CN111831715A - 一种基于人工智能大数据智慧接访及存证***及方法 - Google Patents

一种基于人工智能大数据智慧接访及存证***及方法 Download PDF

Info

Publication number
CN111831715A
CN111831715A CN202010450756.1A CN202010450756A CN111831715A CN 111831715 A CN111831715 A CN 111831715A CN 202010450756 A CN202010450756 A CN 202010450756A CN 111831715 A CN111831715 A CN 111831715A
Authority
CN
China
Prior art keywords
data
petition
layer
algorithm
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010450756.1A
Other languages
English (en)
Inventor
张春
林曦
陈强
林清
曾建芬
郑友敏
张丽君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Zhongrui Electronic Technology Co ltd
Minhou County People's Procuratorate
Original Assignee
Fujian Zhongrui Electronic Technology Co ltd
Minhou County People's Procuratorate
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Zhongrui Electronic Technology Co ltd, Minhou County People's Procuratorate filed Critical Fujian Zhongrui Electronic Technology Co ltd
Priority to CN202010450756.1A priority Critical patent/CN111831715A/zh
Publication of CN111831715A publication Critical patent/CN111831715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于人工智能大数据智慧接访及存证***及方法，涉及智能信访技术领域，实现人工智能的方法包括(S1)数据获取：数据获取，通过数据采集层获取信访事件的数据信息；(S2)数据处理：对获取的大数据进行筛选、清理，获取有效的大数据，通过区块链***或云端服务器实现数据的存储、加密、计算和共享；(S3)数据计算：通过数据挖掘算法计算出数据之间的关联，或根据用户需求，对信访数据按照设置的属性进行分类，对预处理后的大数据通过所述关联算法模型挖掘信访事件之间的关系，利用数据分类算法模型实现各种信访事件的分类；(S4)数据应用：在数据应用层，对计算后的数据进行数据传递，供用户使用。本发明提高了信访数据管理能力。

Description

一种基于人工智能大数据智慧接访及存证***及方法
技术领域
本发明涉及人工智能技术领域，且更具体地涉及一种基于人工智能大数据智慧接访及存证***及方法。
背景技术
在现有技术中，人脸识别技术仅仅能够实现用户的身份信息识别，预警信息不够智慧，无法预警详细信息，比如第几次信访、上一次信访是什么时候、因为什么事情信访、每一次接待经办的工作人员是谁、每一次信访处理的结果如何等，以及显示该信访人员的预警等级标识都很难识别出来，大数据管理能力滞后，在相关的业务***中，界面复杂、数据分散，操作不便，无法提供案件全流程指引功能，无法提供案件全周期的管理，无法以全局视角查看、分析案情，落实具体工作。对于信访过程记录，只停留在安防监控层面，数据存在易篡改、容易被质凝的情况，无法提供司法存证层面的电子数据存证功能。对于地域归类、时间归类、核心关键词归类等，人工操作，无法自动形成分析图表，无法对信访工作进行全面智能分析研究。
发明内容
针对现有技术的不足，本发明公开了一种基于人工智能大数据智慧接访及存证***及方法。
本发明采用以下技术方案：
一种基于人工智能大数据智慧接访及存证***，其中所述***包括：
数据采集层，其内至少设置有RFID射频识别装置、计算机、与所述计算机连接的鼠标和键盘、集成于计算机内的信访大型数据库、个人信息二维码；进而通过不同的方式采集信访信息，所述信访大型数据库至少设置有显示层、业务逻辑层、数据访问层、云端数据接口和区块链数据接口，其中所述显示层与所述业务逻辑层连接，所述业务逻辑层与所述数据访问层连接，所述数据访问层与所述云端数据接口和区块链数据接口连接，其中所述数据访问层用于访问所述信访大型数据库中的文件，实现对所述信访大型数据库中数据的读取、保存和传递；所述显示层用于显示所述信访大型数据库并接受所述数据访问层的信访数据，为信访提供交互式网络人机交互平台，所述业务逻辑层存储、识别用户输入的信访大信息，所述云端数据接口和区块链数据接口用于与数据存储层进行信访数据的交互；
数据存储层，其内至少设置有区块链***和云端服务器，其中：
