基于区块链的责任溯源方法及电子设备技术

本公开提供一种基于区块链的责任溯源方法及电子设备。该方法包括：将开放无线接入网中的多个网络设备的传输数据写入至区块链中；利用控制器实时获取区块链中的传输数据，并对传输数据进行数据分析，得到分析结果；响应于确定分析结果指示异常，控制器从区块链中获取发生异常情况的至少一个网络设备发送的异常数据；通过用于责任溯源的深度神经进化网络模型对异常数据进行异常定位分析，得到异常定位结果；基于异常定位结果，控制器确定多个网络设备中导致异常数据的目标网络设备作为责任设备。这样，区块链能够避免传输数据被篡改的风险，利用深度神经进化网络模型进行异常定位，能够提高责任追溯的准确率和效率。能够提高责任追溯的准确率和效率。能够提高责任追溯的准确率和效率。

【技术实现步骤摘要】
基于区块链的责任溯源方法及电子设备


[0001]本公开涉及数据处理
，尤其涉及一种基于区块链的责任溯源方法及电子设备。

技术介绍

[0002]传统上，无线接入网(RAN，Radio Access Network)使用的专有网络设备来自少数的网络设备制造商，但随着无线通信行业的发展，这种模式已不能很好地满足需求，反而使移动网络运营商(MNO，Mobile Network Operator)被“锁定”在专有RAN上，处处受到限制。软件定义网络(SDN，Software Defined Network)和网络功能虚拟化(NFV，Network Functions Virtualization)的兴起为网络核心带来了更大的灵活性和更高的成本效率，然而，RAN仍然是单一供应商系统。同时，随着5G的快速发展，各地的运营商们都纷纷加入到5G通信网络建设中。无线网络建设一直是运营商网络综合成本的最主要部分，大部分运营商面临5G网络的高额投资压力。
[0003]开放式RAN(Open
‑
RAN)是对这些挑战的一种解决方案，旨在开放移动网络中的接口，并允许从推广专有“端到端”解决方案的少数垂直供应商过渡到开放的“同类最佳”市场许多供应商提供的系统设计。这将允许更多的新的中小型供应商进入相对封闭的移动基础设施供应链，打破了传统的由一家设备商包办软硬件设备的局面，大大降低了运营商的投资建设成本。
[0004]但是开放式RAN架构有望在促进创新的同时使5G网络更加灵活，也带来了额外的技术复杂性，测试要求和维护成本相对较高。现有技术中，一般采用在网络异常情况下，对原始所有数据的分析，选出出现过异常的对象，然而异常出现具有随机性，且网络中一处出现异常通常会引发一些连锁反应，从而影响整体的性能，只收集出现过异常的对象会导致分析问题数据得到的结果是局部最优解，而非导致异常的实际对象。

