CN101399683B - 一种信誉系统中的信誉计算方法 - Google Patents

Abstract

本发明公开了一种信誉系统的信誉计算方法，包括：节点i向需计算信誉的节点j的周围节点发送请求，询问周围节点对节点j的评价；周围的节点返回评价；根据每个评价节点的偏离度和偏离度的可靠度，节点i修正评价节点给出的评价；节点i把自己与服务节点j的实际经验与修正后的评价节点的评价融合，计算出最后的信誉。通过应用本发明，使得信誉系统对善意节点的干扰变得极小，对恶意节点的识别滤除率升高，使得计算出的信誉值不受恶意节点的影响，从而大幅度提高了信誉系统的可用性和可靠性。

Description

一种信誉系统中的信誉计算方法 

技术领域

本发明涉及计算机网络信任管理领域，尤其涉及一种信誉系统中的信誉计算方法。 

背景技术

在分布式网络环境中，互不相识的主体之间经常需要进行交互以完成某项服务，诸如进行交易(网络拍卖)、资源下载(点对点文件传输)、网格计算等，服务中的主体的身份可以分为请求者与服务者。当一个请求者面临多个可供选择的服务者时，请求者如何确定一个可信、可靠的服务者(例如在交易中选择诚实的商家、在资源下载中选择上传速度稳定并且不含木马的上传节点、在网格计算中选择性能可靠并且稳定的网格节点)并与之交互，已经成为分布式网络环境中亟待解决的问题。 

信誉(Reputation，也称声望)，是指一个集体对一个个体的某种特性的一般评价。一般认为实体的信誉依赖于实体在系统中的行为表现，并由其他节点的评价聚合而成。 

信誉系统现已广泛应用于在线贸易的商家评定、P2P文件传输的上传节点选择、网格计算等多个领域。但目前信誉系统仍面临着多种攻击，如：免费搭车(Free riding)现象、评价的正向偏移、不实评价(虚夸，诋毁)、身份变更、节点品质随时间变化、辨识身份区分服务和评价量畸大等。 

其中，不实评价，指的是评价者在对某服务提供者进行评价时，做出了与事实不符的评价，从而达到其私利目的，如虚夸和诋毁等。前者指评价者做出比真实值更好的评价以抬高服务提供者信誉，后者指评价者做出比真实值更差的评价以降低服务提供者信誉。不实评价的存在，使得对服务提供者的信誉值计算准确度大大降低，从而降低了信誉系统的可用性。

信誉系统用户结合评价者的评价获得服务提供者的信息，可解决分布式开放环境中交互双方完全互不了解的问题，通过环境中其他节点获得待考察节点的一些相关信息。但是，信誉系统将所有的节点均视为可信节点，从而恶意节点也可以通过提供错误的交互经验(不实评价)对系统发起攻击，这样，恶意节点可以依据自己的喜好肆意影响网络中其他节点的信誉值，使得计算出的信誉值失去使用价值，进而破坏系统的可用性、可靠性。 

发明内容

为克服现有信誉系统不区分节点类型而不能抵抗不实评价攻击的缺陷，本发明提出了一种信誉系统中的信誉计算方法，包含步骤： 

步骤10)、信誉计算者user_i首先向自身的周围节点发送请求，询问周围节点对服务提供者pro_j的评价； 

步骤20)、周围节点根据其与服务提供者pro_j的交互经验做出评价，并将评价返回给信誉计算者user_i，评价包括周围节点对服务提供者pro_j的偏离度和偏离度的可靠度<r_kj，Cr_kj>二者； 

步骤30)、信誉计算者user_i根据每个评价节点rator_k的偏离度和偏离度的可靠度修正评价节点rator_k返回的评价； 

步骤40)、信誉计算者user_i根据自身与服务提供者pro_j的交互经验和修正后的评价节点rator_k的评价，计算服务提供者pro_j的信誉值。 

其中，步骤30)进一步包括信誉计算者user_i计算每个评价节点rator_k的平均偏离度和平均偏离度的可靠度，包括步骤： 

步骤310)、构造一个服务提供者集合H_ik，所述集合内的服务提供者pro_j 均应满足两个条件：a)信誉计算者user_i与之有过直接交互经验；b)评价节点rator_k向信誉计算者user_i发送过对服务提供者pro_j的评价<r_kj，Cr_kj>； 

