一种区块链的异常诊断模型的构建方法及异常诊断方法与流程

1.本文涉及区块链技术领域，尤其涉及一种区块链的异常诊断模型的构建方法及异常诊断方法。


背景技术：

2.一般情况下，对数据进行异常监测，可以通过数据范围指标的方式来进行判断，当数据不具备可知阈值的情况下，则需要在一组数据中发现与其他数据有明显区别的数据，从而根据这些具有明显区别的数据进行异常监测。
3.现有技术中对区块链的全链条运行态进行异常监测时，大多均为对区块链系统的日志进行分析，得出区块链系统的每一个监测项的运行异常，但当面对多个监测项时，对日志进行分析的方法仅能判断出每一监测项的运行异常，不能对多个监测项进行关联分析，导致区块链系统的异常监测结果较为离散，运维人员只能再通过人工经验的方法对离散的监测结果进行分析，得出区块链系统的全链条运行态的异常诊断结果，因此导致区块链系统的全链条运行态异常诊断的效率低，工作量巨大，且由于需要依赖于人工经验进行分析，导致异常诊断的精准度较低。
4.现在亟需一种区块链的异常诊断模型的构建方法及异常诊断方法，从而解决现有的区块链异常诊断方法不能对多个监测项进行关联分析，导致区块链系统的异常监测结果较为离散，运维人员只能再通过人工经验的方法对离散的监测结果进行分析，得出区块链系统的全链条运行态的异常诊断结果，因此导致区块链系统的全链条运行态异常诊断的效率低，工作量巨大，且由于需要依赖于人工经验进行分析，导致异常诊断的精准度较低的问题。


技术实现要素：

5.为解决现有的区块链异常诊断方法不能对多个监测项进行关联分析，导致区块链系统的异常监测结果较为离散，运维人员只能再通过人工经验的方法对离散的监测结果进行分析，得出区块链系统的全链条运行态的异常诊断结果，因此导致区块链系统的全链条运行态异常诊断的效率低，工作量巨大，且由于需要依赖于人工经验进行分析，导致异常诊断的精准度较低的问题，本文实施例提供了一种区块链的异常诊断模型的构建方法及异常诊断方法，综合区块链的多个异常监测指标，结合孤立森林算法以及二分类线性回归模型，得到包括双层学习模型的区块链多指标孤立森林集成学习模型，利用区块链多指标孤立森林集成学习模型对区块链系统的全链条运行态异常进行诊断。
6.为了解决上述技术问题，本文的具体技术方案如下：一方面，本文实施例提供了一种区块链的异常诊断模型的构建方法，包括，获取区块链的多项监测指标的数据；按照每一项监测指标的预设孤立树数量，分别将每项监测指标的数据划分为多个按顺序排列的第一训练集，其中，下一个第一训练集包括上一个第一训练集全部的数据；
将所述监测指标的每个第一训练集输入到每个第一训练集对应的孤立树模型进行训练并得到所述监测指标的每个第一训练集的第一诊断结果，所述第一诊断结果为二分类数；对每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；将每一项监测指标的第二诊断结果作为第二训练集并输入到二分类线性回归模型中进行训练，将训练后的所述二分类线性回归模型以及每一项监测指标的每个第一训练集对应的所述孤立树模型作为区块链的异常诊断模型。
7.进一步地，计算所述每一项监测指标的预设孤立树数量的步骤包括，按照预设范围内的孤立树数量，将所述区块链的每项监测指标的数据划分为多个第一验证集，其中，多个所述第一验证集中的数据量均相同；将所述监测指标的每个第一验证集输入到每个第一验证集对应的孤立树模型进行训练并得到所述监测指标的每个第一验证集的第一诊断结果，所述第一验证集的第一诊断结果为二分类数；对每一项监测指标的所述每个第一验证集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；将每一项监测指标的第二诊断结果作为第二验证集并输入到二分类线性回归模型中进行运算，得到所述孤立树数量对应的所述诊断结果；将与所述区块链的异常情况最符合的所述诊断结果对应的所述孤立树数量作为所述每一项监测指标的预设孤立树数量。
8.进一步地，按照每一项监测指标的预设孤立树数量，分别将每项监测指标对应的数据划分为多个按顺序排列的第一训练集进一步包括，按照所述预设孤立树数量确定循环次数；并按照所述循环次数以及所述监测指标的数据的时间范围确定时间步长；在所述监测指标的数据的采样时间初始位置选取第一时间范围内的数据作为上一个第一训练集；按照所述时间步长增加所述第一时间范围，得到第二时间范围，并在所述监测指标的数据的采样时间初始位置选取所述第二时间范围的数据作为下一个第一训练集；将所述第二时间范围作为所述第一时间范围，并按照所述循环次数重复执行在所述监测指标的数据的采样时间初始位置选取第一时间范围内的数据作为上一个第一训练集的步骤，得到所述多个按顺序排列的第一训练集。
