一种基于区块链的工业物联网数据管理及优化系统及方法

本发明涉及区块链技术和工业物联网领域，特别涉及一种基于区块链的工业物联网数据管理及优化系统及方法。

背景技术：

1、结合区块链技术与工业数据管理可确保监测过程中数据的可靠性。这意味着在整个故障监测流程中，从数据的采集、传输到分析，每一个环节都能被可靠记录和核实，从而显著提升数据的透明度和可信度。然而，随着未来6g技术的引入，网络的实时性能和动态性将得到进一步提升。同时，区块链技术固有的性能瓶颈也导致了数据处理的延迟，使得性能优化成为一个关键挑战。

2、当前的解决方案中，尽管强化学习算法被应用于区块链的性能优化，但由于训练时间长和反馈周期延迟仍导致参数调整滞后。此外，由于工业监测数据来自于不同重要性的设备，且大量正常的监测数据会阻碍异常数据的及时处理，现有方案缺乏针对多层次工业数据处理的有效策略。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于区块链的工业物联网数据管理及优化系统及方法，采用基于transformer架构的生成模型预测未来事务发送率，并据此动态调整区块链网络参数，可以有效解决工业生产应用中参数优化滞后的问题。

2、为达到上述目的，本发明的技术方案如下：

3、一种基于区块链的工业物联网数据管理及优化系统，包括物理层、边缘层、网络接口层和云层；

4、所述物理层包括多个不同的工业物联网设备监测系统；

5、所述边缘层包括边缘服务器和边缘网关，边缘服务器和边缘网关作为区块链的节点，用于搭建工业物联网区块链网络；工业物联网区块链网络处理不同工业物联网设备监测系统的数据存储事务请求；边缘网关负责物理层与边缘服务器间的信息传输和数据处理任务；边缘服务器负责收集来自工业物联网区块链网络的性能及参数数据，并对收集到的数据进行预处理，以确保数据的准确性和一致性；同时，边缘服务器还部署有基于transformer的生成模型，用于根据预处理后的数据进行未来一段时间区块链事务处理量的预测，该预测结果将用于模拟区块链的环境配置；

6、所述网络接口层包括区块链服务接口和6g网络通信接口，负责边缘层和云层的通信连接和区块链服务，其中区块链服务接口部署有智能合约接口；

7、所述云层包括云服务器，在云服务器集群中，接收来自边缘服务器的预测结果，并根据预测结果部署模拟区块链的环境，并配置压力测试工具，进行强化学习算法的交互式训练，在交互式训练过程中，强化学习算法根据区块链网络状态选择最佳的配置参数，用于部署到真实的工业物联网区块链网络环境中，提升区块链网络的性能和效果。

8、上述方案中，所述基于transformer的生成模型包括统一输入表示层、编码器、解码器、全连接层和输出处理层，所述统一输入表示层用于对数据进行转换，产生输入到模型中的表示向量；所述编码器包括两个多头probsparse自注意力层，每个多头probsparse自注意力层后面紧跟着前馈神经网络，所述编码器用于进行特征提取处理，输出历史序列的特征表示；所述解码器包括掩码多头probesparse自注意力层、多头注意力层和拼接层，所述解码器用于融合编码器输出的特征提取结果，输出预测序列向量；所述全连接层用于特征转换，将模型的内部特征转换为对外部世界有用的预测结果；所述输出处理层用于对预测序列进行逆归一化处理后输出。

9、一种基于区块链的工业物联网数据管理及优化方法，采用如上所述的一种基于区块链的工业物联网数据管理及优化系统，包括如下步骤：

10、s1、在边缘网关和边缘服务器部署区块链运行环境，并以边缘网关和边缘服务器作为区块链节点搭建工业物联网区块链网络；

11、s2、边缘服务器收集工业物联网区块链网络的性能及参数数据，并对收集的数据进行预处理；

12、s3、将预处理后的数据输入基于transformer的生成模型，进行未来一段时间区块链事务处理量的预测；

13、s4、根据预测的未来一段时间区块链事务处理量，在云服务器中部署模拟区块链的训练环境；

14、s5、配置算法相关运行参数，与云服务器中配置的模拟区块链环境交互进行强化学习算法训练，当强化学习算法训练过程收敛或达到时间预测窗口时，输出此时的区块链网络配置参数；

