基于区块链的智慧教育数据防篡改处理方法及系统

摘要

本发明提供的基于区块链的智慧教育数据防篡改处理方法中，对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得敏感知识关系网集合；确定敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数；结合每个敏感知识关系网对应的关系网评价指数，对每个敏感知识关系网进行优化，得到存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。本发明的基于区块链的智慧教育数据防篡改处理方法为不同规模的敏感知识关系网配设不同的关系网评价指数，进而基于关系网评价指数对敏感知识关系网进行优化，丰富和完善不同敏感知识关系网之间的关联，从而为后续的数据篡改事件分析处理提供精准可信的信息依据。

权利要求

1.一种基于区块链的智慧教育数据防篡改处理方法，其特征在于，应用于数据防篡改处理系统，所述方法包括：

对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得所述存在篡改隐患的智慧教育互动数据的敏感知识关系网集合；其中，所述敏感知识关系网集合中包含不少于两个敏感知识关系网，且所述敏感知识关系网集合中不同敏感知识关系网的规模存在差异，所述存在篡改隐患的智慧教育互动数据通过区块链智慧教育终端获取；

确定所述敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数；其中，所述关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子确定的，所述剩余敏感知识关系网涵盖所述敏感知识关系网集合中所述对应的敏感知识关系网以外的敏感知识关系网；

结合所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行优化，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网；

其中，所述确定所述敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数，包括：获得所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段；依据所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段获取整体化数据知识描述字段；依据所述整体化数据知识描述字段确定所述敏感知识关系网集合中每个敏感知识关系网的关系网评价指数；

其中，所述关系网评价指数包括局部兴趣热力值；所述依据所述整体化数据知识描述字段确定所述敏感知识关系网集合中每个敏感知识关系网的关系网评价指数，包括：将所述整体化数据知识描述字段加载到设定描述字段处理单元，获得所述设定描述字段处理单元生成的知识衍生描述字段，其中，所述知识衍生描述字段的成员数为所述敏感知识关系网集合中的敏感知识关系网数目；将所述知识衍生描述字段进行标准化操作，得到所述敏感知识关系网集合中每个敏感知识关系网的全局化兴趣热力值。

2.根据权利要求1所述的方法，其特征在于，所述获得所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段，包括：将所述敏感知识关系网集合中每个敏感知识关系网经过整体化下采样处理，得到每个敏感知识关系网的数据知识描述字段；

所述依据所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段获取整体化数据知识描述字段，包括：将对所述每个敏感知识关系网的数据知识描述字段进行融合，得到所述整体化数据知识描述字段。

3.根据权利要求1所述的方法，其特征在于，所述结合所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行优化，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网，包括：依据所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行整理，得到每个敏感知识关系网对应的所述目标敏感知识关系网。

4.根据权利要求1所述的方法，其特征在于，所述得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网之后，还包括：结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析、数据篡改事件标记或数据篡改事件挖掘中的一种或多种处理。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析；

其中，所述结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析，包括：将所述多个目标敏感知识关系网加载到完成调试的数据篡改事件解析算法，生成数据篡改事件解析窗口；

其中，所述数据篡改事件解析算法为通过已认证智慧教育互动数据集中多个数据篡改事件的局部解析质检指标进行调试的；所述局部解析质检指标为通过对应的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数确定的，且所述局部解析质检指标和对应的所述相关性系数具有设定关联；

其中，所述数据篡改事件解析算法是基于以下思路调试得到的：结合调试中的数据篡改事件解析算法对已认证智慧教育互动数据集中进行数据篡改事件解析，得到所述多个数据篡改事件的数据篡改事件解析窗口；依据所述多个数据篡改事件中每个数据篡改事件的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数，确定每个数据篡改事件的局部解析质检指标；结合获得的每个局部解析质检指标，改进所述调试中的数据篡改事件解析算法的算法变量，得到完成调试的数据篡改事件解析算法。

6.根据权利要求5所述的方法，其特征在于，所述结合获得的每个局部解析质检指标，改进所述调试中的数据篡改事件解析算法的算法变量，包括：对获得的每个局部解析质检指标进行合并处理，得到全局解析质检指标；