技术实现思路

[0005]有鉴于此，本公开的目的在于提出一种能够解决或部分解决上述技术问题的基于区块链的责任溯源方法及电子设备。
[0006]基于上述目的，本公开的第一方面提供了一种基于区块链的责任溯源方法，包括：
[0007]将开放无线接入网中的多个网络设备的传输数据写入至区块链中；
[0008]利用控制器实时获取所述区块链中的所述传输数据，并对所述传输数据进行数据分析，得到分析结果；
[0009]响应于确定所述分析结果指示异常，所述控制器从所述区块链中获取发生异常情况的至少一个所述网络设备发送的异常数据；
[0010]通过用于责任溯源的深度神经进化网络模型对所述异常数据进行异常定位分析，得到异常定位结果，其中，所述深度神经进化网络模型是预先基于深度神经网络和进化算法而构建的；
[0011]基于所述异常定位结果，所述控制器确定所述多个网络设备中导致所述异常数据的目标网络设备作为责任设备。
[0012]本公开的第二方面提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现第一方面所述的方法。
[0013]从上面所述可以看出，本公开提供的基于区块链的责任溯源方法及电子设备，能够将运行网络中的网络设备的传输数据写入至区块链中，这样由于区块链的特点，写入的内容不可以修改，因此保证了传输数据的准确性，然后利用控制器对区块链中的传输数据进行实时调取分析，判断传输数据是否存在异常，若发现异常，将对应的异常数据输入至深度神经进化网络模型中进行识别处理，利用深度神经进化网络模型根据该异常数据确定对应的处理结果并输出，控制器就可以根据输出的处理结果确定导致所述异常数据的责任设备。这样控制器就可以向该责任设备发送异常提示信息，提醒该责任设备对应的工作人员进行维护，利用区块链对传输数据进行存储，避免了传输数据被篡改的风险，保证了传输数据的准确性，另外利用深度神经进化网络模型进行异常数据的识别处理，有效提高了出现异常事件的责任追溯的准确率和效率，降低探测异常的时延的同时降低了网络出现突发异常事件维护所需消耗的成本。
附图说明
[0014]为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为本公开实施例的基于区块链的责任溯源方法的流程图；
[0016]图2为本公开实施例的基于区块链的责任溯源方法中步骤000的展开流程图；
[0017]图3为本公开实施例的初始深度神经网络的结构图；
[0018]图4为本公开实施例的初始深度神经网络进行训练后得到的父类深度神经网络的结构图；
[0019]图5为本公开实施例的父类深度神经网络进行K次交叉变异后的结构图；
[0020]图6为本公开实施例的父类深度神经网络进行2K次交叉变异后的结构图；
[0021]图7为本公开实施例的父类深度神经网络进行3K次交叉变异后的结构图；
[0022]图8为本公开实施例的基于区块链的责任溯源方法中步骤030的展开流程图；
[0023]图9为本公开实施例的基于区块链的责任溯源方法中步骤040的展开流程图；
[0024]图10为本公开实施例的基于区块链的责任溯源方法中步骤100的展开流程图；
[0025]图11为本公开实施例的基于区块链的责任溯源方法中步骤110的步骤展开流程图；
[0026]图12为本公开实施例的基于区块链的责任溯源方法中步骤140的步骤展开流程图；
[0027]图13为本公开实施例的基于区块链的责任溯源方法中使用的各个设备的结构以及数据传输的示意图；
[0028]图14为本公开实施例的基于区块链的责任溯源方法中对应的数据传输的信号处理的通信逻辑情况的示意图；
[0029]图15为本公开实施例的基于区块链的责任溯源装置的结构框图；
[0030]图16为本公开实施例的电子设备的硬件结构示意图。
具体实施方式
[0031]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0032]需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0033]Open
‑
RAN的出现使得运营商能够基于白盒框架和开放式接口部署5G网络，打破了传统的由一家设备商包办软硬件设备的局面，大大降低了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链的责任溯源方法，包括：将开放无线接入网中的多个网络设备的传输数据写入至区块链中；利用控制器实时获取所述区块链中的所述传输数据，并对所述传输数据进行数据分析，得到分析结果；响应于确定所述分析结果指示异常，所述控制器从所述区块链中获取发生异常情况的至少一个所述网络设备发送的异常数据；通过用于责任溯源的深度神经进化网络模型对所述异常数据进行异常定位分析，得到异常定位结果，其中，所述深度神经进化网络模型是预先基于深度神经网络和进化算法而构建的；基于所述异常定位结果，所述控制器确定所述多个网络设备中导致所述异常数据的目标网络设备作为责任设备。2.根据权利要求1所述的方法，其中，所述深度神经进化网络模型是通过下列操作而构建的：收集所述网络设备的异常状态的N个相关数据作为训练样本；将N个所述训练样本输入至初始深度神经网络，使得所述初始深度神经网络根据每个训练样本进行基因突变，得到N个父类深度神经网络；对所述N个父类深度神经网络进行交叉变异处理，得到所述深度神经进化网络模型。3.根据权利要求2所述的方法，其中，所述初始深度神经网络包括输入层、隐藏层和输出层，各层之间预先设置有连接权重参数；预先为每个所述训练样本标记有对应的责任设备；将N个所述训练样本输入至所述初始深度神经网络，使得所述初始深度神经网络根据每个训练样本进行基因突变，得到N个父类深度神经网络，包括：将每个所述训练样本中的异常状态的相关数据输入到所述输入层，并将该训练样本标记的责任设备作为所述输出层的输出值；所述输入层将所述异常状态的相关数据发送至所述隐藏层，利用所述隐藏层对所述异常状态的相关数据进行处理，使得依据所述输出层的输出值，发生增加所述隐藏层的数量和/或改变各层之间的所述连接权重参数的基因突变；将各个基因突变后的初始深度神经网络作为所述父类深度神经网络。4.根据权利要求2所述的方法，其中，对所述N个父类深度神经网络进行交叉变异处理，得到所述深度神经进化网络模型，包括：从所述N个父类深度神经网络中选取两个目标父类深度神经网络，将所述两个目标父类深度神经网络进行交叉，使得一个目标父类深度神经网络依据另一个目标父类深度神经网络发生变异，得到变异深度神经进化网络；收集所述网络设备的异常状态的相关数据作为测试样本，并为每个测试样本标记对应的责任设备；将所述测试样本输入至所述变异深度神经进化网络进行测试，得到测试结果；基于所述测试结果与所述测试样本标记的责任设备之间的差异确定对应的损失函数，并计算损失值；
响应于确定所述损失值大于预定损失值，从剩余的父类深度神经网络中选取一个新目标父类深度神经网络，对所述变异深度神经进化网络和所述新目标父类深度神经网络进行迭代交叉变异处理，直至确定所述损失值小于等于所述预定损失值，将最终的变异深度神经进化网络作为所述深度神经进化网络模型。5.根据权利要求4所述的方...

【专利技术属性】
技术研发人员：杨辉，董帅，姚秋彦，包博文，李超，孙政洁，张杰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：