CN101848095B - 分布式网络中反馈报告可信度处理方法和系统 - Google Patents

Abstract

本发明公开了一种在计算机分布式网络中反馈报告可信度处理方法和系统。该方法包括如下步骤：步骤A，计算出分布式网络中任意两个节点间反馈报告的相似度；步骤B，将所述节点间反馈报告的相似度进行归一化，得到反馈报告可信度的马尔可夫链，然后计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度。其能够更准确地计算用户信任值，排除虚假报告的干扰，获得较小的估计误差。

Description

分布式网络中反馈报告可信度处理方法和系统

技术领域

本发明涉及计算机分布式网络可信计算技术领域，特别是涉及一种在计算机分布式网络，如电子商务分布式网络中反馈报告可信度处理方法和系统。

背景技术

基于对等网络的分布式网络，如对等网络的电子商务分布式系统的发展正在迅速的代替传统的交易模式，给人们的生活带来便利，然而电子商务分布式系统在线交易无法像传统交易那样可以通过实物考察，买卖同时等方法来保证自己的利益，这给电子商务分布式系统部分节点的欺骗行为提供了可能。CyberSource公司调查表明，电子商务分布式网络欺骗导致美国电子商务2007年的损失达到了36亿美元，2008年的损失达到了40亿美元。因此，如何设计一种有效的机制来区分出恶意节点，帮助善意节点避免受到欺骗，关系到分布式系统进一步发展，逐渐成为研究的热点。

信任机制是一种对节点历史行为分析来预测其未来行为的一种机制，通过对估计每个分布式网络节点的信任值来区分节点的可信程度，从而可以帮助善意节点避免恶意节点的欺骗。近来对基于用户反馈的eBay荣誉机制的研究表明基于荣誉的信任机制能够避免恶意节点的欺骗并促使他们进行合作。具体来说，有论文指出荣誉机制能够影响将来的用户行为，而进一步给出结论说基于反馈的荣誉系统完全达到了“卖方的好评增加了其销量，而差评降低其销量”的目的。

基于荣誉的信任机制通过考察分布式网络节点的历史交易信息，来推断节点的行为特征，利用荣誉值来对行为特征进行描述。分布式网络节点的历史信息可以分为直接信息和间接信息，其中从与自己相关的行为中获取的信息被称为直接信息，与其他节点的行为称之为间接信息。如何利用这些直接信息和间接信息来对分布式网络节点的行为特征进行准确评估是当前基于荣誉的信任机制的主要目标。然而由于恶意行为的影响，他们的行为信息有时并不能准确地反映其行为特征，并且恶意行为的多样性又进一步增加了准确评估节点难度。

一般来说，分布式网络中的恶意节点行为可以分为恶意行为和恶意报告行为两种，其中恶意行为是指在与交互中欺骗对方并采用一定策略避免获得负面的反馈信息，而恶意报告行为是指通过提供虚假的报告来欺骗信任管理系统，达到既定的目的。所以能否排除虚假报告的干扰，准确分辨出分布式网络节点的行为特征，获得较小的估计误差是衡量基于荣誉的信任机制好坏的重要指标，而其中如何计算报告可信度是获得较小估计误差的关键所在。

发明内容

本发明目的在于提供一种在计算机分布式网络中反馈报告可信度处理方法和系统，其能够更准确地计算用户信任值，排除虚假报告的干扰，获得较小的估计误差。

为实现本发明目的而提供的一种分布式网络中反馈报告可信度处理方法，包括如下步骤：

步骤A，计算出分布式网络中任意两个节点间反馈报告的相似度；

步骤B，将所述节点间反馈报告的相似度进行归一化，得到反馈报告可信度的马尔可夫链，然后计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度。

较佳地，所述步骤B中，依据平稳分布向量计算出节点的反馈报告可信度，包括下列计算步骤：

如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，而且诚实节点较多时，即π_min/π_max＜1/2 & & π_z＞η时，则第i个节点的报告可信度vi为π/π_max；

