基于區(qū)塊鏈的漁業(yè)種質資源管理系統(tǒng)設計

劉奕順,劉雙印,3,徐龍琴,3,曹 亮,3,馮大春,3,白衛(wèi)東,劉同來,3*

(1.仲愷農業(yè)工程學院 信息科學與技術學院,廣東 廣州 510225;2.仲愷農業(yè)工程學院 智慧農業(yè)創(chuàng)新研究院,廣東 廣州 510225;3.廣東省農產品安全大數(shù)據(jù)工程技術研究中心,廣東 廣州 510225;4.仲愷農業(yè)工程學院 輕工食品學院,廣東 廣州 510225)

0 引 言

種質是國家戰(zhàn)略性資源,是產業(yè)供應鏈的最前端。近年來,隨著經濟迅速發(fā)展,大型水利工程修建、多代人工繁殖等導致了水生生物資源破壞、種質退化等一系列問題頻發(fā),各國政府對此高度關注,并出臺系列法律法規(guī)以支持國家漁業(yè)生物種質數(shù)據(jù)庫的建設[1-3]。這對漁業(yè)種質資源管理工作提出了新的要求,亟須探索新的確權管理模式,提高種質資源數(shù)據(jù)管理和共享的效率,加快漁業(yè)種質資源工作的信息化進程。

目前各國政府、高校科研院所和企業(yè)采用DNA條形碼、遙感、物聯(lián)網等技術等構建系列的種質資源管理系統(tǒng)[4],并在農業(yè)、水產、漁業(yè)等領域得到了廣泛的應用,取得了一些成效[5]。但傳統(tǒng)漁業(yè)種質資源管理體系存在以下不足:一是采用數(shù)據(jù)中心化存儲,各自管理,導致種質資源數(shù)據(jù)管理和共享的效率低下[6];二是在種質確權過程中,隨著節(jié)點增加和數(shù)據(jù)量增大,每次都把各節(jié)點所有數(shù)據(jù)上傳到區(qū)塊鏈網絡中,不僅上傳速度慢還易造成網絡阻塞,導致區(qū)塊鏈網絡中各節(jié)點數(shù)據(jù)存儲壓力大,查詢效率低;三是針對漁業(yè)疾病數(shù)據(jù)不能實現(xiàn)有效管理與利用,導致難以挖掘同種類與不同種類漁業(yè)疾病數(shù)據(jù)中隱藏的關聯(lián)信息。因此,為解決上述問題,研究先進的溯源技術及其種質管理系統(tǒng)對發(fā)展國內水產科學具有極高的研究價值。

區(qū)塊鏈是一種分布式賬本技術,具有去中心化、數(shù)據(jù)自治、防篡改、安全可靠等特點[7-8]。一些國內外學者研究將區(qū)塊鏈技術應用在種質確權領域。文獻[9]采用區(qū)塊鏈技術構建了農作物種質資源數(shù)據(jù)管理模型,并通過基于智能合約的應用信息管理,實現(xiàn)了信息存儲與傳輸安全可信。文獻[10]采用以太坊框架設計基于區(qū)塊鏈的種質資源數(shù)據(jù)安全共享系統(tǒng)模型,并通過非對稱加密技術和基于智能合約的協(xié)同存儲模型設計,實現(xiàn)了信息存儲與傳輸安全可信。文獻[11]提出一種基于區(qū)塊鏈的種質資源數(shù)據(jù)安全共享模型,通過智能合約完成對種質數(shù)據(jù)的上鏈與安全傳輸設計,該方案有效避免數(shù)據(jù)泄露篡改問題,有助于種質資源數(shù)據(jù)的高效利用和發(fā)展。