所述区块链***包括数据层、网络层、共识层、激励层和智能合约层，其中所述数据层利用Merkle树进行数据存储，在结构上通过区块以链式的方式连接，并且所述数据结构设置有加密单元和数据传递模块；所述网络层主要由错综交织的网络节点构成，通过不同的网络节点，利用点对点技术实现数据通讯和连接，使得处于区块链网络中的不同节点设备能够互通互联，在所述共识层中设置有共识机制，所述共识机制能够将区块链网络中设置的数据进行一致***互，从而具有较好的数据共识能力和数据防攻击能力；所述激励层在区块链中输出激励信息；所述智能合约层设置有两个以上的大数据算法模块，能够执行并计算区块链网络中各种数据之间的关系；所述区块链层内设置有区块链平台，所述区块链平台为基于Hyperledger Fabric的模块化区块链解决方案的支撑平台；
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
数据计算层，其内设置有数据挖掘算法模型，其中所述数据挖掘算法模型为关联算法模型和数据分类算法模型；所述关联算法用于挖掘接收到的信访数据之间的关系，找出不同信访时间之间的关联，所述数据分类算法用于将不同类型的信访数据按照分类属性和规则进行分类，以使信访管理人员快速查询信访数据；
数据应用层，其内设置有数据传输模块和应用计算机，其中所述数据传输模块为有线通讯模块或无线通讯模块，用于接收并传递所述数据采集层感知的电网设备数据信息；其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块，所述无线通讯模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通讯模块或CDMA无线通讯、云网络或蓝牙通讯模块；其中：
所述数据采集层的输出端与所述数据存储层的输入端连接，所述数据存储层的输出端与所述数据计算层的输入端连接，所述数据计算层的输出端与所述数据应用层的输入端连接。
进一步地，所述信访大型数据库内的信访数据至少包括信访人员姓名、性别、年龄、地域、信访事件、信访事件类型、信访时间、信访核心关键词、信访原因、信访事件过程描述、信访周期、信访人数和信访处理数据。
进一步地，所述区块链***为基于Fabric架构的区块链***。
进一步地，所述Fabric架构包括***管理层、组织管理层和业务开发层。
进一步地，所述关联算法模型为贝叶斯分类器模型。
进一步地，所述数据分类算法模型设置有云端数据接口、无线通讯数据接口或USB数据接口。
本发明还采用以下技术方案：
一种基于人工智能大数据智慧接访及存证方法，包括以下步骤：
(S1)数据获取：数据获取，通过数据采集层获取信访事件的数据信息；
(S2)数据处理：对获取的大数据进行筛选、清理，获取有效的大数据，通过区块链***或云端服务器实现数据的存储、加密、计算和共享；
(S3)数据计算：通过数据挖掘算法计算出数据之间的关联，或根据用户需求，对信访数据按照设置的属性进行分类，对预处理后的大数据通过所述关联算法模型挖掘信访事件之间的关系，利用数据分类算法模型实现各种信访事件的分类；
(S4)数据应用：在数据应用层，对计算后的数据进行数据传递，供用户使用。
进一步地，所述关联算法模型公式为：
假设在信访数据库中，待划分属性的信访事件数据为d，假设将信访事件数据属性的类别划分为集合C，则有C＝{c1，c2，...，cm}，其中第i分类属性满足这样的条件：1≤i≤m，对于待分类的信访事件数据集合d，其输出的最大类别为P(ci/d)，则有：
Figure BDA0002507596570000051
其中C、D表示为随机变量，则文档d的贝叶斯分类公式为：
Figure BDA0002507596570000052
进一步地，数据分类算法模型至少为决策树算法模型、聚类分类算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型；其中k-近邻素算法的步骤为：
(1)在信访数据库中选取信息样本数据，并根据所选择的信访数据样本选择初始簇的中心点，在样本数据中，随机抽出K个信访数据样本数据，将所选择的信访数据样本作为样本簇数据集合的中心，并设置迭代次数的阈值T，其中K＞100，1＜T＜8；
(2)划分信访数据样本的簇点，将各个信访数据样本簇的点划分到距离所述信访数据样本最近的中心所表示的簇的点，使所述信访数据样本与初始簇的中心点最近的中心点划分为一类；
其中，所述信访数据样本最近的中心与所表示的簇的点之间的距离公式为：
Figure BDA0002507596570000061
其中x，y分别表示不同类型的信访数据样本，n表示信访数据样本的维度，d(x，y)为欧几里得距离，根据每个信访数据样本的聚类样本的中心点，计算出每个信访数据样本与这些中心样本参数之间的距离，并且根据最小距离将相应的信访数据样本重新进行划分；
(3)用不同信访数据样本簇中的各个样本数据点的中心点来表示信访数据样本的样本簇的中心点，根据不同参数数据或不同聚类信息样本数据的中心点，再次计算每个信访数据样本簇中心点与这些聚类信息数据中心之间的距离，并且根据最小距离重新对相应信访数据样本数据重新进行划分，将每次计算出的最小数据组成矩阵D，则为：
Figure BDA0002507596570000062
其中，x为求出的最小值的集合；
(4)判断是否进行迭代计算，如果迭代次数等于设定阈值T，则不用迭代计算，如果迭代次数与设定阈值不相同，则重新划分数字资产信息样本簇点，返回步骤(2)，重复进行步骤(2)和(3)。
进一步地，椭圆曲线函数算法、助记词算法、DES算法、3DES算法、Blowfish算法、Twofish算法、IDEA算法、RC6算法或CAST5算法。
