一种基于区块链的分布式态势融合生成方法以及系统技术方案

本发明专利技术提供了一种基于区块链的分布式态势融合生成方法以及系统，属于指挥控制领域，其包括如下步骤：

【技术实现步骤摘要】
一种基于区块链的分布式态势融合生成方法以及系统


[0001]本专利技术属于指挥控制
，更具体地，涉及一种基于区块链的分布式态势融合生成方法以及系统
。

技术介绍

[0002]数据融合是指挥控制系统的核心功能
。
系统通过数据融合整合来自不同传感器和情报源的信息，生成完整
、
一致
、
准确的场景态势信息，辅助指挥员分析
、
理解和预测态势变化
。
在网络安全领域，数据融合可以用于检测和防止网络攻击
。
通过整合来自不同来源的网络流量数据，可以更准确地检测到潜在的安全威胁
。
在高级竞争情报的应用场景中，数据融合可以帮助企业从大量的市场和竞争信息中提取有价值的见解，从而做出更明智的商业决策
。
在这些复杂的应用场景中，由于情报数据的多路径传输，以及各个系统之间融合规则和算法的不一致性，很容易导致数据处理过程中的重复性工作，以及精度的假性提高和数据融合结果的不一致
。
[0003]分布式态势融合生成
(Distributed Situation Awareness,DSA)
是一种通过整合来自多个来源的信息，以形成对环境的全面和实时认知的方法
。
在分布式系统中，各个节点可以独立地收集
、
处理和分享信息，从而增强整个系统对环境的感知和适应能力
。DSA
的核心优势包括弹性
、
可扩展性和实时性
。
由于其分布式特性，系统更具弹性，即使某些节点失效，整体性能仍能得到保证
。
同时，分布式结构使得在需要时可方便地添加新节点
。
此外，
DSA
能实时整合来自各个节点的信息，提高了对环境变化的响应速度
。
[0004]主流的分布式数据融合方法包括：
(1)
基于局部模型的融合方法：将数据分散存储在不同的节点上，并在每个节点上训练出局部模型，然后通过将局部模型融合，得到一个全局模型，常见的方法包括模型平均和模型组合；
(2)
基于特征融合的方法：将分散的特征数据进行融合，得到一个全局的特征数据集，然后在全局特征数据集上训练模型，常见的方法包括特征加权和特征拼接；
(3)
基于机器学习的融合方法：利用机器学习算法进行数据融合，常见的方法包括集成学习算法
(
如随机森林和
Boosting
算法
)、
深度学习算法
(
如神经网络和卷积神经网络
)
等；
(4)
基于图模型的融合方法：将分布式数据看作一个图结构，通过图模型来对数据进行融合，常见的方法包括图割和图神经网络等；
(5)
基于特征选择的方法：通过选择与目标任务相关的特征进行数据融合，常见的方法包括互信息
、
相关系数和基于模型的特征选择等
。
[0005]由于态势数据存储在不同的节点上，节点之间的数据可能存在不一致性和冲突
。
例如，在模型训练过程中，不同的节点可能使用不同的数据划分或数据预处理方法，导致最终的模型结果不一致
。
同时，在分布式态势数据融合过程中，涉及到多个节点之间的态势数据共享和传输，确保数据共享的安全性是一个重要的问题
。

