一种基于区块链的分布式任务动态管理的方法及其系统

    公开(公告)号:CN114035981A

    公开(公告)日:2022-02-11

    申请号:CN202111315004.5

    申请日:2021-11-08

    IPC分类号: G06F9/54 G06F9/455 H04L9/40

    摘要: 本发明公开了一种基于区块链的分布式任务动态管理的方法及其系统,包括区块链节点,所述区块链节点的输出端连接有若干个终端处理器,所述终端处理器的输入端连接有信息获取模块;所述内存控制模块的输出端连接有任务发布模块,且任务发布模块的输出端连接有虚拟处理器。该基于区块链的分布式软件任务动态管理的方法及其系统,通过区块链节点对终端处理器进行数据传输,使终端处理器的数据传输过程处于全透明状态,能够有效对分布式软件任务的工作过程进行信息溯源,解决因任务划分不清导致后期出现事故,无法得知哪个步骤出现问题,需要大规模的进行排查的问题,进一步降低了软件任务派发的出错几率,提高了软件任务管理的准确性。

    基于区块链的电能交易系统

    公开(公告)号:CN113205378B

    公开(公告)日:2023-06-20

    申请号:CN202110398662.9

    申请日:2021-04-13

    摘要: 本申请涉及一种基于区块链的电能交易系统。所述系统包括区块链基础设施和智能用电存储器;所述区块链基础设施,用于将获取到的购电消息存储于第一数组,将获取到的售电消息存储于第二数组,当检测到所述第一数组和所述第二数组均不为空时,发送所述购电消息和所述售电消息至所述智能用电存储器;所述智能用电存储器,用于根据接收到的所述购电价格和所述售电价格确定电能成交价,根据接收到的所述购电量和所述售电量确定电能成交量,并根据所述电能成交价减少购电方账户金额和增加售电方账户金额,根据所述电能成交量增加购电方账户电量和减少售电方账户电量。采用本系统能够无需第三方管理者和监管方的介入,使电能交易具备高效性。

    基于区块链的电能交易系统
    3.
    发明公开

    公开(公告)号:CN113205378A

    公开(公告)日:2021-08-03

    申请号:CN202110398662.9

    申请日:2021-04-13

    摘要: 本申请涉及一种基于区块链的电能交易系统。所述系统包括区块链基础设施和智能用电存储器;所述区块链基础设施,用于将获取到的购电消息存储于第一数组,将获取到的售电消息存储于第二数组,当检测到所述第一数组和所述第二数组均不为空时,发送所述购电消息和所述售电消息至所述智能用电存储器;所述智能用电存储器,用于根据接收到的所述购电价格和所述售电价格确定电能成交价,根据接收到的所述购电量和所述售电量确定电能成交量,并根据所述电能成交价减少购电方账户金额和增加售电方账户金额,根据所述电能成交量增加购电方账户电量和减少售电方账户电量。采用本系统能够无需第三方管理者和监管方的介入,使电能交易具备高效性。

    一种基于区块链的分布式软件任务动态管理系统

    公开(公告)号:CN114035981B

    公开(公告)日:2024-09-24

    申请号:CN202111315004.5

    申请日:2021-11-08

    IPC分类号: G06F9/54 G06F9/455 H04L9/40

    摘要: 本发明公开了一种基于区块链的分布式软件任务动态管理系统,包括区块链节点,所述区块链节点的输出端连接有若干个终端处理器,所述终端处理器的输入端连接有信息获取模块;所述内存控制模块的输出端连接有任务发布模块,且任务发布模块的输出端连接有虚拟处理器。该基于一种基于区块链的分布式软件任务动态管理系统,通过区块链节点对终端处理器进行数据传输,使终端处理器的数据传输过程处于全透明状态,能够有效对分布式软件任务的工作过程进行信息溯源,解决因任务划分不清导致后期出现事故,无法得知哪个步骤出现问题,需要大规模的进行排查的问题,进一步降低了软件任务派发的出错几率,提高了软件任务管理的准确性。

    一种基于因果学习的APT攻击异常检测方法

    公开(公告)号:CN118101321A

    公开(公告)日:2024-05-28

    申请号:CN202410432789.1

    申请日:2024-04-11

    IPC分类号: H04L9/40

    摘要: 随着互联网技术的广泛应用,针对高级可持续性网络攻击异常检测技术中的基于图的异常检测技术困难点:序列构建难、攻击特征自动识别难。本发明提供了一种基于因果图的APT攻击异常检测方法,通过审计日志的事件数据,使用频率统计定义因果图中的路径列表和异常路径,并通过优化因果图以降低日志的复杂性,在优化的因果图基础上抽象出非攻击序列样本和攻击序列(异常)样本并选择性采样,再平衡后的样本输入到基于Highway Network的卷积神经网络模型中学习样本特征。训练后的模型实现APT攻击的异常检测任务。本发明提供的方法有助于APT攻击的检测,有助于网络攻击取证和推理,且通过构建因果图获得精确的序列和模型不会给正运行的系统带来额外开销。