积极意义效果
本发明通过采用区块链技术，实现大数据管理，构建出包括数据采集层、数据存储层、数据计算层和数据应用层的架构体系，充分利用区块链技术的去中心化、不可篡改、分布式共同记账、非对称加密和数据安全存储等特点，实现数据的交互；本发明通过采用加密功能和解密功能，实现大数据的加密和解密，保证在大数据传输过程中，维护数据的稳定性，防止数据被篡改，提高了数据的安全性能；本发明采用共享算法，实现了区块链中的数据共享，充分利用共享机制，具有去中心化、去信任化和数据加密等优势，能够较好地解决大数据应用中存在的数据管理问题；
本发明应用大数据挖掘技术实现信访大数据的处理，通过决策树算法模型、聚类分类算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型中的任意一种，实现大数据的分类和处理，便于对于数量庞大的结构、复杂、难于管理的数据类型，能够在极短的时间内进行搜索，处理时间仅仅为几秒钟，优选地，0.05-1.5秒时间内，大大提高了数据管理能力。
本发明解决了现有技术中的诸多问题，具体为：
本发明解决多窗口对外易发生推诿扯皮、群众再访时重复陈述诉求问题，本发明的***能够将信访信息一次性采集到位，信访人再访时，无需重复陈诉原诉求，人脸识别***准确实现信访人和信访历史资料的自动匹配，接访人可一键调阅信访资料，即在识别信访人的同时，完成其信访资料调阅。
本发明解决临时接访应对仓促、不同接访人对外反馈口径统一难、延续性不强问题，当信访人再访时，***可以根据匹配的咨询和工作指迅速做出反馈回应，即实现信访事项案件化办理全流程导航指引，避免传统接访了解情况慢、对外反馈内容口径不一致、接访工作延续性难、难以做到精准答复问题。
本发明解决无法适时邀请第三方见证及组织公开听证程序繁琐问题。***提供了公开审查和第三方见证答复规范流程，事先建立公开听证员、第三方见证方数据库，实现公开听证或答复见证，倒逼接访人强化责任意识并做足释法说理准备，增强公开答复权威性。
本发明解决接访过程留痕难、事后责任追究难、接访质效提升难问题。***提供接访全流程视频司法存证留痕***，即在接访全过程对双方同步录音录像，转化为证据留存，警示缠闹访或违法破坏行为将全程记录在案，事后追责问责将更加高效便捷。
本发明解决多头访、信访动态情况总体掌握难、有效应对速度慢问题。***提供各种接口，能够对接各类数据平台，自动识别多头访情况，全面了解信访动态，帮忙接访单位全面把控，有效解决信息不充分，信访总体情况掌握难的问题，提升应对速度和应对效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
图1为本发明一种基于人工智能大数据智慧接访及存证***的整体架构示意图；
图2为本发明一种基于人工智能大数据智慧接访及存证***的信访大型数据库的架构示意图；
图3为本发明一种基于人工智能大数据智慧接访及存证***中区块链***的架构示意图；
图4为本发明一种基于人工智能大数据智慧接访及存证***中区块链***的fabric架构示意图；
图5为本发明一种基于人工智能大数据智慧接访及存证***中Fabric架构的一种实施例示意图；
图6为本发明一种基于人工智能大数据智慧接访及存证方法的示意图；
图7为本发明一种基于人工智能大数据智慧接访及存证方法的k-近邻素算法的步骤流程示意图。
图8为本发明一种基于人工智能大数据智慧接访及存证方法中椭圆加密算法的步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
如图1-图5所示，
一种基于人工智能大数据智慧接访及存证***，其中所述***包括：
数据采集层，其内至少设置有RFID射频识别装置、计算机、与所述计算机连接的鼠标和键盘、集成于计算机内的信访大型数据库、个人信息二维码；进而通过不同的方式采集信访信息，所述信访大型数据库至少设置有显示层、业务逻辑层、数据访问层、云端数据接口和区块链数据接口，其中所述显示层与所述业务逻辑层连接，所述业务逻辑层与所述数据访问层连接，所述数据访问层与所述云端数据接口和区块链数据接口连接，其中所述数据访问层用于访问所述信访大型数据库中的文件，实现对所述信访大型数据库中数据的读取、保存和传递；所述显示层用于显示所述信访大型数据库并接受所述数据访问层的信访数据，为信访提供交互式网络人机交互平台，所述业务逻辑层存储、识别用户输入的信访大信息，所述云端数据接口和区块链数据接口用于与数据存储层进行信访数据的交互；
数据存储层，其内至少设置有区块链***和云端服务器，其中：
所述区块链***包括数据层、网络层、共识层、激励层和智能合约层，其中所述数据层利用Merkle树进行数据存储，在结构上通过区块以链式的方式连接，并且所述数据结构设置有加密单元和数据传递模块；所述网络层主要由错综交织的网络节点构成，通过不同的网络节点，利用点对点技术实现数据通讯和连接，使得处于区块链网络中的不同节点设备能够互通互联，在所述共识层中设置有共识机制，所述共识机制能够将区块链网络中设置的数据进行一致***互，从而具有较好的数据共识能力和数据防攻击能力；所述激励层在区块链中输出激励信息；所述智能合约层设置有两个以上的大数据算法模块，能够执行并计算区块链网络中各种数据之间的关系；所述区块链层内设置有区块链平台，所述区块链平台为基于Hyperledger Fabric的模块化区块链解决方案的支撑平台；
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
