卜燦燦

（山東英才學院 山東 濟南 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，關鍵在于對數(shù)據(jù)進行聚類處理，而區(qū)塊鏈數(shù)據(jù)挖掘的基礎在于數(shù)據(jù)信息識別與特征提取，選擇模糊信息識別技術開發(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，實現(xiàn)區(qū)塊鏈數(shù)據(jù)聚類分析［1］。 對物聯(lián)網(wǎng)區(qū)塊鏈進行數(shù)據(jù)挖掘，是以數(shù)據(jù)的特性抽取和信息辨識為依據(jù)，運用模糊信息辨識技術，設計物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結構，并與其大數(shù)據(jù)的特性分布相結合，進行異質重組，實現(xiàn)對大數(shù)據(jù)的聚類分析。

現(xiàn)階段對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進行聚類的方法，包括K-Means 聚類法、網(wǎng)格區(qū)域聚類方法、粒子群聚類方法等。本文提出深度學習下的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法，首先分析區(qū)塊鏈數(shù)據(jù)結構特征，其次實施區(qū)塊鏈數(shù)據(jù)特征提取，與分片峰值聚類方法相結合，實現(xiàn)數(shù)據(jù)聚類優(yōu)化，最后展開仿真測試，并獲得有效性結論。

1 區(qū)塊鏈技術

數(shù)據(jù)和事務都不會被第三方所掌控，這就是分布式賬本。 最早被Nakamoto 介紹為比特幣（Bitcoin，BTC）的一個重要組成部分，而在此之后，又有許多新的區(qū)塊鏈被應用到了各個領域。 但是，區(qū)塊鏈具有一定的共性，具體表現(xiàn)為：（1）復制賬本：將區(qū)域內(nèi)的各節(jié)點交易記錄保存在一個獨立的區(qū)域內(nèi)，并將最近一次事件封裝為一個區(qū)域，使得各區(qū)域內(nèi)事件都可進行分配和拷貝。 （2）點對點網(wǎng)絡結構：各結點共用一個公用賬冊，沒有因特網(wǎng)的中心式管理參與方。 換句話說，所有的結點都是經(jīng)由一個點到點的網(wǎng)絡聯(lián)結的，并經(jīng)由這個網(wǎng)絡來將交易與區(qū)塊進行同步。（3）密碼學：在一個數(shù)據(jù)塊被接入到另一個數(shù)據(jù)塊上之前，整個數(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：加密技術是區(qū)塊鏈網(wǎng)絡安全的基礎。 在區(qū)塊鏈的環(huán)境下，一個事務的完整性應該包含數(shù)字簽名以及私有數(shù)據(jù)結構（例如，梅克爾樹等）。 采用不對稱加密技術可以實現(xiàn)數(shù)據(jù)的隱私保護。 區(qū)塊鏈把不同的數(shù)據(jù)塊以一定的時間序列相互聯(lián)系起來，形成一種鏈狀的組織形式，每一個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信息，如版本號、時間戳、區(qū)域頭等。 模塊是對電網(wǎng)物聯(lián)網(wǎng)內(nèi)部和外部的信息進行收集和處理。 以區(qū)塊鏈為基礎，通過與其他節(jié)點之間的間接相互作用，可以避免在相互作用過程中受到網(wǎng)絡攻擊時密鑰泄露，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)塊鏈所需時間，確保資料的時效性。

2 區(qū)塊鏈數(shù)據(jù)結構與特征提取

現(xiàn)階段，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類分析法包括K-Means聚類法、粒子群聚類法以及網(wǎng)格區(qū)域聚類法等，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方法，實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類。

2.1 結構分析

通過有向圖模型對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結構模型進行構建，選用統(tǒng)計分析法，獲得區(qū)塊鏈數(shù)據(jù)異構存儲模型，對其模糊聚類特征分布集進行計算，從而獲得融合度函數(shù)式

（1）：

對區(qū)塊鏈數(shù)據(jù)集差異分布特征進行分析，獲得各插值點如式（2）所示：

式（2）中，dm＋1（m）表示第m 點的區(qū)塊鏈數(shù)據(jù)預測值，dm＋1（m）表示第m 點所采集區(qū)塊鏈數(shù)據(jù)特征量，依照區(qū)塊鏈數(shù)據(jù)特征，通過模糊C 均值聚類提取結果，并展開信息處理，假設全局變量，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)點分布模型，并聚類優(yōu)化設計區(qū)塊鏈數(shù)據(jù)的分片峰值。 假設區(qū)塊鏈數(shù)據(jù)聚類節(jié)點屬性集是X＝｛x1，x1，…，xn｝ ，設計聚類節(jié)點圖模型，通過語義本體模型構造處理區(qū)塊鏈數(shù)據(jù)，借助自相關特征匹配，研究相似區(qū)塊鏈數(shù)據(jù)貼近度φ1，如式（4）所示：

假設（s1，a1），（s2，a2），…，（sn，an）是區(qū)塊鏈數(shù)據(jù)聚類的一組分布集，創(chuàng)建區(qū)塊鏈數(shù)據(jù)聚類模型，并統(tǒng)計分析數(shù)據(jù)聚類，實現(xiàn)自適應調(diào)度。 基于模糊語義融合聚類展開區(qū)塊鏈數(shù)據(jù)加權分析，從而獲得模糊加權分布向量，考慮到等價語義映射，展開物聯(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)計特征量，借助映射函數(shù)M 表示，M：C*C→r 對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)相似度信息進行描述，采用空間聚類分析分布式調(diào)度區(qū)塊鏈數(shù)據(jù)，創(chuàng)建本體模型，以展開區(qū)塊鏈數(shù)據(jù)特征聚類處理與語義相似度融合。

