买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福建省星云大数据应用服务有限公司申请的专利一种结合区块链与机器学习的大数据安全传输方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120434045B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510912709.7，技术领域涉及：H04L9/40；该发明授权一种结合区块链与机器学习的大数据安全传输方法是由陈雯珊;王辉;陈爱泉;梁诗瑶;许燕萍设计研发完成，并于2025-07-03向国家知识产权局提交的专利申请。

本一种结合区块链与机器学习的大数据安全传输方法在说明书摘要公布了：本发明提供了信息安全与分布式计算交叉技术领域的一种结合区块链与机器学习的大数据安全传输方法，包括：步骤S1、传输端对待传输的大数据进行数据分片、预处理得到数据块；步骤S2、获取实时安全监测数据输入数据传输风险识别模型得到传输风险识别结果，基于传输风险识别结果从加密规则集中匹配加密规则对数据块加密得到数据加密块，对数据加密块压缩得到数据压缩块；步骤S3、计算各数据压缩块的数据指纹上传区块链，将各数据压缩块发接收端；步骤S4、接收端接收过程中通过异常传输行为识别模型进行安全防御；步骤S5、通过数据指纹进行完整性校验，进行解压、解密、拼接得到大数据。本发明的优点在于：极大的提升了大数据传输的安全性以及效率。

本发明授权一种结合区块链与机器学习的大数据安全传输方法在权利要求书中公布了：1.一种结合区块链与机器学习的大数据安全传输方法，其特征在于：包括如下步骤： 步骤S1、创建一数据传输风险识别模型，对所述数据传输风险识别模型进行训练后部署至传输端；创建一异常传输行为识别模型，对所述异常传输行为识别模型进行训练后部署至接收端； 步骤S2、设定一包含标准加密规则、中级加密规则以及高级加密规则的加密规则集，将所述加密规则集预置进传输端以及接收端； 步骤S3、传输端获取待传输的大数据，所述大数据的数据类型为结构化数据、半结构化数据或者非结构化数据的大数据；基于预设的文件大小对所述大数据进行数据分片得到若干个数据块，对各所述数据块进行至少包括数据清洗以及数据标准化的预处理； 步骤S4、传输端获取至少包括网络流量数据、系统日志数据、网络设备状态数据、用户行为数据、漏洞扫描数据以及威胁情报数据的实时安全监测数据，通过流式计算引擎对各所述实时安全监测数据进行至少包括数据清洗以及数据标准化的预处理，将预处理后的各所述实时安全监测数据输入部署的数据传输风险识别模型，所述数据传输风险识别模型通过多GPU进行并行推理输出携带风险项和风险等级的传输风险识别结果； 解析所述传输风险识别结果，当风险等级为低风险时，从所述加密规则集中匹配标准加密规则；当风险等级为中风险时，从所述加密规则集中匹配中级加密规则；当风险等级为高风险时，从所述加密规则集中匹配高级加密规则； 基于匹配的加密规则对各所述数据块进行并行加密得到对应的数据加密块，基于当前的日期字符串以及数据块编号对各所述数据加密块进行命名，通过DEFLATE算法压缩各所述数据加密块得到数据压缩块；所述加密规则为标准加密规则、中级加密规则或者高级加密规则； 步骤S5、传输端通过SM3算法计算各所述数据压缩块的数据指纹，基于各所述数据压缩块的数据指纹构造一默克尔树，将所述默克尔树的根哈希值上传至区块链，等待所述根哈希值被区块链共识通过，获取区块链反馈的至少包括交易哈希、区块高度以及区块哈希的区块链交易信息，将所述区块链交易信息以及各数据压缩块通过安全通信协议依次发送给接收端； 步骤S6、接收端实时接收传输的所述区块链交易信息以及各数据压缩块，接收过程中采集至少包括源IP地址、目的IP地址、端口、通信协议、包大小、传输间隔以及标识位分布的实时网络传输数据流，通过流式计算引擎对各所述实时网络传输数据流进行至少包括数据清洗以及数据标准化的预处理，将预处理后的各所述实时网络传输数据流输入部署的异常传输行为识别模型，所述异常传输行为识别模型通过多GPU进行并行推理输出传输行为识别结果； 