数据计算层，其内设置有数据挖掘算法模型，其中所述数据挖掘算法模型为关联算法模型和数据分类算法模型；所述关联算法用于挖掘接收到的信访数据之间的关系，找出不同信访时间之间的关联，所述数据分类算法用于将不同类型的信访数据按照分类属性和规则进行分类，以使信访管理人员快速查询信访数据；
数据应用层，其内设置有数据传输模块和应用计算机，其中所述数据传输模块为有线通讯模块或无线通讯模块，用于接收并传递所述数据采集层感知的电网设备数据信息；其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块，所述无线通讯模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通讯模块或CDMA无线通讯、云网络或蓝牙通讯模块；其中：
所述数据采集层的输出端与所述数据存储层的输入端连接，所述数据存储层的输出端与所述数据计算层的输入端连接，所述数据计算层的输出端与所述数据应用层的输入端连接。
在上述实施例中，所述信访大型数据库内的信访数据至少包括信访人员姓名、性别、年龄、地域、信访事件、信访事件类型、信访时间、信访核心关键词、信访原因、信访事件过程描述、信访周期、信访人数和信访处理数据。
在上述实施例中，所述区块链***为基于Fabric架构的区块链***，所述Fabric架构包括***管理层、组织管理层和业务开发层。Fabric平台是一种联盟链架构，支持智能合约技术，***运行不依赖于代币，而且能够支持大约百笔每秒的交易吞吐量，基本满足联盟机构之间进行数字资产跨机构交易的需求。此外，Fabric采用的是模块化架构，其中共识算法等都可以作为一个可插拔的模块供用户选择使用。同时它能够使用户根据自身需求对特定模块进行重新设计开发，因而本文选用Fabric作为数字资产交易***的区块链基础平台。Fabric主要包含成员服务模块(Membership Services)、区块链服务模块(BlockchainServices)和链代码服务模块(Chaincode Services)。其中成员服务模块主要提供成员注册、身份管理和交易审查等功能，通过注册证书颁发机构(ECA)和交易认证中心(TCA)进行机构注册认证和交易认证。区块链服务模块主要负责节点间的点对点通信、共识以及账本数据的存储等。链代码服务模块提供智能合约服务，提供安全的合约运行环境等。同时，该平台通过贯穿各个组件之间的事件流(Event Stream)实现异步通信。
在上述实施例中，所述关联算法模型为贝叶斯分类器模型。
在上述实施例中，所述数据分类算法模型设置有云端数据接口、无线通讯数据接口或USB数据接口。
本发明通过采用区块链技术，实现大数据管理，构建出包括数据采集层、数据存储层、数据计算层和数据应用层的架构体系，充分利用区块链技术的去中心化、不可篡改、分布式共同记账、非对称加密和数据安全存储等特点，实现数据的交互；本发明通过采用加密功能和解密功能，实现大数据的加密和解密，保证在大数据传输过程中，维护数据的稳定性，防止数据被篡改，提高了数据的安全性能；本发明采用共享算法，实现了区块链中的数据共享，充分利用共享机制，具有去中心化、去信任化和数据加密等优势，能够较好地解决大数据应用中存在的数据管理问题。
本发明通过采用云端服务器，能够实现数据的自动化处理，云计算自动分析所需的数据，并支持某种服务级别的计量功能。此用法可以监视，控制和报告，为主机和客户提供透明性。
还能够按需服务，这是云计算的重要且有价值的功能之一，因为用户可以持续监控服务器的正常运行时间，功能和分配的网络存储。通过此功能，用户还可以监控计算功能。
云技术安全性高，这是云服务器的最佳功能之一，它会创建存储数据的快照，这样即使其中一个服务器损坏，数据也不会丢失。数据存储在存储设备中，不能被任何其他人攻击和利用，存储服务快速可靠，只需借助设备和互联网连接即可从任何地方访问。
云技术易于维护，云主机易于维护，停机时间非常短。在某些情况下，没有停机时间。云计算每次都会通过逐步改进它来提供更新。这些更新与设备更兼容，并且比旧版本更快，并且修复了错误。
实施例2
在上述实施例的基础上，本发明还提供了一种基于人工智能大数据智慧接访及存证方法，如图6-图7所示，包括以下步骤：
(S1)数据获取：数据获取，通过数据采集层获取信访事件的数据信息；
(S2)数据处理：对获取的大数据进行筛选、清理，获取有效的大数据，通过区块链***或云端服务器实现数据的存储、加密、计算和共享；
(S3)数据计算：通过数据挖掘算法计算出数据之间的关联，或根据用户需求，对信访数据按照设置的属性进行分类，对预处理后的大数据通过所述关联算法模型挖掘信访事件之间的关系，利用数据分类算法模型实现各种信访事件的分类；
(S4)数据应用：在数据应用层，对计算后的数据进行数据传递，供用户使用。
进一步地，所述关联算法模型公式为：
假设在信访数据库中，待划分属性的信访事件数据为d，假设将信访事件数据属性的类别划分为集合C，则有C＝{c1，c2，...，cm}，其中第i分类属性满足这样的条件：1≤i≤m，对于待分类的信访事件数据集合d，其输出的最大类别为P(ci/d)，则有：
Figure BDA0002507596570000151
其中C、D表示为随机变量，则文档d的贝叶斯分类公式为：
Figure BDA0002507596570000152
在上述实施例中，数据分类算法模型至少为决策树算法模型、聚类分类算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型；其中k-近邻素算法的步骤为：
