【技术实现步骤摘要】
基于区块链的直播数据的监控方法及系统
本专利技术涉及计算机
,尤其涉及一种基于区块链的直播数据的监控方法及系统。
技术介绍
近年来,随着互联网的迅猛发展,直播网站层出不穷,这就带来了不少问题。直播过程的实时性,以及直播网站大多缺乏有效的监管,发生了越来越多的违规行为。然而,由于直播过程的即时性和直播数据的庞杂性,目前并没有有效的方法对直播网站中的违规行为进行有效监控。
技术实现思路
有鉴于此,本专利技术实施例提供了一种基于区块链的直播数据的监控方法及系统。第一方面,本专利技术实施例提供了一种基于区块链的直播数据的监控方法,该方法包括:当服务器接收到举报次数未达到举报次数阈值时,服务器读取区块链上记录的历史数据,并在识别历史数据上的违规权重后,生成对应的采集频率,然后在指定时间段内按所述照采集频率采集各客户端的直播数据;服务器根据所述违规权重向各直播数据分配预设获取率,并创建OPEN表和CLOSE表,将新采集的直播数据存入OPEN表,将达到预设获取率的直播数据存入CLOSE表;各节点从服务器的OPEN表中随机获取直播数据,同步更新该直播数据的获取率,节点对获取到的直播数据进行预处理后生成学习倾向标识,通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果,将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果,节点将监控结果上传至区块链并进行全节点广播,其他节点在收到广播后基于区块链约束规则进行处理,区块链基于区块链约束规 ...
【技术保护点】
1.一种基于区块链的直播数据的监控方法,其特征在于,所述方法包括:/n当服务器接收到举报次数未达到举报次数阈值时,服务器读取区块链上记录的历史数据,并在识别历史数据上的违规权重后,生成对应的采集频率,然后在指定时间段内按照所述采集频率采集各客户端的直播数据;/n服务器根据所述违规权重向各直播数据分配预设获取率,并创建OPEN表和CLOSE表,将新采集的直播数据存入OPEN表,将达到预设获取率的直播数据存入CLOSE表;/n各节点从服务器的OPEN表中随机获取直播数据,同步更新该直播数据的获取率,节点对获取到的直播数据进行预处理后生成学习倾向标识,通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果,将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果,节点将监控结果上传至区块链并进行全节点广播,其他节点在收到广播后基于区块链约束规则进行处理,区块链基于区块链约束规则生成奖励区块;/n区块链根据监控结果对违规权重
【技术特征摘要】
1.一种基于区块链的直播数据的监控方法,其特征在于,所述方法包括:
当服务器接收到举报次数未达到举报次数阈值时,服务器读取区块链上记录的历史数据,并在识别历史数据上的违规权重后,生成对应的采集频率,然后在指定时间段内按照所述采集频率采集各客户端的直播数据;
服务器根据所述违规权重向各直播数据分配预设获取率,并创建OPEN表和CLOSE表,将新采集的直播数据存入OPEN表,将达到预设获取率的直播数据存入CLOSE表;
各节点从服务器的OPEN表中随机获取直播数据,同步更新该直播数据的获取率,节点对获取到的直播数据进行预处理后生成学习倾向标识,通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果,将各所述强化学习结果进行跨数据类型融合后生成带有时间戳的监控结果,节点将监控结果上传至区块链并进行全节点广播,其他节点在收到广播后基于区块链约束规则进行处理,区块链基于区块链约束规则生成奖励区块;
区块链根据监控结果对违规权重进行更新,并将更新后的发送至服务器中;
若服务器向对应的客户端发送警告消息;若服务器将对应的客户端进行暂时封号;若服务器将对应的客户端进行永久封号;其中,Δ1为第一阈值,Δ2为第二阈值,Δ3为第三阈值。
2.根据权利要求1所述的方法,其特征在于,所述违规权重的更新公式为:
其中,为更新后的违规权重,Ω9、…、Ω5、…、Ω1分别表示更新前1个、…、更新前5个、…、更新前9个违规权重,A、B、C、D分别为第一修正因子、第二修正因子、第三修正因子、第四修正因子。
3.根据权利要求1所述的方法,其特征在于,所述获取率的更新公式为:
其中,μ'1为更新后的获取率,μ1为更新前的获取率,为百次采集平均节点权重,ω1为当前节点权重,P为校正因子,Q为偏移量。
4.根据权利要求1所述的方法,其特征在于,通过强化学习模型对携带有学习倾向标识的直播数据进行学习以生成强化学习结果,具体包括:
基于携带有学习倾向标识的直播数据建立遗憾函数模型:
其中,[T]为采样步数,t∈[T]时的策略为π(t),c(xt,at)为每步采样的代价,假设存在最优策略π*,为在最优策略π*下每步采样的代价;
定义遗憾函数模型的V函数:以及Q函数:Qπ(x,a)=c(x,a)-λπ+E[Vπ(x′)|x,a];其中,E为迭代次数,
将遗憾函数模型拆分为以下子模型:其中,
根据子模型进行训练学习,分别生成基于数据类型的深度知识网络。
5.根据权利要求4所述的方法,其特征在于,将各所述强化学习结果进行跨数据类型融合,具体包括:
将各个深度知识网络分别转化为对应的玻尔兹曼策略,然后训练一个多任务模拟网络,最小化各个玻尔兹曼策略与多任务模拟网络的差距,即将多个深度知识网络迁移到单一的策略神经网络上进行数据融合。
6.根据权利要求1所述的方法,其特征在于,所述区块链约束规则包括:
每个节点每次只处理一个直播数据;
当前节点在处理直播数据过程中,若接收到其他的基于相同直播数据的监控结果时,立即停止对当前数据的处理;
当监控结果被区块链以区块形式记录时,区块链向带有最早的时间戳的节点投放奖励区块,该奖励区块可在节点之间进行交易,且交易记录写入区块链。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。