(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111671235.X (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114338853 A (43)申请公布日 2022.04.12 (73)专利权人 西南民族大 学 地址 610041 四川省成 都市武侯区一环路 南四段16号 (72)发明人 谢盈　刘政奇　李世鹏　丁旭阳　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 张小娟 (51)Int.Cl. H04L 69/22(2022.01) H04L 47/2441(2022.01)G06F 16/27(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 110247930 A,2019.09.17 CN 113298186 A,2021.08.24 WO 2021114231 A1,2021.0 6.17 CN 113486935 A,2021.10.08 WO 2021196911 A1,2021.10.07 WO 2021103135 A1,2021.0 6.03 CN 111510433 A,2020.08.07 韩长江等.物联网分布式拒绝 服务攻击流量 检测研究概 述. 《通信电源技 术》 .2020,(第0 3 期), 审查员 马苗苗 (54)发明名称 一种工业互联网下的区块链流量监检测方 法 (57)摘要 本发明公开了一种工业互联网下的区块链 流量监检测方法， 本发明通过针对区块链流量深 度学习模型， 对从获取的流量中所提取的基于区 块链流量的特征进行分析， 判断该流量是否为区 块链流量， 基于流量对区块链中的节点进行发 现， 基于发现的节点及区块链节 点发现方法进行 新的节点监检测， 从而实现了在区块链网络中监 检测未知区块链， 解决了对于未公开的区块链难 以监控的问题。 权利要求书2页 说明书5页 附图2页 CN 114338853 B 2022.09.20 CN 114338853 B 1.一种工业互联网下的区块链流 量监检测方法， 其特 征在于， 包括以下步骤： S1、 获取区块链各个节点的网络流量， 进行基于区块链的特征提取， 构建各个节点的流 量特征矩阵； 构建初始神经网络模型； S2、 采用流量特征矩阵对当前的神经网络模型进行训练， 获取当前的神经网络模型的 输出标签； S3、 获取当前的神经网络模型的输出 标签的准确率和召回率； S4、 判断当前的神经网络模型的输出标签的准确率或召回率是否低于对应阈值， 若是 则进入步骤S5； 否则将当前的神经网络模型作为训练后的神经网络模型并进入步骤S6； S5、 通过反向传播更新当前的神经网络模型， 返回步骤S2； S6、 记录并以各个节点的当前流量特征矩阵为监检测依据， 采用训练后的神经网络模 型对工业互联网下的区块链流 量进行监检测； 步骤S1中构建初始神经网络模型的具体方法为： 构建包括依次串联的三个卷积层、 两个池化层、 一个压缩层、 全连接层和softmax分类 器的初始神经网络模型； 将第一个卷积层和第二个卷积层的卷积核大小均设置为3 ×3， 通 道数均设置为32， 将池化层的大小设置为2 ×2； 将压缩层的输出维度设置为 一维； 建立初始神经网络模型的参数矩阵， 将参数矩阵中的初始元 素值均设置为1； 将每个卷积层的计算公式构建为： 其中 为第l层卷积层在采用参数矩阵中第 i行第j列参数时的输出， σ( ·)为relu激活 函数； 为第l层卷积层的参数矩阵； 为第l层卷积层 输出中第i+a行第j+b列的值； 当l＝1时， 替换为流量特征矩阵。 2.根据权利要求1所述的工业互联网下的区块链流量监检测方法， 其特征在于， 步骤S1 中获取区块链各个节点的网络流 量的具体方法为： 通过端口号、 TCP头部字段和IP头部字段获取 区块链各个节点的心跳机制、 节点发现机 制、 上链机制、 区块链的交易流量、 合约调用流量、 合约创建流量， 得到区块链各个节点的网 络流量。 3.根据权利要求1所述的工业互联网下的区块链流量监检测方法， 其特征在于， 步骤S2 中采用流量特征矩阵对初始神经网络模型进 行训练， 获取初始神经网络模 型的输出标签的 具体方法包括以下子步骤： S2‑1、 将流量特征矩阵输入初始神经网络模型， 通过三个卷积层计算后得到矩阵z； S2‑2、 将矩阵z通过池化层池化后输入压缩层， 得到一维向量z*； S2‑3、 将一维向量z*输入全连接层， 得到大小为 k×1的预测向量x； S2‑4、 将预测向量x输入softmax分类 器， 根据公式：权　利　要　求　书 1/2 页 2 CN 114338853 B 2获取假设函数输出值hθ(x)； 其中e为常数； θ为假设函数中的参数； p(y＝k|x； θ )为在参 数为θ 的假设函数中， 基于预测向量x得 出的标签值y为 k的概率； (·)T表示矩阵的转置； S2‑5、 将hθ(x)中概率值最大的标签作为输出 标签。 4.根据权利要求3所述的工业互联网下的区块链流量监检测方法， 其特征在于， 步骤S5 中通过反向传播更新当前的神经网络模型的具体方法为： 根据公式获取softmax分类 器的代价 函数： 获取基于参数θ得到的代价J( θ )； 并根据代价函数与每个参数矩阵的偏导进行反向传 播， 对参数θ 以及各 卷积层的参数矩阵进行 更新。 5.根据权利要求3所述的工业互联网下的区块链流量监检测方法， 其特征在于， 步骤S6 的具体方法为： 获取并将各个节点的当前流量特征矩阵输入训练后的神经网络模型， 根据训练后的神 经网络模型 的输出判定对应节点的流量是否属于区块链流量， 若是则认为对应节点正常； 否则认为对应节点异常。权　利　要　求　书 2/2 页 3 CN 114338853 B 3