[发明专利]一种工业互联网下的区块链流量监检测方法

说明书

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。

技术领域

本发明涉及网络安全领域，具体涉及一种工业互联网下的区块链流量监检测方法。

背景技术

随着区块链技术的发展，其逐渐应用于工业互联网环境中。区块链是一种不依赖第三方、通过自身分布式节点进行网络数据的存储、验证、传递和交流的技术方案。区块链上的每个节点在集合一定量的有效信息之后，将数据打包成块分发到网络中，区块链上的其他节点以某种共识机制来验证区块的有效性并记录该区块到本地。依赖于其去中心化特性，区块链技术在譬如物联网、产品溯源、供应链管理、数据流通等领域具有较大的应用场景。

然而，并不是所有的区块链都在互联网环境中是已知、可溯源、可探测的。事实上，由于其去中心化、匿名性特征，区块链可被恶意地应用于工业互联网环境，扰乱正常的网络通信与工业生产，对社会经济产生一定的不利影响。虽然对于公开区块链来说，其产生的数据容易获取，可以在网络中对这些流量进行监控，但是存在部分区块链，未在网络中公开其连接方式。目前对区块链进行监检测的技术方案较为缺乏，导致无法及时探测出未知的区块链。

发明内容

针对现有技术中的上述不足，本发明提供的一种工业互联网下的区块链流量监检测方法解决了无法及时探测出未知区块链的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种工业互联网下的区块链流量监检测方法，其包括以下步骤：

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。

进一步地，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。

进一步地，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：