CN102006305B - P2p网络中基于分布式可推荐的声誉遏制恶意行为的方法 - Google Patents

Abstract

一种网络技术领域的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法。本发明从列表中获得所有节点的声誉值；根据时间因子计算当前节点对B的直接声誉；请求它们给出关于节点B声誉的推荐值；再根据偏差值，确定推荐者行为的诚实度并更新推荐者的推荐声誉；计算得节点B的间接声誉；设置权重分配参数，整合成最终声誉；选出合适的节点进行连接，下载资源；对这个资源打分。降低团伙欺骗的成功概率；对于非恶意节点的偏差行为，检测并对其偏差值进行补偿，从而保证诚实节点的声誉维持在正常水平。这些策略合理地分布在本声誉管理框架之中，并能适应P2P网络节点的随机性和动态性，使得用户最终的声誉相较传统评价体系更加实时、准确、可靠。

Description

P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法

技术领域

本发明涉及一种网络技术领域的方法，具体是一种P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法。

背景技术

现有的使用P2P协议的资源共享系统，多使用传统声誉系统，比如BTCHINA，VERYCD，葡萄以及迅雷等等。由于协议本身对节点的约束性不是特别强，这些网站大多都会采用一些声誉系统来激励节点更多地进行“共享”的行为。

以根据emule的mod修改的VERYCD客户端电驴为例：每个节点都有一个积分文件，eMule使用了一种加密方法key handshake以确保某个积分正确地属于某个人。只有在这种方法得到eMule的验证之后，这一积分才被授权给特定的某个人，否则eMule将不会承认对方的积分。积分是奖励那些上传的节点的，上传量越大积分越高。积分不是所有服务器之间通用的，它们仅仅通用于那些承认这些积分的服务器和客户积分是影响QR的主要因素。积分越高，排队时间就会缩减的越短，获得的服务器就越多，下载速度就越快。

而PT下载站点的声誉系统则十分强调分享率的概念。PT下载站衡量节点是否值得存在于这个团体中的唯一标准是分享率，PT分享率是用上传量除以下载量，因此那些不开上传的和下载完成就立即下线的人，这个值一定不会高于1，甚至会是0，那么，在一段时间之后，PT下载站会把这样的人踢掉。而对于新加入的人来说，PT下载站一般会有一个分享率的底限，而要达到这个底限是不难的。每个PT下载站几乎都会放上不超过十个体积小的文件供大家下载，这就是在前期提高分享率的东西。下载之后，不要删除不要关闭上传，如果资源很热门，下载的人多，上传的累计量就会大，而已下载的体积是不变的，节点就会看到自己的分享率在慢慢地增长。

北京邮电大学学报，文章编号：1007.5321(2009)03-0069--04的《P2P网络环境下的推荐信任模型方案》中为基于推荐的声誉模型提供了基本框架，如直接信任值、某个节点的信任度、推荐信任值、节点的推荐能力。

可以看到，传统的文件共享服务主要以上传量或分享率为参数构建声誉系统，这种模型一方面依赖于主从式服务器结构，不能很好地适应分布式网络环境；另一方面仅仅基于直接交互经验，未能充分利用网络中其他节点的信息，做出的声誉评价往往不能真实反映节点的行为。

经过对现有技术的文献检索发现，中国专利申请号：CN200910152785.3，公告号为：CN101714976A，名称为：《一种P2P网络中抵抗节点恶意的方法》，该技术通过在P2P网络中建立简单有效的信任评价机制对节点发布不真实资源的恶意行为进行惩罚，降低其推荐信任值，使其与其他节点交互的概率降低，从而达到遏制P2P网络中不真实资源的传播、提高P2P网络可靠性的目的。该方法包括资源提供节点的选择、直接信任值的更新、推荐信任值及评价信任值的更新。该技术通过建立所述的信任评价方法，使得恶意节点发布的不真实资源在P2P网络中的流传度下降，从而达到抗击恶意节点攻击的效果。该技术虽然也采用了推荐信任的模型，但主要着眼于对恶意节点的抵抗，缺少对于恶意行为的具体分类和对于声誉值的动态性变化的考虑。

发明内容

本发明针对上述现有技术的不足，提供一种P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法。本发明通过在P2P资源共享系统中基于每个节点都有拥有的声誉值检测、分析，能有效抵抗传统声誉系统中节点的欺骗、合谋、诋毁等恶意行为。

