【技術實現步驟摘要】
本專利技術涉及區塊鏈，尤其是指基于遷移學習的區塊鏈數據異常檢測智能合約構建方法。
技術介紹
1、區塊鏈技術因其去中心化、透明性和不可纂改性等特性，被廣泛應用于金融、供應鏈管理、版權保護、身份驗證和共享經濟等多個領域。隨著區塊鏈技術的迅速發展，越來越多的應用場景開始關注數據的存儲和處理，區塊鏈雖然能夠保證已存儲數據的不可纂改性，但缺乏有效的數據驗證機制，在數據上鏈之前，無法對數據進行全面和深入的分析驗證，導致異常數據、錯誤數據或者偽造數據的寫入，從而影響區塊鏈數據的整體質量和系統性能，并進一步對依賴于區塊鏈數據的決策系統造成誤導，進而影響相關應用的準確性和效率，例如：在金融領域，錯誤的交易數據可能導致錯誤的信用評估；在醫療英語，不準確的病例數據可能影響病情診斷和治療方案的選擇。因此，如何有效識別和防止異常數據、錯誤數據或者偽造數據寫入區塊鏈是目前亟需解決的問題。
2、現有的區塊鏈數據異常檢測方法使用支持向量數據描述法（support?vectordata?description，svdd），利用線性投影矩陣將訓練集中的數據投影至公共子空間，對投影到子空間的數據施加基于分布熵懲罰后建立一個包含大部分正常訓練樣本的超球決策邊界，然后使用該超球界面對未知樣本進行決策，經求解得到的線性投影矩陣映射后位于超球內部及超球表面上的數據判定為正常數據，將位于超球外部的數據判定為異常數據。但是在實際應用中，由于不同區塊鏈的區塊大小不同，這就導致部分區塊鏈的數據樣本較少，對于數據樣本較少的區塊鏈，如果直接采用現有技術構建超球決策邊界，樣本
3、綜上所述，現有的區塊鏈數據異常方法對于數據樣本數量較少的區塊鏈進行檢測時，得到的投影矩陣和超球決策邊界不夠準確，降低了數據異常檢測結果的準確性。
技術實現思路
1、為此，本專利技術所要解決的技術問題在于克服現有技術中的區塊鏈數據異常方法對于數據樣本數量較少的區塊鏈進行檢測時，得到的投影矩陣和超球決策邊界不夠準確，降低了數據異常檢測結果的準確性的問題。
2、為解決上述技術問題，本專利技術提供了基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，包括：
3、獲取目標區塊鏈訓練集、目標區塊鏈訓練集的投影矩陣、超球中心以及待檢測區塊鏈訓練集；其中，所述目標區塊鏈訓練集中的數據樣本和所述待檢測區塊鏈訓練集中的數據樣本為相同數據類型；
4、基于待檢測區塊鏈訓練集中的數據樣本經其投影矩陣映射后，與目標區塊鏈訓練集的超球中心的距離構建第一遷移項；
5、基于目標區塊鏈訓練集中的數據樣本經待檢測區塊鏈訓練集的投影矩陣映射后，與目標區塊鏈訓練集的超球中心的距離構建第二遷移項；
6、基于目標區塊鏈訓練集的投影矩陣與待檢測區塊鏈訓練集的投影矩陣的差值構建第三遷移項；
7、基于待檢測區塊鏈訓練集的投影矩陣l2正則化構建結構損失正則項；其中，結構損失正則項表示為：
8、，
9、其中，表示結構損失正則項；表示求矩陣的跡；表示待檢測區塊鏈訓練集的投影矩陣；表示轉置；
10、基于待檢測區塊鏈訓練集的超球半徑平方、待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項、所述第一遷移項、所述第二遷移項、所述第三遷移項和所述結構損失正則項的加權和最小化構建待檢測區塊鏈超球目標函數；
11、基于所述待檢測區塊鏈超球目標函數和待檢測區塊鏈超球約束函數構建數據異常檢測模型，對所述數據異常檢測模型求解，得到待檢測區塊鏈訓練集的超球半徑、超球中心和投影矩陣，從而對待檢測區塊鏈中的待檢測數據進行檢測。
12、優選地，第一遷移項表示為：
13、，
14、其中，表示第一遷移項；表示求矩陣的跡；表示待檢測區塊鏈訓練集的投影矩陣；表示待檢測區塊鏈訓練集；表示目標區塊鏈訓練集的超球中心。
15、優選地，第二遷移項表示為：
16、，
17、其中，表示第二遷移項；表示求矩陣的跡；表示待檢測區塊鏈訓練集的投影矩陣；表示目標區塊鏈訓練集；表示目標區塊鏈訓練集的超球中心。
18、優選地，第三遷移項表示為：
19、，
20、其中，表示第三遷移項；表示求矩陣的跡；表示待檢測區塊鏈訓練集的投影矩陣；表示目標區塊鏈訓練集的投影矩陣。
21、優選地，所述待檢測區塊鏈超球目標函數表示為：
22、，