技术实现思路

[0006]针对现有技术的缺陷，本专利技术的目的在于提供一种基于区块链的分布式态势融合
生成方法以及系统，以解决现有技术中态势感知数据融合过程中数据不一致性问题和安全性问题
。
[0007]为实现上述目的，本专利技术提供了一种基于区块链的分布式态势融合生成方法，其包括如下步骤：
[0008]S1
：区块链中当下平台接受其他平台发送的目标感知数据，并进行数据预处理，
[0009]S2
：利用预处理后的数据制定数据融合规则，
[0010]S3
：在区块链中部署智能合约，
[0011]S4
：智能合约在区块链中运行，区块链中各个平台对目标感知数据进行融合处理，
[0012]S5
：区块链输出目标感知数据的融合结果，完成分布式态势融合
。
[0013]进一步的，步骤
S1
中，将其他平台发送的目标感知数据包括设备
ID、
物体
ID、
时间戳和观测坐标中的一种或者多种，通过编码
、
嵌入
、
归一化和数据清洗中的一种或者多种方式将其转换成连续的或者离散的向量，从而完成预处理，使得数据形式方便后续处理和使用
。
[0014]进一步的，步骤
S2
中，在制定数据融合规则时，使用串行的卷积神经网络模型和长短期记忆网络模型的组合以形成多输入单输出模型，以使多输入单输出模型的设计充分利用深度学习方式，从而能够从空间和时间两个角度对数据进行深度解析
。
[0015]进一步的，步骤
S2
中，制定数据融合规则仅在首次需要部署智能合约才进行，在制定好数据融合规则后，后续需要进行态势融合时直接调用数据融合规则，利用智能合约进行融合处理，输出融合结果
。
[0016]进一步的，步骤
S2
中，制定数据融合规则的具体过程细分为如下子步骤：
[0017]S21
：初始化多输入单输出模型的参数，
[0018]S22
：获得预处理后的空间数据样本，利用具有多个卷积层和池化层组成的卷积神经网络模型训练，获得空间特征，完成空间数据处理，
[0019]S23
：获得预处理后的时间数据样本，采用长短期记忆网络模型训练，捕捉时间序列数据中长期依赖关系，获得时间特征，完成时间数据处理，
[0020]S24
：卷积神经网络模型的输出首先被拼接成一个统一的特征向量，然后该统一的特征向量会被输入到长短期记忆网络模型，该长短期记忆网络模型由多个并行的长短期记忆网络模型单元组成，
[0021]S25
：使用多输入单输出模型的全连接层作为输出层，全连接层将长短期记忆网络模型的模型层的输出转换为最终的预测坐标，该预测坐标代表对象的预测坐标，
[0022]S26
：计算预测坐标和实际坐标之间的均方误差，
[0023]如果预测坐标和实际坐标之间的均方误差不满足阈值，跳转到步骤
S21
，依次重复执行步骤，直到误差满足阈值，
[0024]如果预测坐标和实际坐标之间的均方误差满足阈值，完成制定数据融合规则
。
[0025]进一步的，步骤
S3
中，在区块链中部署智能合约具体为，制定的数据融合规则为完整的神经网络模型，将完整的神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于区块链的分布式态势融合生成方法，其特征在于，其包括如下步骤：
S1
：区块链中当下平台接受其他平台发送的目标感知数据，并进行数据预处理，
S2
：利用预处理后的数据制定数据融合规则，以能在后续形成智能合约，
S3
：在区块链中部署智能合约，
S4
：在区块链中运行智能合约，区块链中各个平台对目标感知数据进行融合处理，
S5
：区块链输出目标感知数据的融合结果，完成分布式态势融合
。2.
如权利要求1所述的一种基于区块链的分布式态势融合生成方法，其特征在于，步骤
S1
中，将其他平台发送的目标感知数据包括设备
ID、
物体
ID、
时间戳和观测坐标中的一种或者多种，通过编码
、
嵌入
、
归一化和数据清洗中的一种或者多种方式将其转换成连续的或者离散的向量，从而完成预处理，使得数据形式方便后续处理和使用
。3.
如权利要求2所述的一种基于区块链的分布式态势融合生成方法，其特征在于，步骤
S2
中，在制定数据融合规则时，使用串行卷积神经网络模型和长短期记忆网络模型的组合以形成多输入单输出模型，以使多输入单输出模型的设计充分利用深度学习方式，从而能够从空间和时间两个角度对数据进行深度解析
。4.
如权利要求3所述的一种基于区块链的分布式态势融合生成方法，其特征在于，步骤
S2
中，制定数据融合规则仅在首次需要部署智能合约才进行，在制定好数据融合规则后，后续需要进行态势融合时直接调用数据融合规则，利用智能合约进行融合处理，输出融合结果
。5.
如权利要求4所述的一种基于区块链的分布式态势融合生成方法，其特征在于，步骤
S2
中，制定数据融合规则的具体过程细分为如下子步骤：
S21
：初始化多输入单输出模型的参数，
S22
：获得预处理后的空间数据样本，利用具有多个卷积层和池化层组成的卷积神经网络模型训练，获得空间特征，完成空间数据处理，
S23
：获得预处理后的时间数据样本，采用长短期记忆网络模型训练，捕捉时间序列数据中...

【专利技术属性】
技术研发人员：陈炜，刘颢，王海鹏，
申请(专利权)人：中国船舶集团有限公司第七，
类型：发明
国别省市：