本发明是通过如下技术方案实现的：

本发明包括如下步骤：

步骤一：节点A向tracker服务器请求文件R的拥有者列表，获得列表中所有节点的声誉值。

若无做种者，则阻塞一段时间后重新尝试；若有做种者，则当前节点A根据tracker服务器返回的列表查询本地数据，获得列表中所有节点的声誉值。

步骤二：设B是列表中的某一节点，A查看其对被评估节点B的声誉值的更新时间；查询与B的直接交互记录队列，根据时间因子计算当前节点对B的直接声誉。

为了保证声誉的实时性和网络的效率之间的平衡，设定一个时间的阈值，在对节点进行评估时，先查询最近一次更新节点声誉值的时间，如果在这个阈值范围内，那么就不对这个声誉值进行更新，默认这个节点的声誉在短时间内不会发生很大的变化；但是如果超出了这个阈值，就要根据下面的流程重新建立信任。

所述的声誉值来源于：直接声誉、间接声誉和推荐声誉。

所述的阈值根据网络情况来设定，当网络繁忙时，这个阈值可以适当变大一些，减少通信的负荷。同时，这个阈值在实际应用时也是可以根据节点的需要进行调节的。而设定这个阈值除了减轻了计算和通信的负荷外，还可以防止一次行为对声誉造成很大影响。因为如果每次更新，当有一次因为网络或者意外原因提供给了坏服务，可能会让声誉有很大的下降。而多次更新的话，单次的偏差的影响会变小。

步骤三：节点A随机选取系统中定量节点，向这些节点发送关于节点B的推荐请求，请求它们给出关于节点B声誉的推荐值。

步骤四：节点A收到步骤三中若干节点返回的推荐值，并对这些推荐值进行比较分析，由收到的所有推荐值计算出关于节点B推荐的标准值，再根据每个推荐值相对于标准值的偏差值，确定推荐者行为的诚实度并更新推荐者的推荐声誉。

在所述的节点在发出了推荐请求后，收到了N个节点N1，N2...回复的推荐值分别是R1，R2...RN，这里R1，R2...RN∈[0，1]，同时还收到了这些节点回复的有效交互次数分别是C1，C2...CN，那么标准值

$\mathrm{Rs}=\frac{C0}{C0+\mathrm{Cavg}}*\mathrm{dr}+\frac{\mathrm{Cavg}}{C0+\mathrm{Cavg}}*\mathrm{Ravg}$

式中，C0为节点A与被评价节点的直接交互次数

$\mathrm{Cavg}=\frac{C1+C2+...+\mathrm{CN}}{N}$

$\mathrm{Ravg}=\frac{R1+R2+...+\mathrm{RN}}{N}$

在计算好标准值后，偏差值就是两者间的差值的绝对值，假设节点Ni所回复的推荐值时Ri，那么偏差值

Oi＝|Ri-Rs|(4)

步骤五：节点A根据步骤四中更新后各节点的推荐声誉划分模糊区间，也就是当推荐声誉在一个范围内时，就认为这些节点所作的推荐的信任程度都是一样的。各节点关于B的推荐值由推荐者推荐声誉的不同划分至不同的区间内，计算每个区间内所有节点所作推荐的平均值，然后将这些平均值赋以各自的权重进行计算，计算得节点B的间接声誉。

在本系统中，节点大致可以分为诚实节点、一般节点、较坏节点、恶意节点四类。

假设四种类型节点的平均值分别是R1，R2，R3，R4，那么间接声誉值为各自区间的平均值乘以权重后的和。

步骤六：在计算获得直接声誉、推荐声誉和间接声誉后，设置权重分配参数，将这三者整合成最终声誉。直接声誉比起间接声誉来说总是可靠一些的，但是当直接声誉很少的时候，存在偏差的可能性也会比较大。因此，这里还是可以根据直接交互的次数来分配权重。

所述的最终声誉，是指：设直接声誉为dr，dr ∈[0，1]，直接交互的次数为M，间接声誉为Idr，Idr∈[0，1]，给出推荐的节点与被推荐节点间交互次数平均值为N，推荐声誉为R，R∈[0，1]，那么此次建立的声誉为

$\mathrm{Trust}=\frac{M}{M+N}*\mathrm{\θ}*\mathrm{dr}+\frac{N}{M+N}*\mathrm{\θ}*\mathrm{Idr}+(1-\mathrm{\θ})*R.$

步骤七：重复步骤二至步骤六的过程，得到文件R的拥有者列表中所有节点的声誉值，并根据它们声誉值的高低，选出合适的节点进行连接，下载资源。

步骤八：下载完成后，节点A根据该资源的客观状况对这个资源打分。

所述的打分评价标准包括：文件内容是否与名称描述相符；文件是否完整或者有残破不能运行；是否有病毒。文件传输速度、资源文件的打分和断线率共同构成一条新的交互记录，添加到节点A的交互记录列表中。