知識圖譜是由節(jié)點和邊組成的巨型語義網,是一種以圖譜形式描述客觀世界中存在的各種實體、概念及其關系的技術,借助可視分析技術可以將抽象的知識圖譜映射為直觀的圖形元素,從而提高知識圖譜的構建與表達能力。文獻[12]提出了面向醫(yī)學知識圖譜多視圖、交互式的可視化構建方法,使學習者更加有效地分析與理解知識的結構,提升醫(yī)學知識在學習與應用層面的轉化效率。

該文充分應用區(qū)塊鏈與知識圖譜技術的特點及優(yōu)勢,對區(qū)塊模型結構、雙鏈存儲模式及漁業(yè)疾病知識圖譜進行設計,采用聯(lián)盟區(qū)塊鏈技術構建漁業(yè)種質資源可信確權系統(tǒng),以期為漁業(yè)種質資源可信確權與構建疾病圖譜提供技術支撐。

1 系統(tǒng)設計方案

1.1 系統(tǒng)架構設計

漁業(yè)種質資源管理系統(tǒng)基于區(qū)塊鏈網絡平臺,共包括應用層、服務層、數(shù)據(jù)資源層、消息總線及數(shù)據(jù)接入層,并考慮安全保障體系和標準規(guī)范體系。系統(tǒng)軟件架構設計如圖1所示。

圖1 系統(tǒng)軟件架構設計視圖

(1)應用層。基于Vue.js與Spring Boot框架開發(fā)的Web平臺,針對不同用戶群體的需求提供相關的應用功能。平臺的應用功能包含種質確權、養(yǎng)成技術、魚塘管理、品種選擇、疾病防治、知識圖譜、種質大數(shù)據(jù)、繁殖技術、種質資源庫、環(huán)境智能預測。

(2)服務層。服務層包括模型預測算法服務、權限分發(fā)服務、Nginx負載均衡服務、Elasticsearch實時全文檢索服務。基于存儲層的數(shù)據(jù),為上層應用提供模型訓練與智能檢索等服務。

(3)數(shù)據(jù)資源層。Elasticsearch作為存儲平臺和搜索引擎,實現(xiàn)海量魚病數(shù)據(jù)的實時存儲與高效檢索。Redis緩存數(shù)據(jù)庫的高速讀寫性能保證算法模型獲取數(shù)據(jù)的實時性。采用MySQL關系型數(shù)據(jù)庫存儲各類業(yè)務數(shù)據(jù)。

(4)消息總線及數(shù)據(jù)接入層。使用網絡爬蟲、數(shù)據(jù)挖掘與知識工程等技術,從各類平臺采集海量的漁業(yè)疾病數(shù)據(jù),整合大量的碎片化和異構化的漁業(yè)疾病信息,并使用RabbitMQ作為消息隊列進行海量數(shù)據(jù)的實時傳輸。

1.2 系統(tǒng)功能模塊設計

漁業(yè)種質資源管理系統(tǒng)以實現(xiàn)種質可信確權與漁業(yè)疾病知識圖譜為核心,構建集種質資源管理、漁業(yè)疾病防治、知識圖譜、健康養(yǎng)殖智能決策一體化的系統(tǒng)。通過設計“On-Chain + Off-Chain”的種質確權信息協(xié)同管理存儲策略,并制定種質確權智能合約規(guī)則集和合約觸發(fā)條件,保證了種質確權信息真實可信和確權平臺的公信力。基于區(qū)塊鏈的漁業(yè)種質資源管理系統(tǒng)主要由種質確權、養(yǎng)成技術、魚塘管理、品種選擇、疾病防治、知識圖譜、種質大數(shù)據(jù)、繁殖技術、種質資源庫、環(huán)境智能預測十大模塊組成。種質確權模塊通過鏈上鏈下雙模式存儲策略,實現(xiàn)對種質資源數(shù)據(jù)的可信確權與管理;疾病防治模塊包括圖文診斷與目檢診斷,通過Elasticsearch技術,實現(xiàn)漁業(yè)疾病圖文診斷與目檢診斷功能;知識圖譜模塊包括種質圖譜、疾病圖譜、藥品圖譜與飼料圖譜,通過爬蟲與數(shù)據(jù)挖掘等技術,實現(xiàn)海量、異構的漁業(yè)知識資源池的集成與共享管理;環(huán)境智能預測模塊通過線性回歸、ARIMA模型、支持向量機等算法模型,實現(xiàn)對溫度、濕度、光照強度、二氧化碳、水質等參數(shù)的預測功能;種質大數(shù)據(jù)模塊通過ECharts圖表實現(xiàn)漁業(yè)相關數(shù)據(jù)的可視化展示;魚塘管理模塊主要基于高德地圖服務與水質監(jiān)測傳感器,實現(xiàn)魚塘位置信息展示與養(yǎng)殖環(huán)境水質參數(shù)實時傳輸;品種選擇、繁殖技術與養(yǎng)成技術三大模塊通過將用戶的輸入信息與事實庫進行比較,實現(xiàn)養(yǎng)殖品種推薦、親魚培養(yǎng)建議、飼料與水質管理功能,實現(xiàn)智慧漁業(yè)養(yǎng)殖過程的信息化建設;種質資源庫模塊展示了系統(tǒng)收錄的所有漁業(yè)種質資源數(shù)據(jù)。系統(tǒng)功能設計見圖2。

