一种基于区块链的分布式态势融合生成方法以及系统

技术领域

本发明属于指挥控制技术领域，更具体地，涉及一种基于区块链的分布式态势融合生成方法以及系统。

背景技术

数据融合是指挥控制系统的核心功能。系统通过数据融合整合来自不同传感器和情报源的信息，生成完整、一致、准确的场景态势信息，辅助指挥员分析、理解和预测态势变化。在网络安全领域，数据融合可以用于检测和防止网络攻击。通过整合来自不同来源的网络流量数据，可以更准确地检测到潜在的安全威胁。在高级竞争情报的应用场景中，数据融合可以帮助企业从大量的市场和竞争信息中提取有价值的见解，从而做出更明智的商业决策。在这些复杂的应用场景中，由于情报数据的多路径传输，以及各个系统之间融合规则和算法的不一致性，很容易导致数据处理过程中的重复性工作，以及精度的假性提高和数据融合结果的不一致。

分布式态势融合生成(Distributed Situation Awareness,DSA)是一种通过整合来自多个来源的信息，以形成对环境的全面和实时认知的方法。在分布式系统中，各个节点可以独立地收集、处理和分享信息，从而增强整个系统对环境的感知和适应能力。DSA的核心优势包括弹性、可扩展性和实时性。由于其分布式特性，系统更具弹性，即使某些节点失效，整体性能仍能得到保证。同时，分布式结构使得在需要时可方便地添加新节点。此外，DSA能实时整合来自各个节点的信息，提高了对环境变化的响应速度。

主流的分布式数据融合方法包括：(1)基于局部模型的融合方法：将数据分散存储在不同的节点上，并在每个节点上训练出局部模型，然后通过将局部模型融合，得到一个全局模型，常见的方法包括模型平均和模型组合；(2)基于特征融合的方法：将分散的特征数据进行融合，得到一个全局的特征数据集，然后在全局特征数据集上训练模型，常见的方法包括特征加权和特征拼接；(3)基于机器学习的融合方法：利用机器学习算法进行数据融合，常见的方法包括集成学习算法(如随机森林和Boosting算法)、深度学习算法(如神经网络和卷积神经网络)等；(4)基于图模型的融合方法：将分布式数据看作一个图结构，通过图模型来对数据进行融合，常见的方法包括图割和图神经网络等；(5)基于特征选择的方法：通过选择与目标任务相关的特征进行数据融合，常见的方法包括互信息、相关系数和基于模型的特征选择等。

由于态势数据存储在不同的节点上，节点之间的数据可能存在不一致性和冲突。例如，在模型训练过程中，不同的节点可能使用不同的数据划分或数据预处理方法，导致最终的模型结果不一致。同时，在分布式态势数据融合过程中，涉及到多个节点之间的态势数据共享和传输，确保数据共享的安全性是一个重要的问题。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于区块链的分布式态势融合生成方法以及系统，以解决现有技术中态势感知数据融合过程中数据不一致性问题和安全性问题。

为实现上述目的，本发明提供了一种基于区块链的分布式态势融合生成方法，其包括如下步骤：

S1：区块链中当下平台接受其他平台发送的目标感知数据，并进行数据预处理，

S2：利用预处理后的数据制定数据融合规则，

S3：在区块链中部署智能合约，

S4：智能合约在区块链中运行，区块链中各个平台对目标感知数据进行融合处理，

S5：区块链输出目标感知数据的融合结果，完成分布式态势融合。

进一步的，步骤S1中，将其他平台发送的目标感知数据包括设备ID、物体ID、时间戳和观测坐标中的一种或者多种，通过编码、嵌入、归一化和数据清洗中的一种或者多种方式将其转换成连续的或者离散的向量，从而完成预处理，使得数据形式方便后续处理和使用。

进一步的，步骤S2中，在制定数据融合规则时，使用串行的卷积神经网络模型和长短期记忆网络模型的组合以形成多输入单输出模型，以使多输入单输出模型的设计充分利用深度学习方式，从而能够从空间和时间两个角度对数据进行深度解析。

进一步的，步骤S2中，制定数据融合规则仅在首次需要部署智能合约才进行，在制定好数据融合规则后，后续需要进行态势融合时直接调用数据融合规则，利用智能合约进行融合处理，输出融合结果。