如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，但恶意节点较多时，即π_min/π_max＜1/2 & & π_z＜＝η时，则第i个节点的报告可信度vi为1-π/π_max；

如果网络中恶意节点和善意节点比例相近，无法分辨出节点的报告行为或者不存在恶意节点时，即π_min/π_max＞＝1/2时，则第i个节点的报告可信度vi为节点z与节点i的报告相似度；

其中，π＝(...，πi，...)是平稳分布向量，π_max是平稳分布向量π中的最大值，π_min是平稳分布向量π中的最小值；

η是节点z的主观报告可信度。

较佳地，所述反馈报告可信度处理方法，还包括下列步骤：

步骤C，根据节点的报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

为实现本发明目的还提供一种分布式网络中反馈报告可信度处理系统，包括：

第一运算器，用于计算出分布式网络中任意两个节点间反馈报告的相似度；

归一化处理器，用于将所述节点间反馈报告的相似度进行归一化处理，得到反馈报告可信度的马尔可夫链；

第二运算器，用于根据马尔可夫链计算出平稳分布向量，并依据平稳分布向量得到节点的反馈报告可信度。

较佳地，所述反馈报告可信度处理系统，还包括信任值估值器，用于根据节点的报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

本发明的有益效果是：本发明的分布式网络中反馈报告可信度处理方法和系统，以节点反馈报告的相似度为基础，并通过具有相同邻居的用户组成的可信度的马尔可夫链来传递这种报告相似度，计算出所有节点之间的报告可信度，其可以准确地计算出个人反馈报告的可信度，从而为准确地估计用户的信任值提供可能，排除虚假报告的干扰，获得较小的估计误差。

附图说明

图1是本发明实施例分布式网络中反馈报告可信度处理方法流程图；

图2是本发明实施例反馈报告可信度的马尔可夫链示意图；

图3是本发明实施例中计算出平稳分布向量得到节点的反馈报告可信度流程图；

图4是本发明实施例分布式网络中反馈报告可信度处理系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的一种分布式网络中反馈报告可信度处理方法和系统进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明以节点反馈报告的相似度为基础，并通过具有相同邻居的节点组成的可信度的马尔可夫链来传递这种报告相似度，从而可以计算出所有节点之间的报告可信度。

本发明的分布式网络中反馈报告可信度处理方法，如图1所示，包括如下步骤：

步骤S100，根据分布式网络中节点间的局部信任值，计算出分布式网络中任意两个节点间反馈报告的相似度；

设置Ni为分布式网络中节点i的所有邻居节点的集合；

Nj为分布式网络中用户节点j的所有邻居节点集合；

Nij为同时为节点i和节点j的邻居集合且Nij＝(C1，C2，C3，...Cn)。

其中，C1，C2，C3，...，Cn既是Ni的邻居，同时也是Nj的邻居，n是指节点i和节点j的邻居编号最大值。

设L(i，j)为节点i对节点j的局部信任评价值。

计算节点间的局部信任评价值是一种现有技术，如PeerStrategy方法就是一种局部信任评价值计算方法，也称为个人反馈计算方法。

设置 ${\stackrel{\&RightArrow;}{V}}_i=<L(i,C_1),L(i,C_2),L(i,C_3),...,L(i,C_n)>$ 为节点i对Nij中每个节点的局部信任评价向量，同样 ${\stackrel{\&RightArrow;}{V}}_j=<L(j,C_1),L(j,C_2),L(j,C_3),...,L(j,C_n)>$ 为节点j对Nij中每个节点的局部信任评价向量。

设置Sij为节点i和节点j两个节点间反馈报告相似度的报告相似性矩阵，其为向量

和

之间夹角的余弦值，表示节点i反馈报告和节点j反馈报告的相似度，如式(1)所示。

其中，式(1)是求两个向量之间夹角的余弦值，

是向量的内积，

是两个向量的长度相乘；

通过式(1)节点i反馈报告和节点j反馈报告的向量

和

之间夹角的余弦值，使用了向量夹角的大小来衡量向量相似度，能够较为准确地表现向量之间的相似关系。

应当说明的是，式(1)是本发明实施例的一种较佳实施方式，而节点i反馈报告和节点j反馈报告之间的报告相似度，也可以利用其他现有的计算节点间相似度的方法，如计算向量方差等来进行计算，采用其他现有的计算节点间相似度的方法也在本发明公开和保护的范围之内。本发明采用式(1)计算节点i反馈报告和节点j反馈报告之间的相似度，是本发明实施例的一种较佳实施方式，并不是对节点反馈报告相似度计算的唯一方法和保护范围的限制。