1.3 系統(tǒng)部署運行

(1)系統(tǒng)部署:漁業(yè)種質資源管理系統(tǒng)各模塊均采用集群部署,隨著業(yè)務規(guī)模不斷擴展,各服務節(jié)點可以實現(xiàn)橫向擴展,使系統(tǒng)具有高可用性、高可維護性、高可伸縮性和更短的發(fā)布周期等特點。系統(tǒng)部署運行如圖3所示。

圖2 系統(tǒng)功能設計

圖3 系統(tǒng)部署運行

(2)通信傳輸:系統(tǒng)采用C/S架構,客戶端和服務器之間基于HTTP協(xié)議進行通信,后端采用實時消息隊列RabbitMQ實現(xiàn)數(shù)據(jù)實時傳輸功能。

(3)數(shù)據(jù)存儲:將通過驗證的大部分漁業(yè)種質數(shù)據(jù)存儲在關系型和非關系型數(shù)據(jù)庫中,對局部關鍵信息使用MD5算法進行加密運算后存儲到區(qū)塊鏈網絡中;小型氣象站與水質監(jiān)測儀采集到的水質與氣象原始數(shù)據(jù)存儲到云端的MySQL數(shù)據(jù)庫,經預處理后緩存到Redis中,保證預測模型可以快速讀取。

(4)系統(tǒng)災備:采用主從模式部署數(shù)據(jù)存儲服務集群,保證數(shù)據(jù)的完整性與系統(tǒng)的高可靠性;存儲在Elasticsearch中的數(shù)據(jù)能實現(xiàn)自動備份功能,保證系統(tǒng)具有良好的容災性;系統(tǒng)定期執(zhí)行數(shù)據(jù)備份操作,將數(shù)據(jù)備份到本地數(shù)據(jù)中心,保證數(shù)據(jù)的可恢復性。

(5)系統(tǒng)運行:通過傳感器采集到的水質與氣象原始數(shù)據(jù)經過預處理后存入高性能緩存數(shù)據(jù)庫Redis中,算法模型基于緩存數(shù)據(jù)進行分布式運算,實現(xiàn)水質與氣象參數(shù)的預測預警功能;基于Hyperledger Fabric區(qū)塊鏈平臺,針對用戶身份數(shù)據(jù)和種質資源數(shù)據(jù)設計種質確權信息協(xié)同管理存儲策略,保證種質確權信息真實可靠。

2 系統(tǒng)關鍵技術

2.1 種質數(shù)據(jù)可信確權區(qū)塊模型結構

區(qū)塊是區(qū)塊鏈存儲交易信息的鏈式數(shù)據(jù)結構,由區(qū)塊頭和區(qū)塊體兩部分組成,通過區(qū)塊頭中父區(qū)塊頭Hash值按時序排列將相鄰區(qū)塊首尾連接組成區(qū)塊鏈[13-14],其區(qū)塊結構如圖4所示。