步骤320)、对集合H_ik内的每个服务提供者pro_j，计算评价节点rator_k给出的评价与信誉计算者user_i的直接交互经验之间的偏离度与偏离度的可靠度； 

步骤330)、根据步骤320)的计算结果，信誉计算者user_i计算一个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度C_Dik； 

步骤340)、根据步骤330)计算出的平均偏离度的可靠度C_Dik，对实际使用的平均偏离度D_ik进行调整。 

其中，步骤40)进一步包括： 

步骤410)、信誉计算者user_i根据每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度C_Dik，调整其给出的评价； 

步骤420)信誉计算者user_i将自身和服务提供者pro_j的直接交互经验与评价节点rator_k对服务提供者pro_j调整后的评价做平均，得到服务提供者pro_j 的信誉估计值。 

其中，步骤320)进一步包括：对集合H_ik内的每个服务提供者pro_j，计算评价节点rator_k给出的评价与信誉计算者user_i的直接交互经验之间的偏离度与可靠度，设评价节点rator_k对pro_j的评价为<r_kj，Cr_kj>，信誉计算者user_i根据自身的直接交互经验做出的对pro_j的评价为<r_ij，Cr_ij>，则： 

偏离度：D_ik，j＝|r_ij-r_kj| 

可靠度： $C_{D_{\mathrm{ik},j}}=\frac{{\mathrm{Cr}}_{\mathrm{ij}}{\mathrm{Cr}}_{\mathrm{kj}}}{{\mathrm{Cr}}_{\mathrm{ij}}+{\mathrm{Cr}}_{\mathrm{kj}}}.$

其中，步骤330)进一步包括：根据步骤320)的计算结果，信誉计算者user_i计算一个评价节点rator_k的平均偏离度和平均偏离度的可靠度， 

平均偏离度： $D_{\mathrm{ik}}=\frac{\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{D}_{\mathrm{ik},j}{C}_{D_{\mathrm{ik},j}}}{\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{C}_{D_{\mathrm{ik},j}}}$

平均偏离度的可靠度： $C_{D_{\mathrm{ik}}}=\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{C}_{D_{\mathrm{ik},j}}.$

其中，步骤340)进一步包括：根据步骤330)计算出的平均偏离度的可靠度 

对实际使用的平均偏离度进行调整， 

${\hat{D}}_{\mathrm{ik}}=\max (D_{\mathrm{ik}}-\frac{{\mathrm{\&theta;}}_1}{\sqrt{C_{D_{\mathrm{ik}}}}},0).$

其中，步骤410)进一步包括：信誉计算者user_i根据每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度 

调整其给出的评价为 

$r_{\mathrm{kj}}^m=r_{\mathrm{kj}}$

${\mathrm{Cr}}_{\mathrm{kj}}^m={\mathrm{Cr}}_{\mathrm{kj}}\&CenterDot;e^{-{\mathrm{\&theta;}}_2\&CenterDot;{\hat{D}}_{\mathrm{ik}}}.$

通过应用本发明，使得信誉系统对善意节点的干扰变得极小，对恶意节点的识别滤除率升高，使得计算出的信誉值不受恶意节点的影响，从而大幅度提高了信誉系统的可用性和可靠性。 

附图说明

图1是所有节点都为善意节点时系统的平均均方误差示意图； 

图2是所有节点都为善意节点时本发明与不用过滤系统的平均均方误差的比较示意图； 

图3是存在30％说谎节点时系统的平均均方误差示意图； 

图4是存在70％说谎节点时系统的平均均方误差示意图； 

图5是存在30％虚夸节点时系统的平均均方误差示意图； 

图6是存在70％虚夸节点时系统的平均均方误差示意图。 

具体实施方式

现有技术中，通过网络环境中其他节点获得待考察节点的相关信息，使用信誉系统可以解决分布式网络环境中交互双方完全互不了解的问题。 

信誉系统的信誉计算的基本原理如下所述： 

信誉系统中存在三种节点：服务提供者、评价者、信誉计算者； 

服务提供者：表示为pro_i(i为节点编号)，向评价者和信誉计算者提供服务或者资源； 

评价者：表示为rator_i(i为节点编号)，向服务提供者申请、享用服务，并且记录服务结果，又向信誉计算者提供其与服务提供者的交互历史与结果，并将该结果作为其对服务提供者的评价，用r_ij表示； 

