,用于基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
交易快速确认模块,用于对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
综上所述,本发明提供了一种移动支付系统,该移动支付系统由引用验证模块、信任模型训练模块、标签加权模块、网络负载树构建模块、支付决策学习模块以及交易快速确认模块组成,能够实现本发明所述任意一种移动支付方法,系统内部结构互相协作,通过采用有向无环结构的区块链系统作为基于区块链的移动支付系统,高效的完成了虚假引用验证和环签名的支付交易预处理,并引入机器学习的方法对虚假引用以及共识问题的节点进行信用风险标记,用于信任模型的构建,再通过对系统资源的标签和多元的优先级分类,构建出自适应系统负载波动以及交易并发量波动的背书和共识的适应策略,以完成后续高效的预验证、快速确认和一致性共识,从而简化了移动支付系统的操作流程。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种移动支付方法,其特征在于,包括以下步骤:
步骤S1:通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
步骤S2:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
步骤S3:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
步骤S4:对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
步骤S5:基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
步骤S6:对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
2.根据权利要求1所述的移动支付方法,其特征在于,步骤S2包括以下步骤:
步骤S21:通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;
步骤S22:对历史引用验证支付数据进行节点引用故障的概率评估,从而获取引用故障评估概率;
步骤S23:对历史共识确认数据进行节点共识信用评分,从而获取共识信用评分数据;
步骤S24:利用梯度提升树算法对引用故障评估概率以及共识信用评分数据进行节点信任模型构建,从而获取节点信任模型;
步骤S25:对节点信任模型进行节点权重的欠采样迭代训练,从而获取节点信任权重模型。
3.根据权利要求2所述的移动支付方法,其特征在于,步骤S23中对历史共识确认数据进行节点共识信用评分采用如下公式进行:
式中,Ci是节点i的共识信用评分,i是第i个节点,Pi是节点i的共识参与度,Ri是节点i的共识正确性,Ti是节点i的平均共识响应时间,Ei是节点i的平均共识能耗,Gi是节点i的共识被攻击率,α是节点共识参与度的权重系数,β是共识正确性的权重系数,γ是节点共识性能的权重系数,δ是节点共识所需能耗的权重系数,∈是节点共识错误的调整系数,k是信任共识节点数量阈值,n是可使用节点总数。
4.根据权利要求1所述的移动支付方法,其特征在于,步骤S3包括以下步骤:
步骤S31:通过有向无环区块链系统获取交易历史数据以及系统资源历史数据,其中交易历史数据包括交易类型数据、交易时间戳数据、交易量数据、交易价值数据以及区块高度数据;
步骤S32:对交易时间戳数据进行时间分布分析,从而获取交易时间分布数据;对交易时间分布数据进行趋势分析,从而获取交易时间分布趋势数据;
步骤S33:对交易量数据以及交易价值数据进行加权平均,从而获取加权平均交易数据;对加权平均交易数据进行波动分析,从而获取交易价值波动数据;
步骤S34:对交易时间分布趋势数据以及交易价值波动数据进行峰值匹配,从而获取交易峰值匹配数据;
步骤S35:对交易峰值匹配数据以及区块高度数据进行三维模型构建,从而获取区块交易三维模型;
步骤S36:基于区块交易三维模型进行智能合约执行的时序段统计分析,从而获取合约执行时序分析数据;
步骤S37:根据合约执行时序分析数据以及交易类型数据对区块交易三维模型进行标签加权,从而获取标签加权交易数据。
5.根据权利要求1所述的移动支付方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对系统资源历史数据进行资源分布分析,从而获取资源分布数据;
步骤S42:对资源分布数据进行负载变化分布分析,从而获取负载变化分布数据,其中负载变化分布数据包括网络负载变化拓扑数据以及计算资源负载变化数据;
步骤S43:对网络负载变化拓扑数据进行树结构构建,从而获取网络负载拓扑结构树;
步骤S44:根据计算资源负载变化数据对网络负载拓扑结构树进行节点加权,从而获取负载结构树数据;
步骤S45:对负载结构树数据进行负载阈值划分,从而获取负载阈值划分数据;
步骤S46:根据负载阈值划分数据对负载结构树数据进行冗余节点扩展,从而获取负载优先树结构数据。
6.根据权利要求1所述的移动支付方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对标签加权交易数据进行不同区块状态的时序特征划分,从而获取区块时序划分数据;
步骤S52:对区块时序划分数据以及负载优先树结构数据进行负载-区块时序相关性分析,从而获取负载-区块时序相关性数据;
步骤S53:基于系统资源历史数据获取区块链分片资源数据;
步骤S54:根据负载-区块时序相关性数据并基于节点信任权重模型对区块链分片资源数据进行策略学习,从而获取交易决策树数据;
步骤S55:基于交易决策树数据进行延迟增量评估,从而获取延迟增量评估数据,其中延迟增量评估包括背书延迟增量评估以及共识延迟增量评估;
步骤S56:对延迟增量评估数据进行侧链交易-成本相关性评估,从而获取侧链成本相关数据;
步骤S57:根据侧链成本相关数据对交易决策树数据进行决策树剪枝处理,从而获取区块链支付决策树数据;
步骤S58:对区块链支付决策树数据进行多元学习迁移,从而获取支付决策模型集。
7.根据权利要求6所述的移动支付方法,其特征在于,步骤S54包括以下步骤:
步骤S541:对负载-区块时序相关性数据进行聚类划分,从而获取负载聚类数据;根据负载聚类数据对区块链分片资源数据进行数据划分,从而获取资源划分数据;
步骤S542:对资源划分数据进行交易标签过滤,从而获取标签过滤交易数据;
步骤S543:对标签过滤交易数据进行优先序列划分,从而获取交易优先确认序列数据;
步骤S544:通过有向无环区块链系统获取交易背书指标数据以及交易共识指标数据;
步骤S545:根据交易背书指标数据对负载优先树结构数据进行背书节点拓扑分析,从而获取背书节点拓扑数据;
步骤S546:对背书节点拓扑数据以及交易优先确认序列数据进行背书策略匹配,从而获取背书策略匹配数据;
步骤S547:基于节点信任权重模型进行快速确认的信任节点筛选,从而获取快速信任节点数据;
步骤S548:根据交易共识指标数据对快速信任节点数据进行共识策略匹配,从而获取共识策略匹配数据;
步骤S549:利用随机森林回归算法对背书策略匹配数据以及共识策略匹配数据进行策略学习,从而获取交易决策树数据。
8.根据权利要求6所述的移动支付方法,其特征在于,步骤S58包括以下步骤:
步骤S581:对区块链支付决策树数据进行多元参数的树节点关联特征缩放,从而获取多元参数关联数据;
步骤S582:对多元参数关联数据进行互影响的特征对齐,从而获取多元对齐数据;
步骤S583:对多元对齐数据进行多元学习迁移,从而获取支付决策模型集。
9.根据权利要求1所述的移动支付方法,其特征在于,步骤S6包括以下步骤:
