(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111203106.8 (22)申请日 2021.10.15 (71)申请人 上海智能网联汽车技 术中心有限公 司 地址 201499 上海市奉贤区金海公路6 055 号22幢 申请人 上海交通大 学 (72)发明人 伍军　施远　李高磊　李建华　 洪源　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 杨宏泰 (51)Int.Cl. H04L 45/121(2022.01) H04L 45/28(2022.01)H04L 67/104(2022.01) G06N 20/00(2019.01) (54)发明名称 面向5G智能网联系统的区块链网络切片安 全智能优化方法 (57)摘要 本发明涉及一种面向5G智能网联系统的区 块链网络切片安全智能优化方法， 该方法的具体 步骤如下： 步骤1： 建立基于5G切片环境的移动区 块链网络； 步骤2： 得到移动区块链网络运行的原 始数据集， 包括正常运行情况下的数据和出现传 输链路故障情况下的数据， 并进行数据预处理； 步骤3： 根据基于机器学习的链路状态推断算法 建立联邦半监督学习模型并进行训练； 步骤4： 训 练完联邦半监督学习模型后得到优化的全局模 型， 实现预测性快速共识收敛， 与现有技术相比， 本发明具有使移动区块链网络共识的快速收敛、 显著提高推理速度以及物联网中位于不同网络 切片上的区块链节点可以更有效地传输本地的 感知数据等优点。 权利要求书3页 说明书9页 附图3页 CN 114070775 A 2022.02.18 CN 114070775 A 1.一种面向5G智能网联系统的区块链网络切片安全智能优化方法， 其特征在于， 该方 法包括以下步骤： 步骤1： 建立基于 5G切片环境的移动区块链网络； 步骤2： 得到移动区块链网络运行的原始数据集， 包括正常运行情况下的数据和出现传 输链路故障情况 下的数据， 并进行 数据预处 理； 步骤3： 根据基于 机器学习的链路状态推断算法建立联邦半监 督学习模型并进行训练； 步骤4： 训练完联邦半监督学习模型后得到优化的全局模型， 以快速预测区块链网络 中 故障传输链路的范围， 实现预测性快速共识收敛。 2.根据权利要求1所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的步骤1中， 移动区块链网络的核心架构包括由下至上设置的5G网络 接入层、 5G网络切片层和移动区块链网络应用层。 3.根据权利要求2所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的5 G网络接入层的网络架构为集中式的无线接入网络， 以大幅降低通 信设备的成本和能耗， 所述的5G网络接入层用以展示5G接入网的业务用户， 所述的业务用 户包括个人用户、 城市、 网络运营商和企业； 所述的5G网络切片层为5G向不同用户提供差异化服务需求的技术前提和5G网络功能 的编排组合， 用以展示由区块链网络切片 构成的拓扑以及网络切片之间的区块传输； 所述的移动区块链网络应用层用以展示区块链节点从交易创建到区块广播的全过程， 移动区块链网络应用层的扩展性和区块同步的速度基于5G网络的低时延和高可扩展的特 性得到大幅提升 。 4.根据权利要求3所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的区块链网络切片包括区块链链路和区块链节点， 所述的区块链节 点 通过运行在数据中心的网络功能虚拟化 实现特定的网络功能， 所述的区块链节点包括区块 链的关键特性， 区块链的关键特性包括匿名性、 安全性、 随机生成地址、 区块链数据存储和 工作量证明机制， 区块链节点之间的链路通过SDN控制器基于网络的全局信息 建立， 且允许 管理员远程配置物理网络， 为有网络资源需求的网络切片预留资源， 所述的网络切片相互 通信， 通过传输链路进行区块传输 。 5.根据权利要求4所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的步骤2中， 当出现传输链路故障情况， 在正常的数据流量中混入部 分 受到影响的回撤的数据， 收集回撤的数据进而得到回撤数据包， 对回撤数据包进行标注并 作为带标签数据集， 其 余数据作为无 标签数据集。 6.根据权利要求1所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的步骤3中， 链路状态推断算法通过使用联邦半监督学习算法建立联 邦半监督学习模型， 学习回撤数据包的特征， 并预测故障传输链路的范围， 从而对区块链节 点之间受到影响的数据包进行重路由， 使得区块链节点之间的连接快速恢复， 以提高移动 区块链网络的共识收敛速度。 7.根据权利要求1所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的联邦半监督学习算法将半监督学习方法应用于联邦学习， 联邦学习 包括全局模型G、 本地模 型集L和服务器， 每个本地模型与一个客户端对应， 客户端与网络切权　利　要　求　书 1/3 页 2 CN 114070775 A 2片对应， 所述的联邦半监督学习算法将带标签数据集和无标签数据集的模 型训练分为两个 过程， 对带标签数据集的训练采用监督学习模式， 根据交叉熵损失函数指导模型的优化， 对 无标签数据集采用一 致性正则化的方法对其进行训练。 8.根据权利要求7所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的一致性正则化的方法通过添加反例扰乱输入 数据， 使得模型对无标 签数据的扰动具有鲁棒性， 表示原始数据和通过随机变换处理过 的数据的输出结果一致， 一致性正则化的表达式如下： 其中， pθ(y|u)为类别概率函数， 表示权重参数为θ， 输入为无标签数据u以及输出为y的 神经网络模型， ‖ ·‖2表示L2范数。 9.根据权利要求8所述的一种面向5G智能网联系统 的区块链网络切片安全智能优化方 法， 其特征在于， 所述的联邦半监 督学习算法的流 程具体为： 步骤301： 通过5G网络切片层进行数据收集， 得到原始数据集后将其分为带标签数据集 和无标签数据集： D＝{di},i＝1,2,…,N S＝{xj,yj},j＝1,2, …,L U＝{uk},k＝1,2,…M M+L＝N 其中， D为已知的原始数据集， S为带标签数据集， U为无标签数据集， di为原始数据集的 第i个数据， xj为第j个带 标签数据， yj为带标签数据xj对应的标签， uk为第k个无 标签数据； 步骤302： 基于一致性正则化的方法采用客户端间一致性损失函数对无标签数据进行 处理， 其定义如下： 其中， 为服务器基于网络切片中未进行训练的本地模型的相似性进行选择的全局 参数， 表示输出为标签的共识模 型， *表示该参数是固定的， KL为相对熵， 表 示量化概率分布 差异， u为所有无标签数据， y为预测的输出， 为本地模型对输入u的输出， 表示本地 模型的预测结果， 客户端间一致性损失函数表示本地模型的预测结果与各个共识模型提供 的标签之间的差异； 步骤303： 服务器在每次通信中选择H个全局参数并广播， 对无标签数据采用最终一致 性正则化损失函数指导模型进行训练， 其表达式为： 权　利　要　求　书 2/3 页 3 CN 114070775 A 3