一种基于区块链的设备管理制造技术

本发明专利技术公开了一种基于区块链的设备管理

【技术实现步骤摘要】
一种基于区块链的设备管理SaaS系统


[0001]本专利技术属于计算机
，尤其涉及一种基于区块链的设备管理
SaaS
系统
。

技术介绍

[0002]随着云计算
、
物联网（
IoT
）等技术的广泛应用，设备管理已经从传统的本地管理模式转变为更加灵活的云端管理模式
。
这种模式通常被称为设备管理的
SaaS
（软件即服务）系统
。
[0003]传统的设备管理系统依赖于定期的或者手动的设备检查，而这种方法往往无法实时掌握设备的状态信息，且效率较低
。
无法准确预测设备的运行状态，从而无法提前预防设备的故障
。
[0004]在设备租赁的过程中，设备的使用权和设备产生的数据权通常是绑定在一起的
。
然而，有时候，租赁方可能只需要设备的使用权，而不需要设备产生的数据权，或者希望将数据权交给其他的厂商
。
传统的设备管理系统往往无法灵活地处理这种情况
。
[0005]因此，需要一种设备管理系统能够实现设备状态的实时监控和预测，能够灵活地管理设备的使用权和数据权，并且能够快速并准确预测设备维修状态
。

技术实现思路

[0006]针对上述现有技术中存在的缺陷，本专利技术提供一种基于区块链的设备管理
SaaS
系统，所述系统包括多个计算节点
、
多个设备节点和权限节点；所述计算节点包括分布式设备状态预测训练模块和分布式设备状态预测模块；其中，所述分布式设备状态预测训练模块通过区块链网络中的计算节点分布式计算能力，利用设备产生数据进行预测模型训练，并将预测模型参数上传至区块链上；其中，所述计算节点根据双向权限管理模块确定的当前计算节点权限获得共享在区块链上的加密设备产生数据；其中，当参与训练任务的计算节点将新的预测模型参数块被添加到区块链中时，其他所有计算节点解析新块中的交易数据并从中提取模型参数后，所有的计算节点的分布式设备状态预测模块将基于共识机制确定更新本地的预测模型参数用来更新节点本地的预测模型；以及，所述分布式设备状态预测模块用于根据双向权限管理模块的授权对指定设备的设备状态进行实时监测
。
[0007]其中，所述权限节点包括双向权限管理模块；所述双向权限管理模块通过智能合约实现对设备和计算节点的双向权限管理，并对设备产生数据进行区块链的数据加密和上链操作，以及确定并记录在每一训练事件触发周期确定的设备和计算节点的身份信息和对应的权限信息
。
[0008]其中，对于多个设备节点，设备的所有行为被记录在区块链上，形成设备产生数据的行为日志；
以及，对于多个计算节点，计算节点对设备产生数据的所有访问行为被记录在区块链上，形成计算节点行为日志
。
[0009]其中，基于带有注意力机制的
LSTM
模型对维护需求预测进行预测；设备产生数据即设备的行为数据包括设备启动
、
关闭
、
故障
、
维修，和设备的状态数据包括设备的使用时间
、
使用强度按照时间序列进行组合作为带有注意力机制的
LSTM
模型的输入；带有注意力机制的
LSTM
模型的输出是设备在未来时间段内的维护需求概率
y。
[0010]其中，在所述注意力机制
LSTM
模型中，基于区块链通过分布式梯度下降方式来学习模型的参数
。
[0011]其中，基于区块链通过分布式梯度下降方式来学习模型的参数，包括：将整个训练数据集分成多个分片，将分片分配给参与训练任务的计算节点上；每个参与训练任务的计算节点独立地运行前向传播和反向传播，计算其所持有的数据分片上的梯度；在所有的参与训练任务的计算节点都计算出了自己的梯度后，聚合梯度得到平均梯度；每个参与训练任务的计算节点接收到平均梯度后，用平均梯度来更新其本地的模型参数；更新后的模型参数用于该计算节点在下一轮的训练中使用
。
[0012]其中，当新数据被上传时达到触发条件，智能合约会触发一个事件；智能合约评估所有计算节点的当前状态根据评估结果，确定哪些节点有资格参与训练任务， 对于每个有资格的计算节点，智能合约确定它的数据分片大小；智能合约将数据分片的权限分配给各个节点，包括将设备产生数据的访问权限写入区块链，并将数据分片的访问密钥发送给各个计算节点，设备基于密钥对设备产生数据加密后进行数据上链后，计算节点根据更新的访问权限确认自身当前是否有对设备产生数据的访问权限，确认为有资格的计算节点时获取对应的设备产生数据进行解码操作
。
[0013]其中，智能合约评估所有计算节点的当前状态根据评估结果，确定哪些节点有资格参与训练任务，包括：计算节点的状态评估值（
E
）可以由以下公式计算：
E = C /
（
wF * (1
