产业链风险评估预警是有效保护产业链上下游公司利益和减轻公司风险的重要措施。然而，现有方法由于忽视了产业链上下游公司之间的传播效应和公司信息的不透明性，无法准确评估公司风险，且忽略了动态财务数据对产业链的影响，无法提前感知风险，进行风险预警。针对以上问题，提出一种结合层次图（HG）神经网络与长短期记忆（LSTM）的产业链风险评估预警模型（HiGNN）。首先，利用产业链上下游关系和投融资关系构建“产业链-投资”HG；其次，利用财务特征提取模块提取公司多季度财务数据的特征；再次，利用投资特征提取模块提取投资关系图特征；最后，利用注意力机制融合财务特征和投资特征，通过图表示学习方法对公司节点进行风险分类。在真实的集成电路制造业数据集上的实验结果表明，与图注意力网络（GAT）模型、循环神经网络（RNN）模型相比，当训练比率为60%时，所提模型的准确率分别提升了14.87%、22.10%，F1值提升了12.63%、16.67%。所提模型能够有效捕捉产业链中的传染效应，提高风险识别能力，优于传统的机器学习方法和图神经网络方法。

针对存储原因所导致的区块链技术难以在大型业务场景应用的问题，提出了一种基于门限秘密共享的区块链分片存储模型。首先由共识节点使用改进的Shamir门限，将要上链的交易数据进行分片处理；其次，共识节点基于分片数据构造不同的区块，并分发给现存于区块链网络中的其他节点进行存储；最后，当节点要读取交易数据时，在从分发到交易数据分片的n个节点中的k个节点请求数据，并利用拉格朗日插值算法进行交易数据的恢复。实验结果表明，该模型在保证了上链数据安全性、可靠性、隐私性的同时，每个节点的数据存储量约为传统存储方法的1/（k-1），从而有利于区块链技术在大型业务场景的应用。