摘" 要： 金融數(shù)據(jù)具備非線性、高維度的特點(diǎn)，同時(shí)對安全性有較高的要求。文中結(jié)合區(qū)塊鏈技術(shù)和模糊聚類算法，提出一種面向區(qū)域互聯(lián)網(wǎng)金融的異常數(shù)據(jù)分析模型，該模型由異常數(shù)據(jù)分析算法和隱私保護(hù)算法組成。異常數(shù)據(jù)分析算法針對模糊均值聚類算法處理高維非線性數(shù)據(jù)能力弱的缺點(diǎn)，使用深度信念網(wǎng)絡(luò)進(jìn)行改進(jìn)，進(jìn)而提升模型的數(shù)據(jù)處理能力。隱私保護(hù)使用差分隱私保護(hù)算法，在不利用背景知識的前提下完成數(shù)據(jù)的保護(hù)，同時(shí)保證了數(shù)據(jù)的可用性。在實(shí)驗(yàn)測試中，將所提模糊聚類算法與常用的主流K?Means算法、DPC算法進(jìn)行了對比，結(jié)果表明：所提算法的性能在所有對比算法中最優(yōu)；與此同時(shí)，加入隱私保護(hù)算法后對聚類結(jié)果的影響保持在0.021以內(nèi)，充分證明了該算法性能的優(yōu)越性。

關(guān)鍵詞： 模糊聚類算法； 區(qū)塊鏈技術(shù)； 異常數(shù)據(jù)識別； 深度信念網(wǎng)絡(luò)； 差分隱私保護(hù)算法； 區(qū)域數(shù)據(jù)分析

中圖分類號： TN919.5?34； TP391" " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2025）06?0052?05

Research on regional big data analysis technology based on blockchain

and fuzzy clustering algorithm

HE Ying

（Chengyi College， Jimei University， Xiamen 361000， China）

Abstract： Financial data has the characteristics of nonlinearity and high dimensionality， while also requiring high security. By combining with blockchain technology and fuzzy clustering algorithm， an anomaly data analysis model for regional internet finance is proposed. This model is composed of anomaly data analysis algorithm and privacy protection algorithm. In allusion to the weakness of the fuzzy mean clustering algorithm in processing high?dimensional nonlinear data， the anomaly data analysis algorithm can use the deep belief networks to improve the data processing capabilities of the model. In the privacy protection， the differential privacy protection algorithm can be used to protect data without utilizing background knowledge， while ensuring data availability. In the experimental testing， the proposed fuzzy clustering algorithm was compared with commonly used mainstream K?Means and DPC algorithms. The results show that the performance of the proposed algorithm is the best among all comparison algorithms. At the same time， the impact of incorporating privacy protection algorithm on clustering results can remain within 0.021， fully demonstrating the superiority of the performance of this algorithm.

Keywords： fuzzy clustering algorithm; blockchain technology; nonlinear data identification; deep belief network; differential privacy protection algorithm; regional data analysis

0" 引" 言

隨著金融數(shù)據(jù)形態(tài)的不斷演進(jìn)，傳統(tǒng)的金融運(yùn)營模式也發(fā)生了變化，以互聯(lián)網(wǎng)金融服務(wù)新模式為主體的用戶量急劇增加?；ヂ?lián)網(wǎng)金融與傳統(tǒng)金融服務(wù)存在著巨大差異，在對區(qū)域互聯(lián)網(wǎng)金融數(shù)據(jù)的監(jiān)管方面，我國仍處于初級發(fā)展階段，存在一定的信用風(fēng)險(xiǎn)問題。因此，對金融數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別并保護(hù)數(shù)據(jù)的隱私安全成為了重要的研究方向。

區(qū)域互聯(lián)網(wǎng)金融數(shù)據(jù)的特點(diǎn)是高維度與非線性[1?2]，其對數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別是通過聚類模型找到數(shù)據(jù)群中的異常點(diǎn)并進(jìn)行相對應(yīng)的處理，同時(shí)在數(shù)據(jù)處理過程中還需要保證數(shù)據(jù)的隱私性，避免數(shù)據(jù)泄露現(xiàn)象的發(fā)生。傳統(tǒng)聚類算法只能對線性低維數(shù)據(jù)進(jìn)行訓(xùn)練與分析，而無法適應(yīng)當(dāng)前的數(shù)據(jù)特點(diǎn)。因此，本文結(jié)合區(qū)域互聯(lián)網(wǎng)金融數(shù)據(jù)的特性，對傳統(tǒng)模糊聚類算法進(jìn)行改進(jìn)，以提升異常數(shù)據(jù)識別的準(zhǔn)確率，并將改進(jìn)的模糊聚類算法與區(qū)塊鏈技術(shù)相結(jié)合，保證了數(shù)據(jù)以及模型的可靠性、安全性、隱私性。