步骤S61:对引用验证支付数据进行预验证,从而获取预验证数据;
步骤S62:基于支付决策模型集对预验证数据进行交易划分,从而获取预交易数据;
步骤S63:对预交易数据进行快速确认,从而获取确认支付数据;
步骤S64:对确认支付数据进行侧链延迟波动监控以及侧链交易成本监控,从而获取侧链监控数据;并将侧链监控数据记录至有向无环区块链系统;
步骤S65:对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
10.一种移动支付系统,其特征在于,用于执行如权利要求1所述的移动支付方法,该移动支付系统包括:
引用验证模块,用于通过对有向无环区块链系统进行支付请求,从而获取支付请求数据,其中支付请求数据包括支付时间戳以及支付数据;对支付数据进行环签名,从而获取支付签名;基于支付时间戳对支付签名进行虚假引用验证,从而得到引用验证支付数据,并将引用验证支付数据记录至有向无环区块链系统;
信任模型训练模块,用于通过有向无环区块链系统获取历史引用验证支付数据以及历史共识确认数据;对历史引用验证支付数据以及历史共识确认数据进行欠采样迭代训练,从而获取节点信任权重模型;
标签加权模块,用于通过有向无环区块链系统获取交易历史数据以及系统资源历史数据;对交易历史数据进行标签加权,从而获取标签加权交易数据;
网络负载树构建模块,用于对系统资源历史数据进行树结构构建,从而得到网络负载拓扑结构树;对网络负载拓扑结构树进行冗余节点扩展,从而获取负载优先树结构数据;
支付决策学习模块,用于基于节点信任权重模型对负载优先树结构数据以及标签加权交易数据进行多元学习迁移,从而获取支付决策模型集;
交易快速确认模块,用于对引用验证支付数据进行预验证,从而获取预验证数据;基于支付决策模型集对预验证数据进行快速确认,从而获取确认支付数据;对确认支付数据进行一致性共识广播,从而获取共识确认数据,并将共识确认数据记录至有向无环区块链系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030275.3A CN118037284A (zh) | 2024-01-08 | 2024-01-08 | 移动支付方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410030275.3A CN118037284A (zh) | 2024-01-08 | 2024-01-08 | 移动支付方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118037284A true CN118037284A (zh) | 2024-05-14 |
Family
ID=90988508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410030275.3A Pending CN118037284A (zh) | 2024-01-08 | 2024-01-08 | 移动支付方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037284A (zh) |
-
2024
- 2024-01-08 CN CN202410030275.3A patent/CN118037284A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matsunaga et al. | Exploring graph neural networks for stock market predictions with rolling window analysis | |
de Blas et al. | Combined social networks and data envelopment analysis for ranking | |
CN113657993B (zh) | 信用风险识别方法、装置、设备及存储介质 | |
Gupta et al. | Implementing weighted entropy-distance based approach for the selection of software reliability growth models | |
CN113554310A (zh) | 基于智能合约的企业信用动态评估模型 | |
CN113112186A (zh) | 一种企业评估方法、装置及设备 | |
Wang et al. | Short-term load forecasting with LSTM based ensemble learning | |
CN113837481B (zh) | 一种基于区块链的金融大数据管理系统 | |
CN118229420A (zh) | 基于可监管区块链隐私交易的供应链金融应用方法 | |
CN117171786A (zh) | 一种抵御投毒攻击的去中心化联邦学习方法 | |
Wang et al. | Efficient concurrent execution of smart contracts in blockchain sharding | |
Taylor et al. | Reputation assessment: a review and unifying abstraction | |
CN117150416B (zh) | 一种工业互联网异常节点的检测方法、系统、介质及设备 | |
WO2019192310A1 (zh) | 团网络识别方法、装置、计算机设备及计算机可读存储介质 | |
CN118037284A (zh) | 移动支付方法和系统 | |
AU2022208873B2 (en) | Information matching using subgraphs | |
Alvarez-Diaz et al. | Forecasting tourist arrivals to Balearic Islands using genetic programming | |
Peng | Research on credit risk identification of internet financial enterprises based on big data | |
Zhao et al. | Detecting fake reviews via dynamic multimode network | |
Wang et al. | Applications of Machine Learning in Public Security Information and Resource Management | |
Dias et al. | A stochastic method for exploiting outranking relations in multicriteria choice problems | |
Riff et al. | A graph-based immune-inspired constraint satisfaction search | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
Shi et al. | Uncovering product vulnerabilities with threat knowledge graphs | |
CN112766320A (zh) | 一种分类模型训练方法及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |