【技术实现步骤摘要】
本申请涉及智能监测，且更为具体地，涉及一种基于区块链的数据安全监测方法。
技术介绍
1、随着我国智慧城市的建设和数字化转型，互联网技术飞速发展，与此同时，数据安全问题也越来越受到大家的关注。区块链技术的广泛应用为保障数据安全和隐私的成为智慧城市构建的基础。区块链技术具有分布式运营、集中化管理的特点，其链的运营由多个节点共同参与、共同维护。信息上链之后，对信息的任何操作都会记录在链上，确保了信息的透明度和可追溯性。
2、虽然区块链网络能够确保数据的不可篡改性和可追溯性，但是区块链系统无法保证上传至区块链网络的数据的安全性。相应地，如果数据本身存在安全风险，那即便区块链网络能够提供不可篡改性和可追溯性，一旦源头数据存在风险，后续的数据管理也会变为无用功。
3、因此，期待一种基于区块链的数据安全监测方法。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链的数据安全监测方法，其基于深度学习技术，采用上下文编码器和卷积神经网络对待检测数据进行多层次的语义特征提取和关联分析，再通过分类器判断该数据是否存在安全风险。这样，利用机器学习算法对数据进行安全监测，以提高数据安全性检测的准确性和可靠性，帮助识别潜在的安全问题，从而采取相应的措施来保护数据的安全性。
2、相应地，根据本申请的一个方面，提供了一种基于区块链的数据安全监测方法，其包括：
3、从区块链上获取待检测数据；
4、对所述待检测数据进行数
5、将所述预处理后待检测数据通过包含嵌入层的上下文编码器以得到多个数据语义特征向量；
6、将所述多个数据语义特征向量进行级联以得到第一尺度数据语义关联特征向量；
7、将所述多个数据语义特征向量进行二维排列为数据上下文语义特征矩阵后通过作为过滤器的卷积神经网络模型以得到第二尺度数据语义关联特征向量；
8、对所述第一尺度数据语义关联特征向量和所述第二尺度数据语义关联特征向量进行基于秩序性的特征工程匹配以得到分类特征向量；
9、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示该数据是否存在安全风险。
10、在上述基于区块链的数据安全监测方法中，将所述预处理后待检测数据通过包含嵌入层的上下文编码器以得到多个数据语义特征向量，包括：使用所述上下文编码器的嵌入层将所述预处理后待检测数据中的各个数据项的文本数据分别映射为词嵌入向量；将所述各个数据项中的数值数据分别添加到所述各个数据项的词嵌入向量的尾部以得到多个数据项嵌入向量；使用所述上下文编码器的基于转换器的bert模型对所述多个数据项嵌入向量进行上下文语义编码以得到所述多个数据语义特征向量。
11、在上述基于区块链的数据安全监测方法中，使用所述上下文编码器的基于转换器的bert模型对所述多个数据项嵌入向量进行上下文语义编码以得到所述多个数据语义特征向量，包括：将所述多个数据项嵌入向量进行一维排列以得到数据项全局嵌入向量；计算所述数据项全局嵌入向量与所述多个数据项嵌入向量中各个数据项嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个数据项嵌入向量中各个数据项嵌入向量进行加权以得到所述多个数据语义特征向量。
12、在上述基于区块链的数据安全监测方法中，将所述多个数据语义特征向量进行二维排列为数据上下文语义特征矩阵后通过作为过滤器的卷积神经网络模型以得到第二尺度数据语义关联特征向量，包括：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述数据上下文语义特征矩阵进行处理以得到所述第二尺度数据语义关联特征向量；
13、其中，所述卷积公式为：
14、fi＝gp{sigmoid(ni×fi-1+bi)}
15、其中，fi-1为第i层卷积神经网络模型的输入，fi为第i层卷积神经网络模型的输出，ni为第i层卷积神经网络模型的过滤器，且bi为第i层卷积神经网络模型的偏置矩阵，sigmoid表示非线性激活函数，且gp表示对特征图的各个特征矩阵进行全局特征池化操作。
16、在上述基于区块链的数据安全监测方法中，对所述第一尺度数据语义关联特征向量和所述第二尺度数据语义关联特征向量进行基于秩序性的特征工程匹配以得到分类特征向量，包括：计算所述第一尺度数据语义关联特征向量相对于所述第二尺度数据语义关联特征向量之间的基于秩序性的特征工程匹配因子；以所述特征工程匹配因子作为权重，对所述第一尺度数据语义关联特征向量进行加权以得到加权后第一尺度数据语义关联特征向量；计算所述加权后第一尺度数据语义关联特征向量和所述第二尺度数据语义关联特征向量之间的按位置加权和以得到所述分类特征向量。
17、在上述基于区块链的数据安全监测方法中，计算所述第一尺度数据语义关联特征向量相对于所述第二尺度数据语义关联特征向量之间的基于秩序性的特征工程匹配因子，包括：以如下特征工程匹配因子计算公式来计算所述第一尺度数据语义关联特征向量相对于所述第二尺度数据语义关联特征向量之间的基于秩序性的特征工程匹配因子；