3 區(qū)塊鏈數(shù)據(jù)分片峰值聚類

3.1 特征提取與自適應調(diào)度

通過有向圖模型，對區(qū)塊鏈數(shù)據(jù)聚類節(jié)點結構模型進行構建，并在區(qū)塊鏈數(shù)據(jù)庫提取資源信息特征，假設｛（s1，a1），（s2，a2），…，（sn，an）｝ 為區(qū)塊鏈數(shù)據(jù)語義特征分量，通過異構有向圖分析設計區(qū)塊鏈數(shù)據(jù)存儲結構，與特征空間重組相結合，實現(xiàn)區(qū)塊鏈數(shù)據(jù)結構的充足，以獲得優(yōu)化加權系數(shù)［4］，即：w ＝（（w1，a′1）， （w2，a′2），…，（wn，a′n）T），wj∈［0，1］ 。 通過統(tǒng)計分析實現(xiàn)區(qū)塊鏈數(shù)據(jù)聚類檢測，以獲得關聯(lián)性本體結構模型如式（5）所示：

轉化區(qū)塊鏈數(shù)據(jù)聚類特征問題為二元語義決策問題，其模糊特征匹配評估指標集Ek∈E（k ＝1，2，…，t），選擇主體詞匹配，對X 相似度函數(shù)進行分析，獲得區(qū)塊鏈數(shù)據(jù)隸屬度函數(shù)如式（6）所示：

選擇決策樹模型實現(xiàn)區(qū)塊鏈數(shù)據(jù)特征重構，遞歸圖模型內(nèi)，選擇相空間重構法，進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)聚類搜索步數(shù)，μik表示區(qū)塊鏈數(shù)據(jù)關聯(lián)決策系數(shù)［5］。

基于以上分析，實現(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)聚類中心。 通過分塊特征演化，檢測區(qū)塊鏈數(shù)據(jù)關聯(lián)特征，從而獲得模糊檢測向量，如式（9）所示，再與模糊相關性融合法相結合，展開區(qū)塊鏈分片峰值聚類分析。

3.2 深度學習

通過模糊C 類均值聚類展開區(qū)塊鏈數(shù)據(jù)網(wǎng)格分片屬性分類與峰值聚類識別，通過深度學習法實現(xiàn)數(shù)據(jù)聚類的分片峰值融合與聚類分析，從而獲得區(qū)塊鏈數(shù)據(jù)在線聚類準則［6］，即式（10）：

區(qū)塊鏈數(shù)據(jù)聚類節(jié)點的深度學習加權系數(shù)是We ＝（wj（e），0）。 通過修正各聚類自適應加權學習系數(shù)vi，即可獲得聚類有效性評估矩陣R ＝（rij，aij）m×n與指標權重W＝（（w1，β1），（w2，β2），…，（wn，βn）） 。 綜上所述，創(chuàng)建區(qū)塊鏈數(shù)據(jù)聚類的深度學習模型，對區(qū)塊鏈數(shù)據(jù)模糊特征分布集進行構建，以獲得區(qū)塊鏈數(shù)據(jù)約束規(guī)劃模型見式（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)評價集是L1，L2，…，Ln 與物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)優(yōu)化聚類模型為式（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)融合聚類特征集，基于以上分析，滿足區(qū)塊鏈數(shù)據(jù)優(yōu)化聚類目標。

4 仿真實驗和結果

區(qū)塊鏈數(shù)據(jù)聚類分析中，為對語義相關性融合性方法應用性能進行驗證，展開實驗測試分析，通過Matlab7 與C＋＋混合編程展開區(qū)塊鏈數(shù)據(jù)算法處理，基于Hadoop 云平臺對區(qū)塊鏈數(shù)據(jù)庫結構模型進行構建，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，自適應學習迭代步數(shù)為30，設定以上仿真參數(shù)，展開區(qū)塊鏈數(shù)據(jù)峰值聚類分析，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)時域波形

將圖1 數(shù)據(jù)作為研究對象，通過語義相關性融合法提取區(qū)塊鏈數(shù)據(jù)特征與自適應調(diào)度，再對區(qū)塊鏈數(shù)據(jù)特征量展開模糊聚類處理，進而進行分片峰值聚類分析，可獲得如圖2 所示的聚類結果。

圖2 數(shù)據(jù)分片峰值聚類

通過分析圖2 可以發(fā)現(xiàn)，選擇該方法展開區(qū)塊鏈數(shù)據(jù)聚類分析，具有良好的峰值融合度，測試誤分率比較低，而且收斂性也比較強，表1 為誤分率比較結果，從結果可以看出，深度學習下的區(qū)塊鏈數(shù)據(jù)聚類具有較低誤分率。通過結果分析發(fā)現(xiàn)，該方法展開區(qū)塊鏈數(shù)據(jù)聚類具有較低誤分率，使數(shù)據(jù)聚類收斂控制能力大幅度提升。

表1 誤分率比較

5 結語

本文通過模糊信息識別技術開發(fā)區(qū)塊鏈數(shù)據(jù)存鏈結構，提出深度學習下的區(qū)塊鏈數(shù)據(jù)特征重構，通過深度學習法實現(xiàn)數(shù)據(jù)聚類分片峰值聚類與融合。 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)遞歸圖模型內(nèi)，選擇相空間重構方式，采集物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類模糊特征信息，通過深度學習法對數(shù)據(jù)聚類實施分片峰值融合與聚類分析，從而達到分片峰值聚類目的。 結果顯示，該方法展開區(qū)塊鏈數(shù)據(jù)峰值聚類具有良好收斂性，數(shù)據(jù)聚類精度高，而且誤分率也比較低。