结合所述全局解析质检指标改进所述调试中的数据篡改事件解析算法的算法变量。

7.根据权利要求5所述的方法，其特征在于，所述依据所述多个数据篡改事件中每个数据篡改事件的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数，确定每个数据篡改事件的局部解析质检指标，包括：分别将每个数据篡改事件作为待处理数据篡改事件，对所述待处理数据篡改事件实施如下步骤：

获得所述待处理数据篡改事件的数据篡改事件解析窗口与先验事件解析窗口的量化比对结果；

依据所述量化比对结果获取可调参量；结合所述可调参量改进所述量化比对结果得到所述待处理数据篡改事件的局部解析质检指标；

其中，所述依据所述量化比对结果获取可调参量，包括：获取设定预定义模型变量，其中，所述设定预定义模型变量用于指示代价函数轨迹；依据所述设定预定义模型变量和所述量化比对结果获取窗口化跟踪系数；结合所述窗口化跟踪系数改进所述量化比对结果，得到所述可调参量；

其中，所述结合所述可调参量改进所述量化比对结果得到所述待处理数据篡改事件的局部解析质检指标，包括：获得设定值与所述量化比对结果的第一运算结果；结合所述可调参量与所述第一运算结果的第二运算结果，得到所述待处理数据篡改事件的局部解析质检指标。

8.一种数据防篡改处理系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1‑7任一项所述的方法。

说明书

基于区块链的智慧教育数据防篡改处理方法及系统

技术领域

[0001] 本发明涉及智慧教育技术领域，特别涉及一种基于区块链的智慧教育数据防篡改处理方法及系统。

背景技术

[0002] 智慧教育（教育信息化）是指在教育领域全面深入地运用现代化技术来促进教育改革与发展的过程。智慧教育是依托物联网、云计算、人工智能、区块链、无线通信等新一代信息技术所打造的一种物联化、智能化、感知化、多媒体化的新型教育形态和教育模式。智慧教育的基本特征是开放、交互、协助、共享，以教育信息化促进教育现代化，用信息技术来改变传统模式。在智慧教育信息化过程中，如何为后续的数据篡改事件分析处理提供精准可信的信息依据以确保数据安全性成为当前急需解决的技术难题。

发明内容

[0003] 为改善相关技术中存在的技术问题，本发明提供了一种基于区块链的智慧教育数据防篡改处理方法及系统。

[0004] 第一方面，本发明实施例提供了一种基于区块链的智慧教育数据防篡改处理方法，应用于数据防篡改处理系统，所述方法包括：

[0005] 对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得所述存在篡改隐患的智慧教育互动数据的敏感知识关系网集合；其中，所述敏感知识关系网集合中包含不少于两个敏感知识关系网，且所述敏感知识关系网集合中不同敏感知识关系网的规模存在差异，所述存在篡改隐患的智慧教育互动数据通过区块链智慧教育终端获取；

[0006] 确定所述敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数；其中，所述关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子确定的，所述剩余敏感知识关系网涵盖所述敏感知识关系网集合中所述对应的敏感知识关系网以外的敏感知识关系网；

[0007] 结合所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行优化，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。

[0008] 本发明提供的基于区块链的智慧教育数据防篡改处理方法中，数据防篡改处理系统对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得存在篡改隐患的智慧教育互动数据的敏感知识关系网集合；敏感知识关系网集合中包含不少于两个敏感知识关系网，且敏感知识关系网集合中不同敏感知识关系网的规模存在差异；确定敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数；关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子确定的，剩余敏感知识关系网包括敏感知识关系网集合中对应的敏感知识关系网以外的敏感知识关系网；结合每个敏感知识关系网对应的关系网评价指数，对每个敏感知识关系网进行优化，得到存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。本发明的基于区块链的智慧教育数据防篡改处理方法为不同规模的敏感知识关系网配设不同的关系网评价指数，进而基于关系网评价指数对敏感知识关系网进行优化，丰富和完善不同敏感知识关系网之间的关联，为后续的数据篡改事件分析处理提供精准可信的信息依据，从而确保了数据安全性。

