[发明专利]一种基于深度学习的区块链日志监测方法

权利要求书

1.一种基于深度学习的区块链日志监测方法，其特征在于，包括以下步骤：

针对事先核实的区块链系统正常运行节点产生的单进程时序日志，首先通过BERT模型进行句镶嵌得到句向量，然后将得到的句向量进行深度学习网络LSTM的训练；训练得到的深度学习异常监测模型，能够通过前序日志，预测下一条日志的softmax概率，如果实际产生的日志在模型预测结果中出现概率过低，则报错；

在区块链系统中挑选任意n个节点部署深度学习异常监测模型来监测日志，其中n(m-1)/3，m为总节点数；整个区块链系统出现的异常行为会在这n个节点中的正常节点日志中反应出来，将这些日志作为监测依据；

在实时预警时，在此n个节点中产生的实时日志，通过预处理后输入深度学习异常监测模型，当至少有一个节点的深度学习异常监测模型报错时，区块链系统抛出异常；

区块链系统定期将单个节点日志记录下来，从原有的训练数据中进行采样与新记录的数据打乱顺序后得到新的训练数据集，进行训练维护模型。

2.根据权利要求1所述的一种基于深度学习的区块链日志监测方法，其特征在于，在n个节点上部署单进程的日志监测，根据共识机制，任意节点出现异常均会在正常节点上得到反馈，可以通过少数节点监控整个区块链。

3.根据权利要求1所述的一种基于深度学习的区块链日志监测方法，其特征在于，深度学习异常监测的预训练模型，通过区块链系统中对应节点已经被证明为是正常运行的节点日志训练得到。

4.根据权利要求1所述的一种基于深度学习的区块链日志监测方法，其特征在于，LSTM模型使用基于SVM思想的Hinge Loss损失函数，Hinge Loss的计算公式为：

其中i表示样本中的第i个观测值，yi表示第i个观测值的标注分类结果，j表示训练中的分类器的分类结果，s表示在分类时神经网络对应个各类别输出的分数。