步骤S200，将所述节点间反馈报告的相似度进行归一化，得到反馈报告可信度的马尔可夫链，然后计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度。

首先，通过节点间的归一化，得到反馈报告可信度的马尔可夫链，从而在反馈报告可信度的马尔可夫链上传递报告节点间的相似度，然后计算出平稳分布向量，得到各个节点间相对的报告可信度。

设P＝[Pij]为节点i和节点j之间反馈报告相似度Sij的行归一化矩阵，如式(2)所示：

$P_{\mathrm{ij}}=\left\{\begin{array}{cc}{S}_{\mathrm{ij}}/{\mathrm{\&Sigma;}}_j{S}_{\mathrm{ij}}& \mathrm{if}{\mathrm{\&Sigma;}}_j{S}_{\mathrm{ij}}\&NotEqual;0\\ 1/N& \mathrm{if}{\mathrm{\&Sigma;}}_j{S}_{\mathrm{ij}}=0\end{array}\right.---\left(2\right)$

则归一化矩阵P为一随机矩阵，Pij为节点i对节点j反馈报告可信度，同时也是节点i相信节点j的概率，进行归一化后，矩阵Pij为一随机矩阵，也即节点组成的马尔科夫链中的转移概率矩阵。

这样，本发明中分布式网络中的所有节点间的反馈报告可信度组成一个马尔可夫链，如图2所示，并且该马尔可夫链是非周期、不可约、有限状态的随机链，所以其存在平稳分布向量π＝(...，πi，...)，其中π_i表示分布式网络中一节点在马尔可夫链上进行随机游走后最后停留在各个节点的概率分布，同时也表示了各个节点间相对的报告可信度。

由平稳分布的性质可得，π＝πP，可知π为归一化矩阵P的左主特征向量，所以可以计算出平稳分布向量π，得到各个节点间相对的报告可信度。

利用报告的相似度具有的传递关系，通过具有共同邻居的节点进行这种传递，从而可以间接计算出没有共同邻居的节点之间的报告相似度。利用有限状态的马尔科夫链存在平稳分布的性质，计算出此平稳分布作为节点之间报告的相对可信度。

然后，依据平稳分布向量计算出节点的反馈报告可信度。

本发明依据平稳分布向量计算出节点的反馈报告可信度，其通过依据自己的报告相对可信度来对相对报告可信度进行处理，使之成为独立的报告可信度。

设节点z是分布式网络中一节点，从自身的角度对其他节点进行报告相似性判断，所有节点的报告可信度组成向量V＝[vi]，其中vi指第i个节点的报告可信度，如式(3)所示。

其中，π_max是π向量中的最大值，π_min是π向量中的最小值。

Sz＝[szi]，其中szi为节点z与其他节点i的报告相似度。

V＝[vi]，其中，vi是节点i的报告可信度，在没有利用式(3)进行计算前，vi是取值于[0，1]区间的多个可能值，最后利用式(3)计算得到的vi值是一个确定值。

η是节点z的主观报告可信度，这个值是根据经验值得到的。

其中，根据平稳分布向量π＝(...，πi，..)可以得到恶意节点和善意节点的比例关系，以及恶意节点与善意节点的多少等信息。具体地，当π_min/π_max＜1/2时，此时表明网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为；当π_min/π_max＞＝1/2表明网络中恶意节点和善意将节点比例相近，无法分辨出节点的报告行为或者不存在恶意节点；而当π_z＞η时，善意节点较多，而当π_z＜＝η时，恶意节点较多。