[0009] 在一种可能的技术方案中，所述确定所述敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数，包括：

[0010] 获得所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段；

[0011] 依据所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段获取整体化数据知识描述字段；

[0012] 依据所述整体化数据知识描述字段确定所述敏感知识关系网集合中每个敏感知识关系网的关系网评价指数。

[0013] 在一种可能的技术方案中，所述关系网评价指数包括局部兴趣热力值；

[0014] 所述依据所述整体化数据知识描述字段确定所述敏感知识关系网集合中每个敏感知识关系网的关系网评价指数，包括：

[0015] 将所述整体化数据知识描述字段加载到设定描述字段处理单元，获得所述设定描述字段处理单元生成的知识衍生描述字段，其中，所述知识衍生描述字段的成员数为所述敏感知识关系网集合中的敏感知识关系网数目；

[0016] 将所述知识衍生描述字段进行标准化操作，得到所述敏感知识关系网集合中每个敏感知识关系网的全局化兴趣热力值。

[0017] 在一种可能的技术方案中，所述获得所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段，包括：将所述敏感知识关系网集合中每个敏感知识关系网经过整体化下采样处理，得到每个敏感知识关系网的数据知识描述字段；

[0018] 所述依据所述敏感知识关系网集合中每个敏感知识关系网的数据知识描述字段获取整体化数据知识描述字段，包括：将对所述每个敏感知识关系网的数据知识描述字段进行融合，得到所述整体化数据知识描述字段。

[0019] 在一种可能的技术方案中，所述结合所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行优化，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网，包括：依据所述每个敏感知识关系网对应的关系网评价指数，对所述每个敏感知识关系网进行整理，得到每个敏感知识关系网对应的所述目标敏感知识关系网。

[0020] 在一种可能的技术方案中，所述得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网之后，还包括：结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析、数据篡改事件标记或数据篡改事件挖掘中的一种或多种处理。

[0021] 在一种可能的技术方案中，所述方法还包括：

[0022] 结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析。

[0023] 在一种可能的技术方案中，所述结合所述多个目标敏感知识关系网，对所述存在篡改隐患的智慧教育互动数据进行数据篡改事件解析，包括：将所述多个目标敏感知识关系网加载到完成调试的数据篡改事件解析算法，生成数据篡改事件解析窗口；

[0024] 其中，所述数据篡改事件解析算法为通过已认证智慧教育互动数据集中多个数据篡改事件的局部解析质检指标进行调试的；所述局部解析质检指标为通过对应的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数确定的，且所述局部解析质检指标和对应的所述相关性系数具有设定关联。

[0025] 在一种可能的技术方案中，所述数据篡改事件解析算法是基于以下思路调试得到的：

[0026] 结合调试中的数据篡改事件解析算法对已认证智慧教育互动数据集中进行数据篡改事件解析，得到所述多个数据篡改事件的数据篡改事件解析窗口；

[0027] 依据所述多个数据篡改事件中每个数据篡改事件的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数，确定每个数据篡改事件的局部解析质检指标；

[0028] 结合获得的每个局部解析质检指标，改进所述调试中的数据篡改事件解析算法的算法变量，得到完成调试的数据篡改事件解析算法。

[0029] 在一种可能的技术方案中，所述结合获得的每个局部解析质检指标，改进所述调试中的数据篡改事件解析算法的算法变量，包括：

[0030] 对获得的每个局部解析质检指标进行合并处理，得到全局解析质检指标；

[0031] 结合所述全局解析质检指标改进所述调试中的数据篡改事件解析算法的算法变量。

[0032] 在一种可能的技术方案中，所述依据所述多个数据篡改事件中每个数据篡改事件的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数，确定每个数据篡改事件的局部解析质检指标，包括：