23、其中，表示待檢測區塊鏈超球目標函數；表示待檢測區塊鏈訓練集的超球半徑；表示待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項的權重參數；表示待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項；表示第一遷移項；表示第一遷移項的權重；表示第二遷移項；表示第二遷移項的權重；表示第三遷移項；表示第三遷移項的權重；表示結構損失正則項；表示結構損失正則項的權重。
24、優選地，待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項的構建過程包括：
25、基于所述待檢測區塊鏈訓練集中每個數據樣本經其投影矩陣映射后與全局分布中心的距離，和所述待檢測區塊鏈訓練集中所有數據樣本經其投影矩陣映射后與全局分布中心的距離之和的比值，得到該數據樣本的分布熵；
26、基于該數據樣本的分布熵和松弛因子的乘積得到該數據樣本的目標分布熵懲罰項；基于所述待檢測區塊鏈訓練集中所有數據樣本的目標分布熵懲罰項之和得到所述待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項。
27、優選地，數據樣本的分布熵表示為：
28、，
29、其中，表示待檢測區塊鏈訓練集中第個數據樣本的分布熵；表示待檢測區塊鏈訓練集中第個數據樣本經其投影矩陣映射后與全局分布中心的距離；表示待檢測區塊鏈訓練集中的數據樣本數量；
30、待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項表示為：
31、，
32、其中，表示待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項；表示待檢測區塊鏈訓練集中第個數據樣本的松弛因子。
33、優選地，待檢測區塊鏈超球約束函數表示為：
34、，
35、其中，表示待檢測區塊鏈訓練集中第個數據樣本經其投影矩陣映射后的向量；表示待檢測區塊鏈訓練集的超球中心；表示待檢測區塊鏈訓練集的超球半徑；表示待檢測區塊鏈訓練集中第個數據樣本的松弛因子；表示待檢測區塊鏈訓練集中的數據樣本數量。
36、優選地，目標區塊鏈訓練集的投影矩陣、超球中心的獲取過程包括：
37、利本文檔來自技高網...
【技術保護點】
1.基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，包括：
2.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第一遷移項表示為：
3.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第二遷移項表示為：
4.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第三遷移項表示為：
5.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，所述待檢測區塊鏈超球目標函數表示為：
6.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，待檢測區塊鏈訓練集中所有數據樣本的分布熵懲罰項的構建過程包括：
7.根據權利要求6所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，數據樣本的分布熵表示為：
8.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，待檢測區塊鏈超球約束函數表示為：
...
【技術特征摘要】
1.基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，包括：
2.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第一遷移項表示為：
3.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第二遷移項表示為：
4.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，第三遷移項表示為：
5.根據權利要求1所述的基于遷移學習的區塊鏈數據異常檢測智能合約構建方法，其特征在于，所述待檢測區塊鏈超球目標函數表示為：
【專利技術屬性】
技術研發人員：姚健，錢鵬江，王闖，方偉，王鶴，王衛，張梁，蔣亦樟，
申請(專利權)人：江南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。