(1)在信访数据库中选取信息样本数据，并根据所选择的信访数据样本选择初始簇的中心点，在样本数据中，随机抽出K个信访数据样本数据，将所选择的信访数据样本作为样本簇数据集合的中心，并设置迭代次数的阈值T，其中K＞100，1＜T＜8；
(2)划分信访数据样本的簇点，将各个信访数据样本簇的点划分到距离所述信访数据样本最近的中心所表示的簇的点，使所述信访数据样本与初始簇的中心点最近的中心点划分为一类；
其中，所述信访数据样本最近的中心与所表示的簇的点之间的距离公式为：
Figure BDA0002507596570000161
其中x，y分别表示不同类型的信访数据样本，n表示信访数据样本的维度，d(x，y)为欧几里得距离，根据每个信访数据样本的聚类样本的中心点，计算出每个信访数据样本与这些中心样本参数之间的距离，并且根据最小距离将相应的信访数据样本重新进行划分；
(3)用不同信访数据样本簇中的各个样本数据点的中心点来表示信访数据样本的样本簇的中心点，根据不同参数数据或不同聚类信息样本数据的中心点，再次计算每个信访数据样本簇中心点与这些聚类信息数据中心之间的距离，并且根据最小距离重新对相应信访数据样本数据重新进行划分，将每次计算出的最小数据组成矩阵D，则为：
Figure BDA0002507596570000171
其中，x为求出的最小值的集合；
(4)判断是否进行迭代计算，如果迭代次数等于设定阈值T，则不用迭代计算，如果迭代次数与设定阈值不相同，则重新划分数字资产信息样本簇点，返回步骤(2)，重复进行步骤(2)和(3)。
在上述实施例中，椭圆曲线函数算法、助记词算法、DES算法、3DES算法、Blowfish算法、Twofish算法、IDEA算法、RC6算法或CAST5算法。
其中椭圆曲线函数的方程式为：
y2＝x3+ax+b (5)
在公式(1)中，假设非垂直线与曲线的焦点数量有3个，在非垂直线上，其上的切线在其它点上与曲线相交，假设存在2点Q与P，Q点与P点相交于R′，则有：
R＝Q+P (6)
其中，R与R′关于X轴对称，当Q点与P点重合时，假设其重合点为D，则直线与曲线相切，R′表示为相交点；则有公式：
D+D＝R (7)
此时，R与R′仍旧关于X轴对称，则有：
Q＝aP (8)
由于有3个交点，则a＝3，公式可转变为：
Q＝3P (9)
在区块链中进行加密计算时，假设模数为p，基点为G，序数为n，则有：
公钥＝私钥＊G； (10)
Q点与P点表示曲线上的两个不同的点，则通过以下公式可以计算：
Figure BDA0002507596570000181
Rx＝d2-Px-Qx (12)
Ry＝d(Px-Qx)-Px (13)
通过上述算法完成公钥的加密，在完成私秘加钥时，假设采用私钥dA加密数据z，采用这样的方式进行：选择数据k，令：0≤k≤1，然后采用以下公式计算：
p(x，y)＝k*G (14)
然后计算：
r＝x mod n (15)
当出现r段为0时，则重新选择。然后采用以下公式计算：
Figure BDA0002507596570000182
如果最终计算后得出s＝0，则重新计算，然后就生成了数据签名signature(r，s)，实现了私密加钥。
在上述实施例中，在对大数据进行处理时，通常需要对大数据进行降维数据，以使复杂的数据，变得容易处理，在一种数据降维计算中，采用主成分分析方法，主成分分析方法的步骤为：
(1)标准化数据；假设信访数据样本数据纬度为p，随机向量为x＝(x1，x2，...，xp)；则对于i个数据样本，存在：xi＝(xi1，xi2，...，xip)，其中i＝1，2，...，n；当n＞p时，对样本阵元进行标准化变换，其中标准化变换公式为：
Figure BDA0002507596570000191
其中i＝1，2，...，n；j＝1，2，...，p；在公式(3)中，还存在：
Figure BDA0002507596570000192
Figure BDA0002507596570000193
(2)求出所述步骤(1)的标准化矩阵Z的相关系数矩阵；
R＝[rij]p； (20)
Figure BDA0002507596570000194
其中：
Figure BDA0002507596570000195
其中i，j＝1，2，...，p；
(3)确定主成分，通过求解相关矩阵R的特征方程得出，所述方程为：
|R-λIp|＝0 (23)
在确定n的值时，通过以下公式：
Figure BDA0002507596570000201
在公式(10)中的每个λj，j＝1，2，...，n，解方程组得出：
Rb＝λjb (25)
通过公式(11)得出特征向量
Figure BDA0002507596570000202
(4)然后再将标准化后的指标变量转换为主成分，则有
Figure BDA0002507596570000203
其中j＝1，2，...，n；并且U1称为第一主成分，U2称为第二主成分，Uj称为第j主成分；
(5)然后对n个主成分进行综合评价，并且对n个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
在上述是实施例中，主成分分析(Principal Component Analysis，PCA)也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标***中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和***的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种基于人工智能大数据智慧接访及存证***，其特征在于：所述***包括：