如式(3)所示，如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，而且善意节点较多时，即π_min/π_max＜1/2 & & π_z＞η时，则第i个节点的报告可信度vi为π/π_max；如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，但恶意节点较多时，即π_min/π_max＜1/2 & & π_z＜＝η时，则第i个节点的报告可信度vi为1-π/π_max；如果网络中恶意节点和善意将节点比例相近，无法分辨出节点的报告行为或者不存在恶意节点时，即π_min/π_max＞＝1/2时，则第i个节点的报告可信度vi为节点z与节点i的报告相似度。

如图3所示，下面详细说明步骤200中，计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度的详细过程。

设分布式网络中节点i的邻居集合是Ai，对于任意一个节点j∈Ai，根据式(1)出计算节点间的反馈报告的相似性矩阵Sij，对Sij进行归一化处理得到归一化矩阵Pij后，通过迭代计算出平稳分布向量，并根据平稳分布向量得到节点的反馈报告可信度的过程，如图2所示，包括下列步骤：

步骤S201，在第0次迭代，即迭代开始时，设置平稳分布向量π⁽⁰⁾＝1/n，进入步骤S202；

其中，n是指网络中节点的个数。

步骤S202，计算节点i的第K+1个平稳分布向量 ${\mathrm{\&pi;}}_i^{(k+1)}=P_{i1}{\mathrm{\&pi;}}_1^{\left(k\right)}+P_{i2}{\mathrm{\&pi;}}_2^{\left(k\right)}+...+P_{\mathrm{in}}{\mathrm{\&pi;}}_n^{\left(k\right)},$ 如果Pij＞0，将<j，P_ijπ_i ^(k+1)，m>发送到Ai中的节点j，进入步骤S203；如果Pij＝0时，K增1，即K＝K+1，重复步骤202，进入下一轮迭代；

式中Pi1，Pi2，...Pin，是公式(2)中所得归一化矩阵Pij中第i行的元素，<j，P_ijπ_i ^(k+1)，m>中，节点j代表节点i中的第j个邻居，P_ijπ_i ^(k+1)是指此次的计算结果，m表示传递的跳数。

较佳地，传递的跳数m等于2。

通过这样计算，则不需要节点j知道节点i的P_ij，而通过限制跳数，又可以借助邻居来传递这种信息。

步骤S203，计算 $\mathrm{\&delta;}=|{\mathrm{\&pi;}}_i^{(k+1)}-{\mathrm{\&pi;}}_i^{\left(k\right)}|,$ 如果δ＞ε，进入步骤S204；否则进入步骤S207；

其中，δ是指连续两次迭代结果之间的误差值，ε是预先设定的阀值。

通过计算误差值δ，衡量收敛结束的时机，当连续两次迭代之间的差别较小时候就终止迭代。

步骤S204，等待Ai中的节点j返回<j，P_jiπ_i ^(k+1)，m>，进入步骤S205；

步骤S205，如果收到的信息<j，P_jiπ_i ^(k+1)，m>是发给自己的，即j等于i(即j＝＝i)时，将此结果P_ijπ_i ^(k+1)保存；如果收到的信息<j，P_jiπ_i ^(k+1)，m>不是发给自己的，也就是1j不等于i(即j！＝i)，且m＝＝2时，将<j，P_jiπ_i ^(k+1)，m-1>发送到Ai的所有邻居节点j；如果收到的信息<j，P_jiπ_i ^(k+1)，m>不是发给自己的，也就是j不等于i(即j＝！i)，且m＝＝1，则丢弃；进入步骤S206；

