1.基于区块链的节点管理方法，其特征在于，所述方法包括：

S1、判断是否到达巡查周期，若是，则计算普通节点安全分数K，并将安全分数K大于安全分数阈值K0的普通节点写入第一巡查名单，将第一巡查名单的普通节点加入第一智能合约，通过第一深度强化学习模型对超级节点参与的交易数据进行风险检测后生成第一风险清单；

S2、计算验证节点信用分数Q，并将信用分数Q大于信用分数阈值Q0的验证节点写入第二巡查名单，将第二巡查名单的验证节点加入第二智能合约，通过第二深度强化学习模型对超级节点参与的交易数据进行风险检测后生成第二风险清单；

S3、判断第一风险清单和第二风险清单是否具有重复名单，若是，判断重复名单数N是否超过重复阈值N0，当重复名单数N≥重复阈值N0时，将重复名单对应的超级节降级为普通节点，同时按安全分数K优先级将同等数量的普通节点升级为超级节点，将剩余超级节点降级为验证节点，同时按信用分数Q优先级将同等数量的验证节点升级为超级节点；

S4、若未到达巡查周期，将超级节点加入第三智能合约，并基于第三智能合约发放奖励，所述第三智能合约包括：若交易的普通节点的风险度F＜风险阈值F0，则直接向生成新区块的超级节点发放奖励；若交易的普通节点的风险度F≥风险阈值F0，在超级节点生成新区块后，对超级节点生成奖励标识，在下一巡查周期结束时，判断超级节点是否发生降级，若未发生降级，则对具有奖励标识的超级节点发放奖励，若发生降级，则取消奖励标识，并将奖励扣留；

所述方法还包括：

S31、当0＜当重复名单数N＜重复阈值N0时，将重复名单对应的超级节降级为普通节点，且根据第一风险清单对相应超级节点进行一次标记，根据第二风险清单对相应超级节点进行二次标记，将标记次数M≥标记次数阈值M0的超级节点降级为验证节点，按信用分数Q优先级将相应数量的验证节点升级为超级节点保持超级节点数量不变，按安全分数K优先级将相应数量的普通节点升级为验证节点保持验证节点数量不变；

S32、当第一风险清单和第二风险清单不具有重复名单，根据第一风险清单对相应超级节点进行一次标记，根据第二风险清单对相应超级节点进行二次标记，将标记次数超过标记次数阈值的超级节点降级为验证节点，按信用分数Q优先级将等同数量的验证节点升级为超级节点，按安全分数K优先级将等同数量的普通节点升级为验证节点；

所述超级节点参与的交易数据为超级节点负责出块的交易双方任一方的交易数据，所述交易数据包括单日交易次数、单日数字资产交易额度、巡查周期内的交易总次数、巡查周期内数字资产的交易总额度、巡查周期内首次交易的节点数量和巡查周期内首次交易的数字资产的交易额度，所述第一深度强化学习模型的构建方法具体包括：获取所述交易数据，添加风险标签和正常标签，构建获得训练集数据和验证集数据；

训练深层神经网络的作为强化学习的代理器，接收训练集数据，并根据更新策略π生成标签的概率；定义更新策略π：π(a|s)＝Pr(at＝a|st＝s)，其中，Pr为状态转移的概率，at为当前行为，st为当前状态；

通过强化学习的代理器对训练样本训练来预测标签，从而达到累积奖励的最大化；其中，定义奖励函数Rc： 其中，γ为预设的折现因子，0＜γ＜1，r为奖励值，t为当前时刻，k为常数，k＝1，2，...∞；

π

将每一对状态和更新动作对(s，a)与一个Q值函数相关联；其中，定义Q函数，Q (s,a)＝Eπ[Rc|(st＝s|at＝a)]，其中，E为迭代次数；

*

选择动作a，动作策略采用ε‑贪婪策略，通过Q值迭代找到最优的更新策略π：

*

其中，Q为最优函数；

将(s1，at，rt，st+1)存储在经验回放存储器Ω中，若经验回放存储器Ω中的记录达到一定数量后，每个训练步骤从经验回放存储器Ω中采样，采样的每条记录记为(sj，aj，rj，sj+1)，对于每条记录，计算目标值y和损失函数L(θ)，并更新卷积神经网络参数θ；其中，定义损失函数L(θ)： Bm为经验回放存储器Ω内的总记录，Q(s,a,θk)表示卷积神经网络输出的Q值；

定义目标值y， 其中r为奖励值，j

为经验回放存储器Ω内的一个样本，γ为预设的折现因子，T和F为布尔值；

通过验证集数据对训练获得的第一深度强化学习模型进行验证，达到预设要求后，基于第一强化学习模型对所述交易数据进行学习，基于学习结果生成带有危险标识或者安全标识的超级节点，并将带有危险标识的超级节点加入第一风险清单；

所述第二深度强化学习模型为的构建方法具体包括：

获取所述交易数据，添加风险标签和正常标签，构建获得训练集数据和验证集数据；

构建风险识别主干网络，使用一个在ImageNet上预先训练过的ResNet‑50作为主干网络，并修正进行提取基础特征张量；

利用交叉熵损失函数进行分类；其中，定义交叉熵损失函数Lcross：

其中，nb为批大小，每次取多少个样本数据喂进网络，y为输

入数据的真实标签，pi(y)为第i个输入数据真实标签的预测概率；

利用三元组损失函数进行相似度学习，得到训练模型；其中，定义三元组损失函数Ltri：其中nb为批大小，每次取多少个样本数据喂进网络，xa

为初始样本，xp为与xa同一类别的正样本，xn为与xa不同类别的负样本，D为欧氏距离，m为阈值参数；

计算联合损失Ltotal：Ltotal＝Lcross+Ltri；

定义奖励函数Rt： 其中， 为二进制反馈，

为到时间t时所获得的正样本批次， 为到时间t时所获得的负样本批

次， 为两个样本gk和xi之间马氏距离， 为两个样本gk和xj之间马氏距离，m为阈值参数；

定义Q函数： 其中，E为迭代次数，π为更

新策略，st为当前状态，At为当前行为；

*

选择Q值最大的动作直接推断最优策略π；

通过验证集数据对训练获得的第二深度强化学习模型进行验证，达到预设要求后，基于第二深度强化学习模型对所述交易数据进行预测，基于预测结果生成带有危险标识或者安全标识的超级节点，并将带有危险标识的超级节点加入第二风险清单；