15、s6、在真实的工业物联网区块链网络环境中，如果发现区块链流量发生波动，则部署模拟区块链环境中优化的参数到真实环境中；若没有流量波动时，放弃参数调整，重复步骤s2至s5，继续下一阶段的预测性优化。

16、上述方案中，步骤s3的具体方法如下：

17、step1：预处理后的数据经过统一输入表示层，进行数据转换，产生输入到模型中的表示向量；

18、step2：将统一输入表示层输出的表示向量，放入编码器进行特征提取处理，输出历史序列的特征表示；

19、step3:解码器融合编码器输出的特征提取结果，输出预测序列向量；

20、step4：预测序列向量经过全连接层进行特征转换，将模型的内部特征转换为对外部世界有用的预测结果；

21、step5：输出处理层将预测结果进行逆归一化处理后输出。

22、新一步的技术方案中，step1的具体处理过程为：

23、统一输入表示层通过结合全局时间嵌入se和局部时间嵌入pe，实现数据的转换，从而产生输入到模型中的表示向量

24、

25、其中，α是用于平衡特征映射和时间嵌入之间重要性的标量因子，n是样本数量，m∈[1，n]表示样本索引，p和t分别表示全局时间类型和输入序列的数量；全局时间嵌入由可学习嵌入sepos表示，而局部时间嵌入是transformer中的固定位置嵌入，计算公式为：

26、

27、

28、其中n∈[1,…,dmodel/2]，pos表示位置信息，dmodel是输入表示的特征维度。

29、新一步的技术方案中，step2的具体处理过程为：

30、首先编码器从统一输入表示层接收并将其输入到多头probesparse自注意力层1中，计算公式如下：

31、

32、式中，是和q具有相同大小的稀疏矩阵，并且它仅包含稀疏性度量m(qi,k)下的前u个最相关的查询；和分别表示查询向量、关键字向量和值向量；这些矢量是通过对输入特征进行线性变换而获得的，即其中，和是分别对应于q、k和v的可训练参数矩阵；dmodel是输入表示的特征维度；

33、其中，稀疏性度量m(qi,k)公式如下：

34、

35、式中，qi代表第i个查询向量，k代表键矩阵，kj表示k中的第j个键向量，lk代表键k的长度，即键的个数，d是输入的特征维度；

36、经过多头probesparse自注意力层1的处理后，使用前馈神经网络层1进一步操作处理；前馈神经网络操作步骤如下：首先采用卷积神经网络提取数据的高级特征，然后通过最大池化运算减少序列长度，具体的过程表示为：

37、

38、式中，conv1d表示一维卷积运算，elu是激活函数，maxpool是最大池化函数，是多头probesparse自注意力层1的输出，是多头probesparse自注意力层1的输出；接下来，经过与上述同样结构的多头probesparse自注意力层2和前馈神经网络层2进行进一步的特征处理，特征拼接后作为编码器的输出公式表示如下：

39、

40、新一步的技术方案中，step3的具体处理过程如下：

41、首先输入序列的起始标记xttoken和预测序列占位符xt0，这两段数据通过拼接操作被组合到解码器的输入向量中，起始标记指示预测序列的开始，而占位符xt0为未来预测值保留位置，公式如下：

42、

43、其中，ntoken是起始标记的长度，ny是预测序列y的占位长度；dmodel是模型输入表示的特征维度；表示解码器t时刻的输入，表示t时刻序列的起始标记，表示t时刻预测序列占位符；

44、输入数据首先通过掩码多头probesparse自注意力层，确保模型在为每个时间步长生成预测时只能访问当前时间步长之前的信息；其中掩码多头probesparse自注意力层公式表示如下：

45、

46、其中，⊙表示元素乘法，m是掩码矩阵，其形状与相同，其余字母含义与多头probesparse自注意力层相同；掩码多头probesparse自注意力层的输出为xmask；