接收端解析所述传输行为识别结果，当所述传输行为识别结果携带异常传输行为时，停止接收所述数据压缩块，并向预先关联的管理终端推送预警通知，以进行安全防御； 步骤S7、接收端通过所述区块链交易信息对各数据压缩块进行完整性校验后，解压各所述数据压缩块得到数据加密块，通过预置的所述加密规则集解密数据加密块得到数据块，对各所述数据块进行拼接得到大数据，完成大数据的传输； 步骤S8、接收端实时记录大数据接收日志，通过所述加密规则集将大数据接收日志加密为加密日志并上传区块链，通过所述大数据接收日志对部署的异常传输行为识别模型进行迭代优化； 所述步骤S1中，所述创建一数据传输风险识别模型，对所述数据传输风险识别模型进行训练后部署至传输端具体为： 基于数据输入预处理层、风险特征提取层、风险特征融合层以及风险预测输出层创建一数据传输风险识别模型； 所述数据输入预处理层基于网络流量预处理模块、系统日志预处理模块、网络设备状态预处理模块、用户行为预处理模块、漏洞扫描预处理模块以及威胁情报预处理模块构建；所述网络流量预处理模块、系统日志预处理模块、网络设备状态预处理模块、用户行为预处理模块、漏洞扫描预处理模块以及威胁情报预处理模块，均基于标准化单元以及嵌入单元构建； 所述网络流量预处理模块用于对网络流量数据进行标准化和初步嵌入，得到网络流量嵌入向量；所述系统日志预处理模块用于对系统日志数据进行标准化和初步嵌入，得到系统日志嵌入向量；所述网络设备状态预处理模块用于对网络设备状态数据进行标准化和初步嵌入，得到网络设备状态嵌入向量；所述用户行为预处理模块用于对用户行为数据进行标准化和初步嵌入，得到用户行为嵌入向量；所述漏洞扫描预处理模块用于对漏洞扫描数据进行标准化和初步嵌入，得到漏洞扫描嵌入向量；所述威胁情报预处理模块用于对威胁情报数据进行标准化和初步嵌入，得到威胁情报嵌入向量； 所述风险特征提取层基于网络流量特征提取模块、系统日志特征提取模块、网络设备状态特征提取模块、用户行为特征提取模块、漏洞扫描特征提取模块以及威胁情报特征提取模块构建；所述网络流量特征提取模块、系统日志特征提取模块、网络设备状态特征提取模块、用户行为特征提取模块、漏洞扫描特征提取模块以及威胁情报特征提取模块，均基于卷积神经网络单元、门控循环单元以及拼接单元构建； 所述网络流量特征提取模块用于从网络流量嵌入向量中提取网络流量风险特征；所述系统日志特征提取模块用于从系统日志嵌入向量中提取系统日志风险特征；所述网络设备状态特征提取模块用于从网络设备状态嵌入向量中提取网络设备状态风险特征；所述用户行为特征提取模块用于从用户行为嵌入向量中提取用户行为风险特征；所述漏洞扫描特征提取模块用于从漏洞扫描嵌入向量中提取漏洞扫描风险特征；所述威胁情报特征提取模块用于从威胁情报嵌入向量中提取威胁情报风险特征； 所述风险特征融合层用于通过多头自注意力机制单元对网络流量风险特征、系统日志风险特征、网络设备状态风险特征、用户行为风险特征、漏洞扫描风险特征以及威胁情报风险特征进行融合，得到风险融合特征； 所述风险预测输出层基于风险项识别模块、风险等级分类模块以及结果输出模块构建； 所述风险项识别模块用于对风险融合特征进行推理，得到风险项概率分布；所述风险等级分类模块用于对风险融合特征进推理，得到风险等级概率分布；所述结果输出模块用于依据风险项概率分布以及风险等级概率分布，输出携带风险项和风险等级的传输风险识别结果；所述风险等级为低风险、中风险或者高风险； 设定所述数据传输风险识别模型的风险优化函数采用Adam优化器； 设定所述数据传输风险识别模型的风险损失函数为：； 其中，表示风险损失函数的损失值；表示风险项交叉熵损失，使用分类交叉熵损失；表示风险等级交叉熵损失，使用分类交叉熵损失；和均表示权重系数； 获取大量的至少包括网络流量数据、系统日志数据、网络设备状态数据、用户行为数据、漏洞扫描数据以及威胁情报数据的历史安全监测数据； 