买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江葫芦娃网络集团有限公司申请的专利基于AI的区块链智能合约跨域认证安全增强方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120729570B 。

龙图腾网通过国家知识产权局官网在2026-01-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510833694.5，技术领域涉及：H04L9/40；该发明授权基于AI的区块链智能合约跨域认证安全增强方法及系统是由唐正荣;曹明星设计研发完成，并于2025-06-20向国家知识产权局提交的专利申请。

本基于AI的区块链智能合约跨域认证安全增强方法及系统在说明书摘要公布了：本发明涉及区块链与人工智能技术领域，公开了基于AI的区块链智能合约跨域认证安全增强方法及系统，其中，基于AI的区块链智能合约跨域认证安全增强方法包括：构建包括感知层、分析层、决策层和执行层的分层安全架构，收集跨域认证数据并传输至分析层；基于深度学习实现威胁检测模型，接收感知层采集的特征数据，输出威胁评分和异常指标；建立动态信任评估机制，接收威胁检测模型输出结果，计算实体间实时信任值；设计自适应认证策略优化算法，基于信任评估结果，动态选择最优认证策略，本发明能够解决异构区块链网络间的安全认证问题，提供了高效、安全的跨域认证解决方案。

本发明授权基于AI的区块链智能合约跨域认证安全增强方法及系统在权利要求书中公布了：1.基于AI的区块链智能合约跨域认证安全增强方法，其特征在于，包括以下步骤： 构建包括感知层、分析层、决策层和执行层的分层安全架构，收集跨域认证数据并传输至分析层； 接收感知层采集的特征数据，通过深度学习训练实现威胁检测模型，基于威胁检测模型输出威胁评分和异常指标； 基于威胁检测模型输出的威胁评分和异常指标，建立动态信任评估机制，计算实体间实时信任值；其中，动态信任评估机制包括： 信任模型初始化与信任证据收集：系统为每个参与实体创建信任数据结构，包含基础信誉度、历史交互记录、关系网络和行为特征； 信任评估函数定义为： ； 其中，表示在时刻实体对实体的信任度，为历史交互信任分数，为节点信誉度，为网络关系权重，为实时行为评分，分别为第三、第四、第五、第六权重系数，且满足； 各因子的计算方法为： 历史交互信任分数由交互历史计算： ； 其中，为交互结果评估函数，为交互重要性权重，为时间衰减因子，为历史交互记录数量，为第次交互的时间戳； 节点信誉度直接从全局信誉系统获取，取值范围[0,1]； 网络关系权重通过分析实体间在关系网络中的连接计算： ； 其中，为实体和之间的直接关系权重，为连接和的公共邻居集合，为公共邻居数量； 实时行为评分基于威胁检测模型输出的结果计算： ； 其中，为系统设定的阈值，用于归一化计算结果，为威胁评分，为异常分数； 权重系数的初始值分别设为0.4,0.2,0.2,0.2，并根据系统运行情况和不同场景需求动态调整； 信任衰减模型采用时间敏感的递减函数： ； 其中，表示初始信任值，为衰减系数，为时间间隔； 信任传递采用信任链计算方法： ； 其中，表示实体通过中间实体对实体的间接信任度，为信任衰减因子，为实体对实体的信任度，为实体对实体的信任度，表示取最小操作； 信任传递机制的具体实现包括： 信任衰减因子计算公式：，其中表示信任传递的跳数，为每跳衰减系数； 设置最大信任传递深度，超过此深度的传递链将被截断； 对于多跳传递，采用动态规划算法计算最优信任路径，避免冗余计算； 实现信任传递循环检测机制，防止循环传递导致的信任膨胀； 多路径信任聚合： ； 其中表示聚合后的实体对实体的总体信任度，表示所有可能的中间节点集合，表示通过节点计算的间接信任度，为路径权重； 多路径聚合的具体实现包括： 路径权重计算方法：，赋予更可信的中间节点更高权重； 采用Dijkstra算法识别从实体到实体的前条最可信路径； 设置信任阈值，过滤掉低于此阈值的路径，减少噪声影响； 使用加权几何平均而非算术平均进行聚合，对极低信任度的路径施加更强的惩罚： ； 其中表示使用加权几何平均的聚合后的实体对实体的总体信任度，为归一化后的路径权重，为归一化权重之和； 基于计算的实体间实时信任值，设计自适应认证策略优化算法，动态选择最优认证策略；其中，自适应认证策略优化算法包括： MDP建模与状态空间定义： 将认证策略优化问题建模为马尔可夫决策过程MDP，定义状态空间、动作空间、转移函数、奖励函数和折扣因子； 奖励函数综合考虑安全性、用户体验和系统效率： ； 其中表示在状态下采取动作获得的总奖励，评估安全性提升，评估用户体验影响，评估系统效率变化，分别为第七、第八、第九权重系数，满足； 各评估指标的具体计算方法： 安全性评估： ； 其中为在状态下采取动作可能导致的安全风险概率，通过威胁模型估算； 用户体验评估： ； 其中为动作带来的用户操作成本，为可接受的最大成本； 系统效率评估： ； 其中为策略的处理时间，为资源消耗，和分别表示系统可接受的最大处理时间和最大资源消耗； 奖励函数权重根据不同场景动态调整： 高安全场景：； 平衡场景：； 高可用场景：； Q-learning算法实现： 采用Q-learning算法学习最优认证策略，Q值更新公式为： ； 其中表示状态-动作对的Q值，表示在状态下采取动作的长期预期收益，表示当前系统状态，为采取的认证策略动作，为即时奖励，表示下一状态；表示下一状态可能的动作，为折扣因子，为学习率； 使用经验回放机制，存储元组，随机采样进行批量更新，提高学习效率； 深度Q网络DQN实现： DQN训练实现：使用经验回放缓冲区存储交互样本，表示当前回合是否结束的布尔值； 维护两个网络：主网络和目标网络； 每隔步将主网络参数同步到目标网络：； 从经验回放缓冲区随机采样小批量样本； 对每个样本计算目标值： ； 计算损失函数：； 其中：表示损失函数；表示批量样本数量；表示目标Q值；表示主网络预测的Q值；使用梯度下降更新主网络参数； 使用梯度下降更新主网络参数； 探索策略与模型部署： 采用ε-贪心策略平衡探索与利用，ε值初始设为0.3，按照指数衰减规则逐渐降低到0.05； 在生产环境中，保持最小探索率，确保系统能够适应新的威胁模式； 对于高风险操作，设置安全保障机制，限制探索过程中可能采取的最低安全级别； 模型部署与实时优化： 训练好的DQN模型部署为认证策略服务，接收实时状态输入，输出最优认证策略； 建立策略评估反馈循环，持续监控策略执行效果，收集实际奖励数据； 实现在线学习机制，系统在运行过程中不断优化模型参数，适应环境变化； 设置安全回退机制，当检测到策略性能下降时，暂时回退到保守策略，保障系统安全； 基于优化后的认证策略，实现跨链互操作安全协议，执行相应的跨链认证操作。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江葫芦娃网络集团有限公司，其通讯地址为：310000 浙江省杭州市钱塘区白杨街道6号大街452号2幢A1001-1002号房；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。