所述S1中节点安全分数K的计算公式为：

其中，K表示安全分数，x表示节点发起交易的总次数，y表示节点在当前巡查周期内的发起交易的次数，z表示同一超级节点参与节点交易出块的总次数，u表示同一验证节点参与节点交易验证的总次数，ta表示降级为普通节点的时间，tb表示升级为验证节点的时间，tc表示升级为超级节点的时间，a表示降级为普通节点的次数，b表示升级为验证节点的次数，c表示升级为超级节点的次数，A1、B1、C1、A2、B2、C2分别表示权重且A1＜B1＜C1、A2＞B2＞C2，θ表示普通节点的异常累计次数，所述异常包括被举报、共识失败、数据同步失败、网路通信异常或数据库存储异常，α和β表示调节系数，满足α,β∈[0,1]且α+β＝1；

所述S2中验证节点信用分数Q的计算公式为：

其中，Q表示验证节点的信用分数， 表示升级验证节点前普通节点的安全分数的平均值，δ表示验证节点验证准确次数， 表示验证节点验证总次数，η表示验证节点参与同一超级节点验证的最高次数，Υ表示调节系数，θ表示验证节点的异常次数，所述节点异常包括被举报、验证失败、共识失败、数据同步失败、网路通信异常或数据库存储异常；

所述S4中风险度F的计算公式为：

其中， F为交易双方普通节点a与普通节点b之间风险度，Ka为普通节点a

的安全分数，Kb为普通节点b的安全分数。

2.根据权利要求1所述的方法，其特征在于，所述第一智能合约包括：第一巡查名单的普通节点通过第一深度强化学习模型对超级节点进行风险检测，生成带有时间戳的检测结果，其他普通节点在接收到检测结果后停止风险检测，向完成监测的普通节点发放第一奖励，所述第一奖励获取于三分之一的扣留的奖励；将第一深度强化学习模型的更新权限约束为第一巡查名单的普通节点，更新第一深度强化学习模型。

3.根据权利要求1所述的方法，其特征在于，所述第二智能合约包括：第二巡查名单的验证节点通过第二深度强化学习模型对超级节点进行风险检测，生成带有时间戳的预测结果，其他验证节点在接收到预测结果后停止风险检测，向完成监测的验证节点发放第二奖励，所述第二奖励获取于三分之二的扣留的奖励；将第二深度强化学习模型的更新权限约束为第二巡查名单的验证节点，更新第二深度强化学习模型。

4.一种利用权利要求1所述的方法的基于区块链的节点管理系统，其特征在于，包括：第一巡查模块，用于判断是否到达巡查周期，若是，则计算普通节点安全分数K，并将安全分数K大于安全分数阈值K0的普通节点写入第一巡查名单，将第一巡查名单的普通节点加入第一智能合约，通过第一深度强化学习模型对超级节点参与的交易数据进行风险检测后生成第一风险清单；

第二巡查模块，用于计算验证节点信用分数Q，并将信用分数Q大于信用分数阈值Q0的验证节点写入第二巡查名单，将第二巡查名单的验证节点加入第二智能合约，通过第二深度强化学习模型对超级节点参与的交易数据进行风险检测后生成第二风险清单；

处理模块，用于判断第一风险清单和第二风险清单是否具有重复名单，若是，判断重复名单数N是否超过重复阈值N0，当重复名单数N≥重复阈值N0时，将重复名单对应的超级节降级为普通节点，同时按安全分数K优先级将同等数量的普通节点升级为超级节点，将剩余超级节点降级为验证节点，同时按信用分数Q优先级将同等数量的验证节点升级为超级节点；

还用于判断当0＜当重复名单数N＜重复阈值N0时，将重复名单对应的超级节降级为普通节点，且根据第一风险清单对相应超级节点进行一次标记，根据第二风险清单对相应超级节点进行二次标记，将标记次数M≥标记次数阈值M0的超级节点降级为验证节点，按信用分数Q优先级将相应数量的验证节点升级为超级节点保持超级节点数量不变，按安全分数K优先级将相应数量的普通节点升级为验证节点保持验证节点数量不变；还用于判断当第一风险清单和第二风险清单不具有重复名单，根据第一风险清单对相应超级节点进行一次标记，根据第二风险清单对相应超级节点进行二次标记，将标记次数超过标记次数阈值的超级节点降级为验证节点，按信用分数Q优先级将等同数量的验证节点升级为超级节点，按安全分数K优先级将等同数量的普通节点升级为验证节点；

奖励发放模块，用于若未到达巡查周期，将超级节点加入第三智能合约，并基于第三智能合约发放奖励，所述第三智能合约包括：若交易的普通节点的风险度F＜风险阈值F0，则直接向生成新区块的超级节点发放奖励；若交易的普通节点的风险度F≥风险阈值F0，在超级节点生成新区块后，对超级节点生成奖励标识，在下一巡查周期结束时，判断超级节点是否发生降级，若未发生降级，则对具有奖励标识的超级节点发放奖励，若发生降级，则取消奖励标识，并将奖励扣留。