圖4 區(qū)塊結構

采用哈希算法對區(qū)塊體存儲的漁業(yè)種質信息關鍵數(shù)據(jù)加密成不可逆轉的Hash值,并作為Merkle樹葉子節(jié)點,將兩兩葉子逐層遞歸哈希計算,生成區(qū)塊頭的Merkle樹根節(jié)點[15]。區(qū)塊通過Merkle樹特征、版本號、時間戳、區(qū)塊復雜度、數(shù)字簽名等措施[16],確保漁業(yè)種質信息難以篡改。若某節(jié)點篡改溯源關鍵數(shù)據(jù),通過區(qū)塊Hash值比對,可快速追蹤該節(jié)點,從而保障了漁業(yè)種質資源管理系統(tǒng)數(shù)據(jù)不可偽造、安全可信。

2.2 “On-Chain+Off-Chain”雙模式存儲策略

漁業(yè)種質資源數(shù)據(jù)具有數(shù)據(jù)分布廣、連接方式各異、缺乏統(tǒng)一的標準等特征,在種質確權過程中,隨著接入節(jié)點增加和數(shù)據(jù)量的增大,若每次都把各節(jié)點所有數(shù)據(jù)全部上傳到區(qū)塊鏈網絡中,不僅上傳速度慢易造成網絡阻塞,導致區(qū)塊鏈網絡中各節(jié)點數(shù)據(jù)存儲壓力大,查詢效率低,數(shù)據(jù)安全隱患大,還對數(shù)據(jù)存儲系統(tǒng)的設備性能和投入成本都提出較高的要求,影響了基于區(qū)塊鏈的種質資源確權系統(tǒng)的實施。

為此,該文提出了“On-Chain+Off-Chain”漁業(yè)種質資源可信確權信息協(xié)同管理存儲策略,其基本思想為:首先,對種質數(shù)據(jù)提供方各節(jié)點產出的數(shù)據(jù)進行資質審核與標準化和規(guī)范化;其次,采用智能合約對各節(jié)點規(guī)范化后的詳細數(shù)據(jù)進行驗證,把通過驗證的大部分漁業(yè)種質資源數(shù)據(jù)和區(qū)塊鏈位置信息存儲在本地或云服務器上的關系型和非關系型數(shù)據(jù)庫中;然后,將漁業(yè)種質確權關鍵信息使用MD5對局部數(shù)據(jù)和持有人簽名一起計算上鏈,并在鏈下建立索引,在鏈上僅進行Key-Value的精確讀寫。同時為了保證智能合約的隱私性,在必要的情況下智能合約可以采用鏈下存儲,使用計算節(jié)點進行合約的計算記錄,共識節(jié)點記錄合約的狀態(tài)記錄;對于鏈下種質數(shù)據(jù)的存儲要盡可能地詳盡,鏈上經哈希算法計算過的數(shù)據(jù)要盡可能地精簡,上鏈存儲的數(shù)據(jù)一定是經過共識的,因此該協(xié)同管理存儲策略能很靈活地應對網絡擁塞、傳輸時延等的影響。對于鏈上數(shù)據(jù)的快速查詢達到了效率、成本以及隱私安全的平衡。設計的漁業(yè)種質資源可信確權信息協(xié)同管理存儲模型如圖5所示。

圖5 漁業(yè)種質資源確權安全區(qū)塊溯源信息協(xié)同管理存儲模型

協(xié)同管理存儲模型中,鏈下存儲的數(shù)據(jù)為當前區(qū)塊高度、當前Hash值。其中,當前Hash值是集當前的版本號、前區(qū)塊Hash值、時間戳、隨機數(shù)以及默克爾樹所包含所有事務的Hash值等各項信息經MD5哈希算法處理之后得到的結果。鏈下存儲著由鏈上數(shù)據(jù)共同參與哈希計算產生的Hash值,鏈上分布式賬本記錄著所有的原始數(shù)據(jù),塊與塊相連接,每一塊的當前Hash值都有前一區(qū)塊的Hash值參與計算完成,默克爾樹的根Hash值無法篡改。