ꢀ‑ꢀ
F) + wM * (1
ꢀ‑ꢀ
M) + wS * (1
ꢀ‑ꢀ
S)
））
* sqrt(N)
，其中，
E 是节点的状态评估值；
C 是计算节点中处理器最高工作频率；
F
是计算节点中处理器利用率；
M 和 S 是内存使用率和存储空间使用率；
(1
ꢀ‑ꢀ
F)、(1
ꢀ‑ꢀ
M)
和
(1
ꢀ‑ꢀ
S)
分别表示处理器
、
内存
、
和存储空间的空闲率；处理器使用率的权重为
wF
，内存使用率的权重为
wM
，存储空间使用率的权重为
wS
；
N 是计算节点的近期活跃度；只有当节点的状态评估值大于预设的第一阈值，并且节点的计算能力大于预设的第二阈值时，计算节点有资格参与训练任务
。
[0014]其中，智能合约确定数据分片大小，包括根据以下公式确定数据分片大小：
D = E * R / Sum(Ei)
，其中，
D
表示节点的数据分片大小，
R
表示确定的总的预测模型训练任务的训练数据集合大小，
Sum(Ei)
是所有有资格的节点的状态评估值的总和；其中，总数据集合大小
R
可以根据上链的所有设备产生数据的数据包大小之和确定
。
[0015]其中，所有的计算节点的分布式设备状态预测模块将基于共识机制确定更新本地的预测模型参数，所述共识机制基于工作量证明和参数平均值的接近程度确定用于更新本地预测模型参数的计算节点，将所述计算节点广播的预测模型参数用于更新本地的预测模型参数
。
[0016]本专利技术通过将设备管理与区块链技术相结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于区块链的设备管理
SaaS
系统，所述系统包括多个计算节点
、
多个设备节点和权限节点，其特征在于：所述计算节点包括分布式设备状态预测训练模块和分布式设备状态预测模块；其中，所述分布式设备状态预测训练模块通过区块链网络中的计算节点分布式计算能力，利用设备产生数据进行预测模型训练，并将预测模型参数上传至区块链上；其中，所述计算节点根据双向权限管理模块确定的当前计算节点权限获得共享在区块链上的加密设备产生数据；其中，当参与训练任务的计算节点将新的预测模型参数块被添加到区块链中时，其他所有计算节点解析新块中的交易数据并从中提取模型参数后，所有的计算节点的分布式设备状态预测模块将基于共识机制确定更新本地的预测模型参数用来更新节点本地的预测模型；以及，所述分布式设备状态预测模块用于根据双向权限管理模块的授权对指定设备的设备状态进行实时监测
。2.
如权利要求1所述的一种基于区块链的设备管理
SaaS
系统，其特征在于，所述权限节点包括双向权限管理模块；所述双向权限管理模块通过智能合约实现对设备和计算节点的双向权限管理，并对设备产生数据进行区块链的数据加密和上链操作，以及确定并记录在每一训练事件触发周期确定的设备和计算节点的身份信息和对应的权限信息
。3.
如权利要求1所述的一种基于区块链的设备管理
SaaS
系统，其特征在于，对于多个设备节点，设备的所有行为被记录在区块链上，形成设备产生数据的行为日志；以及，对于多个计算节点，计算节点对设备产生数据的所有访问行为被记录在区块链上，形成计算节点行为日志
。4.
如权利要求1所述的一种基于区块链的设备管理
SaaS
系统，其特征在于，基于带有注意力机制的
LSTM
模型对维护需求预测进行预测；设备产生数据即设备的行为数据包括设备启动
、
关闭
、
故障
、
维修，和设备的状态数据包括设备的使用时间
、
使用强度按照时间序列进行组合作为带有注意力机制的
LSTM
模型的输入；带有注意力机制的
LSTM
模型的输出是设备在未来时间段内的维护需求概率
y。5.
如权利要求4所述的一种基于区块链的设备管理
SaaS
系统，其特征在于，在所述注意力机制
LSTM
模型中，基于区块链通过分布式梯度下降方式来学习模型的参数
。6.
如权利要求5所述的一种基于区块链的设备管理
SaaS
系统，其特征在于，基于区块链通过分布式梯度下降方式来学习模型的参数，包括：将整个训练数据集分成多个分片，将分片分配给参与训练任务的计算节点上；每个参与训练任务的计算节点独立地运行前向传播和反向传播，计算其所持有的数据分片上的梯度；在所有的参与训练任务的计算节点都计算出了自己的梯度后，聚合梯度得到平均梯度；每个参与训练任务的计算节点接收到平均梯度后，用平均梯度来更新其本地的模型参
数；更新后的模型参数用于该计算节点在下一轮的训练中使用
。7.
如权...

【专利技术属性】
技术研发人员：黎文彬，毛涛，
申请(专利权)人：凌雄技术深圳有限公司，
类型：发明
国别省市：