信誉计算者：表示为user_i(i为节点编号)，向服务提供者申请服务、记录服务结果，又向评价者索取评价者对服务提供者的评价，来计算该服务提供者的信誉值； 

在实际信誉系统中，同一个节点往往具备评价者和信誉计算者双重身份(例如信誉计算者本身也可以给出对服务提供者的评价)，此时节点实际取何种身份，依赖于该节点在该次交互过程中所起的作用，可根据上下文来区分； 

对于某待考察的服务提供者pro_j，在大多数情况下，一个信誉计算者user_i与其仅有很少的直接交互经验，基于所述很少的直接交互经验得到的结果不足以判断该服务提供者是否为一个可信节点，因此需要利用信誉系 统中其他节点与该服务提供者的间接经验得到的结果，对pro_j的信誉值进行估算。此时，user_i先向邻近的评价者查询其对pro_j的评价(设user_i的邻近评价者节点集合为R_i)，然后将自身的直接经验与来自这多个评价者的评价{r_kj}融合，计算出pro_j的信誉值 

然而，信誉系统没有区分可信节点和恶意节点，使得恶意节点可以依据自己的喜好肆意影响网络中其他节点的信誉值，导致计算出的信誉值失去使用价值，进而破坏系统的可用性、可靠性。 

为了克服以上缺陷，实现对可信、可靠服务提供者的选择，本发明提出了一种信誉系统中可抵抗不实评价攻击的信誉计算方法，包括以下步骤： 

步骤10)在需要计算一个信誉不确定的服务节点(也成为服务提供者)pro_j的信誉时，信誉计算者user_i首先向自己的周围节点发送请求，询问周围节点对该服务节点pro_j的评价； 

步骤20)周围节点rator_k(周围节点在对服务提供者作出评价之后在系统中又称为评价节点rator_k)通过对服务节点pro_j申请并享用服务节点pro_j 提供的服务，返回对服务节点pro_j的评价，评价结果的形式为二元组<r_kj，Cr_kj>，其中，r_kj是评价节点rator_k对服务节点pro_j的评价值，代表评价节点rator_k评价的服务节点pro_j的信誉优劣程度，Cr_kj表示可靠度，代表评价节点rator_k对r_kj有把握的程度，通常，评价节点rator_k与服务节点pro_j之间的交互越多，会对服务节点pro_j越了解，所产生的可靠度越高。依应用领域不同，可靠度可定义为交互的次数，也可定义为交易的总金额或者其他形式； 

步骤30)信誉计算者user_i计算每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度C_Dik，平均偏离度D_ik描述了过去的user_i与rator_k在评价同一个服务提供者pro_j时，两者的评价所体现出来的一般偏离程度，而平均偏 离度的可靠度C_Dik则描述了对D_ik有把握的程度； 

user_i计算一个评价者rator_k的平均偏离度、平均偏离度的可靠度的步骤包括： 

步骤310)构造一个服务提供者集合H_ik，该集合内的服务提供者pro_j均应满足两个条件：a)user_i与之有过直接交互经验；b)rator_k向user_i发送过对pro_j的评价<r_kj，Cr_kj>； 

步骤320)对集合H_ik内的每个服务提供者pro_j，计算rator_k给出的评价与user_i的直接交互经验之间的偏离度与可靠度：设rator_k对pro_j的评价为<r_kj，Cr_kj>，user_i根据自身的直接交互经验做出的对pro_j的评价为<r_ij，Cr_ij>，则： 

偏离度：D_ik，j＝|r_ij-r_kj|                                  (1) 

可靠度： $C_{D_{\mathrm{ik},j}}=\frac{{\mathrm{Cr}}_{\mathrm{ij}}{\mathrm{Cr}}_{\mathrm{kj}}}{{\mathrm{Cr}}_{\mathrm{ij}}+{\mathrm{Cr}}_{\mathrm{kj}}}---\left(2\right)$

可靠度的结果用来体现偏离度的可靠性，可以通过其他类似公式或者原理获得，本发明所采用的是一种优选的计算方式。 

步骤330)由步骤320)的计算结果，user_i计算一个rator_k的平均偏离度和平均偏离度的可靠度： 

平均偏离度： $D_{\mathrm{ik}}=\frac{\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{D}_{\mathrm{ik},j}{C}_{D_{\mathrm{ik},j}}}{\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{C}_{D_{\mathrm{ik},j}}}---\left(3\right)$