进一步的，步骤S2中，制定数据融合规则的具体过程细分为如下子步骤：

S21：初始化多输入单输出模型的参数，

S22：获得预处理后的空间数据样本，利用具有多个卷积层和池化层组成的卷积神经网络模型训练，获得空间特征，完成空间数据处理，

S23：获得预处理后的时间数据样本，采用长短期记忆网络模型训练，捕捉时间序列数据中长期依赖关系，获得时间特征，完成时间数据处理，

S24：卷积神经网络模型的输出首先被拼接成一个统一的特征向量，然后该统一的特征向量会被输入到长短期记忆网络模型，该长短期记忆网络模型由多个并行的长短期记忆网络模型单元组成，

S25：使用多输入单输出模型的全连接层作为输出层，全连接层将长短期记忆网络模型的模型层的输出转换为最终的预测坐标，该预测坐标代表对象的预测坐标，

S26：计算预测坐标和实际坐标之间的均方误差，

如果预测坐标和实际坐标之间的均方误差不满足阈值，跳转到步骤S21，依次重复执行步骤，直到误差满足阈值，

如果预测坐标和实际坐标之间的均方误差满足阈值，完成制定数据融合规则。

进一步的，步骤S3中，在区块链中部署智能合约具体为，制定的数据融合规则为完整的神经网络模型，将完整的神经网络模型进行参数序列化，并转换成可执行的代码，形成智能合约，将智能合约部署到设定的区块链平台中，

在智能合约部署过程中，将整个神经网络模型参数和结构以哈希值的形式记录在区块链上，以确保整个神经网络模型的完整性和安全性。

进一步的，步骤S4中，通过调用智能合约，将收集到的多平台目标感知信息输入到该合约中，产生分布式态势融合后的目标融合信息，在执行信息融合的过程中，区块链的拜占庭容错机制能正确辨识并消除恶意节点的影响，从而能实现信息融合的正确无误和一致性。

进一步的，步骤S5中，区块链中各个平台输出目标感知数据的融合结果时，区块链所有平台能获取同一时间点的一致视角和结果，避免了任何潜在的数据冲突。

按照本发明的另一个方面，还提供一种基于区块链的分布式态势融合生成系统，其采用如上所述方法实现分布式态势融合。

进一步的，其包括多个平台，平台是指有人驾驶的移动平台或固定阵位，或者无人驾驶的移动平台或固定阵位，平台能接受信息，并将信息发送至其他平台。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下

有益效果：

本发明提出了一种基于区块链的分布式态势融合生成方法，通过运用区块链和智能合约，保证了所有系统中的节点遵循同一套融合规则和方法，从而避免了由于规则和方法不一致导致的融合结果不一致的问题。本发明利用区块链的特性，形成不可篡改的审计轨迹，确保感知数据处理过程全程可追溯以及感知数据共享过程的安全性。

附图说明

图1是本发明实施例中一种基于区块链的分布式态势融合生成方法的流程图；

图2是本发明实施例中一种非常具体的基于区块链的分布式态势融合生成方法的流程图；

图3是本发明实施例中制定数据融合规则的具体流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是本发明实施例中一种基于区块链的分布式态势融合生成方法的流程图，由图可知，其主要包括如下步骤：

S1：接收其他平台发送的目标感知数据，并进行数据预处理；

S2：利用预处理后的数据制定数据融合规则，

S3：在区块链中部署智能合约，

S4：利用智能合约进行融合处理；

S5：输出本平台与其他平台的目标感知数据的融合结果。

其中，步骤S1的具体实现方式为：接收其他平台发送的目标感知数据通常使用的方式是利用ROS的发布/订阅模型进行通信和数据交换。具体来说，不同的平台从不同的空间方位会观察到不同的目标感知数据，然后其他平台可以订阅这些信息，实现数据的共享和分析。由于后面采用深度学习的方式去计算分布式态势融合的生成，因此需要将收集到的不同数据进行预处理，处理成为深度学习可以接受的向量形式，包括但不限于：设备ID，物体ID，时间戳以及观测的坐标。