[0033] 分别将每个数据篡改事件作为待处理数据篡改事件，对所述待处理数据篡改事件实施如下步骤：

[0034] 获得所述待处理数据篡改事件的数据篡改事件解析窗口与先验事件解析窗口的量化比对结果；

[0035] 依据所述量化比对结果获取可调参量；结合所述可调参量改进所述量化比对结果得到所述待处理数据篡改事件的局部解析质检指标。

[0036] 在一种可能的技术方案中，所述依据所述量化比对结果获取可调参量，包括：

[0037] 获取设定预定义模型变量，其中，所述设定预定义模型变量用于指示代价函数轨迹；

[0038] 依据所述设定预定义模型变量和所述量化比对结果获取窗口化跟踪系数；

[0039] 结合所述窗口化跟踪系数改进所述量化比对结果，得到所述可调参量。

[0040] 在一种可能的技术方案中，所述结合所述可调参量改进所述量化比对结果得到所述待处理数据篡改事件的局部解析质检指标，包括：

[0041] 获得设定值与所述量化比对结果的第一运算结果；

[0042] 结合所述可调参量与所述第一运算结果的第二运算结果，得到所述待处理数据篡改事件的局部解析质检指标。

[0043] 第二方面，本发明还提供了一种数据防篡改处理系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。

附图说明

[0044] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

[0045] 图1是本发明实施例提供的一种数据防篡改处理系统的硬件结构示意图。

[0046] 图2是本发明实施例提供的一种基于区块链的智慧教育数据防篡改处理方法的流程示意图。

[0047] 图3是本发明实施例提供的一种基于区块链的智慧教育数据防篡改处理方法的应用环境的通信架构示意图。

具体实施方式

[0048] 当下，智慧教育业务规模不断扩大，针对智慧教育的数据安全处理至关重要。发明人在对相关技术进行研究分析后发现，即使基于区块链技术的智慧教育终端在一定程度上能够防止数据篡改，但是在一些情况下，智慧教育业务数据在云端备份过程中（比如集中存储在云端或者服务器侧）容易被恶意篡改，而对智慧教育业务数据进行敏感数据特征挖掘，深入完善不同敏感数据特征之间的关联，能够为后续的数据防篡改处理提供准确可靠的参考依据。

[0049] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

[0050] 需要说明的是，本发明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。

[0051] 本发明实施例所提供的方法实施例可以在数据防篡改处理系统、计算机设备或者类似的运算装置中执行。以运行在数据防篡改处理系统上为例，图1是本发明实施例的实施一种基于区块链的智慧教育数据防篡改处理方法的数据防篡改处理系统的硬件结构框图。如图1所示，数据防篡改处理系统10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述数据防篡改处理系统还可以包括用于通信功能的传输装置
106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述数据防篡改处理系统的结构造成限定。例如，数据防篡改处理系统10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0052] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于区块链的智慧教育数据防篡改处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至数据防篡改处理系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0053] 传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数据防篡改处理系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

[0054] 基于此，请参阅图2，图2是本发明实施例所提供的一种基于区块链的智慧教育数据防篡改处理方法的流程示意图，该方法应用于数据防篡改处理系统，进一步可以包括以下内容描述的技术方案。

[0055] STEP11、对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得存在篡改隐患的智慧教育互动数据的敏感知识关系网集合。

[0056] 其中，敏感知识关系网集合中包含不少于两个敏感知识关系网，且敏感知识关系网集合中不同敏感知识关系网的规模存在差异。

[0057] 对于本发明实施例而言，数据防篡改处理系统可以基于区块链智慧教育终端获取存在篡改隐患的智慧教育互动数据。进一步地，存在篡改隐患的智慧教育互动数据可以根据设定的选择条件获取，设定的选择条件可以是智慧教育业务的互动事件、智慧教育业务的互动参与者和/或智慧教育业务的互动网络环境等。在本发明实施例中，存在篡改隐患的智慧教育互动数据可以理解为需要进行云端存储或者云端备份的。

[0058] 此外，不同区块链智慧教育终端之间可以互相通信以进行智慧教育数据信息交互，该智慧教育互动数据可以是数据防篡改处理系统在获得区块链智慧教育终端的授权之后从区块链智慧教育终端中调取。