对各所述网络流量数据进行至少包括去除噪声数据、去除重复数据的数据清洗，包括统一时间格式以及标准化数值字段的数据标准化，包括会话特征以及流量特征的特征提取；对各所述系统日志数据进行至少包括格式化日志以及去除无关日志的数据清洗，包括统一日志级别以及统一时间格式的数据标准化，包括事件特征以及文本特征的特征提取；对各所述网络设备状态数据进行至少包括去除异常状态数据以及去除重复数据的数据清洗，包括统一设备标识以及标准化数值字段的数据标准化，包括性能特征以及状态特征的特征提取；对各所述用户行为数据进行至少包括去除无效行为数据以及去除重复数据的数据清洗，包括统一用户标识以及统一时间格式的数据标准化，包括行为特征以及时间特征的特征提取；对各所述漏洞扫描数据进行至少包括去除无效漏洞数据以及去除重复数据的数据清洗，包括统一漏洞等级以及统一时间格式的数据标准化，包括漏洞特征以及风险特征的特征提取；对各所述威胁情报数据进行至少包括去除无效情报数据以及去除重复数据的数据清洗，包括统一威胁类型以及统一时间格式的数据标准化，包括威胁特征以及可信度特征的特征提取，以完成各所述历史安全监测数据的预处理； 对预处理后的各所述历史安全监测数据进行至少包括风险项以及风险等级的标注后构建风险数据集；通过分层抽样法，以8:1:1的比例将所述风险数据集划分为第一训练集、第一验证集以及第一测试集； 通过所述第一训练集、风险优化函数以及风险损失函数对数据传输风险识别模型进行训练，直至满足预设的第一早停条件，通过所述第一验证集以及第一测试集分别对训练后的数据传输风险识别模型进行验证和测试，将测试通过后的所述数据传输风险识别模型部署至传输端； 所述步骤S2中，所述标准加密规则具体为： 获取当前的日期字符串，对所述日期字符串进行MD5哈希计算得到哈希值H1，从所述哈希值H1中提取前8字节作为动态密钥K1；将待加密大数据转换为UTF-8编码的字节数组B1，生成一个8字节的动态盐值Y1，将所述动态盐值Y1追加到字节数组B1的前方得到增广数据S1，通过DES算法调用所述动态密钥K1对增广数据S1进行加密得到密文数据C1、对所述密文数据C1进行Base64编码得到数据加密块； 所述中级加密规则具体为： 获取当前的日期字符串，对所述日期字符串进行SHA-256哈希计算得到32字节的哈希值H2，将所述哈希值H2的前16字节作为动态密钥K2，后16字节作为动态密钥K3；将待加密大数据转换为UTF-8编码的字节数组B2，将所述字节数组B2等分为子数组B21以及子数组B22，通过AES-128算法调用所述动态密钥K2对子数组B21进行加密得到加密块EA1，通过Blowfish算法调用所述动态密钥K3对子数组B22进行加密得到加密块EB1，对所述加密块EA1以及加密块EB1进行拼接得到拼接数据P1，以字节为单位对所述拼接数据P1循环位移5位得到变换数据T1，对所述变换数据T1中，每两个连续字节执行位置交换操作得到密文数据C2，对所述密文数据C2进行Base32编码得到数据加密块； 所述高级加密规则具体为： 获取当前的日期字符串，对所述日期字符串进行SHA-512哈希计算得到64字节的哈希值H3，将所述哈希值H3的前32字节作为动态密钥K4、中间16字节作为动态密钥K5、后16字节作为动态盐值Y2；将待加密大数据转换为UTF-8编码的字节数组B3，将所述字节数组B3等分为子数组B31、子数组B32以及子数组B33，通过AES-256算法调用所述动态密钥K4对子数组B31进行加密得到加密块EA2，通过3DES算法调用所述动态密钥K5对子数组B32进行加密得到加密块EB2，对所述子数组B32和动态盐值Y2进行逐字节异或操作得到加密块EC2，对所述加密块EA2、加密块EB2以及加密块EC2进行拼接得到拼接数据P2，对所述拼接数据P2中各字节内的高4位与低4位进行交换，得到变换数据Q，将所述变换数据Q分割为16字节块，对各所述16字节块按预设倒序重新排序得到密文数据C3，对所述密文数据C3进行Base16编码得到数据加密块。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福建省星云大数据应用服务有限公司，其通讯地址为：350000 福建省福州市鼓楼区工业路洪山科技园科研楼5层505室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。