本发明涉及深度学习和区块链，更具体的说，涉及深度学习异常检测模型的构建及其在工业区块链中的应用，以确保上传到工业区块链数据的真实有效性。
背景技术：
1、随着工业物联网(iiot)的快速发展，工业数据在生产过程中的重要性愈发突出。工业物联网通过连接、监测及控制各种工业设备和系统，实现数据的采集、传输、分析和应用，从而降低成本、提高生产效率。近年来，区块链技术由于其去中心化、防篡改和可追溯性的特点，成为提升数据安全性和可信度的关键技术。将区块链技术与工业物联网相结合，能够重新定义数据共享方式，提高物联网设备之间的协作效率，增强数据的透明度和自动化管理能力。然而，工业数据的采集设备通常存在不稳定、数据传输过程中容易受到攻击，导致数据存在错误和遗漏。如果将这些未经处理的数据直接上链，可能会在区块链网络中留下错误信息，影响整个工业系统的运行。因此，在数据上链之前，需要进行充分检测和处理，以确保数据的真实有效性，这是维护工业数据安全的一个重要环节。研究如何利用深度学习技术进行异常数据检测，剔除或修正异常数据，从而保障上链数据的完整性和可靠性，是当前学术界和工业界关注的焦点。
2、异常检测对于构建安全可靠的工业系统具有至关重要的作用。为此，研究人员提出了许多检测方案[1]，以提高系统的安全性和可靠性。namrita gummadi等人[2]提出了一种可解释人工智能(xai)框架，结合不同的xai技术，构建一个全面的工具集来对数据流量特征进行分析，有效检测工业物联网系统中存在的异常网络流量。alrashdi等人[3]提出了一种基于随机森林机器学习算法的智能异常检测物联网系统(ad-iot)，旨在应对智慧城市中物联网网络安全威胁，ad-iot能够有效的检测受到攻击的物联网设备。sharma等人[4]提出一种基于滤波器的特征选择深度神经网络(dnn)模型，通过舍弃高相关性特征，解决了数据集中类别不平衡的问题。此外，xu等人[5]提出了一种数据驱动的入侵和异常检测方法，通过多种算法处理和过滤数据，并应用合成少数类过采样技术(smote)和互信息提高训练数据集的质量，有效解决了多类分类问题。
3、区块链技术的透明性和可追溯性在工业物联网系统中得到了广泛应用，有效提升了系统的安全性和可靠性。golomb等人[6]提出了一个轻量级框架ciota，利用区块链技术的概念为资源有限的设备执行分布式异常检测，从而增强了每个设备间以及整个网络的安全性。mirsky等人[7]利用区块链集成异常检测模型，通过自我认证和iot设备之间的共识机制，逐步更新可信的异常检测模型，提升了整个网络的安全性和稳定性。wang等人[8]将异常检测技术应用于医疗物联网领域(iomt)，设计了一种基于深度神经网络的异常流量检测方法，用于基于区块链的医疗物联网(iomt-blockchain)环境中的异常流量检测，有效保护iomt-blockchain设备免受各种安全漏洞的影响。yazdinejad等人[9]针对基于区块链的智能工厂工业物联网网络易受攻击的问题，利用联邦学习构建了名为block hunter的威胁搜寻框架，结合集群架构的和多种机器学习模型，能够自动搜寻工业物联网网络中的攻击。halder等人[10]提出了一种分布式异常检测系统hawk，利用联邦学习进行基于异常的入侵检测，有效解决了当前检测系统在检测特定冒充攻击时效率低下的问题。
4、[1]a.a.cook,g.and z.fan,"anomaly detection for iot time-seriesdata:a survey,"in ieee internet of things journal,vol.7,no.7,pp.6481-6494,july 2020.
5、[2]a.namrita gummadi,j.c.napier and m.abdallah,"xai-iot:anexplainable ai framework for enhancing anomaly detection in iot systems,"inieee access,vol.12,pp.71024-71054,2024.