2.3 RabbitMQ消息隊列

RabbitMQ是實現(xiàn)高級消息隊列協(xié)議(AMQP)的開源消息代理軟件,基于信道方式傳輸數(shù)據(jù),支持高并發(fā)業(yè)務場景,具有易用、可擴展與高可靠等特性,可實現(xiàn)應用解耦、異步請求處理、流量削峰等功能。

該文采用RabbitMQ消息隊列技術,實現(xiàn)海量數(shù)據(jù)的實時傳輸和流量限流與削峰功能。利用RabbitMQ集群作為小型氣象站與水質監(jiān)測儀等硬件設備產生數(shù)據(jù)接入系統(tǒng)的消息總線,將預處理后的設備數(shù)據(jù)傳入Redis緩存數(shù)據(jù)庫中或發(fā)布給算法模型進行預測。

2.4 Elasticsearch分布式搜索引擎

Elasticsearch(ES)是一個分布式、高實時、高可擴展的搜索與數(shù)據(jù)分析引擎,可使大量數(shù)據(jù)具有搜索和分析的能力;提供可擴展的搜索,支持近乎實時地存儲、檢索數(shù)據(jù);具有分布式集群、分片存儲、數(shù)據(jù)恢復、集群容災與負載均衡等特點,支持同時部署上百臺服務器,可處理PB級別海量數(shù)據(jù)。

通過搭建ES搜索引擎分布式服務,將海量漁業(yè)疾病數(shù)據(jù)索引,按照指定條件實時搜索,實現(xiàn)海量疾病數(shù)據(jù)實時存儲與檢索功能。

2.5 知識圖譜技術

知識圖譜本質是一種以結構化的形式描述客觀世界中存在的各種實體、概念及其關聯(lián)關系的技術,常用表達方式是<實體,屬性,屬性值>或<實體,關系,實體>,形式化表示為G=(E,R,S),其中,E={e1,e2,e3…}表示實體集合,R={r1,r2,r3…}表示關系集合,S={s1,s2,s3…}表示所有三元組集合,且S?E×R×E。

該系統(tǒng)的漁業(yè)疾病知識圖譜功能模塊構建過程包括知識抽取、知識表示、知識融合與知識推理四大環(huán)節(jié):

(1)知識抽取可分為實體抽取、關系抽取與屬性抽取,且前兩者為構建知識圖譜的關鍵任務。知識抽取的目的是從海量異構的疾病數(shù)據(jù)中自動抽取出與漁業(yè)疾病相關的知識,并將其組織成結構化的知識庫,以支持知識的查詢與應用。

(2)知識表示環(huán)節(jié)是知識獲取與應用的基礎,通過將抽取出來的知識以適合圖譜表示的形式進行展示,實現(xiàn)提升知識圖譜的認知與推理能力。

(3)知識融合技術可分為本體匹配、實體對齊與實體鏈接三部分,該環(huán)節(jié)以知識抽取為基礎,將已抽取的近義實體進行清理與鏈接、統(tǒng)一語義表示與清理冗余數(shù)據(jù),并將正確知識更新到數(shù)據(jù)庫,確保數(shù)據(jù)質量要求。考慮到本體集成步驟較為復雜,且耗費大量人力物力,故該文采用基于實例的機器學習方法解決異構本體映射問題;采用成對實體對齊,將實體對齊建模為帶約束的二分類問題,充分利用實體名、屬性、描述文本以及時間、數(shù)值等關鍵信息,將多維特征空間劃分為2個視圖,引入半監(jiān)督協(xié)同算法分別在2個視圖上訓練分類器,迭代學習同義實體分布情況。