9.进一步地，对所述每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到所述每一项监测指标的第二诊断结果进一步包括，以相同第一诊断结果的数量最多为决策条件进行投票，选举出数量最多的所述第一诊断结果作为所述第二诊断结果。
10.进一步地，所述多项监测指标包括，活跃交易地址的总数、每个交易数据包的大小、每个区块中的交易数量、跨链交易的损耗时间、跨链交易的交易数量、跨链交易的交易流量以及节点区块高度中的任意两个或两个以上的组合，其中所述节点区块高度包括每个区块链节点的区块高度的平均方差值。
11.另一方面，本文实施例还提供了一种区块链的异常诊断模型构建装置，包括，监测指标数据获取单元，用于获取区块链的多项监测指标对应的数据；第一训练集划分单元，用于按照每一项监测指标的预设孤立树数量，分别将每项监测指标的数据划分为多个按顺序排列的第一训练集，其中，下一个第一训练集包括上一个第一训练集全部的数据；孤立树模型训练单元，用于将所述监测指标的每个第一训练集输入到每个第一训练集对应的孤立树模型进行训练并得到所述监测指标的每个第一训练集的第一诊断结果，所述第一诊断结果为二分类数；第一诊断结果投票单元，用于对每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；区块链的异常诊断模型构建单元，将每一项监测指标的第二诊断结果作为第二训练集并输入到二分类线性回归模型中进行训练，将训练后的所述二分类线性回归模型以及每一项监测指标的每个第一训练集对应的所述孤立树模型作为区块链的异常诊断模型。
12.另一方面，本文实施例还提供了一种区块链的异常诊断方法，所述方法包括，获取待异常诊断区块链的多项监测指标的数据；根据所述待异常诊断区块链的所述多项监测指标的数据以及上述区块链的异常诊断模型的构建方法构建的所述区块链的异常诊断模型得到所述待异常诊断区块链的诊断结果。
13.另一方面，本文实施例还提供了一种区块链的异常诊断装置，包括，数据获取单元，用于获取待异常诊断区块链的多项监测指标的数据；异常诊断单元，用于根据所述待异常诊断区块链的所述多项监测指标的数据以及上述区块链的异常诊断模型的构建方法构建的所述区块链的异常诊断模型得到所述待异常诊断区块链的诊断结果。
14.另一方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
15.最后，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述方法。
16.利用本文实施例，将获取到的每一项监测指标的数据划分成多个按顺序排列的第一训练集，其中第一训练集的个数与该监测指标的预设孤立树数量相同，并且下一个训练集包括上一个训练集全部的数据，然后将每个第一训练集输入到与该第一训练集对应的孤立树模型进行训练，将孤立树模型的运算结果作为该第一训练集的第一诊断结果，该第一诊断结果为二分类数，即孤立树模型的运算结果为该监测指标是否异常，由于一个监测指标的数据被划分为多个第一训练集，训练孤立树模型得到的第一诊断结果为多个，即该监测指标有多个是否异常的结果，因此，对多个第一诊断结果进行投票，得出第二诊断结果，该第二诊断结果表示为该监测指标是否异常。然后将多个监测指标的第二诊断结果作为第二训练集，输入到二分类线性回归模型中进行训练，将训练后的二分类线性回归模型以及每一项监测指标的每个第一训练集对应的孤立树模型作为区块链的异常诊断模型。实现了综合区块链的多个异常监测指标，结合孤立森林算法以及二分类线性回归模型，得到包括双层学习模型的区块链多指标孤立森林集成学习模型，利用区块链多指标孤立森林集成学
习模型对区块链系统的全链条运行态异常进行诊断，与现有技术中对区块链系统的日志进行分析，得出区块链系统的每一个监测项的运行异常的方法相比，可以对多个监测项进行关联分析，得到区块链的异常诊断结果，运维人员不再需要对离散的异常监测结果进行分析，降低了区块链的异常诊断的工作量，提高了区块链的异常诊断效率和精准度。
附图说明
17.为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1所示为本文实施例一种区块链的异常诊断方法的实施系统示意图；图2所示为本文实施例一种区块链的异常诊断模型的构建方法的流程图；图3所示为本文实施例计算所述每一项监测指标的预设孤立树数量的步骤；图4所示为本文实施例按照每一项监测指标的预设孤立树数量，分别将每项监测指标对应的数据划分为多个按顺序排列的第一训练集的过程；图5所示为本文实施例一种区块链的异常诊断模型的构建装置的结构示意图；图6所示为本文实施例一种区块链的异常诊断方法的流程图；图7所示为本文实施例一种区块链的异常诊断装置的结构示意图；图8所示为本文实施例区块链的异常诊断过程；图9所示为本文实施例计算机设备的结构示意图。
