基于深度学习的区块链数据分片峰值聚类算法研究

卜灿灿

（山东英才学院 山东 济南 250104）

0 引言

目前，要提升物联网区块链的数据挖掘水平，关键在于对数据进行聚类处理，而区块链数据挖掘的基础在于数据信息识别与特征提取，选择模糊信息识别技术开发区块链数据，并与物联网区块链数据特性相结合，创建区块链数据信息分析模型，借助资源优化调度与信息融合，实现区块链数据聚类分析［1］。 对物联网区块链进行数据挖掘，是以数据的特性抽取和信息辨识为依据，运用模糊信息辨识技术，设计物联网区块链数据的存链结构，并与其大数据的特性分布相结合，进行异质重组，实现对大数据的聚类分析。

现阶段对物联网区块链数据进行聚类的方法，包括K-Means 聚类法、网格区域聚类方法、粒子群聚类方法等。本文提出深度学习下的区块链数据分片峰值聚类算法，首先分析区块链数据结构特征，其次实施区块链数据特征提取，与分片峰值聚类方法相结合，实现数据聚类优化，最后展开仿真测试，并获得有效性结论。

1 区块链技术

数据和事务都不会被第三方所掌控，这就是分布式账本。 最早被Nakamoto 介绍为比特币（Bitcoin，BTC）的一个重要组成部分，而在此之后，又有许多新的区块链被应用到了各个领域。 但是，区块链具有一定的共性，具体表现为：（1）复制账本：将区域内的各节点交易记录保存在一个独立的区域内，并将最近一次事件封装为一个区域，使得各区域内事件都可进行分配和拷贝。 （2）点对点网络结构：各结点共用一个公用账册，没有因特网的中心式管理参与方。 换句话说，所有的结点都是经由一个点到点的网络联结的，并经由这个网络来将交易与区块进行同步。（3）密码学：在一个数据块被接入到另一个数据块上之前，整个数据块上的数据必须是一致性。 其中，工作证明、利益证明以及拜占庭等是最为典型的一致性算法。 （4）加密：加密技术是区块链网络安全的基础。 在区块链的环境下，一个事务的完整性应该包含数字签名以及私有数据结构（例如，梅克尔树等）。 采用不对称加密技术可以实现数据的隐私保护。 区块链把不同的数据块以一定的时间序列相互联系起来，形成一种链状的组织形式，每一个模块都有各自的头部和主体。

在这些区域中，区域头等部分包含大部分确认信息，如版本号、时间戳、区域头等。 模块是对电网物联网内部和外部的信息进行收集和处理。 以区块链为基础，通过与其他节点之间的间接相互作用，可以避免在相互作用过程中受到网络攻击时密钥泄露，保证数据的安全。 另外，这些信息仅由数字签字组成，大大减少在区块链中的数据传送，从而可以缩短建立区块链所需时间，确保资料的时效性。

2 区块链数据结构与特征提取

现阶段，物联网区块链数据聚类分析法包括K-Means聚类法、粒子群聚类法以及网格区域聚类法等，创建物联网区块链数据的特征提取与大数据分析模型，借助特征分布式检测方法，实现物联网区块链数据聚类。

2.1 结构分析

通过有向图模型对物联网区块链数据结构模型进行构建，选用统计分析法，获得区块链数据异构存储模型，对其模糊聚类特征分布集进行计算，从而获得融合度函数式

（1）：

对区块链数据集差异分布特征进行分析，获得各插值点如式（2）所示：

式（2）中，dm＋1（m）表示第m 点的区块链数据预测值，dm＋1（m）表示第m 点所采集区块链数据特征量，依照区块链数据特征，通过模糊C 均值聚类提取结果，并展开信息处理，假设全局变量，创建区块链数据挖掘分割系数［2］，即式（3）所示：

式（3）中Mi表示区块链数据挖掘平均数，Lm表示区块链数据挖掘下界，fm表示区块链数据均值，fless表示不同维度下的区块链数据统计特征最小值［3］。

2.2 特征提取

基于大数据背景，建立节点分布模型，并聚类优化设计区块链数据的分片峰值。 假设区块链数据聚类节点属性集是X＝｛x1，x1，…，xn｝ ，设计聚类节点图模型，通过语义本体模型构造处理区块链数据，借助自相关特征匹配，研究相似区块链数据贴近度φ1，如式（4）所示：