数据采集层，其内至少设置有RFID射频识别装置、计算机、与所述计算机连接的鼠标和键盘、集成于计算机内的信访大型数据库、个人信息二维码；进而通过不同的方式采集信访信息，所述信访大型数据库至少设置有显示层、业务逻辑层、数据访问层、云端数据接口和区块链数据接口，其中所述显示层与所述业务逻辑层连接，所述业务逻辑层与所述数据访问层连接，所述数据访问层与所述云端数据接口和区块链数据接口连接，其中所述数据访问层用于访问所述信访大型数据库中的文件，实现对所述信访大型数据库中数据的读取、保存和传递；所述显示层用于显示所述信访大型数据库并接受所述数据访问层的信访数据，为信访提供交互式网络人机交互平台，所述业务逻辑层存储、识别用户输入的信访大信息，所述云端数据接口和区块链数据接口用于与数据存储层进行信访数据的交互；
数据存储层，其内至少设置有区块链***和云端服务器，其中：
所述区块链***包括数据层、网络层、共识层、激励层和智能合约层，其中所述数据层利用Merkle树进行数据存储，在结构上通过区块以链式的方式连接，并且所述数据结构设置有加密单元和数据传递模块；所述网络层主要由错综交织的网络节点构成，通过不同的网络节点，利用点对点技术实现数据通讯和连接，使得处于区块链网络中的不同节点设备能够互通互联，在所述共识层中设置有共识机制，所述共识机制能够将区块链网络中设置的数据进行一致***互，从而具有较好的数据共识能力和数据防攻击能力；所述激励层在区块链中输出激励信息；所述智能合约层设置有两个以上的大数据算法模块，能够执行并计算区块链网络中各种数据之间的关系；所述区块链层内设置有区块链平台，所述区块链平台为基于Hyperledger Fabric的模块化区块链解决方案的支撑平台；
所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
数据计算层，其内设置有数据挖掘算法模型，其中所述数据挖掘算法模型为关联算法模型和数据分类算法模型；所述关联算法用于挖掘接收到的信访数据之间的关系，找出不同信访时间之间的关联，所述数据分类算法用于将不同类型的信访数据按照分类属性和规则进行分类，以使信访管理人员快速查询信访数据；
数据应用层，其内设置有数据传输模块和应用计算机，其中所述数据传输模块为有线通讯模块或无线通讯模块，用于接收并传递所述数据采集层感知的电网设备数据信息；其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块，所述无线通讯模块至少包括TCP/IP网络***、ZigBee无线网络、GPRS通讯模块或CDMA无线通讯、云网络或蓝牙通讯模块；其中：
所述数据采集层的输出端与所述数据存储层的输入端连接，所述数据存储层的输出端与所述数据计算层的输入端连接，所述数据计算层的输出端与所述数据应用层的输入端连接。
2.根据权利要求1所述的一种基于人工智能大数据智慧接访及存证***，其特征在于：
所述信访大型数据库内的信访数据至少包括信访人员姓名、性别、年龄、地域、信访事件、信访事件类型、信访时间、信访核心关键词、信访原因、信访事件过程描述、信访周期、信访人数和信访处理数据。
3.根据权利要求1所述的一种基于人工智能大数据智慧接访及存证***，其特征在于：所述区块链***为基于Fabric架构的区块链***。
4.根据权利要求3所述的一种基于人工智能大数据智慧接访及存证***，其特征在于：所述Fabric架构包括***管理层、组织管理层和业务开发层。
5.根据权利要求1所述的一种基于人工智能大数据智慧接访及存证***，其特征在于：所述关联算法模型为贝叶斯分类器模型。
6.根据权利要求1所述的一种基于人工智能大数据智慧接访及存证***，其特征在于：所述数据分类算法模型设置有云端数据接口、无线通讯数据接口或USB数据接口。
7.一种基于人工智能大数据智慧接访及存证方法，其特征在于：包括以下步骤：
(S1)数据获取：数据获取，通过数据采集层获取信访事件的数据信息；
(S2)数据处理：对获取的大数据进行筛选、清理，获取有效的大数据，通过区块链***或云端服务器实现数据的存储、加密、计算和共享；
(S3)数据计算：通过数据挖掘算法计算出数据之间的关联，或根据用户需求，对信访数据按照设置的属性进行分类，对预处理后的大数据通过所述关联算法模型挖掘信访事件之间的关系，利用数据分类算法模型实现各种信访事件的分类；
(S4)数据应用：在数据应用层，对计算后的数据进行数据传递，供用户使用。
8.根据权利要求7所述的一种基于人工智能大数据智慧接访及存证方法，其特征在于：所述关联算法模型公式为：
假设在信访数据库中，待划分属性的信访事件数据为d，假设将信访事件数据属性的类别划分为集合C，则有C＝{c1，c2，...，cm}，其中第i分类属性满足这样的条件：1≤i≤m，对于待分类的信访事件数据集合d，其输出的最大类别为P(ci/d)，则有：
Figure FDA0002507596560000041
其中C、D表示为随机变量，则文档d的贝叶斯分类公式为：
Figure FDA0002507596560000042
9.根据权利要求7所述的一种基于人工智能大数据智慧接访及存证方法，其特征在于：数据分类算法模型至少为决策树算法模型、聚类分类算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型；其中k-近邻素算法的步骤为：