平均偏离度的可靠度： $C_{D_{\mathrm{ik}}}=\underset{{\mathrm{pro}}_j\&Element;H_{\mathrm{ik}}}{\mathrm{\&Sigma;}}{C}_{D_{\mathrm{ik},j}}---\left(4\right)$

步骤340)根据步骤330)计算出的平均偏离度的可靠度C_Dik，对实际使用的平均偏离度进行调整： 

${\hat{D}}_{\mathrm{ik}}=\max (D_{\mathrm{ik}}-\frac{{\mathrm{\&theta;}}_1}{\sqrt{C_{D_{\mathrm{ik}}}}},0)---\left(5\right)$

平均偏离度可以通过其他类似公式或者原理获得，本发明所采用的是一种优选的计算方式。 

步骤40)user_i根据每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度C_Dik，调整其给出的评价<r_kj，C_kj>，使得平均偏离度大的节点给出的评价的重要性被降低，从而达到过滤不实评价的效果； 

对评价者给出评价的调整方法为： 

$r_{\mathrm{kj}}^m=r_{\mathrm{kj}}---\left(6\right)$

$c_{\mathrm{kj}}^m=c_{\mathrm{kj}}\&CenterDot;e^{-{\mathrm{\&theta;}}_2\&CenterDot;{\hat{D}}_{\mathrm{ik}}}$

即对评价值不做改动，对评价的可靠性进行调整，使得：平均偏离度大的节点其评价的可靠性降低较多，平均偏离度小的节点其评价的可靠性降低较少，平均偏离度为0的节点评价保持不变。 

上式中θ₁、θ₂为两个可供调整的参数，其中θ₁的取值可以影响识别恶意节点的误识率与漏识率：θ₁越大，则善意节点较难被错误地识别为恶意节点，恶意节点却容易被错误地判定为善意节点；θ₁越小，则恶意节点较难被错误地识别为善意节点，善意节点却容易被错误地判定为恶意节点；θ₂的取值决定计算结果对偏离度的敏感程度：θ₂越大，系统对偏离度越敏感；θ₂ 为0，系统退化到不使用过滤算法进行调整的简单系统；一个经验取值范围为θ₁～(1，3)，θ₂～(0，100)，经试验测定优选地取值为θ₁＝2，θ₂＝40。 

评价的调整可以通过其他类似公式或者原理获得，本发明所采用的是一种优选的计算方式。 

步骤50)user_i将自身与pro_j的直接经验与调整后的评价以可靠性为权重做加权平均，计算出服务提供者pro_j的信誉估计值。 

这种平均为本发明的一种优选方式，根据user_i与pro_j的直接经验与调整 后的评价可以使用多种公式或者原理获得服务提供者pro_j的信誉估计值。 

当可靠度定义为交互的次数时，下面对本发明的方法做进一步的说明。 

设服务者的服务结果可用好、坏二值表示，则服务提供者j的信誉值可定义为其提供好服务的概率P_j。评价者k与之经过若干此次交互后，交互历史可以用<good_kj，bad_kj>二元组表示；其中，good_kj代表rator_k与pro_j交互历史中成功的次数，bad_kj代表失败的次数。则评价值公式可定义为  $r_{\mathrm{kj}}=\frac{{\mathrm{good}}_{\mathrm{kj}}}{{\mathrm{good}}_{\mathrm{kj}}+{\mathrm{bad}}_{\mathrm{kj}}},$ 可靠性公式可定义为C_kj＝good_kj+bad_kj。 

当user_i需要计算pro_j的信誉时： 

1、user_i向一组已知的评价节点rator_k发出询问请求(设该组评价节点集合为R_i)； 

2、评价节点组rator_k返回对pro_j的评价，rator_k返回的评价形式为二元组<r_kj，C_kj>； 

3、user_i收到若干个评价节点返回的形如<r_kj，C_kj>的评价； 

4、user_i根据式(1)-(4)，计算出每个评价者k的平均偏离度D_ik及平均偏离度的可靠度C_Dik； 

5、user_i根据式(5)，使用平均偏离度的可靠度C_Dik调整平均偏离度D_ik，得到实际使用的平均偏离度 

6、user_i根据式(6)，对rator_k的评价进行调整，得到调整后的评价<r_kj ^m，C_kj ^m>； 

7、user_i把调整后的评价<r_kj ^m，C_kj ^m>与自身的经验<good_kj，bad_kj>依据评价的可靠度进行融合，得到总的经验<GOOD_ij，BAD_ij>，融合方法为： 

