本發(fā)明屬于區(qū)塊鏈技術(shù)領(lǐng)域，具體涉及一種基于行為時間序列的區(qū)塊鏈節(jié)點聚類方法。

背景技術(shù)：

區(qū)塊鏈(Blockchain)技術(shù)是在去中心化、互相不信任環(huán)境下維持公共總賬的底層技術(shù)。其本質(zhì)是基于密碼學(xué)方法實現(xiàn)分布式、不可篡改的交易賬簿，每個區(qū)塊鏈網(wǎng)絡(luò)中的節(jié)點都保存有記錄所有交易的公共賬本。

在公有區(qū)塊鏈網(wǎng)絡(luò)中，任何實體都可以申請成為網(wǎng)絡(luò)中的節(jié)點。因此，在公有鏈中往往具有數(shù)量龐大的節(jié)點，其中一些節(jié)點可能嘗試在網(wǎng)絡(luò)中作弊來非法獲利，黑客節(jié)點可能故意破壞網(wǎng)絡(luò)的正常運行來展示技術(shù)，有敵意的節(jié)點可能蓄謀使整個網(wǎng)絡(luò)陷入癱瘓。因此對節(jié)點進行聚類，將節(jié)點劃分成若干個類內(nèi)相互相似的類簇，有助于對大量節(jié)點的維護和發(fā)現(xiàn)有異常行為的節(jié)點。

技術(shù)實現(xiàn)要素：

為解決對區(qū)塊鏈節(jié)點進行聚類分析的問題，本發(fā)明提供了一種基于行為時間序列的區(qū)塊鏈節(jié)點聚類方法，能夠自動將區(qū)塊鏈節(jié)點按照其行為時間序列聚類成若干類簇。

一種基于行為時間序列的區(qū)塊鏈節(jié)點聚類方法，包括如下步驟：

(1)提取每個區(qū)塊鏈節(jié)點的行為時間序列；

(2)初始隨機選取k個行為時間序列對應(yīng)作為k個類別的聚類中心，分別記為O₁,O₂,…,O_k，k為大于1的自然數(shù)；

(3)逐個對行為時間序列進行分類：對于待分配的行為時間序列x，計算其與各聚類中心O₁,O₂,…,O_k的相似度，若其中聚類中心O_i與行為時間序列x的相似度最高，則將行為時間序列x歸為類別i，進而分配下一個行為時間序列；待所有行為時間序列均分配完成后更新各類別的聚類中心，進而執(zhí)行步驟(4)的判斷過程，i為自然數(shù)且1≤i≤k；

(4)判斷各類別新的聚類中心是否與舊的聚類中心完全一致：若是，則停止并輸出聚類結(jié)果即當(dāng)前所有行為時間序列的分類結(jié)果，各行為時間序列的分類結(jié)果即為對應(yīng)區(qū)塊鏈節(jié)點的聚類結(jié)果；若否，則返回步驟(3)重新對行為時間序列進行分類。

所述行為時間序列為關(guān)于區(qū)塊鏈節(jié)點賬戶余額、交易頻率(每月或每周)、交易金額或區(qū)塊生成速度等特征信息隨時間變化的數(shù)值序列。

優(yōu)選地，所述步驟(3)中采用DTW(Dynamic Time Warping，動態(tài)時間歸整)算法計算行為時間序列x與各聚類中心O₁,O₂,…,O_k的相似度；選擇DTW是為了能夠度量兩個不同長度的行為時間序列之間的相似度。

所述步驟(3)中更新各類別聚類中心的具體方法為：對于任一類別，計算該類別中每一行為時間序列相對其他所有同類行為時間序列的平均相似度，取平均相似度最高的行為時間序列作為該類別新的聚類中心。

對于類別i中的任一行為時間序列，采用DTW算法計算該行為時間序列與其他各同類行為時間序列的相似度，進而求和平均后即得到該行為時間序列相對其他所有同類行為時間序列的平均相似度。

所述步驟(4)中進一步判斷聚類中心更新的次數(shù)，若更新次數(shù)超過一定閾值，則停止并輸出聚類結(jié)果即當(dāng)前所有行為時間序列的分類結(jié)果，各行為時間序列的分類結(jié)果即為對應(yīng)區(qū)塊鏈節(jié)點的聚類結(jié)果。