19.【附图标记说明】：101、终端；102、服务器；501、监测指标数据获取单元；502、第一训练集划分单元；503、孤立树模型训练单元；504、第一诊断结果投票单元；505、区块链的异常诊断模型构建单元；701、数据获取单元；702、异常诊断单元；902、计算机设备；904、处理设备；906、存储资源；908、驱动机构；910、输入/输出模块；912、输入设备；914、输出设备；916、呈现设备；918、图形用户接口；
920、网络接口；922、通信链路；924、通信总线。
具体实施方式
20.下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
21.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
23.如图1所示为本文实施例一种区块链的异常诊断方法的实施系统示意图，可以包括：终端101、服务器102，终端101和服务器102之间通过网络进行通信，网络可以包括局域网(local area network，简称为lan)、广域网(wide area network，简称为wan)、因特网或其组合，并连接至网站、用户设备(例如计算设备)和后端系统。
24.终端101上可以设置区块链的多项监测指标数据的采集装置，其中，区块链的多项监测指标可以是处理器对区块链系统的日志进行分析得到，也可以从区块链系统中直接获得软件或硬件指标数据，本说明书实施例中不做限制。服务器102上部署有区块链的异常诊断模型的构建系统和区块链的异常诊断系统，可选地，服务器102可以是云计算系统的节点(图中未显示)，或者每个服务器可以是单独的云计算系统，包括由网络互连并作为分布式处理系统工作的多台计算机。
25.具体地，本文实施例提供了一种区块链的异常诊断模型的构建方法，通过对区块链的多项监测指标的数据进行模型训练，构建区块链的异常诊断模型。图2所示为本文实施例一种区块链的异常诊断模型的构建方法的流程图。在本图中描述了构建区块链的异常诊断模型的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，可以由服务器102执行，所述方法可以包括：步骤201：获取区块链的多项监测指标的数据；步骤202：按照每一项监测指标的预设孤立树数量，分别将每项监测指标的数据划分为多个按顺序排列的第一训练集，其中，下一个第一训练集包括上一个第一训练集全部
的数据；步骤203：将所述监测指标的每个第一训练集输入到每个第一训练集对应的孤立树模型进行训练并得到所述监测指标的每个第一训练集的第一诊断结果，所述第一诊断结果为二分类数；步骤204：对每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；步骤205：将每一项监测指标的第二诊断结果作为第二训练集并输入到二分类线性回归模型中进行训练，将训练后的所述二分类线性回归模型以及每一项监测指标的每个第一训练集对应的所述孤立树模型作为区块链的异常诊断模型。
26.通过本文实施例所提供的方法，将获取到的每一项监测指标的数据划分成多个按顺序排列的第一训练集，其中第一训练集的个数与该监测指标的预设孤立树数量相同，并且下一个训练集包括上一个训练集全部的数据，然后将每个第一训练集输入到与该第一训练集对应的孤立树模型进行训练，将孤立树模型的运算结果作为该第一训练集的第一诊断结果，该第一诊断结果为二分类数，即孤立树模型的运算结果为该监测指标是否异常，由于一个监测指标的数据被划分为多个第一训练集，训练孤立树模型得到的第一诊断结果为多个，即该监测指标有多个是否异常的结果，因此，对多个第一诊断结果进行投票，得出第二诊断结果，该第二诊断结果表示为该监测指标是否异常。然后将多个监测指标的第二诊断结果作为第二训练集，输入到二分类线性回归模型中进行训练，将训练后的二分类线性回归模型以及每一项监测指标的每个第一训练集对应的孤立树模型作为区块链的异常诊断模型。实现了综合区块链的多个异常监测指标，结合孤立森林算法以及二分类线性回归模型，得到包括双层学习模型的区块链多指标孤立森林集成学习模型，利用区块链多指标孤立森林集成学习模型对区块链系统的全链条运行态异常进行诊断，与现有技术中对区块链系统的日志进行分析，得出区块链系统的每一个监测项的运行异常的方法相比，可以对多个监测项进行关联分析，得到区块链的异常诊断结果，运维人员不再需要对离散的异常监测结果进行分析，降低了区块链的异常诊断的工作量，提高了区块链的异常诊断效率和精准度。