${\mathrm{GOOD}}_{\mathrm{ij}}={\mathrm{good}}_{\mathrm{ij}}+\underset{{\mathrm{rator}}_k\&Element;R_i}{\mathrm{\&Sigma;}}{r}_{\mathrm{kj}}^m\&CenterDot;C_{\mathrm{kj}}^m,$ ${\mathrm{BAD}}_{\mathrm{ij}}={\mathrm{bad}}_{\mathrm{ij}}+\underset{{\mathrm{rator}}_k\&Element;R_i}{\mathrm{\&Sigma;}}(1-r_{\mathrm{kj}}^m)\&CenterDot;C_{\mathrm{kj}}^m;$

8、user_i根据得到的总经验<GOOD_ij，BAD_ij>，利用贝叶斯估计方法，求出pro_j 的信誉估计值 

${\hat{P}}_{\mathrm{ij}}^a=\frac{{\mathrm{GOOD}}_{\mathrm{ij}}+1}{{\mathrm{GOOD}}_{\mathrm{ij}}+{\mathrm{BAD}}_{\mathrm{ij}}+2}.$

为说明系统性能的改进，对本发明所述方法进行仿真试验： 

仿真系统中设置有41个服务提供者，其真实信誉值为：[0，0.025，0.05，......0.975，1]；10个评价者，平均每个评价者与每个服务提供者之间进行了20次交互；一个信誉计算者，其与每个服务提供者之间的交互次数从1一直到40。每次交互后，信誉计算者都对41个服务提供者的信誉值使用本发明所述的方法进行计算；对计算结果，用计算出的信誉值与真实值之间的平均均方误差衡量其准确性，仿真结果绘图如图1-图6所示。 

图1、图2描述所有节点均为善意节点时系统的性能，可以看到，使用本发明所述的方法，系统的平均均方误差稍有升高，但绝对值升高在0.002以内，相对值升高幅度在7％以内，其影响极小，可以忽略； 

图3、图4描述当存在说谎节点时系统的性能比较，这里的说谎节点的行为设定为其评价与真实经验相反，即把成功的交互视为失败的交互，把失败的交互视为成功的交互。 

图5、图6描述当存在虚夸节点时系统的性能比较，虚夸节点的行为设定为：虚夸节点做出的评价中，成功的交互次数比真实值增加了总交互次数的四分之一，失败的交互次数比真实值减少了总交互次数的四分之一。 

从图3-图6可以看出，本发明有效地过滤了恶意节点的评价，相对于没有使用本发明的没有过滤操作的系统，其平均均方误差有了极大地降低。在稳定后，与将所有恶意节点人工滤除的系统相比，其平均均方误差相当接近。即使在恶意节点占绝对优势的恶劣环境中(70％节点均为恶意节点)，本发明也体现出同样出色的过滤效果。可见，本发明大大提高了信誉计算 的准确性，提高了系统在存在不实评价攻击时的可用性。 

通过应用本发明，(1)使得信誉系统对善意节点的干扰变得极小，几乎不会将善意节点误识别成恶意节点而过滤，另外使得该系统在良好的环境中的性能与不使用过滤的普通系统性能一致，即该系统过滤机制的加入不会导致正常情况下系统性能的降低；(2)使得该系统对恶意节点的识别滤除率升高，当服务提供者集合H_ik中数据量够多时，可以把恶意节点准确地识别出来，并加以滤除，使得计算出的信誉值不受恶意节点的影响，从而大幅度提高了信誉系统的可用性和可靠性。 

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，并且在应用上可以延伸到其他的修改、变化、应用和实施例，同时认为所有这样的修改、变化、应用、实施例都在本发明的精神和范围内。 

Claims (11)

