[發明專利]一種基于分布式系統的節點性質識別方法

有效

• 申請號: 201810815063.0
• 申請日: 2018-07-24
• 公開（公告）號: CN109088862B
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 許翔
• 申請（專利權）人: 中國計量大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06K9/62;G06N3/04;G06N3/08;G06N20/10;H04L12/733;H04L12/751
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于分布式系統的節點性質識別方法，包括以下步驟：

將分布式系統中的申請資源或提供資源的參與方視為節點；所述節點包括善意節點、Sybil節點和待定節點；

節點間有提供資源或獲得資源的記錄，則視為形成一條連接邊；

在待定節點作為申請者發出資源申請時，假設接收該資源申請的提供資源的參與方為善意節點，在隨機路由中，提取申請者節點的特征；

通過建立算法模型，采用給定的訓練集來訓練該算法模型，并評估該算法模型準確率；使用測試集數據評估模型準確率，待所述算法模型的準確率達到預期準確率時，則利用該算法模型對所述發出資源申請的待定節點的性質進行識別和預測，以決定是否向其提供資源；

隨機路由的選擇是指，如果一個節點的度為m，那么選擇相鄰節點為下一跳的可能性均為1/m，從申請者節點或者提供者節點出發隨機尋找一條路徑，路徑長度為w，任意兩個相鄰節點間距離作為一個單位長度，則路徑長度w為單位長度的倍數；

若申請者節點與提供者節點之間的最短路徑中節點數為L，則在w＝1/2L的情況下，從申請者節點與提供者節點出發的隨機路徑存在交集節點，則從申請者節點所提取的特征，包括從申請者節點與提供者節點出發的隨機路徑的交集節點的特征；在w1/2L的情況下，從申請者節點與提供者節點出發的隨機路徑不存在交集節點，則從申請者節點所提取的特征，不包括從申請者節點與提供者節點出發的隨機路徑的交集節點的特征。

2.根據權利要求1所述的基于分布式系統的節點性質識別方法，其特征在于：所述從申請者節點所提取的特征，還包括從申請者節點出發的隨機路徑之距離遠、中、近三個位置中的不同性質或類型節點的特征、從申請者節點出發的隨機路徑之距離遠、中、近三個位置不同傳遞方向的資源數。

3.根據權利要求2所述的基于分布式系統的節點性質識別方法，其特征在于：對“從申請者節點出發的隨機路徑之距離遠、中、近三個位置中的不同性質或類型節點的特征、從申請者節點出發的隨機路徑之距離遠、中、近三個位置不同傳遞方向的資源數”特征的數值范圍作歸一化處理，采用K-means聚類算法處理后，提取遠、中、近三個位置的特征數據。

4.根據權利要求3所述的基于分布式系統的節點性質識別方法，其特征在于：利用機器學習算法中的AdaBoost算法在給定訓練集上進行訓練，所述訓練集由從申請者節點和提供者節點所提取的特征以及給定節點的性質得到，從訓練集的訓練數據中學習一系列弱分類器，并將這些弱分類器組合成一個強分類器，利用所述強分類器對未知待定節點的性質進行識別。

5.根據權利要求4所述的基于分布式系統的節點性質識別方法，其特征在于：所述機器學習算法中的AdaBoost算法，具體如下：給定訓練集D＝{(x_1,y₁),(x₂,y₂)...,(x_n,y_n)},其中x_i指的是第i個節點的所有特征；y_i為相應的標記，y_i＝1說明該節點是善意節點，y_i＝0說明該節點是Sybil節點；

定義f(x)為當前學習到的分類器，訓練的目的是為了讓損失函數逐步減小；

在第m+1輪的訓練中，f_m+1(x)＝f_m(x)+h(x),目的要找到h(x)讓f_m+1(x)盡可能接近y；采用梯度提升算法，使用決策樹cart來擬合殘差，得到：其中J是特征總數，j是第j個特征，m是指m棵樹；訓練完成后得到m棵樹組成的分類器：

6.根據權利要求5所述的基于分布式系統的節點性質識別方法，其特征在于：采用人工神經網絡進行分類，建立模型：給定訓練集D＝{(x_1,y₁),(x₂,y₂)...,(x_n,y_n)},其中x_i指的是第i個節點的所有特征；y_i為相應的標記，y_i＝1說明該節點是善意節點，y_i＝0說明該節點是Sybil節點；

所述人工神經網絡的架構包括輸入層、隱藏層和輸出層，其中隱藏層為一層或多層，隱藏層的數量作為一個超參數，在訓練中根據準確度進行調整；其損失函數采用交叉熵，采用反向傳播的方式進行訓練。