假设（s1，a1），（s2，a2），…，（sn，an）是区块链数据聚类的一组分布集，创建区块链数据聚类模型，并统计分析数据聚类，实现自适应调度。 基于模糊语义融合聚类展开区块链数据加权分析，从而获得模糊加权分布向量，考虑到等价语义映射，展开物联网区块链数据的融合分析。 创建物联网区块链数据统计特征量，借助映射函数M 表示，M：C*C→r 对物联网区块链数据相似度信息进行描述，采用空间聚类分析分布式调度区块链数据，创建本体模型，以展开区块链数据特征聚类处理与语义相似度融合。

3 区块链数据分片峰值聚类

3.1 特征提取与自适应调度

通过有向图模型，对区块链数据聚类节点结构模型进行构建，并在区块链数据库提取资源信息特征，假设｛（s1，a1），（s2，a2），…，（sn，an）｝ 为区块链数据语义特征分量，通过异构有向图分析设计区块链数据存储结构，与特征空间重组相结合，实现区块链数据结构的充足，以获得优化加权系数［4］，即：w ＝（（w1，a′1）， （w2，a′2），…，（wn，a′n）T），wj∈［0，1］ 。 通过统计分析实现区块链数据聚类检测，以获得关联性本体结构模型如式（5）所示：

转化区块链数据聚类特征问题为二元语义决策问题，其模糊特征匹配评估指标集Ek∈E（k ＝1，2，…，t），选择主体词匹配，对X 相似度函数进行分析，获得区块链数据隶属度函数如式（6）所示：

选择决策树模型实现区块链数据特征重构，递归图模型内，选择相空间重构法，进行模糊特征信息采样，以获得区块链数据信息加群权重向量，其特征分布矩阵为式（8）所示：

式（8）中，c 表示区块链数据聚类搜索步数，μik表示区块链数据关联决策系数［5］。

基于以上分析，实现区块链数据优化调度与特征分析，获得区块链数据聚类中心。 通过分块特征演化，检测区块链数据关联特征，从而获得模糊检测向量，如式（9）所示，再与模糊相关性融合法相结合，展开区块链分片峰值聚类分析。

3.2 深度学习

通过模糊C 类均值聚类展开区块链数据网格分片属性分类与峰值聚类识别，通过深度学习法实现数据聚类的分片峰值融合与聚类分析，从而获得区块链数据在线聚类准则［6］，即式（10）：

区块链数据聚类节点的深度学习加权系数是We ＝（wj（e），0）。 通过修正各聚类自适应加权学习系数vi，即可获得聚类有效性评估矩阵R ＝（rij，aij）m×n与指标权重W＝（（w1，β1），（w2，β2），…，（wn，βn）） 。 综上所述，创建区块链数据聚类的深度学习模型，对区块链数据模糊特征分布集进行构建，以获得区块链数据约束规划模型见式（11）、（12）：

根据式（11）、（12），可以获得物联网区块链数据链最优评价集是L1，L2，…，Ln 与物联网区块链数据优化聚类模型为式（13）所示：

式（13）中，cosinij→x（dij，dxv）表示物联网区块链数据融合聚类特征集，基于以上分析，满足区块链数据优化聚类目标。

4 仿真实验和结果

区块链数据聚类分析中，为对语义相关性融合性方法应用性能进行验证，展开实验测试分析，通过Matlab7 与C＋＋混合编程展开区块链数据算法处理，基于Hadoop 云平台对区块链数据库结构模型进行构建，区块链数据初始样本规模是1200，数据采样集相似度是0.68，自适应学习迭代步数为30，设定以上仿真参数，展开区块链数据峰值聚类分析，从而获得如图1 所示的区块链数据分布［7］。

图1 数据时域波形

将图1 数据作为研究对象，通过语义相关性融合法提取区块链数据特征与自适应调度，再对区块链数据特征量展开模糊聚类处理，进而进行分片峰值聚类分析，可获得如图2 所示的聚类结果。

图2 数据分片峰值聚类

通过分析图2 可以发现，选择该方法展开区块链数据聚类分析，具有良好的峰值融合度，测试误分率比较低，而且收敛性也比较强，表1 为误分率比较结果，从结果可以看出，深度学习下的区块链数据聚类具有较低误分率。通过结果分析发现，该方法展开区块链数据聚类具有较低误分率，使数据聚类收敛控制能力大幅度提升。

表1 误分率比较

5 结语

本文通过模糊信息识别技术开发区块链数据存链结构，提出深度学习下的区块链数据特征重构，通过深度学习法实现数据聚类分片峰值聚类与融合。 物联网区块链数据递归图模型内，选择相空间重构方式，采集物联网区块链数据聚类模糊特征信息，通过深度学习法对数据聚类实施分片峰值融合与聚类分析，从而达到分片峰值聚类目的。 结果显示，该方法展开区块链数据峰值聚类具有良好收敛性，数据聚类精度高，而且误分率也比较低。