基于区块链的直播数据的监控方法及系统技术方案

本发明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，结合区块链技术，能够在受到举报次数超过阈值时，对违规行为进行进一步判断和处理，提升了违规行为判定的效率和准确率，减少了违规的漏判和错判，防止违规行为的错误判断与处理，也避免了违规行为的长时间和大范围的传播，营造良好的互联网生态环境。

Live data monitoring method and system based on blockchain

【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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取率的更新公式为：其中，μ1'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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，当服务器收到举报次数达到举报次数阈值时，服务器直接采集被举报客户端的直播数据。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述直播数据包括指定时长内的图像数据、弹幕数据和声音数据。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述节点对获取到的直播数据进行预处理，具体包括：设置预处理优先级，其中，弹幕数据为第一优先级，声音数据为第二优先级，图像数据为第三优先级；第一优先级处理：判断指定时长内的弹幕内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则判断所述弹幕内容的IP重合度是否超出重合度阈值，若超出，则进行潜在违规标记，若未超出，则判断所述弹幕内容的文字重复度是否超出重复度阈值，若超出，则进行违规标记，若未超出，则进入第二优先级处理；第二优先级处理：将声音数据转化为文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则进入第三优先级处理；第三优先级处理：识别图像数据中文字内容，并将文字内容与违规词库进行匹配，若匹配成功则进行潜在违规标记，若匹配不成功，则对图像数据进行广告识别，若识别出广告进行潜在违规标记，若未识别出广告则不进行标记；若直播数据中存在潜在违规标记，则生成违规学习倾向标识；若直播数据不存在潜在违规标记，则生成非违规学习倾向标识。第二方面，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系统，所述系统包括：服务器，所述服务器包括：读取单元，用于在接收到举报次数未达到举报次数阈值时，读取区块链上记录的历史数据；生成单元，用于在在识别历史数据上的违规权重后，生成对应的采集频率；采集单元，用于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；分配单元，用于根据所述违规权重向各直播数据分配预设获取率；创建单元，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；判断单元，在向对应的客户端发送警告消息；在将对应的客户端进行暂时封号；在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，为违规权重。至少一个节点，所述节点包括：获取模块，用于从服务器的OPEN表中随机获取直播数据，同步更新该直播数据的获取率；预处理模块，用于对获取到的直播数据进行预处理后生成学习倾向标识；学习处理模块，用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，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；区块链交互模块，将监控结果上传至区块链并进行全节点广播，以使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，所述区块链包括：存储层，用于记录历史数据，所述历史数据包括违规权重数据、节点本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：杨永群，
申请(专利权)人：杨永群，
类型：发明
国别省市：安徽;34