通过这样的传递关系，从而可以保证每个信息沿着邻居关系的马尔可夫链至少传递两次。

步骤S206，如果节点i所收到其所有邻居节点发送回来的信息，即全部返回，则进入步骤S202；否则进入步骤S204；

步骤S207，将π_i发给Ai中所有节点，同时等待Ai的节点j返回π_j，进入步骤S208；

步骤S208，遍历邻居反馈的π＝[π_j]，取出最大值π_max和最小值π_min，如果π_min/π_max＜1/2，进入步骤S209；否则进入步骤S210；

通过遍历邻居并计算，就可以判断出来计算结果的有效性。

步骤S209，如果π_i＞η，则报告可信度向量V_i＝π/π_max；如果π_i＜＝η，报告可信度组成向量V_i＝1-π/π_max，结束；

其中，π_i是节点自己的报告可信度，即迭代终止后的计算值；

其中π/π_max是指对将向量中的每个值除以该向量中的最大值；

通过计算可以准确地计算节点的报告可信度。

步骤S210，当计算结果不可靠，即π_min/π_max＞＝1/2时，则节点的报告可信度vi为节点j与节点i的报告相似度，即V_i＝S_i＝[S_ij]，结束。

较佳地，本发明的分布式网络中反馈报告可信度处理方法，还包括如下步骤：

步骤300，根据节点的报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

在一个由n各节点组成的分布式P2P网络，对于任一个节点j，用Bj代表节点的行为，B_j＝1表示节点j行为善意，B_j＝0表示节点j行为不善意。设定每个节点都有一定的可信概率，设节点j的可信概率为θ_j，节点j为善意节点的概率为θ_j，节点j为恶意节点的概率是(1-θ_j)。则，

P(B_j＝1)＝θ_j，即节点j为善意节点的概率

P(B_j＝0)＝1-θ_j，即节点j为恶意节点的概率

节点j和节点p₁，p₂，……，p_n进行过交易，这些节点对节点j的行为都有自己的主观判断。当询问节点p₁，p₂，……p_n对j的评价时，他们的判断可能正确或者错误。设节点p_i判断不可靠的概率是l_i，即判断可靠性＝1-l_i。对于任一给出评价的节点i，用A_i代表节点i报告的可信度，Ai＝1表示节点错误报告，Ai＝0表示节点善意报告。则

P(A_i＝1)＝l_i，即节点p_i的报告错误的概率。

P(Ai＝0)＝1-l_i，即节点pi的报告正确的概率。

如果节点i对节点j的评价报告为y，设该报告的可靠程度是1-li，也就是报告可信度向量V中vi，即节点i所提供报告的可靠性。其他节点{P1，P2，...Pn}对j的可信度评价为(μ₁，....μ_i.....)，他们节点报告节点j的行为是{y1，y2，…，yi，…yn}，本发明通过式(4)和式(5)将可信度评价转化为节点的行为报告，

yi＝1表示节点i报告j为善意节点，如果μ_i＞＝0.5       (4)

yi＝0表示节点i报告j为恶意节点，如果μ_i＜0.5         (5)

通过已知B_j，A_i的二项概率分布，如式(6)和式(7)所示：

又由于节点j的行为与节点i报告可信度的无关性，根据概率原理，可得A_i与B_j的联合概率分布，如式(8)所示：

综合以上分析可得节点i报告y_i的二项概率分布，如式(9)所示：

$P\{Y=\mathrm{yi}\}=\left\{\begin{array}{cc}{l}_i(1-\mathrm{\&theta;j})+(1-l_i)\mathrm{\&theta;j}& \mathrm{ifyi}=1\\ l_i\mathrm{\&theta;j}+(1-l_i)(1-\mathrm{\&theta;j})& \mathrm{ifyi}=0\end{array}\right.---\left(9\right)$

由于可信度的马尔可夫链的传递能够避免恶意节点各种报告策略的影响，所以保证了各个节点报告的可信度同时保证了报告可信度的相对独立性。所以根据最大似然估计方法和节点报告之间的无关性，得出如式(10)所示的似然函数：

L(θ_j)＝P[Y₁＝y₁]P[Y₂＝y₂]……P[Y_n＝y_n]      (10)

最大似然估计方法就是需要寻找能够使L(θj)最大的θj，下面进行最大似然估计计算：

1)两边取对数得式(11)：

LnL(θ_j)＝LnP[Y₁＝y₁]+LnP[Y₂＝y₂]+……+LnP[Y_n＝y_n]       (11)