1.一种信誉系统中的信誉计算方法，包含步骤：

步骤10)、信誉计算者user_i首先向自身的周围节点发送请求，询问周围节点对服务提供者pro_j的评价；

步骤20)、周围节点根据其与服务提供者pro_j的交互经验做出评价，并将评价返回给信誉计算者user_i，评价包括周围节点对服务提供者pro_j的评价值和评价值的可靠度<r_kj，Cr_kj>二者；

步骤30)、信誉计算者user_i根据每个评价节点rator_k对于服务提供者pro_j的评价<r_kj，Cr_kj>来计算每个评价节点rator_k的偏离度和偏离度的可靠度，信誉计算者user_i计算每个评价节点rator_k的平均偏离度和平均偏离度的可靠度并修正评价节点rator_k返回的评价；其中平均偏离度是信誉计算者user_i与评价节点rator_k在评价同一个服务提供者pro_j时的评价的偏离程度，平均偏离度的可靠度是限定平均偏离度的把握程度，评价节点是指对服务提供者作出评价的周围节点；

步骤40)、信誉计算者user_i根据自身与服务提供者pro_j的交互经验和修正后的评价节点rator_k的评价，计算服务提供者pro_j的信誉值。

2.权利要求1的方法，其中，步骤30)中，所述平均偏离度和平均偏离度的可靠度的计算方法，包括步骤：

步骤310)、构造一个服务提供者集合H_ik，所述集合内的服务提供者pro_j均应满足两个条件：a)信誉计算者user_i与之有过直接交互经验；b)评价节点rator_k向信誉计算者user_i发送过对服务提供者pro_j的评价<r_kj，Cr_kj>；

步骤320)、对集合H_ik内的每个服务提供者pro_j，计算评价节点rator_k给 出的评价与信誉计算者user_i的直接交互经验之间的偏离度与偏离度的可靠度；

步骤330)、根据步骤320)的计算结果，信誉计算者user_i计算一个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度 

步骤340)、根据步骤330)计算出的平均偏离度的可靠度 

对实际使用的平均偏离度D_ik进行调整。

3.权利要求1的方法，其中，步骤40)进一步包括：

步骤410)、信誉计算者user_i根据每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度 

调整其给出的评价；

步骤420)信誉计算者user_i将自身和服务提供者pro_j的直接交互经验与评价节点rator_k对服务提供者pro_j调整后的评价做平均，得到服务提供者pro_j的信誉估计值。

4.权利要求2的方法，其中，步骤320)进一步包括：对集合H_ik内的每个服务提供者pro_j，计算评价节点rator_k给出的评价与信誉计算者user_i的直接交互经验之间的偏离度与可靠度，设评价节点rator_k对pro_j的评价为<r_kj，Cr_kj>，信誉计算者user_i根据自身的直接交互经验做出的对pro_j的评价为<r_ij，Cr_ij>，则：

偏离度：D_ik，j＝|r_ij-r_kj|

可靠度：

5.权利要求2的方法，其中，步骤330)进一步包括：根据步骤320)的计算结果，信誉计算者user_i计算一个评价节点rator_k的平均偏离度和平均偏离度的可靠度， 

平均偏离度：

平均偏离度的可靠度：

其中，D_ik，j和 

分别是评价节点rator_k给出的评价与信誉计算者user_i的直接交互经验之间的偏离度与可靠度。

6.权利要求2的方法，其中，步骤340)进一步包括：根据步骤330)计算出的平均偏离度的可靠度 

对实际使用的平均偏离度进行调整，

其中θ₁为调整参数，θ₁用来影响识别恶意节点的误识率与漏识率，θ₁越大，则善意节点越难被错误地识别为恶意节点，恶意节点却容易被错误地判定为善意节点。

7.权利要求3的方法，其中，步骤410)进一步包括：信誉计算者user_i根据每个评价节点rator_k的平均偏离度D_ik和平均偏离度的可靠度 

调整其给出的评价为

其中，θ₂为调整参数，θ₂决定计算结果对偏离度的敏感程度，θ₂越大，对偏离度越敏感， 

是实际使用的平均偏离度。

8.权利要求6的方法，其中，θ₁的取值范围为θ₁～(1，3)。

9.权利要求8的方法，其中，θ₁取值为2。

10.权利要求7的方法，其中，θ₂的取值范围为θ₂～(0，100)。

11.权利要求10的方法，其中，θ₂取值为40。 

Images