卜燦燦

（山東英才學(xué)院 山東 濟(jì)南 250104）

0 引言

目前，要提升物聯(lián)網(wǎng)區(qū)塊鏈的數(shù)據(jù)挖掘水平，關(guān)鍵在于對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)處理，而區(qū)塊鏈數(shù)據(jù)挖掘的基礎(chǔ)在于數(shù)據(jù)信息識(shí)別與特征提取，選擇模糊信息識(shí)別技術(shù)開(kāi)發(fā)區(qū)塊鏈數(shù)據(jù)，并與物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特性相結(jié)合，創(chuàng)建區(qū)塊鏈數(shù)據(jù)信息分析模型，借助資源優(yōu)化調(diào)度與信息融合，實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)聚類(lèi)分析［1］。 對(duì)物聯(lián)網(wǎng)區(qū)塊鏈進(jìn)行數(shù)據(jù)挖掘，是以數(shù)據(jù)的特性抽取和信息辨識(shí)為依據(jù)，運(yùn)用模糊信息辨識(shí)技術(shù)，設(shè)計(jì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結(jié)構(gòu)，并與其大數(shù)據(jù)的特性分布相結(jié)合，進(jìn)行異質(zhì)重組，實(shí)現(xiàn)對(duì)大數(shù)據(jù)的聚類(lèi)分析。

現(xiàn)階段對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進(jìn)行聚類(lèi)的方法，包括K-Means 聚類(lèi)法、網(wǎng)格區(qū)域聚類(lèi)方法、粒子群聚類(lèi)方法等。本文提出深度學(xué)習(xí)下的區(qū)塊鏈數(shù)據(jù)分片峰值聚類(lèi)算法，首先分析區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)特征，其次實(shí)施區(qū)塊鏈數(shù)據(jù)特征提取，與分片峰值聚類(lèi)方法相結(jié)合，實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)優(yōu)化，最后展開(kāi)仿真測(cè)試，并獲得有效性結(jié)論。

1 區(qū)塊鏈技術(shù)

數(shù)據(jù)和事務(wù)都不會(huì)被第三方所掌控，這就是分布式賬本。 最早被Nakamoto 介紹為比特幣（Bitcoin，BTC）的一個(gè)重要組成部分，而在此之后，又有許多新的區(qū)塊鏈被應(yīng)用到了各個(gè)領(lǐng)域。 但是，區(qū)塊鏈具有一定的共性，具體表現(xiàn)為：（1）復(fù)制賬本：將區(qū)域內(nèi)的各節(jié)點(diǎn)交易記錄保存在一個(gè)獨(dú)立的區(qū)域內(nèi)，并將最近一次事件封裝為一個(gè)區(qū)域，使得各區(qū)域內(nèi)事件都可進(jìn)行分配和拷貝。 （2）點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)：各結(jié)點(diǎn)共用一個(gè)公用賬冊(cè)，沒(méi)有因特網(wǎng)的中心式管理參與方。 換句話說(shuō)，所有的結(jié)點(diǎn)都是經(jīng)由一個(gè)點(diǎn)到點(diǎn)的網(wǎng)絡(luò)聯(lián)結(jié)的，并經(jīng)由這個(gè)網(wǎng)絡(luò)來(lái)將交易與區(qū)塊進(jìn)行同步。（3）密碼學(xué)：在一個(gè)數(shù)據(jù)塊被接入到另一個(gè)數(shù)據(jù)塊上之前，整個(gè)數(shù)據(jù)塊上的數(shù)據(jù)必須是一致性。 其中，工作證明、利益證明以及拜占庭等是最為典型的一致性算法。 （4）加密：加密技術(shù)是區(qū)塊鏈網(wǎng)絡(luò)安全的基礎(chǔ)。 在區(qū)塊鏈的環(huán)境下，一個(gè)事務(wù)的完整性應(yīng)該包含數(shù)字簽名以及私有數(shù)據(jù)結(jié)構(gòu)（例如，梅克爾樹(shù)等）。 采用不對(duì)稱(chēng)加密技術(shù)可以實(shí)現(xiàn)數(shù)據(jù)的隱私保護(hù)。 區(qū)塊鏈把不同的數(shù)據(jù)塊以一定的時(shí)間序列相互聯(lián)系起來(lái)，形成一種鏈狀的組織形式，每一個(gè)模塊都有各自的頭部和主體。

