[发明专利]一种基于机器学习的联盟链异常检测系统及其检测方法

说明书

本发明公开了一种基于机器学习的联盟链异常检测系统及其检测方法，该检测方法将该检测系统布置到基于PBFT共识算法的联盟链网络中，根据PBFT共识过程中单节点prepare阶段和commit阶段的时间间隔数据，首先确定联盟链网络中是否存在异常节点，若存在异常节点，则进一步确定异常节点，可以快速准确的检测出联盟链网络中是否存在异常节点；采用两次异常检测，确保确定联盟链中异常节点的情况下，减少该异常检测系统的资源占用，第一次异常检测通过单节点的数据检测联盟链网络中是否存在异常节点，第二次的异常检测确定联盟链中异常的节点；该系统在保证检测有效性和可靠性前提下，充分考虑了资源占用的问题，并降低了该检测系统的资源占用。

技术领域

本发明涉及区块链技术，具体是一种基于机器学习的联盟链异常检测系统及其检测方法。

背景技术

区块链技术自提出以来收到许多专家学者的关注，该项技术在合同处理、数据交换、金融、征信、物联网、物流、经济结算等众多领域中都有广泛的应用前景。该技术摒弃了传统受信的第三方，以其去中心化著称，按照去中心化程度的不同可分为公有链、联盟链和私有链。其中公有链完全去中心化，允许任何人随时加入或退出，但是其运行后如果出现问题很难修正，且其共识机制开销大，高延时，吞吐量低，无法满足商业需求；联盟链是部分去中心化的，该链由联盟成员参与，节点只有通过授权才能加入或退出，其具有成本低，效率高的特点，更加适合商用；私有链是没有去中心化的，其成员加入资格被严格限制，写权限由某个机构或组织控制。

区块链由共识机制来保证其安全性和一致性，目前主流的共识机制有工作量证明（Proof of Work，POW）、权益证明（Proof of Stake，POS）、代理权益证明（Delegated Proofof Stake，DPOS）、拜占庭容错算法（如Practical Byzantine Fault Tolerance，PBFT），以及其他改进共识机制。其中POW和POS用于公有链，DPOS和拜占庭算法用于联盟链。PBFT算法由于不需要节点间进行竞争从而完成记账工作，因此相比“Proof of X”类的算法其共识效率更高。

虽然PBFT算法本身具有一定的容错能力，但是网络中的恶意节点的存在依然会对区块链出块产生影响。近些年机器学习的蓬勃发展为解决该问题出了新的方法。机器学习通过挖掘数据中潜在的、有利用价值的信息来解决该类问题。

目前在联盟链异常检测中，主要有以下几种方式：

一：基于人工提取特征

该种方法需要人工直接参与进行异常检测，参与进行异常检测的人员需要有较强相关专业知识，并且异常检测的效果很大程度上取决于人工特征提取的好坏；该方法通常无法做到极致，并且需要耗费大量时间，这就导致当新的攻击手法出现时，不能做到及时检测与快速安全防护。

二：基于统计学的方法

基于统计的方法通常是基于网络流量分布设计的，假设网络流量服从一定的分布。建立统计模型最简单的方法是计算每一类已知网络流量的概率密度函数的参数，然后对未知样本进行检验，确定其属于哪一类。在生成概率密度函数时，它通常构建两个不同的概要文件，一个用于普通概要文件，另一个用于攻击流量。它检查输入流量是否属于现有类。在实际应用中，估计概率密度函数主要有参数化和非参数化两种方法。参数化技术假定基本分布的知识，并根据给定的数据估计参数。正常流量数据通常假设为高斯分布。参数化技术估计某些参数以适应现有的分布。该方法虽然实现简单，其通过阈值判定异常，但在复杂网络中很难确定网络中流量的具体分布，在高维网络数据中，统计模型的参数调优相对比较低效，很难选择有效统计量，导致基于统计的方法在进行异常检测时检测效果不理想。

三：基于机器学习的异常检测