[0059] 在另一些示例下，智慧教育互动数据可以是数据防篡改处理系统从设定云数据库中调取的，区块链智慧教育终端可以将对应的智慧教育互动数据上传到设定云数据库以供数据防篡改处理系统使用。

[0060] 对于本发明实施例而言，数据防篡改处理系统将存在篡改隐患的智慧教育互动数据加载到多规模AI学习模型，由多规模AI学习模型中的深度学习模型提取存在篡改隐患的智慧教育互动数据在不同规模下的敏感知识关系网，即深度学习模型对同一存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识特征挖掘处理，组成存在篡改隐患的智慧教育互动数据的敏感知识关系网集合。进一步地，敏感知识关系网可以用于记录智慧教育互动数据对应的容易被篡改的重要信息特征，比如用户个人信息、学习资料信息等。敏感知识关系网的规模可以理解为敏感知识关系网的尺度。

[0061] 示例性的，本发明提供的深度学习模型可以间隔关联，从而改善特征挖掘过程中的细节内容损失。比如，数据防篡改处理系统通过深度学习模型对存在篡改隐患的智慧教育互动数据进行最小规模的敏感知识特征挖掘处理，然后，通过深度学习模型对最小规模的敏感知识关系网进行关系网扩展进行衍生处理，将最小规模的高阶敏感知识关系网与关系网扩展得到的低阶敏感知识关系网经过i*i窗口化滤波节点处理并组合，从而得到对应的层次化关系网集合。

[0062] STEP12、确定敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数。

[0063] 其中，关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子确定的，剩余敏感知识关系网包括敏感知识关系网集合中对应的敏感知识关系网以外的敏感知识关系网。

[0064] 对于本发明实施例而言，数据防篡改处理系统确定敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数（可以理解为参考指数）；关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子（重要程度）确定的，剩余敏感知识关系网包括敏感知识关系网集合中对应的敏感知识关系网以外的敏感知识关系网。其中，在敏感知识关系网集合中，敏感知识关系网的影响因子越高，对应的关系网评价指数越大。

[0065] 示例性的，本发明实施例的关系网评价指数也可以包括局部兴趣热力值（可以理解为部分兴趣关注度权重），进一步地，以局部兴趣热力值为例，记录敏感知识关系网集合中每一个敏感知识关系网的关系网评价指数的确定思路：数据防篡改处理系统将层次化关系网集合（例如：层次化关系网集合）中的每一阶段的敏感知识关系网通过一个整体化下采样处理（可以理解为全局池化操作）的思路，得到每一阶段的敏感知识关系网的数据知识描述字段（可以理解为特征向量），整体化下采样处理的数据知识描述字段。进一步地，层次化关系网集合中包括四类敏感知识关系网，可以分别通过整体化下采样处理得到四类敏感知识关系网的数据知识描述字段。

[0066] 在一些可能的实施例中，整体化下采样处理的算法为：DES_a＝global pooling（Z_a）。其中，a的取值区间为[1，4]。Z_a为下采样处理之前的敏感知识关系网。

[0067] 在上述内容的基础上，数据防篡改处理系统将不同类的数据知识描述字段DES_1，DES_2，DES_3，DES_4进行融合，得到整体化数据知识描述字段DES_g。其中，数据知识描述字段融合的算法为：DES_g＝concat（DES_1，DES_2，DES_3，DES_4）

[0068] 数据防篡改处理系统将整体化数据知识描述字段DES_g传输至多规模AI学习模型中的一个描述字段处理单元（比如：分类单元/全连接单元）中，进行每一阶段的敏感知识关系网的知识衍生描述字段评估，并将评估的知识衍生描述字段进行标准化处理，得到每一阶段的敏感知识关系网的全局化兴趣热力值H_a。其中，描述字段处理单元的输出成员数为层次化关系网集合中的层次化阶段数目，即评估的全局化兴趣热力值的数目与层次化关系网集合中的敏感知识关系网数目相同。其中，知识衍生描述字段标准化的思路为：H＝Sigmoid（F（DES_g））其中，H＝{H1，H2，H3，H4}，F为知识衍生描述字段评估函数。