2)对1)中方程式(11)的θj求导后得到如式(12)所示似然方程：

dLn L(θ_j)/dθ_j＝0；              (12)

3)求解似然方程。由驻点中确定出的最大值点就是未知参数θj的估计值，如式(13)所示。

$\mathrm{dLnL}\left({\mathrm{\&theta;}}_j\right)/d{\mathrm{\&theta;}}_j=0=d\left(\mathrm{LnL}\left({\mathrm{\&theta;}}_j\right)\right)/{\mathrm{d\&theta;}}_j=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{y_k(1-{2l}_k)+(1-y_k)({2l}_k-1)}{y_k[l_k(1-{\mathrm{\&theta;}}_j)+(1-l_k){\mathrm{\&theta;}}_j]+(1-y_k)[l_k{\mathrm{\&theta;}}_j+(1-l_k)(1-{\mathrm{\&theta;}}_j)]}---\left(13\right)$

通过式(13)可以计算θj也即是节点j的全局信任值。

相应地，本发明还提供一种分布式网络中反馈报告可信度处理系统。

如图4所示，所述反馈报告可信度处理系统10包括：

第一运算器11，用于计算出分布式网络中任意两个节点间反馈报告的相似度；

较佳地，所述第一运算器11是根据分布式网络中节点间的局部信任值，计算出分布式网络中任意两个节点间反馈报告的相似度。

归一化处理器12，用于将所述节点间反馈报告的相似度进行归一化处理，得到反馈报告可信度的马尔可夫链，从而在反馈报告可信度的马尔可夫链上传递报告节点间的相似度；

第二运算器13，用于根据马尔可夫链计算出平稳分布向量，并依据平稳分布向量得到节点的反馈报告可信度。

进一步地，本发明的反馈报告可信度处理系统，还可以包括信任值估值器14，用于根据节点的报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

本发明的可信度处理系统，以节点反馈报告的相似度为基础，并通过具有相同邻居的节点组成的可信度的马尔可夫链来传递这种报告相似度，从而可以计算出所有节点之间的报告可信度。其处理过程与所述可信度处理方法过程相同，因此在本发明实施例中不再一一详细描述。

本发明的分布式网络中反馈报告可信度处理方法和系统，以用户个人反馈报告的相似性为基础，并通过具有相同邻居的用户组成的相似链来传递这种报告相似性，从而可以计算出所有节点之间的相对报告可信度，最后进行调整，可以准确地计算出个人反馈报告的可信度，从而为准确地估计用户的信任值提供可能，排除虚假报告的干扰，获得较小的估计误差。

通过结合附图对本发明具体实施例的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。

以上对本发明的具体实施例进行了描述和说明，这些实施例应被认为其只是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。

Claims (8)

1.一种分布式网络中反馈报告可信度处理方法，其特征在于，包括下列步骤：

步骤A，计算出分布式网络中任意两个节点间反馈报告的相似度；

步骤B，将所述节点间反馈报告的相似度进行归一化，得到反馈报告可信度的马尔可夫链，然后计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度；

步骤C，根据节点的反馈报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

2.根据权利要求1所述的反馈报告可信度处理方法，其特征在于，所述步骤A中，所述计算出分布式网络中任意两个节点间反馈报告的相似度，是根据分布式网络中节点间的局部信任值而得到的。

3.根据权利要求2所述的反馈报告可信度处理方法，其特征在于，所述步骤A中，所述根据分布式网络中节点间的局部信任值，计算出分布式网络中任意两个节点间反馈报告的相似度，是根据节点间的局部信任评价向量之间夹角的余弦值计算得到的。

4.根据权利要求1所述的反馈报告可信度处理方法，其特征在于，所述步骤B中，依据平稳分布向量得到节点的反馈报告可信度，包括下列步骤：

如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，而且善意节点较多时，即π_min/π_max<1/2&π_z>η时，则节点i的反馈报告可信度vi为π_i/π_max；

如果网络中恶意节点和善意节点相差较多，可以准确地分辨出节点的报告行为，但恶意节点较多时，即π_min/π_max<1/2&π_z<=η时，则节点i的反馈报告可信度vi为1-π_i/π_max；