本發(fā)明區(qū)塊鏈節(jié)點聚類方法能夠?qū)^(qū)塊鏈節(jié)點進行聚類，將節(jié)點劃分成若干個類內(nèi)相互相似的類簇，有助于對大量節(jié)點的維護和發(fā)現(xiàn)有異常行為的節(jié)點；同時，用戶可以根據(jù)自己的需要選擇使用節(jié)點的哪個屬性(如交易金額、交易頻率)構(gòu)建時間序列。

附圖說明

圖1為本發(fā)明區(qū)塊鏈節(jié)點聚類方法的流程示意圖。

具體實施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實施方式對本發(fā)明的技術(shù)方案進行詳細說明。

本發(fā)明基于行為時間序列的區(qū)塊鏈節(jié)點聚類方法，包括如下步驟：

1.提取每個區(qū)塊鏈節(jié)點的行為時間序列。每個區(qū)塊鏈節(jié)點的信息包括賬戶余額，每月(或每周)交易頻率，交易金額，生產(chǎn)區(qū)塊的速度等。對于單個節(jié)點，將其有價值的某個信息(例如交易金額)隨時間變化的序列提取為用戶行為的特征，記為該節(jié)點的行為時間序列。

2.計算每兩個行為時間序列之間的相似度。時間序列的相似度使用動態(tài)時間彎曲算法DTW計算。選擇DTW是為了能夠度量兩個不同長度的時間序列之間的相似度。

3.隨機選擇k個時間序列作為初始聚類中心,記為O₁,O₂,…,O_k。

4.對每個時間序列a進行分類，如果在a與O₁,O₂,…,O_k的相似度中，與O_i的相似度最高，則將a歸入第i個類別。

5.記錄當(dāng)前的聚類中心O₁,O₂,…,O_k為舊的聚類中心。

6.所有時間序列分類完成后，為每個類別計算新的聚類中心O_i。使用第2步計算好的序列間相似度，計算類別i中一個時間序列到類別i中的其他序列之間的平均相似度，選擇到同類其他時間序列平均相似度最高的時間序列作為該類的新的聚類中心。依此，k個類別有k個新的聚類中心O₁,O₂,…,O_k。

7.如果新的聚類中心和舊的聚類中心相同，則停止循環(huán)返回聚類結(jié)果，否則循環(huán)執(zhí)行第4步到第7步，直到循環(huán)次數(shù)超過閾值。

以下對于一個金融交易的區(qū)塊鏈網(wǎng)絡(luò)，需要根據(jù)該網(wǎng)絡(luò)中區(qū)塊鏈節(jié)點的交易金額序列對它們進行聚類；如圖1所示，采用上述方法對該區(qū)塊鏈網(wǎng)絡(luò)進行聚類的具體實施過程如下：

首先，提取區(qū)塊鏈網(wǎng)絡(luò)中每個節(jié)點的交易金額時間序列。

然后，使用動態(tài)時間規(guī)整DTW算法計算每兩個時間序列之間的相似度。

隨后，隨機選擇k個時間序列作為初始的聚類中心，記為O₁,O₂,…,O_k。

對每個時間序列進行分類，根據(jù)其到每個聚類中心的距離，將其劃分到距離最近的聚類中。例如，對于一個時間序列s，如果s到O₁,O₂,…,O_k的距離中，離O₂最近，則把s劃分到第2個類別中；如果s到O₁,O₂,…,O_k的距離中，離O₇最近，則把s劃分到第7個類別中，以此類推。

待所有時間序列分類完成后，為每個類重新計算類的聚類中心。對于任一類別i，計算類別i中一個時間序列到類別i中的其他序列之間的平均相似度，選擇到同類其他時間序列平均相似度最高的時間序列作為該類的新的聚類中心。依此，k個類別有k個新的聚類中心O₁,O₂,…,O_k。

如果新的聚類中心和舊的聚類中心相同，則停止循環(huán)并返回當(dāng)前聚類結(jié)果，否則判斷一下是否迭代循環(huán)次數(shù)達到了閾值，如達到了閾值則結(jié)束并返回當(dāng)前聚類結(jié)果。如沒有達到閾值，則跳轉(zhuǎn)并繼續(xù)循環(huán)過程。

上述對實施例的描述是為便于本技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應(yīng)用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對上述實施例做出各種修改，并把在此說明的一般原理應(yīng)用到其他實施例中而不必經(jīng)過創(chuàng)造性的勞動。因此，本發(fā)明不限于上述實施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，對于本發(fā)明做出的改進和修改都應(yīng)該在本發(fā)明的保護范圍之內(nèi)。