[0069] 可以理解的是，通过以上局部兴趣热力值评估划分过程，可以让多规模AI学习模型学习层次化关系网集合中不同类别的特征分布，并给每一阶段的敏感知识关系网配对携带整体性信息的全局化兴趣热力值，即每一阶段的敏感知识关系网的全局化兴趣热力值受到其他阶段敏感知识关系网的干扰，从而反映出每一阶段敏感知识关系网的全局化兴趣热力值的整体性信息（全局特征）。

[0070] STEP13、结合每个敏感知识关系网对应的关系网评价指数，对每个敏感知识关系网进行优化，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。

[0071] 对于本发明实施例而言，数据防篡改处理系统结合每个敏感知识关系网对应的关系网评价指数，对每个敏感知识关系网进行优化，可以理解为对敏感知识关系网基于关系网评价指数整理，得到存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。

[0072] 比如，数据防篡改处理系统得到每一阶段的敏感知识关系网对应的全局化兴趣热力值后，将每一阶段的敏感知识关系网的全局化兴趣热力值H_a发送后，与其对应的敏感知识关系网进行加权处理，实现对每一阶段的敏感知识关系网进行多规模兴趣热力值加权，得到最后的具有交叉阶段关注性能的敏感知识关系网network_a。

[0073] 对于本发明实施例而言，数据防篡改处理系统可以基于进行多规模兴趣热力值加权后的多阶段敏感知识关系网对存在篡改隐患的智慧教育互动数据进行数据篡改事件解析、数据篡改事件标记或者数据篡改事件挖掘中的一种或多种处理。

[0074] 比如，数据防篡改处理系统可以将具有交叉阶段关注性能的敏感知识关系网加载至标记模型和捕捉模型中，执行标记业务和捕捉业务。

[0075] 通过以上STEP11‑STEP13，本发明实施例的多规模AI学习模型在不增添任何预定义模型变量的前提下，智能化的对存在差异阶段的敏感知识关系网进行多规模兴趣热力值整理，实现了不同规模之间的关注。这样能够使得多规模AI学习模型能够确定当前最关键的关注点进行评估，从而改善特征分析误差，提高关键内容吸收的质量，保障模型的运行质量，比如：标记模型和捕捉模型对不同规模数据篡改事件的解析准确度。

[0076] 对于本发明实施例而言，数据防篡改处理系统对存在篡改隐患的智慧教育互动数据启用不同规模的敏感知识挖掘，获得存在篡改隐患的智慧教育互动数据的敏感知识关系网集合；敏感知识关系网集合中包含不少于两个敏感知识关系网，且敏感知识关系网集合中不同敏感知识关系网的规模存在差异；确定敏感知识关系网集合中每个敏感知识关系网对应的关系网评价指数；关系网评价指数反映对应的敏感知识关系网相对于剩余敏感知识关系网的影响因子确定的，剩余敏感知识关系网包括敏感知识关系网集合中对应的敏感知识关系网以外的敏感知识关系网；结合每个敏感知识关系网对应的关系网评价指数，对每个敏感知识关系网进行优化，得到存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。本发明的基于区块链的智慧教育数据防篡改处理方法为不同规模的敏感知识关系网配设不同的关系网评价指数，进而基于关系网评价指数对敏感知识关系网进行优化，丰富和完善不同敏感知识关系网之间的关联，为后续的数据篡改事件分析处理提供精准可信的信息依据，从而确保数据安全性。

[0077] 以按照进行多规模兴趣热力值加权后的多阶段敏感知识关系网对存在篡改隐患的智慧教育互动数据进行数据篡改事件解析为例，在本发明实施例的数据篡改事件解析方法中，本发明还设计了交叉熵代价指标，从而确保模型训练和运行的精度和可信度。