在這些區(qū)域中，區(qū)域頭等部分包含大部分確認(rèn)信息，如版本號(hào)、時(shí)間戳、區(qū)域頭等。 模塊是對(duì)電網(wǎng)物聯(lián)網(wǎng)內(nèi)部和外部的信息進(jìn)行收集和處理。 以區(qū)塊鏈為基礎(chǔ)，通過(guò)與其他節(jié)點(diǎn)之間的間接相互作用，可以避免在相互作用過(guò)程中受到網(wǎng)絡(luò)攻擊時(shí)密鑰泄露，保證數(shù)據(jù)的安全。 另外，這些信息僅由數(shù)字簽字組成，大大減少在區(qū)塊鏈中的數(shù)據(jù)傳送，從而可以縮短建立區(qū)塊鏈所需時(shí)間，確保資料的時(shí)效性。

2 區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)與特征提取

現(xiàn)階段，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類(lèi)分析法包括K-Means聚類(lèi)法、粒子群聚類(lèi)法以及網(wǎng)格區(qū)域聚類(lèi)法等，創(chuàng)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征提取與大數(shù)據(jù)分析模型，借助特征分布式檢測(cè)方法，實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類(lèi)。

2.1 結(jié)構(gòu)分析

通過(guò)有向圖模型對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)模型進(jìn)行構(gòu)建，選用統(tǒng)計(jì)分析法，獲得區(qū)塊鏈數(shù)據(jù)異構(gòu)存儲(chǔ)模型，對(duì)其模糊聚類(lèi)特征分布集進(jìn)行計(jì)算，從而獲得融合度函數(shù)式

（1）：

對(duì)區(qū)塊鏈數(shù)據(jù)集差異分布特征進(jìn)行分析，獲得各插值點(diǎn)如式（2）所示：

式（2）中，dm＋1（m）表示第m 點(diǎn)的區(qū)塊鏈數(shù)據(jù)預(yù)測(cè)值，dm＋1（m）表示第m 點(diǎn)所采集區(qū)塊鏈數(shù)據(jù)特征量，依照區(qū)塊鏈數(shù)據(jù)特征，通過(guò)模糊C 均值聚類(lèi)提取結(jié)果，并展開(kāi)信息處理，假設(shè)全局變量，創(chuàng)建區(qū)塊鏈數(shù)據(jù)挖掘分割系數(shù)［2］，即式（3）所示：

式（3）中Mi表示區(qū)塊鏈數(shù)據(jù)挖掘平均數(shù)，Lm表示區(qū)塊鏈數(shù)據(jù)挖掘下界，fm表示區(qū)塊鏈數(shù)據(jù)均值，fless表示不同維度下的區(qū)塊鏈數(shù)據(jù)統(tǒng)計(jì)特征最小值［3］。

2.2 特征提取

基于大數(shù)據(jù)背景，建立節(jié)點(diǎn)分布模型，并聚類(lèi)優(yōu)化設(shè)計(jì)區(qū)塊鏈數(shù)據(jù)的分片峰值。 假設(shè)區(qū)塊鏈數(shù)據(jù)聚類(lèi)節(jié)點(diǎn)屬性集是X＝｛x1，x1，…，xn｝ ，設(shè)計(jì)聚類(lèi)節(jié)點(diǎn)圖模型，通過(guò)語(yǔ)義本體模型構(gòu)造處理區(qū)塊鏈數(shù)據(jù)，借助自相關(guān)特征匹配，研究相似區(qū)塊鏈數(shù)據(jù)貼近度φ1，如式（4）所示：

假設(shè)（s1，a1），（s2，a2），…，（sn，an）是區(qū)塊鏈數(shù)據(jù)聚類(lèi)的一組分布集，創(chuàng)建區(qū)塊鏈數(shù)據(jù)聚類(lèi)模型，并統(tǒng)計(jì)分析數(shù)據(jù)聚類(lèi)，實(shí)現(xiàn)自適應(yīng)調(diào)度。 基于模糊語(yǔ)義融合聚類(lèi)展開(kāi)區(qū)塊鏈數(shù)據(jù)加權(quán)分析，從而獲得模糊加權(quán)分布向量，考慮到等價(jià)語(yǔ)義映射，展開(kāi)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的融合分析。 創(chuàng)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)統(tǒng)計(jì)特征量，借助映射函數(shù)M 表示，M：C*C→r 對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)相似度信息進(jìn)行描述，采用空間聚類(lèi)分析分布式調(diào)度區(qū)塊鏈數(shù)據(jù)，創(chuàng)建本體模型，以展開(kāi)區(qū)塊鏈數(shù)據(jù)特征聚類(lèi)處理與語(yǔ)義相似度融合。