(1)在信访数据库中选取信息样本数据，并根据所选择的信访数据样本选择初始簇的中心点，在样本数据中，随机抽出K个信访数据样本数据，将所选择的信访数据样本作为样本簇数据集合的中心，并设置迭代次数的阈值T，其中K＞100，1＜T＜8；
(2)划分信访数据样本的簇点，将各个信访数据样本簇的点划分到距离所述信访数据样本最近的中心所表示的簇的点，使所述信访数据样本与初始簇的中心点最近的中心点划分为一类；
其中，所述信访数据样本最近的中心与所表示的簇的点之间的距离公式为：
Figure FDA0002507596560000051
其中x，y分别表示不同类型的信访数据样本，n表示信访数据样本的维度，d(x，y)为欧几里得距离，根据每个信访数据样本的聚类样本的中心点，计算出每个信访数据样本与这些中心样本参数之间的距离，并且根据最小距离将相应的信访数据样本重新进行划分；
(3)用不同信访数据样本簇中的各个样本数据点的中心点来表示信访数据样本的样本簇的中心点，根据不同参数数据或不同聚类信息样本数据的中心点，再次计算每个信访数据样本簇中心点与这些聚类信息数据中心之间的距离，并且根据最小距离重新对相应信访数据样本数据重新进行划分，将每次计算出的最小数据组成矩阵D，则为：
Figure FDA0002507596560000061
其中，x为求出的最小值的集合；
(4)判断是否进行迭代计算，如果迭代次数等于设定阈值T，则不用迭代计算，如果迭代次数与设定阈值不相同，则重新划分数字资产信息样本簇点，返回步骤(2)，重复进行步骤(2)和(3)。
10.根据权利要求7所述的一种基于人工智能大数据智慧接访及存证方法，其特征在于：所述区块链中的加密方法为以下加密算法中的任意一种：
椭圆曲线函数算法、助记词算法、DES算法、3DES算法、Blowfish算法、Twofish算法、IDEA算法、RC6算法或CAST5算法。
CN202010450756.1A 2020-05-25 2020-05-25 一种基于人工智能大数据智慧接访及存证***及方法 Pending CN111831715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010450756.1A CN111831715A (zh) 2020-05-25 2020-05-25 一种基于人工智能大数据智慧接访及存证***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010450756.1A CN111831715A (zh) 2020-05-25 2020-05-25 一种基于人工智能大数据智慧接访及存证***及方法

Publications (1)

Publication Number Publication Date
CN111831715A true CN111831715A (zh) 2020-10-27

Family

ID=72914018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010450756.1A Pending CN111831715A (zh) 2020-05-25 2020-05-25 一种基于人工智能大数据智慧接访及存证***及方法

Country Status (1)

Country Link
CN (1) CN111831715A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396341A (zh) * 2020-11-30 2021-02-23 河海大学 一种区块链本地化云计算大数据应用分析方法
CN113158227A (zh) * 2021-03-08 2021-07-23 重庆邮电大学 一种基于Fabric的数据库访问日志上链方法及***
CN113420015A (zh) * 2021-06-07 2021-09-21 浙江嘉兴数字城市实验室有限公司 基于神经网络的社会治理事件的自动分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287268A (zh) * 2019-06-30 2019-09-27 智慧谷(厦门)物联科技有限公司 一种基于区块链的数字资产处理方法和***
CN110532329A (zh) * 2019-09-02 2019-12-03 智慧谷(厦门)物联科技有限公司 一种基于区块链技术的智能手环数据处理与共享方法
EP3579494A1 (en) * 2018-06-08 2019-12-11 Deutsche Telekom AG Blockchain based roaming
CN111027087A (zh) * 2019-12-16 2020-04-17 智慧谷(厦门)物联科技有限公司 应用区块链助记词加密的企业信息管理***及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3579494A1 (en) * 2018-06-08 2019-12-11 Deutsche Telekom AG Blockchain based roaming
CN110287268A (zh) * 2019-06-30 2019-09-27 智慧谷(厦门)物联科技有限公司 一种基于区块链的数字资产处理方法和***
CN110532329A (zh) * 2019-09-02 2019-12-03 智慧谷(厦门)物联科技有限公司 一种基于区块链技术的智能手环数据处理与共享方法