47、然后将xmask放入多头自注意力层进行增强处理，输出结果为attention(xmask)，其中多头自注意力层公式表示如下：

48、

49、其中，和分别表示查询向量、键向量和值向量；这些矢量是通过对输入特征进行线性变换而获得的；即其中，和是分别对应于q、k和v的可训练参数矩阵；

50、然后将多头自注意力层输出的数据attention(xmask)和编码器的输出经过拼接层进行特征拼接，进一步整合来自编码器的上下文信息，输出为xcon；表示如下：

51、

52、新一步的技术方案中，step4中，拼接处理后的数据xcon经过全连接层进行特征转换，该层输出对未来序列xt+k的预测序列，其中k表示预测的未来序列长度，公式表示为：

53、xt+k＝fc(xcon)；

54、step5中，将预测序列xt+k经过输出处理层进行逆归一化处理，逆归一化处理的公式为：

55、x’t+k＝xt+k·(max(x)-min(x))+min(x)

56、其中，x’t+k表示生成模型基于历史和当前状态对于未来一段时间区块链事务处理量的预测，该预测结果将用于模拟区块链的环境配置，k代表预测的未来序列长度。

57、新一步的技术方案中，步骤s4中，模拟区块链环境部署操作包含以下步骤：

58、step1：环境配置文件修改：根据步骤s2收集的区块链网络节点数量和节点组织信息以及通道配置情况，修改网络节点配置文件、智能合约存储规模配置文件；

59、step2：配置并启动hyperledger fabric网络，定义组织和节点，然后，生成网络配置文件和加密材料，接下来，启动网络服务，包括排序服务、节点共识服务和链码安装部署；

60、step3：使用prometheus进行区块链节点的状态监控，获取当前各区块链节点的状态信息；

61、step4：启动压力测试工具caliper，并获取初始区块链网络的性能测试结果。

62、新一步的技术方案中，步骤s5中，强化学习算法训练调参过程包括以下步骤：

63、step1：为两类节点类型的智能体初始化actor和critic的在线和目标网络，然后初始化用于随机探索动作过程n，监测部署的hyperledger fabric网络，接收收集的初始状态s并进行标准化处理；

64、step2：根据智能体策略执行动作：在每次迭代中，每个智能体根据策略π(ai)和探索噪声n，选择动作ai；

65、step3：根据智能体动作，部署新的区块链网络参数，并重新启动hyperledgerfabric网络；

66、step4：使用压力测试工具caliper测试hyperledger fabric的性能，从而计算当前执行动作获得的奖励；计算得到奖励值后，取平均值分配给各个智能体；

67、step5：监测prometheus并收集新的区块链网络状态s′；

68、step6：存储经验元组：将当前状态s，执行的动作a，奖励r和新状态s′存储为元组(s,a,r,s′)，放入经验回放缓冲区d中；

69、step7：critic网络从经验回放缓冲区d中抽取自身以及其他代理的行动和观察信息，用于训练中心化的动作价值网络qp；

70、step8：基于梯度上升方法更新actor网络的参数θ，之后再软更新他们的目标网络参数，即每隔一定的迭代步数后，将在线网络的参数直接赋予目标网络；

71、step9：在训练阶段，当连续5次反馈的吞吐量变化小于5tps时，或训练时间已经达到之前预设的时间窗口时，将此时的输出的动作参数进行记录，并作为预测性调整的优化参数。

72、通过上述技术方案，本发明提供的一种基于区块链的工业物联网数据管理及优化系统及方法具有如下有益效果：

73、本发明提出了一种结合区块链的工业物联网数据管理框架，针对区块链的性能瓶颈问题，采用强化学习模型进行参数调优，通过动态调整区块链网络的配置参数，从而优化基于区块链的工业物联网数据管理系统的的性能以及可扩展性。

74、本发明通过进一步结合基于transformer架构的生成模型，能够实现对区块链未来事务处理量的准确预测。这一技术应用可以对区块链网络进行预测性的参数优化，使得优化后的参数能够及时部署到生产环境中。因此，它能够有效应对工业生产高峰期的事务处理延迟问题，确保区块链网络在高负载情况下的稳定性和效率。