【技术实现步骤摘要】
本申请涉及区块链，具体涉及异常检测模型的训练和异常检测方法、装置、介质及设备。
技术介绍
1、人们日益增长的对于安全、透明和高效的数据交换和信息管理方式的需求，促进了区块链技术的广泛应用，同时对区块链系统的测试要求也不断提高。在相关技术中，基于人工智能技术自动检测区块链系统异常这一方式中，尚未有有效的手段可以针对各种异常场景进行模型训练和检测，难以保障区块链系统的稳定性和可靠性。
技术实现思路
1、为了对区块链系统进行有效的异常检测，本申请提供了异常检测模型的训练和异常检测方法、装置、介质及设备。所述技术方案如下：
2、第一方面，本申请提供了一种异常检测模型的训练方法，所述方法包括：
3、获取预先编排的多个故障场景信息；
4、基于所述多个故障场景信息，对多个区块链系统进行故障注入，得到多个区块链状态信息；所述多个区块链系统、所述多个故障场景信息和所述多个区块链状态信息一一对应；
5、根据所述多个区块链状态信息，对所述多个区块链系统进行异常分析，确定所述多个区块链状态信息中每一区块链状态信息对应的异常参考信息；
6、对所述多个区块链状态信息中的每一区块链状态信息进行分层采样，得到每一区块链状态信息对应的至少一个状态特征信息；
7、将每一区块链状态信息对应的至少一个状态特征信息输入深度学习模型，进行异常检测处理，得到异常检测信息；
8、基于每一区块链状态信息对应的异常参考信息和所述异常检测信息，对所述深
9、第二方面，本申请提供了一种异常检测方法，所述方法包括：
10、获取区块链系统对应的区块链状态信息；
11、对所述区块链状态信息进行分层采样，得到至少一个状态特征信息；
12、将所述至少一个状态信息输入异常检测模型，进行异常检测处理，得到异常检测信息，所述异常检测模型是采用第一方面所述的异常检测模型的训练方法，对深度学习模型进行训练得到。
13、第三方面，本申请提供了一种异常检测模型的训练装置，所述装置包括：
14、故障场景信息获取模块，用于获取预先编排的多个故障场景信息；
15、故障注入模块，用于基于所述多个故障场景信息，对多个区块链系统进行故障注入，得到多个区块链状态信息；所述多个区块链系统、所述多个故障场景信息和所述多个区块链状态信息一一对应；
16、异常分析模块，用于根据所述多个区块链状态信息，对所述多个区块链系统进行异常分析，确定所述多个区块链状态信息中每一区块链状态信息对应的异常参考信息；
17、分层采样模块，用于对所述多个区块链状态信息中的每一区块链状态信息进行分层采样，得到每一区块链状态信息对应的至少一个状态特征信息；
18、模型检测模块，用于将每一区块链状态信息对应的至少一个状态特征信息输入深度学习模型，进行异常检测处理，得到异常检测信息；
19、模型调整模块，用于基于每一区块链状态信息对应的异常参考信息和所述异常检测信息，对所述深度学习模型进行调整，得到训练好的异常检测模型。
20、第四方面，本申请提供了一种异常检测装置，所述装置包括：
21、区块链状态信息获取模块，用于获取区块链系统对应的区块链状态信息；
22、状态特征信息确定模块，用于对所述区块链状态信息进行分层采样，得到至少一个状态特征信息；
23、异常检测模块，用于将所述至少一个状态信息输入异常检测模型，进行异常检测处理，得到异常检测信息。
24、第五方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面所述的一种异常检测模型的训练方法或第二方面所述的一种异常检测方法。
25、第六方面，本申请提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如第一方面所述的一种异常检测模型的训练方法或第二方面所述的一种异常检测方法。
26、第七方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现如第一方面所述的一种异常检测模型的训练方法或第二方面所述的一种异常检测方法。
27、本申请提供的异常检测模型的训练和异常检测方法、装置、介质及设备，具有如下技术效果：
28、本申请提供的方案利用基于深度学习的异常检测模型对区块链系统进行异常检测。在模型训练阶段，将预先编排的多个故障场景信息注入至多个区块链系统中进行混沌测试，得到多个故障场景信息注入后多个区块链系统的多个区块链状态信息；基于多个区块链状态信息对多个区块链系统进行异常分析，确定每一区块链状态信息对应的异常参考信息；同时对每一区块链状态信息进行分层采样，得到每一区块链状态信息对应的至少一个状态特征信息；将每一区块链状态信息对应的至少一个状态特征信息作为训练数据输入至深度学习模型中，以使深度学习模型基于状态特征信息进行异常检测处理，得到异常检测信息；最后可以根据作为预测值的异常检测信息和作为标签值的异常参考信息，对深度学习模型进行调整，得到训练好的异常检测模型。在本申请提供的方案中，基于混沌测试过程中的多个故障场景信息和多个区块链状态信息，构建模型训练数据，包括状态特征信息和异常参考信息，能够提升训练数据的故障场景覆盖率，从而可以提升模型的检测准确性和泛化能力，能够对各种故障场景中的异常都可以高效地检测；在本申请提供的方案中，通过对每一区块链状态信息进行分层采样以获取更具代表性的训练数据，进一步提高模型的准确性和可靠性，进而可以利用异常检测模型保障区块链系统的可靠性和稳定性。
29、本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种异常检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，任一区块链状态信息包括在目标时间段内对应的区块链系统的系统运行状态信息和业务处理状态信息，所述目标时间段为对应的故障场景信息注入前后的一段时间，所述根据所述多个区块链状态信息，对所述多个区块链系统进行异常分析，确定所述多个区块链状态信息中每一区块链状态信息对应的异常参考信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述多个区块链状态信息中的每一区块链状态信息进行分层采样，得到每一区块链状态信息对应的至少一个状态特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，在将所述异常检测模型分别部署到生产环境之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述多个故障场景信息，对多个区块链系统进行故障注入，得到多个区块链状态信息，包括：
7.根据权利要求6所述的方法，其特征在于，所述获取在所述多个故障场景信息注
8.一种异常检测方法，其特征在于，所述方法包括：
9.一种异常检测模型的训练装置，其特征在于，所述装置包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7中任一项所述的异常检测模型的训练方法或权利要求8所述的异常检测方法。
11.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如权利要求1至7中任一项所述的异常检测模型的训练方法或权利要求8所述的异常检测方法。
...【技术特征摘要】
1.一种异常检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，任一区块链状态信息包括在目标时间段内对应的区块链系统的系统运行状态信息和业务处理状态信息，所述目标时间段为对应的故障场景信息注入前后的一段时间，所述根据所述多个区块链状态信息，对所述多个区块链系统进行异常分析，确定所述多个区块链状态信息中每一区块链状态信息对应的异常参考信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述多个区块链状态信息中的每一区块链状态信息进行分层采样，得到每一区块链状态信息对应的至少一个状态特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，在将所述异常检测模型分别部署到生产环境之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述多个故障场景信息，对多个区块链系统进行...
【专利技术属性】
技术研发人员：张凤双，
申请(专利权)人：腾讯科技深圳有限公司，
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。