如果网络中恶意节点和善意节点比例相近，无法分辨出节点的报告行为，或者不存在恶意节点时，即π_min/π_max>＝1/2时，则节点i的反馈报告可信度vi为节点z与节点i的报告相似度；

其中，节点z是分布式网络节点中一节点，节点i是该网络的其他节点中的第i个节点，π＝(...,π_i，...)是平稳分布向量，π_max是平稳分布向量π中的最大值，π_min是平稳分布向量π中的最小值；

η是节点z的主观报告可信度。

5.根据权利要求1所述的反馈报告可信度处理方法，其特征在于，所述步骤B中，计算出平稳分布向量，依据平稳分布向量得到节点的反馈报告可信度，包括下列步骤：

其中，分布式网络中节点i的邻居集合是Ai，对于任意一个节点j∈Ai，节点间的反馈报告的相似性矩阵为S_ij；归一化矩阵为P_ij；

步骤B1，在第0次迭代，即迭代开始时，设置平稳分布向量π⁽⁰⁾＝1/n，进入步骤B2；

其中，n是指网络中节点的个数；

步骤B2，计算节点i的第K+1个平稳分布向量

如果P_ij>0,将

发送到Ai中的节点j，进入步骤B3；如果P_ij=0时，K增1，即K=K+1，重复步骤B2，进入下一轮迭代；

式中P_i1,P_i2，...,P_in是归一化矩阵P_ij中第i行的元素，

中，节点j代表节点i中的第j个邻居，

是指此次的计算结果，m表示传递的跳数；

步骤B3，计算

如果δ>ε，进入步骤B4；否则进入步骤B7；

其中，δ是指连续两次迭代结果之间的误差值，ε是预先设定的阀值；

步骤B4，等待Ai中的节点j返回

进入步骤B5；

步骤B5，如果收到的信息是发给自己的，将所述结果

保存；

如果收到的信息

不是发给自己的，且m=2时，将

发送到Ai的所有邻居节点j；

如果收到的信息

不是发给自己的，且m=1，则丢弃；进入步骤B6；

步骤B6，如果节点i所收到其所有邻居节点发送回来的信息，则进入步骤B2；否则进入步骤B4；

步骤B7，将π_i发给Ai中所有节点，同时等待Ai的节点j返回π_j，进入步骤B8；

步骤B8，遍历邻居反馈的π＝[π_j]，取出最大值π_max和最小值π_min，如果π_min/π_max＜1/2，进入步骤B9；否则进入步骤B10；

步骤B9，如果π_i>η,则报告可信度向量V_i=π_i/π_max；如果π_i<=η，报告可信度组成向量V_i=1-π_i/π_max，结束；η是节点i的主观报告可信度；

其中，π_i是节点自己的报告可信度，即迭代终止后的计算值；

其中π_i/π_max是指对将向量中的每个值除以该向量中的最大值；

步骤B10，当计算结果不可靠，即π_min/π_max>=1/2时，则节点的报告可信度vi为节点j与节点i的报告相似度，即V_i＝S_i＝[S_ij]，结束。

6.根据权利要求5所述的反馈报告可信度处理方法，其特征在于，所述传递的跳数m等于2。

7.一种分布式网络中反馈报告可信度处理系统，其特征在于，包括：

第一运算器，用于计算出分布式网络中任意两个节点间反馈报告的相似度；

归一化处理器，用于将所述节点间反馈报告的相似度进行归一化处理，得到反馈报告可信度的马尔可夫链；

第二运算器，用于根据马尔可夫链计算出平稳分布向量，并依据平稳分布向量得到节点的反馈报告可信度；

信任值估值器，用于根据节点的报告可信度，利用最大似然估计方法，估值得到节点的全局信任值。

8.根据权利要求7所述的反馈报告可信度处理系统，其特征在于，所述第一运算器是根据分布式网络中节点间的局部信任值，计算出分布式网络中任意两个节点间反馈报告的相似度。

Images