[0078] 本发明实施例的数据篡改事件解析方法的示例性步骤可以包括如下STEP21和STEP2。

[0079] STEP21、对存在篡改隐患的智慧教育互动数据进行敏感知识挖掘，得到所述存在篡改隐患的智慧教育互动数据的多个目标敏感知识关系网。

[0080] 对于本发明实施例而言，数据防篡改处理系统可以采用上述的基于区块链的智慧教育数据防篡改处理方法对存在篡改隐患的智慧教育互动数据进行敏感知识挖掘，该过程在此不作过多描述。

[0081] STEP22、结合多个目标敏感知识关系网，对存在篡改隐患的智慧教育互动数据进行数据篡改事件解析。

[0082] 对于本发明实施例而言，数据防篡改处理系统将具有交叉阶段关注性能（具有类间注意力）的敏感知识关系网加载至完成调试的数据篡改事件解析算法，以通过数据篡改事件解析算法在存在篡改隐患的智慧教育互动数据中确定数据篡改事件解析窗口，从而实现对存在篡改隐患的智慧教育互动数据中的数据篡改事件进行数据篡改事件解析。此外，数据篡改事件解析窗口可以理解为数据篡改事件解析框。

[0083] 其中。数据篡改事件解析算法为通过已认证智慧教育互动数据集中多个数据篡改事件的局部解析质检指标（可以理解为子预测损失）进行调试的，局部解析质检指标为通过对应的数据篡改事件解析窗口与指定事件捕捉窗口（可以理解为指定事件标注框）之间的相关性系数确定的，且局部解析质检指标和对应的相关性系数具有设定关联。其中，数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数即数据篡改事件解析窗口与指定事件捕捉窗口的交叉系数。

[0084] 进一步地，本发明实施例的数据篡改事件解析方法的示例性步骤可以包括如下STEP31‑STEP33。

[0085] STEP31、结合调试中的数据篡改事件解析算法对已认证智慧教育互动数据集中进行数据篡改事件解析，得到多个数据篡改事件的数据篡改事件解析窗口。

[0086] STEP32、依据所述多个数据篡改事件中每个数据篡改事件的数据篡改事件解析窗口与指定事件捕捉窗口之间的相关性系数，确定每个数据篡改事件的局部解析质检指标。

[0087] 对于本发明实施例而言，数据篡改事件解析算法基于数据篡改事件解析窗口与先验事件解析窗口之间的量化比对结果，即相关性系数确定量化比对结果代价，通过量化比对结果代价对数据篡改事件解析算法进行调试，以提高数据篡改事件解析算法的解析精度。

[0088] 在另一些可能的设计思路下，本发明实施例的基于区块链的智慧教育数据防篡改处理方法的步骤可以包括如下STEP321‑STEP323。

[0089] STEP321、获取数据篡改事件解析窗口与先验事件解析窗口之间的基准量化比对结果代价。

[0090] STEP322、基于数据篡改事件解析窗口与先验事件解析窗口的量化比对结果获取可调参量。

[0091] STEP323、结合可调参量改进基准量化比对结果代价，以得到可调的量化比对结果代价。

[0092] STEP33、结合获得的每个局部解析质检指标，改进调试中的数据篡改事件解析算法的算法变量，得到完成调试的数据篡改事件解析算法。

[0093] 对于本发明实施例而言，数据防篡改处理系统基于当前认证信息与实时注释信息的量化比对运算量化比对结果代价，其中，量化比对结果与量化比对结果代价具有设定关联，即量化比对结果越大，量化比对结果代价越大。从而，数据防篡改处理系统可以根据量化比对结果大小改进认证信息对整体性量化比对结果代价的影响度，即量化比对结果越大，对应认证信息的影响度越大，量化比对结果越小，对应认证信息的影响度越小。

[0094] 在另一些实施例中，数据防篡改处理系统还可以对获得的每个局部解析质检指标进行合并处理，以得到全局解析质检指标，并结合全局解析质检指标改进调试中的数据篡改事件解析算法的算法变量。其中，当每个局部解析质检指标的重要程度都设置为“1”时，即将所有局部解析质检指标直接合并，以得到全局解析质检指标。