其中，步骤S2的具体实现方式为：采取卷积神经网络模型(英文缩写为：CNN模型)与长短期记忆网络模型(英文简称为：LSTM模型)联合串行的多输入单输出模型(英文简称为：MISO模型)，并通过模型压缩和优化，以智能合约的形式部署到区块链上。其中，模型压缩和优化作用是为了确保模型在区块链上的存储和执行效率。一种常用的方法是将浮点参数转换为固定点参数，从而减小模型的存储空间和计算复杂度。具体的，在整个神经网络模型中，CNN模型的输出首先被拼接成一个统一的特征向量，然后这个统一的特征向量会被输入到一个LSTM模型层。这个LSTM模型层由多个并行的LSTM模型单元组成，这些LSTM模型单元的任务是处理时间序列数据，并记住过去的信息，为预测提供上下文环境。最后，使用一个全连接层作为整个神经网络的输出层，输出物体的预测位置，所述整个神经网络是指卷积神经网络模型、长短期记忆网络模型和多输入单输出模型共同组成的神经网络。

图2是本发明实施例中一种非常具体的基于区块链的分布式态势融合生成方法的流程图，包括如下步骤：

第1步，接收其他平台发送的目标感知数据，并进行数据预处理：本发明使用深度学习模型去实现分布式态势融合生成，因此需要收集其他平台发送的目标感知数据，并进行数据的预处理。具体来说，在使用ROS(Robot Operating System)的发布/订阅模型进行通信和数据交换时，一种常见的方式是通过"主题"进行，在ROS的发布/订阅模型中，一个主题是设备或节点可以发布或订阅的信息流。一种设备可能会发布在特定主题上的数据(例如，一个激光雷达可能会发布其接收到的目标感知数据)，然后另一种设备可以订阅这个主题以获取和处理这些数据。本实施例中，可以设定一种主题用于发布目标感知数据，这些数据可能会包括设备ID(标识数据来源)，物体ID(标识被观察到的特定目标)，时间戳(数据的观测时间)以及观测坐标(目标在某一时间点的位置)。每一种设备都可以发布它自己的数据到这个主题上，然后其他设备可以订阅这个主题，接收并处理这些数据。对于后续的深度学习处理，将设备ID、物体ID、时间戳和观测坐标进行数据预处理，具体的，可以通过某种转换(例如编码、嵌入、归一化和数据清洗等)变成连续的或者离散的向量，从而完成预处理，使得数据形式方便后续处理和使用。

第2步，制定数据融合规则，制定数据融合规则仅仅是在首次需要部署智能合约才进行，在制定好数据融合规则后，后续需要进行态势融合时直接调用，直接利用智能合约进行融合处理，输出融合结果。

具体的，在制定数据融合规则时，本实施例使用了一种多输入单输出(MISO)模型，也是一个串行的卷积神经网络(CNN)和长短期记忆网络(LSTM)的组合。这个多输入单输出(MISO)模型的设计充分利用了深度学习方式，能够从空间和时间两个角度对数据进行深度解析，具体的流程如图3，图3是本发明实施例中制定数据融合规则的具体流程图。由图3可知，制定数据融合规则的具体过程细分为如下步骤：

(1)空间数据处理：不同点观测到的物体在空间中的位置是不同的，因此需要把它就是融合起来得到一个确切的位置。比如，a可能观测到一个物体在他的正前方，b观察到在他的正后方，需要综合确定位置。实际操作时，给定数据样本，然后利用卷积神经网络(CNN)模型自行训练。

本实施例使用了卷积神经网络(CNN)模型，这种网络模型在图像和视频处理中表现优异，它能够高效地提取空间特征，对于处理来自设备的空间坐标数据至关重要。为了捕获每个设备的独特观测特性，本实施例设计了一个由多个卷积层和池化层组成CNN模型，这多个卷积层和池化层能够自动学习和抽取重要的空间特征。

(2)时间序列数据处理：本发明使用了长短期记忆网络(LSTM)模型。传统的神经网络模型在处理带有时间顺序的数据时效果不佳，因为其难以捕捉到时间序列数据中的依赖性。LSTM模型可以解决这个问题，其独特的网络结构可以记住过去的信息，从而捕捉时间序列数据中的长期依赖关系。实际操作时，给定数据样本，然后长短期记忆网络(LSTM)模型自行训练。

(3)进行数据融合：在整个神经网络模型中，CNN模型的输出首先被拼接成一个统一的特征向量，然后这个统一的特征向量会被输入到一个LSTM模型层。这个LSTM模型层由多个并行的LSTM模型单元组成，这些LSTM模型单元的任务是处理时间序列数据，记住过去的信息，为预测提供上下文环境。