3 區(qū)塊鏈數(shù)據(jù)分片峰值聚類(lèi)

3.1 特征提取與自適應(yīng)調(diào)度

通過(guò)有向圖模型，對(duì)區(qū)塊鏈數(shù)據(jù)聚類(lèi)節(jié)點(diǎn)結(jié)構(gòu)模型進(jìn)行構(gòu)建，并在區(qū)塊鏈數(shù)據(jù)庫(kù)提取資源信息特征，假設(shè)｛（s1，a1），（s2，a2），…，（sn，an）｝ 為區(qū)塊鏈數(shù)據(jù)語(yǔ)義特征分量，通過(guò)異構(gòu)有向圖分析設(shè)計(jì)區(qū)塊鏈數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)，與特征空間重組相結(jié)合，實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)的充足，以獲得優(yōu)化加權(quán)系數(shù)［4］，即：w ＝（（w1，a′1）， （w2，a′2），…，（wn，a′n）T），wj∈［0，1］ 。 通過(guò)統(tǒng)計(jì)分析實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)聚類(lèi)檢測(cè)，以獲得關(guān)聯(lián)性本體結(jié)構(gòu)模型如式（5）所示：

轉(zhuǎn)化區(qū)塊鏈數(shù)據(jù)聚類(lèi)特征問(wèn)題為二元語(yǔ)義決策問(wèn)題，其模糊特征匹配評(píng)估指標(biāo)集Ek∈E（k ＝1，2，…，t），選擇主體詞匹配，對(duì)X 相似度函數(shù)進(jìn)行分析，獲得區(qū)塊鏈數(shù)據(jù)隸屬度函數(shù)如式（6）所示：

選擇決策樹(shù)模型實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)特征重構(gòu)，遞歸圖模型內(nèi)，選擇相空間重構(gòu)法，進(jìn)行模糊特征信息采樣，以獲得區(qū)塊鏈數(shù)據(jù)信息加群權(quán)重向量，其特征分布矩陣為式（8）所示：

式（8）中，c 表示區(qū)塊鏈數(shù)據(jù)聚類(lèi)搜索步數(shù)，μik表示區(qū)塊鏈數(shù)據(jù)關(guān)聯(lián)決策系數(shù)［5］。

基于以上分析，實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)優(yōu)化調(diào)度與特征分析，獲得區(qū)塊鏈數(shù)據(jù)聚類(lèi)中心。 通過(guò)分塊特征演化，檢測(cè)區(qū)塊鏈數(shù)據(jù)關(guān)聯(lián)特征，從而獲得模糊檢測(cè)向量，如式（9）所示，再與模糊相關(guān)性融合法相結(jié)合，展開(kāi)區(qū)塊鏈分片峰值聚類(lèi)分析。

3.2 深度學(xué)習(xí)

通過(guò)模糊C 類(lèi)均值聚類(lèi)展開(kāi)區(qū)塊鏈數(shù)據(jù)網(wǎng)格分片屬性分類(lèi)與峰值聚類(lèi)識(shí)別，通過(guò)深度學(xué)習(xí)法實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)的分片峰值融合與聚類(lèi)分析，從而獲得區(qū)塊鏈數(shù)據(jù)在線聚類(lèi)準(zhǔn)則［6］，即式（10）：

區(qū)塊鏈數(shù)據(jù)聚類(lèi)節(jié)點(diǎn)的深度學(xué)習(xí)加權(quán)系數(shù)是We ＝（wj（e），0）。 通過(guò)修正各聚類(lèi)自適應(yīng)加權(quán)學(xué)習(xí)系數(shù)vi，即可獲得聚類(lèi)有效性評(píng)估矩陣R ＝（rij，aij）m×n與指標(biāo)權(quán)重W＝（（w1，β1），（w2，β2），…，（wn，βn）） 。 綜上所述，創(chuàng)建區(qū)塊鏈數(shù)據(jù)聚類(lèi)的深度學(xué)習(xí)模型，對(duì)區(qū)塊鏈數(shù)據(jù)模糊特征分布集進(jìn)行構(gòu)建，以獲得區(qū)塊鏈數(shù)據(jù)約束規(guī)劃模型見(jiàn)式（11）、（12）：