本发明所述的P2P网络，在其文件共享系统中，节点扮演上传者和下载者两个角色，上传与下载构成节点的直接行为；同时在声誉系统中，节点扮演着评价者、推荐者和被评价对象的角色。系统中，节点的声誉值来源于三个方面：直接声誉、间接声誉和推荐声誉。直接声誉取决于节点之间直接接触的经验即交互记录，在文件共享中定义了三个参数作为服务质量标准：文件传输速度、资源文件的打分和断线率；推荐声誉反映的是当前节点对推荐节点所作的推荐的信任程度。当当前节点获得推荐节点的推荐值时，并不会直接算入间接声誉值，还要考量是否信任推荐节点的推荐。推荐声誉正是提供了可以作为推荐值计算间接声誉值时的加权值。推荐声誉是对不诚实推荐或者恶意推荐的节点进行惩罚，而对诚实的节点建立信任；间接声誉的来源就是推荐节点返回的推荐值，根据当前节点对推荐节点的推荐声誉加权计算推荐值获得被评价节点的间接声誉值。除此之外，多个返回的推荐值构成了对推荐节点推荐声誉进行统计学研究的样本，这些推荐样本是保证系统能真实反映客观情况的关键。

步骤二中，设置时间衰减因子：直接交互的记录可以保存，但如果每一条直接交互的记录都永久保存，会占据庞大的存储空间。应用中，直接交互记录不需要永久保存。直接交互记录作为计算直接声誉的参考数据，只需要最近一段时间的记录就可以，以前的记录作为计算直接声誉的参考已经被计算到最终声誉值之中了。由于声誉值并非一有更新就立即计算，而是会隔一段时间计算一次，因此直接交互记录的队列只要按时间段保留一定范围之内的记录即可。不同的交互记录，它们的影响力是不同的。距离当前时间最近的记录更为重要，因为它还没有被算入声誉值中；距离当前时间较远的信任评价较不重要，因为它的影响可能在之前已经被考虑在内了。为了突出系统的实时性，增加考虑时间衰减因子。时间衰减因子作为对直接交互记录的加权算入直接声誉之中，它随着距离计算时的时间差单调减变化，。距离当前时间间隔越短的交互记录权重就会越大。

假设在有效时间段内总共有N条交互记录，第i次交互后留下的参数为，那么直接声誉为：

$\mathrm{dr}=\frac{{\mathrm{\Σ}}_{i=1}^{i=N}\mathrm{dri}*\mathrm{\δi}}{{\mathrm{\Σ}}_{i=1}^{i=N}\mathrm{\δi}}$

其中δi即是时间衰减因子，δi是关于i的单调递增函数。距离当前时间间隔越短的交互记录时间权重就会越大。

$\mathrm{\δi}=e^{-\frac{1}{\mathrm{Ti}}}$

Ti是时间段集合{t1，t2...tL}的一个元素，表示的是距离当前计算时间的时间间隔。这里并没有直接采用时间间隔，而是将时间间隔映射到一个集合中。因为如果直接用时间间隔，e的指数函数衰减太快，使得很多的记录发挥不了作用。因此，仅仅将间隔时间划分成时间段，映射出合适的值进行计算。

步骤三中所述的推荐值，并不是真实存储在节点中的，而是节点在向其它节点发出推荐请求后，其它节点所回复的值。它是节点在回复推荐请求时，将声誉值和推荐声誉综合计算所获得的。由于节点不一定有直接经验，因此它也可能是缺省的值。正是推荐值将声誉值和推荐声誉同时反映在间接声誉中，从而使得节点的交互行为和推荐行为都收到声誉管理的约束。

步骤四和步骤八中，对恶意交互的抵抗方案：对单个节点而言，节点行为可以分成两部分：文件服务和推荐。恶意的交互包括提供低质量的服务和进行不诚实的推荐。节点作为上传者提供低质量的服务，可能它给别人上传的时候把速度限的很低，可能它经常在别人还没下载完成的时候就断线了，或者它上传的资源一直带有病毒等等。这些不好的直接交互行为会被和它交互的节点记录下来，导致直接声誉的下降。节点作为推荐者的不诚实是指在向别人发送推荐值的时候，给出的都是不诚实的声誉值，接收者也能够通过统计推荐值发现节点做了不真实的推荐，因此降低该节点的推荐声誉。对多个节点，可能存在团伙欺骗的恶意行为。另外，单个节点还可能利用声誉系统的规则做出策略欺骗的行为。本模型对于上述恶意行为都能有效做出应对。