18、其中，所述特征工程匹配因子计算公式为：
19、
20、其中，v1表示所述第一尺度数据语义关联特征向量，v2表示所述第二尺度数据语义关联特征向量，t表示向量的转置，‖·‖f表示矩阵的froben i us范数，exp(·)表示矩阵的指数运算，α表示超参数，log表示以2为底的对数函数值，det表示矩阵的行列式，w1表示所述特征工程匹配因子。
21、在上述基于区块链的数据安全监测方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示该数据是否存在安全风险，包括：使用所述分类器以如下分类公式对所述分类特征向量进行处理以得到所述分类结果；其中，所述分类公式为：o＝softmax{(wn,bn):…:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量，softmax表示归一化指数函数，o表示所述分类结果。
22、根据本申请的另一个方面，提供了一种基于区块链的数据安全监测系统，其包括：
23、数据采集模块，用于从区块链上获取待检测数据；
24、数据清洗模块，用于对所述待检测数据进行数据清洗以得到预处理后待检测数据；
25、数据语义理解模块，用于将所述预处理后待检测数据通过包含嵌入层的上下文编码器以得到多个数据语义特征向量；
26、第一尺度上下文关联模块，用于将所述多个数据语义特征向量进行级联以得到第一尺度数据语义关联特征向量；
本文档来自技高网...
【技术保护点】
1.一种基于区块链的数据安全监测方法，其特征在于，包括：
2.根据权利要求1所述的基于区块链的数据安全监测方法，其特征在于，将所述预处理后待检测数据通过包含嵌入层的上下文编码器以得到多个数据语义特征向量，包括：
3.根据权利要求2所述的基于区块链的数据安全监测方法，其特征在于，使用所述上下文编码器的基于转换器的Bert模型对所述多个数据项嵌入向量进行上下文语义编码以得到所述多个数据语义特征向量，包括：
4.根据权利要求3所述的基于区块链的数据安全监测方法，其特征在于，将所述多个数据语义特征向量进行二维排列为数据上下文语义特征矩阵后通过作为过滤器的卷积神经网络模型以得到第二尺度数据语义关联特征向量，包括：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述数据上下文语义特征矩阵进行处理以得到所述第二尺度数据语义关联特征向量；
5.根据权利要求4所述的基于区块链的数据安全监测方法，其特征在于，对所述第一尺度数据语义关联特征向量和所述第二尺度数据语义关联特征向量进行基于秩序性的特征工程匹配以得到分类特征向量，包括：
6.根
7.根据权利要求6所述的基于区块链的数据安全监测方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示该数据是否存在安全风险，包括：使用所述分类器以如下分类公式对所述分类特征向量进行处理以得到所述分类结果；
8.一种基于区块链的数据安全监测系统，其特征在于，包括：
9.根据权利要求8所述的基于区块链的数据安全监测系统，其特征在于，所述数据语义理解模块，包括：
10.根据权利要求9所述的基于区块链的数据安全监测系统，其特征在于，所述上下文编码单元，包括：
...【技术特征摘要】
1.一种基于区块链的数据安全监测方法，其特征在于，包括：
2.根据权利要求1所述的基于区块链的数据安全监测方法，其特征在于，将所述预处理后待检测数据通过包含嵌入层的上下文编码器以得到多个数据语义特征向量，包括：
3.根据权利要求2所述的基于区块链的数据安全监测方法，其特征在于，使用所述上下文编码器的基于转换器的bert模型对所述多个数据项嵌入向量进行上下文语义编码以得到所述多个数据语义特征向量，包括：
4.根据权利要求3所述的基于区块链的数据安全监测方法，其特征在于，将所述多个数据语义特征向量进行二维排列为数据上下文语义特征矩阵后通过作为过滤器的卷积神经网络模型以得到第二尺度数据语义关联特征向量，包括：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述数据上下文语义特征矩阵进行处理以得到所述第二尺度数据语义关联特征向量；
5.根据权利要求4所述的基于区块链的数据安全监测方法，其特征在于，对所述第一尺度数据语义关联特征向量和所述第二尺度数据语义关联特征向量进行...
【专利技术属性】
技术研发人员：廖秀聆，王小军，赖孝友，吴悦婷，高翔，
申请(专利权)人：福建中信网安信息科技有限公司，
类型：发明
国别省市：
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。