根據(jù)式（11）、（12），可以獲得物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)鏈最優(yōu)評(píng)價(jià)集是L1，L2，…，Ln 與物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)優(yōu)化聚類(lèi)模型為式（13）所示：

式（13）中，cosinij→x（dij，dxv）表示物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)融合聚類(lèi)特征集，基于以上分析，滿足區(qū)塊鏈數(shù)據(jù)優(yōu)化聚類(lèi)目標(biāo)。

4 仿真實(shí)驗(yàn)和結(jié)果

區(qū)塊鏈數(shù)據(jù)聚類(lèi)分析中，為對(duì)語(yǔ)義相關(guān)性融合性方法應(yīng)用性能進(jìn)行驗(yàn)證，展開(kāi)實(shí)驗(yàn)測(cè)試分析，通過(guò)Matlab7 與C＋＋混合編程展開(kāi)區(qū)塊鏈數(shù)據(jù)算法處理，基于Hadoop 云平臺(tái)對(duì)區(qū)塊鏈數(shù)據(jù)庫(kù)結(jié)構(gòu)模型進(jìn)行構(gòu)建，區(qū)塊鏈數(shù)據(jù)初始樣本規(guī)模是1200，數(shù)據(jù)采樣集相似度是0.68，自適應(yīng)學(xué)習(xí)迭代步數(shù)為30，設(shè)定以上仿真參數(shù)，展開(kāi)區(qū)塊鏈數(shù)據(jù)峰值聚類(lèi)分析，從而獲得如圖1 所示的區(qū)塊鏈數(shù)據(jù)分布［7］。

圖1 數(shù)據(jù)時(shí)域波形

將圖1 數(shù)據(jù)作為研究對(duì)象，通過(guò)語(yǔ)義相關(guān)性融合法提取區(qū)塊鏈數(shù)據(jù)特征與自適應(yīng)調(diào)度，再對(duì)區(qū)塊鏈數(shù)據(jù)特征量展開(kāi)模糊聚類(lèi)處理，進(jìn)而進(jìn)行分片峰值聚類(lèi)分析，可獲得如圖2 所示的聚類(lèi)結(jié)果。

圖2 數(shù)據(jù)分片峰值聚類(lèi)

通過(guò)分析圖2 可以發(fā)現(xiàn)，選擇該方法展開(kāi)區(qū)塊鏈數(shù)據(jù)聚類(lèi)分析，具有良好的峰值融合度，測(cè)試誤分率比較低，而且收斂性也比較強(qiáng)，表1 為誤分率比較結(jié)果，從結(jié)果可以看出，深度學(xué)習(xí)下的區(qū)塊鏈數(shù)據(jù)聚類(lèi)具有較低誤分率。通過(guò)結(jié)果分析發(fā)現(xiàn)，該方法展開(kāi)區(qū)塊鏈數(shù)據(jù)聚類(lèi)具有較低誤分率，使數(shù)據(jù)聚類(lèi)收斂控制能力大幅度提升。

表1 誤分率比較

5 結(jié)語(yǔ)

本文通過(guò)模糊信息識(shí)別技術(shù)開(kāi)發(fā)區(qū)塊鏈數(shù)據(jù)存鏈結(jié)構(gòu)，提出深度學(xué)習(xí)下的區(qū)塊鏈數(shù)據(jù)特征重構(gòu)，通過(guò)深度學(xué)習(xí)法實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)分片峰值聚類(lèi)與融合。 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)遞歸圖模型內(nèi)，選擇相空間重構(gòu)方式，采集物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類(lèi)模糊特征信息，通過(guò)深度學(xué)習(xí)法對(duì)數(shù)據(jù)聚類(lèi)實(shí)施分片峰值融合與聚類(lèi)分析，從而達(dá)到分片峰值聚類(lèi)目的。 結(jié)果顯示，該方法展開(kāi)區(qū)塊鏈數(shù)據(jù)峰值聚類(lèi)具有良好收斂性，數(shù)據(jù)聚類(lèi)精度高，而且誤分率也比較低。