6、[3]i.alrashdi,a.alqazzaz,e.aloufi,r.alharthi,m.zohdy and h.ming,"ad-iot:anomaly detection of iot cyberattacks in smart city using machinelearning,"2019 ieee 9th annual computing and communication workshop andconference(ccwc),las vegas,nv,usa,2019,pp.0305-0310.
7、[4]b.sharma,l.sharma,c.lal,s.roy,anomaly based network intrusiondetection for iot attacks using deep learning technique,computers andelectrical engineering,volume 107,2023,108626,issn 0045-7906.
8、[5]xu,h.,sun,z.,cao,y.et al.a data-driven approach for intrusion andanomaly detection using automated machine learning for the internet ofthings.soft comput 27,14469–14481(2023).
9、[6]t.golomb,y mirsky,y elovici,"ciota:collaborative iot anomalydetection via blockchain,"arxiv abs/1803.03807(2018):n.pag.
10、[7]y.mirsky,t.golomb,y.elovici,lightweight collaborative anomalydetection for the iot using blockchain,journal of parallel anddistributedcomputing,volume 145,2020,pages 75-97,issn 0743-7315.
11、[8]j.wang,h.jin,j.chen,j.tan,k.zhong,anomaly detection in internet ofmedical things with blockchain from the perspective of deep neural network,information sciences,volume 617,2022,pages 133-149,issn 0020-0255.
12、[9]a.yazdinejad,a.dehghantanha,r.m.parizi,m.hammoudeh,h.karimipourand g.srivastava,"block hunter:federated learning for cyber threat hunting inblockchain-based iiot networks,"in ieee transactions on industrialinformatics,vol.18,no.11,pp.8356-8366,nov.2022.
13、[10]s.halder,t.newe,radio fingerprinting for anomaly detection usingfederated learning in lora-enabled industrial internet of things,futuregeneration computer systems,volume 143,2023,pages 322-336,issn 0167-739x.
技术实现思路
1、本发明的目的是提供一种基于深度学习的链下工业数据异常检测方法，该技术在工业数据上链的过程中，提供数据智能感知能力，对数据进行循环检测，将不合规的数据拦截下来，并将正常数据处理后的通过密码学技术上链存储，通过区块链的共识机制共享至工业区块链网络中协同使用，实现上链数据的有效无误性，以支持多方的协同运作，从而提高工业区块链系统的整体数据安全性和可靠性。
2、本发明的目的是通过以下技术方案实现的：
3、步骤1、收集来自工业物联网系统的流量数据，将收集到的数据进行分类打上标签制成工业信息数据集，用于后续的模型训练。
4、步骤2、使用冲突解决双向门控循环单元模型(cr-bigru)，对工业数据在时间维度上进行处理，提取时间序列特征。
5、步骤3、使用多尺度一维卷积特征提取模型(msc-1dcnn)，对工业数据在空间维度上进行处理，提取空间序列特征。
6、步骤4、将时间序列特征和空间序列特征进行融合，形成综合的时空特征。
7、步骤5、使用graphsage对融合后的时空特征进行邻居节点特征提取和聚合。利用图结构数据中的邻居信息，进一步丰富特征表示。
8、步骤6、利用训练集对步骤2、3、4、5构造的时空邻域融合网络模型进行训练。
9、步骤7、使用训练好的时空领域融合网络模型对需要上链的数据进行异常检测，正常数据允许其上链存储，而将识别到的异常数据标记并拦截，防止其上链，影响工业区块链的正常运行。
1.一种基于深度学习的链下工业数据异常检测方法，其特征在于，所述技术包括：
2.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤1的过程具体为：
3.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤2的过程具体为：
4.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤3的过程具体为：
5.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤4的过程具体为：
6.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤5的过程具体为：
7.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤6的过程具体为：
8.根据权利要求1所述基于深度学习的链下工业数据异常检测方法，其特征在于，所述步骤7的过程具体为：