[0095] 对于本发明实施例而言，数据防篡改处理系统结合调试数据中所有的数据篡改事件解析窗口对应的量化比对结果代价加权得到的整体性量化比对结果代价对数据篡改事件解析算法进行调试，从而结合每一个调试认证信息及其影响度对数据篡改事件解析算法中的算法变量进行优化和更新。

[0096] 对于本发明实施例而言，一个数据篡改事件解析算法在经过可调的量化比对结果代价调试后，不同量化比对结果阶段的认证信息造成的影响可以互相抵消，从而规避数据篡改事件解析算法偏心于个别量化比对结果阶段的认证信息。

[0097] 可以理解的是，在通过基准的量化比对结果代价调试时，虽然解析事件中的低量化比对结果阶段（index1～index2）的认证信息获得了较大的捕捉准确性提升，但是高量化比对结果阶段（index2～index3）的认证信息基本没有获得捕捉准确性的提高。基于此，本发明实施例提出的可调的量化比对结果代价（比如基于窗口化重叠计算的损失函数）能够保证数据篡改事件解析算法的整体捕捉准确性。

[0098] 在另一些独立性的设计思路下，在确定出数据篡改事件解析窗口之后，该方法还可以包括如下内容：基于所述数据篡改事件解析窗口确定数据篡改行为短语；通过所述数据篡改行为短语确定数据防篡改策略。

[0099] 举例而言，可以对所述数据篡改事件解析窗口对应的关系网数据进行预测处理，得到可能存在的数据篡改行为对应的特征短语，然后结合深度学习模型确定出数据篡改行为短语对应的数据防篡改策略，从而保障数据防篡改策略的针对性和精度。

[0100] 在另一些独立性的设计思路下，通过所述数据篡改行为短语确定数据防篡改策略，可以包括如下内容：基于所述数据篡改行为短语确定篡改倾向表现数据序列，其中，所述篡改倾向表现数据序列包括不间断的W组篡改倾向表现数据，所述W为大于或等于1的整数；根据所述篡改倾向表现数据序列获取伪攻击倾向表现数据序列，其中，所述伪攻击倾向表现数据序列包括不间断的W组伪攻击倾向表现数据；基于所述篡改倾向表现数据序列，通过深度学习模型所包括的第一卷积层获取篡改倾向字段序列，其中，所述篡改倾向字段序列包括W个篡改倾向字段；基于所述伪攻击倾向表现数据序列，通过所述深度学习模型所包括的第二卷积层获取伪攻击倾向字段序列，其中，所述伪攻击倾向字段序列包括W个伪攻击倾向字段；基于所述篡改倾向字段序列以及所述伪攻击倾向字段序列，通过所述深度学习模型所包括的多分类层获取所述篡改倾向表现数据所对应的篡改行为标签；根据所述篡改行为标签确定所述篡改倾向表现数据序列的数据防篡改策略。

[0101] 举例而言，表现数据可以是文本数据或者字符串，而伪攻击倾向表现数据可以理解为篡改倾向表现数据的噪声，通常可以基于篡改攻击的请求报文确定，如果请求报文存在合法ip，则可以确定该请求报文对应的倾向表现数据为伪攻击倾向表现数据。基于此，在确定用于进行分类匹配的篡改行为标签时，通过考虑伪攻击倾向表现数据，能够提高篡改行为标签的可信度，从而保障分类匹配得到的数据防篡改策略的针对性和精度。

[0102] 基于上述相同或相似的发明构思，如图3所示，本实施例还提供了一种基于区块链的智慧教育数据防篡改处理方法的应用环境30的架构示意图，包括互相之间通信的数据防篡改处理系统10和区块链智慧教育终端20，数据防篡改处理系统10和区块链智慧教育终端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

[0103] 进一步地，本实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

[0104] 在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个不间断的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0105] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0106] 所述功能如果以软件功能模块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，本发明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，媒体业务服务器，或者网络设备等）执行本发明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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0107] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。