(a)知識庫映射到向量空間

(b)關系推理

(4)知識推理是通過已學習到的舊知識推斷未學習到的新知識的過程,包含“思考-認知-理解-創(chuàng)新-思考”的循環(huán)過程,該系統(tǒng)采用神經張量網絡模型(Neural Tensor Network,NTN)建模實體關系信息,通過雙線性張量層實現(xiàn)實體和關系數(shù)據(jù)的高維表示,從而將2個實體向量跨多維聯(lián)系起來。

在NTN中,實體向量與關系向量都被表示為高維張量,作為模型的輸入,并通過雙線性張量層實現(xiàn)兩者之間的聯(lián)系,形成一個多維的張量空間,兩個實體向量可以通過該多維張量空間的線性變換實現(xiàn)聯(lián)系。通過模型訓練與模型評估后,將模型應用于知識圖譜的構建與知識推理中,實現(xiàn)有效挖掘海量漁業(yè)疾病數(shù)據(jù)中隱藏的關聯(lián)關系。NTN網絡中的關系建模如圖6所示。

3 系統(tǒng)實現(xiàn)

根據(jù)數(shù)據(jù)性質的不同,系統(tǒng)采用關系型數(shù)據(jù)庫MySQL,非關系型數(shù)據(jù)庫Redis、Neo4j、CouchDB,以及分布式搜索引擎Elasticsearch五種數(shù)據(jù)庫來進行數(shù)據(jù)存儲與管理。系統(tǒng)數(shù)據(jù)庫實現(xiàn)如圖7所示。五種數(shù)據(jù)庫特性比較如表1所示。

圖7 數(shù)據(jù)庫實現(xiàn)框圖

服務層基于Java語言,采用Spring Cloud等框架開發(fā);應用層為采用Vue.js框架搭建的Web平臺。

4 系統(tǒng)測試

該系統(tǒng)收錄的漁業(yè)種質資源數(shù)據(jù)來自廣東海洋大學水生生物博物館及臺灣魚類資料庫等權威機構與平臺,總數(shù)據(jù)量達萬條。使用壓力測試工具Apache JMeter進行系統(tǒng)功能與性能測試。

4.1 系統(tǒng)功能測試

通過使用自動化測試工具JMeter對應用層Web平臺進行功能測試,將測試過程中服務端返回的所有結果生成匯總報告并保存,通過對匯總報告進行業(yè)務驗證,檢測系統(tǒng)各功能模塊是否實現(xiàn)及其運行效果。

進行了5次系統(tǒng)全功能測試以及多次隨機UI測試,未發(fā)現(xiàn)致命性及嚴重性的系統(tǒng)缺陷。匯總報告通過業(yè)務驗證且滿足業(yè)務需求,表明系統(tǒng)在功能層面上滿足用戶需求。

4.2 系統(tǒng)性能測試

性能測試是指通過自動化的測試工具模擬多種正常、異常以及峰值負載條件來對系統(tǒng)的各項性能指標進行測試,其在軟件的質量保證中起著重要的作用。通過JMeter測試工具,模擬200個用戶在1秒內同時發(fā)起請求,持續(xù)時長為60秒,對系統(tǒng)執(zhí)行高并發(fā)性能測試。實驗結果表明,漁業(yè)種質資源管理系統(tǒng)在性能上滿足實時性要求。

4.2.1 種質資源確權管理性能測試

采用軟件測試工具模擬200個用戶并發(fā)執(zhí)行查看區(qū)塊鏈上種質數(shù)據(jù)的操作,在單獨場景下各個關鍵節(jié)點負載情況與客戶端響應情況均在正常范圍內。測試結果中,每秒成功事務數(shù)、每秒失敗事務數(shù)與事務響應時間(TRT)指標數(shù)值可視化如圖8所示。

(a)每秒成功事務數(shù)(STPS)