1" 區(qū)域大數(shù)據(jù)分析技術(shù)

1.1" 異常數(shù)據(jù)識別算法

模糊聚類算法[3?5]是一種對數(shù)據(jù)集進(jìn)行較為寬泛的聚類處理算法，與傳統(tǒng)聚類算法不同，其允許每個(gè)數(shù)據(jù)點(diǎn)以一定的概率分配到不同的數(shù)據(jù)類別中，而不是被強(qiáng)制地分配到唯一的類別中。因此，模糊聚類算法具有更強(qiáng)的靈活性，對模糊性質(zhì)的數(shù)據(jù)分析也更加精確和有效。常見的模糊聚類算法有模糊C均值聚類算法（Fuzzy C?Means， FCM）[6]，該算法基于模糊邏輯進(jìn)行數(shù)據(jù)聚類。FCM屬于無監(jiān)督算法，其核心邏輯是通過隸屬矩陣和聚類中心的持續(xù)更新，達(dá)成目標(biāo)函數(shù)的目的后才結(jié)束計(jì)算。

假定數(shù)據(jù)集L={l1，l2，…，ln}，其中l(wèi)n為K維向量。聚類后的數(shù)據(jù)有k類，通過隸屬度uij的更新可以調(diào)整數(shù)據(jù)對象和類別之間的關(guān)系，如下所示：

式中d為數(shù)據(jù)間的歐氏距離。

當(dāng)式（3）和式（4）的運(yùn)算結(jié)果同時(shí)滿足迭代次數(shù)時(shí)，算法結(jié)束。FCM算法的具體執(zhí)行流程如圖1所示。

FCM算法的應(yīng)用較為廣泛，同時(shí)也能夠高效地完成聚類任務(wù)，但也有不足之處，例如其只能對數(shù)據(jù)進(jìn)行簡單預(yù)處理，當(dāng)數(shù)據(jù)規(guī)模增加時(shí)，結(jié)構(gòu)也就會(huì)變得復(fù)雜，此時(shí)該算法無法滿足實(shí)際應(yīng)用需求。因此，需要對FCM算法進(jìn)行改進(jìn)以提高性能。

深度信念網(wǎng)絡(luò)（Deep Belief Network， DBN）[7?9]是一種基于受限玻耳茲曼機(jī)（Restricted Boltzmann Machine， RBM）的神經(jīng)網(wǎng)絡(luò)模型，其由多個(gè)RBM串聯(lián)而成。RBM網(wǎng)絡(luò)[10]是一個(gè)二分結(jié)構(gòu)，由可見層和隱藏層組成，且各個(gè)神經(jīng)元之間通過層與層進(jìn)行連接。DBN結(jié)構(gòu)如圖2所示。

DBN可以通過級聯(lián)多個(gè)RBM模型實(shí)現(xiàn)對輸入樣本數(shù)據(jù)逐層進(jìn)行特征提取，若其中包含有一個(gè)隱藏層h，則其聯(lián)合分布可表示為：

式中[Phkhk+1]是可見層的條件概率分布。

DBN模型的結(jié)構(gòu)如圖3所示。將DBN模型與FCM算法進(jìn)行結(jié)合，算法預(yù)訓(xùn)練階段由DBN模型完成，以此提取網(wǎng)絡(luò)的深層次特征，同時(shí)輸出初始聚類中心和網(wǎng)絡(luò)權(quán)值參數(shù)；之后使用交叉迭代對聚類進(jìn)行后續(xù)優(yōu)化?；贒BN的FCM算法程序執(zhí)行流程如圖4所示。

1.2" 基于差分隱私的區(qū)塊鏈數(shù)據(jù)保護(hù)算法

差分隱私算法[11?14]是指向數(shù)據(jù)中添加指定分布的噪聲來進(jìn)行數(shù)據(jù)干擾，進(jìn)而完成數(shù)據(jù)加密。同時(shí)，差分隱私與背景知識無關(guān)，該算法能夠在統(tǒng)計(jì)學(xué)領(lǐng)域增加噪聲進(jìn)而保護(hù)數(shù)據(jù)隱私。