(4)全连接层生成预测坐标：本实施例使用整个神经网络模型的全连接层作为输出层。全连接层将LSTM模型层的输出转换为最终的预测坐标，这个预测坐标代表了物体的预测位置。全连接层由多个神经元组成，每个神经元都与前一层的所有神经元相连，这样可以实现从LSTM模型层到最终预测结果的映射。

(5)计算误差，训练和优化：本实施例使用反向传播和梯度下降的方式进行训练，目标函数是预测坐标和实际坐标之间的均方误差(MSE)。通过这种方式，神经网络模型能够自我学习和调整，逐渐提高预测的准确度。

具体的，预测坐标和实际坐标之间的均方误差(MSE)如果不满足阈值，就重新去初始化模型参数，依次再进行空间数据处理、时间序列数据处理、进行数据融合、全连接层生成预测坐标以及计算误差，直到误差满足阈值。

由图3可知，在制定数据融合规则之前，需要初始化模型参数，所述模型是指初始的卷积神经网络模型、长短期记忆网络模型和多输入单输出模型共同组成的神经网络。

第3步，编写和部署智能合约(对应于图1中步骤S3)：在将神经网络模型部署到智能合约的过程中，首先本实施例需要将第2步中训练好的神经网络模型转换成适合智能合约运行的格式，这包括参数序列化和转换成可执行的代码。随后，本实施例采用Solidity编写智能合约的代码，其中，集成了转换后的神经网络模型。在完成智能合约的编写后，本实施例将其部署到合适的区块链平台，例如以太坊或EOS(EOS是指具体的区块链平台)，从而使智能合约能够在区块链网络上被调用和执行。同时，智能合约负责解析整个神经网络模型输出并返回预测结果。合约部署过程中，将整个神经网络模型参数和结构以哈希值的形式记录在区块链上，以确保整个神经网络模型的完整性和安全性。

第4步，利用智能合约进行融合处理：通过调用智能合约，将收集到的多平台目标感知信息输入到该合约中，产生分布式态势融合后的目标融合信息。得益于智能合约在区块链上的运行，所有的数据整合和识别过程都能维持透明性和可查性，用户的隐私信息绝不会被泄漏。在执行信息融合的过程中，哪怕部分网络节点发生故障或企图篡改数据，区块链的拜占庭容错机制也能正确辨识并消除恶意节点的影响(因为区块链想达成一个目标，需要节点参与投票，大多数节点都赞成，这个目标才能被采纳。)，确保信息融合的正确无误和一致性。

第5步，输出本平台与其他平台的目标感知数据融合结果：本实施例利用了PBFT(实用拜占庭容错)协议的特性，以确保所有分布式节点均按照一致性协议行动。PBFT协议的强大之处在于其能够抵御拜占庭故障，也即，即使系统中存在作恶节点，只要大多数节点是诚实的，系统就能保持正常运行。在这个基础上，本实施例将标准化的数据融合方法封装为智能合约，并安全地部署在区块链中。当数据被上传到区块链上时，智能合约就会立即执行。这种即时执行和响应的特性，结合PBFT协议，使得所有节点能在同一时间点获取一致的视角和结果，避免了任何潜在的数据冲突。通过使用PBFT协议和智能合约，本发明可以在保护数据安全性和用户隐私的同时，有效地实现数据的融合和处理，提供了一个透明且可验证的分布式数据处理方法。

本发明中平台是指有人驾驶的移动平台或固定阵位，也可以是无人驾驶的移动或固定阵位，或者说，平台是指设备或节点，平台可以接受信息，并将信息发送至系统的其他节点，平台具体可以是摄像头，无人机之类的。系统是指基于区块链的分布式态势融合生成系统，其含有智能合约，可以接受其他平台的数据，进行处理，得到目标感知数据的融合结果。目标感知数据是指平台装备的传感器探测到的目标信息，一般包括时间、位置、速度等信息。

本发明将标准化的数据融合方法封装为智能合约，并安全地部署在区块链中，智能合约(英语：Smart contract)是一种旨在以信息化方式传播、验证或执行合同的计算机协议，是运行在区块链上的一种形式。智能合约允许在没有第三方的情况下进行可信交易，这些交易可追踪且不可逆转。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。