(b)每秒失敗事務數(shù)(FTPS)

(c)事務響應時間(TRT)

實驗結果表明,區(qū)塊鏈種質資源管理功能模塊在200并發(fā)下系統(tǒng)吞吐量為51.0/秒,正常響應時間不超過11秒,錯誤率不超過1%。由于測試過程中網絡環(huán)境不穩(wěn)定及服務器系統(tǒng)資源不足,導致12 000個測試用例中存在18個失敗事務。為了降低上述因素帶來的負面影響,考慮使用穩(wěn)定的網絡連接、優(yōu)化網絡環(huán)境、增加網絡帶寬以及使用可靠的網絡測試工具等策略。

(a)每秒成功事務數(shù)(STPS)

(b)事務響應時間(TRT)

4.2.2 疾病圖譜檢索業(yè)務性能測試

通過壓力測試工具模擬高并發(fā)業(yè)務場景下執(zhí)行查看漁業(yè)疾病知識圖譜的操作,觀察單獨場景下各個關鍵檢查點的負載情況、客戶端響應情況,實驗結果顯示各項指標均在正常范圍內。壓力測試結果指標中,每秒成功事務數(shù)與事務響應時間(TRT)指標數(shù)值可視化如圖9所示。

實驗結果表明,漁業(yè)疾病知識圖譜模塊頁面操作在200并發(fā)下系統(tǒng)正常響應時間不超過6秒,錯誤率不超過0.5%。由于知識圖譜功能模塊的圖譜節(jié)點數(shù)量較大,使得服務器系統(tǒng)資源不足,導致測試用例中存在5個失敗事務。

為了降低上述因素給系統(tǒng)帶來的負面影響,提高系統(tǒng)的性能和穩(wěn)定性,可以考慮采取以下一些措施:①分庫分表,將圖譜數(shù)據(jù)按照某種規(guī)則分庫分表,減少單個數(shù)據(jù)庫或數(shù)據(jù)表的數(shù)據(jù)量;②緩存數(shù)據(jù),減少對數(shù)據(jù)庫的讀寫操作;③優(yōu)化查詢語句;④增加系統(tǒng)資源等。

5 結束語

從實際應用出發(fā),根據(jù)漁業(yè)種質資源可信確權與安全共享的需要,提出了可信確權區(qū)塊模型結構與“On-Chain+Off-Chain”區(qū)塊鏈溯源信息鏈上鏈下雙鏈協(xié)同管理存儲模型,設計了一種基于區(qū)塊鏈和知識圖譜的漁業(yè)種質資源管理系統(tǒng),實現(xiàn)了去中心化、透明化的漁業(yè)種質資源安全共享,解決了復雜數(shù)據(jù)量存儲與數(shù)據(jù)泄露篡改問題,有助于漁業(yè)種質資源數(shù)據(jù)的高效利用和發(fā)展。

此外,通過知識抽取、知識表示、知識融合與知識推理等技術,構建漁業(yè)疾病知識圖譜模型,實現(xiàn)數(shù)據(jù)管理與數(shù)據(jù)挖掘功能,有效解決了以下兩個問題:

(1)疾病知識集成管理。通過知識圖譜模型,將漁業(yè)疾病相關信息從不同數(shù)據(jù)源中提取、整合與清理,構建統(tǒng)一的疾病信息庫,實現(xiàn)漁業(yè)疾病信息的集成管理。

(2)疾病診斷智能輔助。通過構建知識圖譜模型,將不同層次的疾病知識進行融合,實現(xiàn)疾病認知與理解,提供疾病診斷智能輔助功能,為漁民和漁業(yè)管理部門提供科學指導依據(jù)。

因此,漁業(yè)疾病知識圖譜的構建,不僅可以更好地管理漁業(yè)疾病信息,還可以提高漁業(yè)疾病的診斷水平,為漁業(yè)健康可持續(xù)發(fā)展提供強有力支持。