式中：α為均勻分布在（0，1）中的隨機(jī)數(shù)；λ為拉普拉斯算子；[μ]為擾動(dòng)的最大幅值。

差分隱私保護(hù)算法的模型結(jié)構(gòu)如圖5所示。該模型主要是將區(qū)域金融數(shù)據(jù)存放在數(shù)據(jù)庫中，并加入差分噪聲以形成新的發(fā)布數(shù)據(jù)庫；之后和數(shù)據(jù)分析者進(jìn)行交互，完成整個(gè)數(shù)據(jù)的分析過程。

1.3" 本文算法模型

本文算法模型的總體結(jié)構(gòu)如圖6所示。由圖可以看出，需要先將算法部署在區(qū)塊鏈架構(gòu)中，客戶端上位機(jī)擁有數(shù)據(jù)上傳和數(shù)據(jù)訪問的權(quán)限，公共數(shù)據(jù)庫在智能合約模塊中使用差分隱私鏈碼函數(shù)進(jìn)行加密，并使用改進(jìn)的模糊聚類算法對異常數(shù)據(jù)進(jìn)行判斷；接著，判斷結(jié)果會(huì)輸出到客戶端模塊中供使用者查看，同時(shí)將噪聲和身份驗(yàn)證等數(shù)據(jù)保存在私有賬本中，以確保數(shù)據(jù)的隱私性。

2" 實(shí)驗(yàn)與分析

2.1" 實(shí)驗(yàn)環(huán)境配置信息

為了驗(yàn)證本文解決方案的可行性，實(shí)驗(yàn)搭建了區(qū)域大數(shù)據(jù)的處理分析區(qū)塊鏈環(huán)境，具體如表1所示。

此外，還搭建了模糊聚類算法環(huán)境，使用公開數(shù)據(jù)集對金融數(shù)據(jù)集進(jìn)行模擬，并在UCI數(shù)據(jù)集中提取多組低、高維度數(shù)據(jù)。數(shù)據(jù)集的具體信息如表2所示。

2.2" 算法測試

首先測試聚類算法性能。在性能測試中，使用歸一化互信息（Normalized Mutual Information， NMI）[15]以及調(diào)整蘭德系數(shù)（Adjusted Rand Index， ARI）[16]對聚類算法的效果進(jìn)行評價(jià)。同時(shí)選擇K?Means算法、DPC（Density Peaks Clustering）算法與FCM算法進(jìn)行對比，每個(gè)數(shù)據(jù)集運(yùn)行20次，取平均值作為最終結(jié)果。算法性能的實(shí)驗(yàn)結(jié)果對比如表3和表4所示。

由表3、表4可以看出，不同維度的數(shù)據(jù)集對算法聚類的準(zhǔn)確性影響較大。數(shù)據(jù)集1～3的維度較低，4種算法的NMI與ARI指標(biāo)均維持在0.9以上；數(shù)據(jù)集4～6的維度較高，所有算法的NMI、ARI指標(biāo)均有所下降，但本文算法性能仍為最優(yōu)，達(dá)到了0.85以上。這充分說明算法使用DBN進(jìn)行改進(jìn)是行之有效的，可以大幅提升聚類性能。與FCM相比，所提算法具有較強(qiáng)的魯棒性，能夠適用于多種不同類型的數(shù)據(jù)。

不同的差分隱私預(yù)算對實(shí)驗(yàn)結(jié)果也有較大影響，隱私預(yù)算過小會(huì)導(dǎo)致數(shù)據(jù)可用性降低，過大則會(huì)使數(shù)據(jù)隱私保護(hù)能力減弱。因此，對加入差分隱私前后的數(shù)據(jù)可用性進(jìn)行NMI實(shí)驗(yàn)測試，結(jié)果如表5所示。

從表5中可以看出，加入隱私算法后對聚類結(jié)果的NMI影響均在0.021以內(nèi)，說明數(shù)據(jù)的可用性能夠得到保證。

3" 結(jié)" 語

本文結(jié)合區(qū)域互聯(lián)網(wǎng)金融數(shù)據(jù)的特性，對傳統(tǒng)模糊聚類算法進(jìn)行改進(jìn)，并將其和區(qū)塊鏈數(shù)據(jù)隱私保護(hù)算法結(jié)合，設(shè)計(jì)了一種面向區(qū)域互聯(lián)網(wǎng)金融的異常數(shù)據(jù)分析模型。文中先在模糊聚類算法中加入DBN，使模型擁有處理非線性高維數(shù)據(jù)的能力，同時(shí)基于金融數(shù)據(jù)對隱私的高要求，使用隱私保護(hù)算法進(jìn)行數(shù)據(jù)保護(hù)，并將其部署在區(qū)塊鏈模型中。經(jīng)實(shí)驗(yàn)證明，所提模型的聚類性能在所有對比算法中為最優(yōu)，同時(shí)加入的隱私保護(hù)算法對聚類結(jié)果影響較小，表明算法的改進(jìn)是有效、可行的，并且還能確保數(shù)據(jù)的安全性和可用性。

參考文獻(xiàn)

[1] 朱家成.基于特征融合的互聯(lián)網(wǎng)金融領(lǐng)域命名實(shí)體識別算法研究[D].西安：西安電子科技大學(xué)，2022.

[2] 朱曉帆.基于泰爾指數(shù)的互聯(lián)網(wǎng)金融差異化區(qū)域供給協(xié)調(diào)性研究[J].內(nèi)蒙古財(cái)經(jīng)大學(xué)學(xué)報(bào)，2021，19（1）：85?88.

[3] 王雨，徐景龍，王佳佳，等.基于數(shù)據(jù)庫與模糊聚類算法的市場化線上售電系統(tǒng)設(shè)計(jì)[J].微型電腦應(yīng)用，2023，39（7）：85?88.

[4] 周紅綱，郭莉，時(shí)鵬飛.一種空間信息自適應(yīng)的魯棒模糊聚類算法[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2023，38（1）：1?15.

[5] 張利，路顏萍，侯晴，等.K近鄰空間密度分布的模糊聚類算法[J].遼寧大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，50（4）：289?301.

[6] 陳幸，陳盛華，陳國華，等.基于改進(jìn)模糊均值聚類算法的遙感圖像分割技術(shù)[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2023，45（6）：716?720.

[7] 高寶琪，馬捍超，畢艷冰，等.深度信念網(wǎng)絡(luò)下的高壓電纜局部放電信號捕捉[J].哈爾濱理工大學(xué)學(xué)報(bào)，2023，28（2）：92?98.

[8] 毛智超，吳黎兵，馬亞軍，等.基于DBN與帶注意力機(jī)制GRU的CAN總線入侵檢測模型[J].武漢大學(xué)學(xué)報(bào)（理學(xué)版），2023，69（5）：598?608.

[9] 呂艷娜，茍光磊，張里博，等.深度置信網(wǎng)絡(luò)的代價(jià)敏感多粒度三支決策模型研究[J].計(jì)算機(jī)應(yīng)用研究，2023，40（3）：833?838.

[10] 張健，丁世飛，丁玲，等.基于實(shí)值RBM的深度生成網(wǎng)絡(luò)研究[J].軟件學(xué)報(bào)，2021，32（12）：3802?3813.

[11] 馬煜，荀亞玲.基于差分隱私的高效用項(xiàng)目集挖掘算法[J].太原科技大學(xué)學(xué)報(bào)，2023，44（6）：491?497.

[12] 徐茹枝，戴理朋，夏迪婭，等.基于聯(lián)邦學(xué)習(xí)的中心化差分隱私保護(hù)算法研究[J].信息網(wǎng)絡(luò)安全，2024，24（1）：69?79.

[13] 王輝，陳宇，申自浩，等.結(jié)合對比監(jiān)督和排序樹的軌跡數(shù)據(jù)差分隱私保護(hù)方案[J].計(jì)算機(jī)工程與科學(xué)，2023，45（10）：1797?1805.

[14] 金亦喬，章永祺，王博，等.面向差分隱私保護(hù)的自適應(yīng)譜聚類優(yōu)化新算法[J].計(jì)算機(jī)應(yīng)用與軟件，2023，40（9）：261?266.

[15] 琚麗君，田豐華，曾朝平.NMI特征優(yōu)化邊界敏感的LSC遙感影像分割算法[J].遙感信息，2023，38（5）：149?156.

[16] 孫嘉睿，杜明晶.模糊邊界剝離聚類[J].山東大學(xué)學(xué)報(bào)（理學(xué)版），2024，59（3）：27?36.

作者簡介：何" 穎（1985—），女，福建惠安人，碩士研究生，講師，研究方向?yàn)樾畔⒓夹g(shù)與現(xiàn)代金融數(shù)據(jù)分析。

收稿日期：2024?04?11" " " " " "修回日期：2024?05?17

基金項(xiàng)目：福建省社科青年基金項(xiàng)目（FJ2016C142）