CN111027087A (zh) * 2019-12-16 2020-04-17 智慧谷(厦门)物联科技有限公司 应用区块链助记词加密的企业信息管理***及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
焦李成: "《人工智能前沿技术丛书 简明人工智能》", 30 September 2019, 西安电子科技大学出版社 *
王和勇: "《面向大数据的高维数据控掘技术》", 31 March 2018, 西安电子科技大学出版社 *
王文海: "《密码学理论与应用基础》", 30 September 2009, 国防工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396341A (zh) * 2020-11-30 2021-02-23 河海大学 一种区块链本地化云计算大数据应用分析方法
CN113158227A (zh) * 2021-03-08 2021-07-23 重庆邮电大学 一种基于Fabric的数据库访问日志上链方法及***
CN113158227B (zh) * 2021-03-08 2022-10-11 重庆邮电大学 一种基于Fabric的数据库访问日志上链方法及***
CN113420015A (zh) * 2021-06-07 2021-09-21 浙江嘉兴数字城市实验室有限公司 基于神经网络的社会治理事件的自动分类方法

Similar Documents

Publication Publication Date Title
Hussain et al. Classification, clustering and association rule mining in educational datasets using data mining tools: A case study
El Morr et al. Descriptive, predictive, and prescriptive analytics
CN111831715A (zh) 一种基于人工智能大数据智慧接访及存证***及方法
US20170018030A1 (en) System and Method for Determining Credit Worthiness of a User
WO2003090160A2 (en) Processing mixed numeric and/or non-numeric data
CN104866831B (zh) 特征加权的人脸识别算法
US8719191B2 (en) Training and verification using a correlated boosted entity model
CN108764943B (zh) 基于资金交易网络的可疑用户监测分析方法
WO2021189908A1 (zh) 基于深度学习的图像分类方法、装置、服务器及介质
CN109829721A (zh) 基于异质网络表征学习的线上交易多主体行为建模方法
CN113762703A (zh) 确定企业画像的方法和装置、计算设备和存储介质
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
Prasad Big data analytics made easy
Rentzmann et al. Unsupervised learning: What is a sports car?
Kim et al. CNN-LSTM neural networks for anomalous database intrusion detection in RBAC-administered model
El-Morr et al. Machine Learning for Practical Decision Making
US20230052225A1 (en) Methods and computer systems for automated event detection based on machine learning
Batmaz et al. Overview of knowledge discovery in databases process and data mining for surveillance technologies and EWS
Srivastava et al. Hyperautomation in transforming underwriting operation in the life insurance industry
Al Aghbari Mining big data
CN114443409A (zh) 支付业务***监控方法、装置和设备及计算机存储介质
US11741432B1 (en) Systems and methods for predictive scoring
CN115496638B (zh) 基于智慧校园的学生课程成绩分析管理方法及***
Qiu [Retracted] Effect of Improved Association Algorithm on Mining and Recognition of Audit Data
Chinnaiyan Big Data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination