34、区块链技术在攻击检测与电子投票系统中的应用

区块链技术在攻击检测与电子投票系统中的应用

一、区块链在攻击检测中的应用

金融机构由于存储着高价值信息，极易遭受网络攻击。黑客通过售卖窃取的银行凭证和敏感金融数据可获利颇丰，银行数字足迹的扩大也增加了遭受攻击的风险。分析银行数据集的目标是找出针对银行和其他企业的DDoS攻击证据。

（一）LSTM模型相关

在检测过程中，LSTM（长短期记忆网络）模型发挥了重要作用。在每个第n个时间步，存在一个独特的频率范围，其中呈现准周期特征。LSTM模块的输出可以用数学公式表示为：
[h_n = o_n \times \tanh(c_n)]
其中，(h_n) 是第n个时间步LSTM单元的输出，它从 (c_n) 开始收集之前时间步提取的特征。通过依赖连接，时间准周期特征的长期和短期记忆被训练到单元状态 (c_n)（(n = 1,2,\cdots,N)）中。

然而，神经网络存在过拟合问题。过拟合指网络能很好地拟合训练数据，但在测试数据上表现不佳，说明它尚未学会泛化到新场景。这会影响神经网络的最佳性能，LSTM也可能出现这种情况。为避免梯度扩展和消失，常采用早期停止操作和权重限制。使用Dropout时，某些LSTM单元的输出会在每次迭代中随机归零，只有部分输出值用于误差计算，其余在误差反向传播时才被考虑。在LSTM网络训练中，通常会对网络参数施加约束，合适的超参数值如下：
|参数|取值|
| ---- | ---- |
|最大训练轮数|100|
|最小训练轮数|27|
|梯度阈值|1|
|学习率|0.001|
|第一层隐藏单元数|200|
|第二层隐藏单元数|225|