27.在本文实施例中，如图8所示，每个监测指标的预设孤立树数量与将该监测指标划分成的第一训练集的数量相同，每个第一训练集训练一个孤立树模型，该孤立树模型的运算结果为该第一训练集的第一诊断结果，第一诊断结果为二分类数，即第一诊断结果表示该监测指标是否异常，由于一个监测指标的数据划分为多个第一训练集训练各自的孤立树模型，因此，该监测指标包括多个监测指标是否异常的诊断结果，因此，需要再对多个第一诊断结果进行投票，即从多个第一诊断结果中选举出一个第一诊断结果，作为第二诊断结果，该第二诊断结果表示该监测指标是否异常。然后再将每个监测指标的第二诊断结果作为第二训练集，训练二分类线性回归模型，二分类线性回归模型的运算结果即为区块链的异常诊断结果。将训练后的二分类线性回归模型以及多个孤立树模型作为区块链的异常诊断模型。
28.在本文实施例中，每一项监测指标的预设孤立树数量可以根据人工经验设定，因此，为了进一步地提高区块链的异常诊断的精准度，根据本文的一个实施例，如图3所示，计算所述每一项监测指标的预设孤立树数量的步骤包括，
步骤301：按照预设范围内的孤立树数量，将所述区块链的每项监测指标的数据划分为多个第一验证集，其中，多个所述第一验证集中的数据量均相同；步骤302：将所述监测指标的每个第一验证集输入到每个第一验证集对应的孤立树模型进行训练并得到所述监测指标的每个第一验证集的第一诊断结果，所述第一验证集的第一诊断结果为二分类数；步骤303：对每一项监测指标的所述每个第一验证集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；步骤304：将每一项监测指标的第二诊断结果作为第二验证集并输入到二分类线性回归模型中进行运算，得到所述孤立树数量对应的所述诊断结果；步骤305：将与所述区块链的异常情况最符合的所述诊断结果对应的所述孤立树数量作为所述每一项监测指标的预设孤立树数量。
29.在本文实施例中，预设范围内可以包括多个连续的数值，该数值表示每项监测指标的数据需要划分成的第一验证集的数量（即孤立树数量），例如，预设范围为50-100，则每项监测指标的数据应该分别划分为50个第一验证集进行模型的运算、51个第一验证集进行模型的运算、52个第一验证集进行模型的运算、
…
、100个第一验证集进行模型的运算，并且，每项监测指标的数据划分成的多个第一验证集中的数据量相同。
30.具体地，将每个第一验证集输入到对应的孤立树模型中进行运算，得到该第一验证集对应的第一诊断结果，需要说明的是，第一验证集对应的第一诊断结果也为二分类数，即监测指标是否异常，然后将每一项监测指标的每个第一验证集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果，然后多个监测指标的第二诊断结果作为第二验证集输入到二分类线性回归模型中进行运算，得到区块链的诊断结果，需要说明的是，该区块链的诊断结果是基于预设范围内的一个孤立树数量计算得到的，因此，根据预设范围内的各孤立树数量计进行模型运算之后，得到每个孤立树数量对应的诊断结果，最后，将与所述区块链的异常情况最符合的所述诊断结果对应的所述孤立树数量作为所述每一项监测指标的预设孤立树数量。
31.可以理解为，通过如图3所示的方法，实现了从预设范围内选择出最优的预设孤立树数量，该最优的孤立树数量对应的区块链的异常诊断结果与区块链的实际异常情况最符合。
32.在本发明实施例中，步骤202划分的多个按顺序排列的第一训练集需要具备如下特征：下一个第一训练集包括上一个第一训练集全部的数据，因此，为了提高划分第一训练集的效率，根据本发明的一个实施例，如图4所示，按照每一项监测指标的预设孤立树数量，分别将每项监测指标对应的数据划分为多个按顺序排列的第一训练集的过程进一步包括，步骤401：按照所述预设孤立树数量确定循环次数；并按照所述循环次数以及所述监测指标的数据的时间范围确定时间步长；步骤402：在所述监测指标的数据的采样时间初始位置选取第一时间范围内的数据作为上一个第一训练集；步骤403：按照所述时间步长增加所述第一时间范围，得到第二时间范围，并在所述监测指标的数据的采样时间初始位置选取所述第二时间范围的数据作为下一个第一训练集；
步骤404：将所述第二时间范围作为所述第一时间范围，并按照所述循环次数重复执行在所述监测指标的数据的采样时间初始位置选取第一时间范围内的数据作为上一个第一训练集的步骤，得到所述多个按顺序排列的第一训练集。
33.在本文实施例中，循环次数与预设孤立树数量相对应，即循环执行划分第一训练集之后，得到的第一训练集的数量与预设孤立树数量相同。此外，需要在每一次循环时，得到的第一训练集相比于上一个第一训练集应当增加一定数量的数据，因此，可以按照循环次数以及监测指标的数据的时间范围确定时间步长，即每一次循环，在一个第一训练集中增加时间步长对应的数据，得到一个新的第一训练集（即下一个第一训练集），因此，划分第一训练集的步骤可以为，在监测指标的数据的采样时间初始位置选取第一时间范围内的数据作为上一个第一训练集，然后按照时间步长，增加第一时间范围，得到第二时间范围，并仍在监测指标的数据的采样时间初始位置选取第二时间范围的数据组作为下一个训练集，可以理解为，下一个训练集中包括上一个训练集的全部数据以及时间步长对应的数据。然后再讲第一时间范围作为第一时间范围，并按照循环次数重复执行在监测指标的数据的采样时间初始位置选取第一时间范围的数据作为上一个训练集的步骤，得到一个按照梯排列的多个第一训练集，多个第一训练集中，下一个训练集中包括上一个训练集的全部数据以及时间步长对应的数据。
34.在本文实施例中，第一训练集输入到对应的孤立树模型中进行运算，得到的第一诊断结果，由于每一项监测指标的数据被划分为多个第一训练集，因此，每一项监测指标包括多个第一诊断结果，可以理解为，部分第一诊断结果为该监测指标没有异常的，另一部分第一诊断结果为该监测指标存在异常，因此，为了对多个第一诊断结果进行投票得到第二诊断结果，根据本文的一个实施例，对所述每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到所述每一项监测指标的第二诊断结果进一步包括，以相同第一诊断结果的数量最多为决策条件进行投票，选举出数量最多的所述第一诊断结果作为所述第二诊断结果。
35.可以理解为，本文实施例中所述的投票机制为少数服从多数，将相同的第一诊断结果的数量最多的第一诊断结果作为第二诊断结果。例如，对一个监测指标的数据进行训练共得到50个第一诊断结果，其中30个第一诊断结果表示该监测指标存在异常，20个第一诊断结果表示该监测指标不存在异常，按照本文实施例所述的投票机制，得到的第二诊断结果为该监测指标存在异常。
36.优选地，根据本文的一个实施例，所述多项监测指标包括，活跃交易地址的总数、每个交易数据包的大小、每个区块中的交易数量、跨链交易的损耗时间、跨链交易的交易数量、跨链交易的交易流量以及节点区块高度中的任意两个或两个以上的组合，其中所述节点区块高度包括每个区块链节点的区块高度的平均方差值。
37.可以理解为，对上述优选的监测指标的数据进行模型训练，构建的区块链的异常诊断模型最优，从而最精确地对区块链的异常进行诊断。
38.需要说明的是，在实施过程中，还可以根据区块链系统的业务需要增加新的监测指标，本说明书实施例中不做限制。
39.基于同一发明构思，如图5所示，本文实施例还提供了一种区块链的异常诊断模型构建装置，包括，
监测指标数据获取单元501，用于获取区块链的多项监测指标对应的数据；第一训练集划分单元502，用于按照每一项监测指标的预设孤立树数量，分别将每项监测指标的数据划分为多个按顺序排列的第一训练集，其中，下一个第一训练集包括上一个第一训练集全部的数据；孤立树模型训练单元503，用于将所述监测指标的每个第一训练集输入到每个第一训练集对应的孤立树模型进行训练并得到所述监测指标的每个第一训练集的第一诊断结果，所述第一诊断结果为二分类数；第一诊断结果投票单元504，用于对每一项监测指标的所述每个第一训练集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；区块链的异常诊断模型构建单元505，将每一项监测指标的第二诊断结果作为第二训练集并输入到二分类线性回归模型中进行训练，将训练后的所述二分类线性回归模型以及每一项监测指标的每个第一训练集对应的所述孤立树模型作为区块链的异常诊断模型。
40.通过上述装置所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
41.基于同一发明构思，本文实施例还提供了一种区块链的异常诊断方法，如图6所示，包括，步骤601：获取待异常诊断区块链的多项监测指标的数据；步骤602：根据所述待异常诊断区块链的所述多项监测指标的数据以及区块链的异常诊断模型的构建方法构建的所述区块链的异常诊断模型得到所述待异常诊断区块链的诊断结果。
42.在本文实施例中，步骤601获取的待异常诊断区块链的多项监测指标与本说明书图2中步骤201获取的监测指标相同，步骤602所利用的区块链异常诊断模型可以通过本说明书图2、图3或图4任意一项所述的方法得到。
43.具体地，在对待异常诊断的区块链进行异常诊断时，可以包括如下步骤：步骤1：按照区块链的异常诊断模型中每一项监测指标的预设孤立树数量，利用本说明书图4所示的方法，将待异常诊断的区块链的每项监测指标的数据划分为多个第一测试集；步骤2：将监测指标的每个第一测试集输入到每个第一测试集对应的孤立树模型（即区块链的异常诊断模型中的与该第一测试集对应的孤立树模型）中，得到监测指标的每个第一测试集的第一诊断结果；步骤3：对每一项监测指标的所述每个第一测试集对应的第一诊断结果进行投票，得到每一项监测指标的第二诊断结果；步骤4：将每一项监测指标的第二诊断结果作为第二测试集并输入到区块链的异常诊断模型中的二分类线性回归模型中进行运算，得到该待异常诊断的区块链的诊断结果。
44.基于同一发明构思，如图7所示，本文实施例还提供了一种区块链的异常诊断装置，包括，数据获取单元701，用于获取待异常诊断区块链的多项监测指标的数据；
异常诊断单元702，用于根据所述待异常诊断区块链的所述多项监测指标的数据以及上述区块链的异常诊断模型的构建方法构建的所述区块链的异常诊断模型得到所述待异常诊断区块链的诊断结果。
45.通过上述装置所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
46.如图9所示为本文实施例计算机设备的结构示意图，本文中的装置可以为本实施例中的计算机设备，执行上述本文的方法。计算机设备902可以包括一个或多个处理设备904，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储资源906，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理设备904执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储资源交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
47.计算机设备902还可以包括输入/输出模块910（i/o），其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口(gui)918。在其他实施例中，还可以不包括输入/输出模块910（i/o）、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
48.通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
49.对应于图2-图4、图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述步骤。
50.本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2-图4、图6所示的方法。
51.应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
52.还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
53.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专
业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
54.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
55.在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
56.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
57.另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
58.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
59.本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。