过高或过低的推荐可以通过样本统计被过滤出来，而推荐者的推荐声誉由于不客观推荐理所当然的会受到惩罚，从而导致其推荐声誉降低。推荐声誉降低之后该节点再做推荐的影响力会被削弱，从而保证对恶意推荐行为的抵抗。

团伙欺骗比单一节点恶意行为复杂，对系统的伤害也更大。假设系统中的若干个节点组成了一个小团体，它们约定好在发送关于团体内部成员的推荐值的时候，都互相给很高的值，比如0.9；而在发送关于非团体内部成员的推荐值的时候，统统都给很低的值，比如0.1。由于是团伙协作，所以这些恶意推荐虽然会被发现，但是对推荐者的推荐声誉的影响可能不一定会及时的反映出来。从长期角度来看，如果这个团体里的人持续做恶意推荐，最终还是会导致其声誉值下降直到被排除出系统之外。因为这个团伙内的人再多，但相对于整个系统的全体节点来说也只占了非常少的一部分，而推荐行为必须是要收到推荐请求之后才能进行的，它对于推荐节点是被动发生的。推荐请求的发送是完全随机分布的，团伙欺骗并不能保证在每一次推荐过程中自己团伙内的人都占有绝对数量优势。而在力量不能集中的情况下，团伙欺骗的威力和单个节点的恶意推荐相似。

策略欺骗是指这样一种行为：节点通过一段时间的真实推荐后，获得比较好的推荐声誉和声誉，然后滥用自己的推荐声誉给别人做不真实的推荐，比如故意抬高对某人的评价之类，这么做很快会被发现，于是它的声誉会降低。在声誉降低了以后，又再做出一段时间真实推荐，恢复一些推荐声誉。等到恢复过来了，又再重新做恶意推荐，这样它可以始终保持让自己的恶意评价影响很大别人的声誉，而自己在交互中又不会丧失很大利益。对于这种行为，本模型设计了检测机制：当一个节点的声誉在一段时间内反复起落的时候，系统会观察其声誉起伏的次数，当次数过于频繁时，在计算它的推荐声誉的时候引入惩罚值。惩罚值可以理解为节点利用其信任度进行虚假交易后引起信任度波动所付出的代价。引入惩罚值的概念就是根据节点以往恶意行为的历史来判断节点推荐声誉的变化幅度，当节点累积的恶意行为不断增大时，它的惩罚值pe就会上升。推荐声誉变化幅度e^-k(R-pe)是pe的单调递增函数。因此当恶意行为不断的累积，惩罚值就会变大，这样e^-k(R-pe)值也会随之变大，这样的节点在做出恶意推荐后，它的推荐声誉会非常快的下降，而它上升的幅度依然不变，这也就意味着它要恢复好的推荐声誉变得更加的困难。对于策略性欺骗节点来说，虽然它的行为在好与坏之间浮动，但是坏的行为是会累积影响到惩罚值的。随着系统的不断运行，它要恢复好的推荐声誉变得困难，除非它大部分时间都保持诚实行为。

步骤四中，对诚实偏差的补偿方案：除了一般的恶意行为，系统中还有可能存在非恶意行为导致的声誉值降低。如节点向别的节点做推荐的时候，由于非主观的原因，发出普遍低于大众的推荐值。这种诚实的偏差会造成其推荐声誉的降低。这种情况通常被称之为夸大分值(grade inflation)。本模型采用了计算相关度方法修正“夸大分值(grade inflation)”的情况。通过多次相关度计算，系统会对节点的推荐声誉进行补偿，使得不同个人评判标准造成的评分结果的差异被系统所过滤。

在本系统中，将通过皮尔逊相关度来发现节点的推荐值和标准值之间的相关程度，从而来判断节点的推荐是否是真实的。这里假设节点给出的推荐是R，而标准值是Rs，那么这两者之间的相似度为

$\mathrm{\ρ}(R,\mathrm{Rs})=\frac{E(R*\mathrm{Rs})-E\left(R\right)*E\left(\mathrm{Rs}\right)}{\sqrt{E\left(R^2\right)-E^2\left(R\right)}*\sqrt{E\left({\mathrm{Rs}}^2\right)-E^2\left(\mathrm{Rs}\right)}}$

对于上述非恶意行为导致的声誉值降低的节点，而通过计算相似度，会发现这些节点的相似度较大。也就是说，虽然这些节点的推荐表面上看起来偏离标准值，但实际上它们与标准值的相关程度非常大，那么这样的节点在系统中也应该被定义为好的节点。对于这些相关度比较高，但是偏离值比较大的节点，设定一个补偿值V，假设队列中共有N次记录，第i次偏差值为Oi，那么补偿值为

$V=\frac{{\mathrm{\Σ}}_{i=1}^{i=N}\mathrm{Oi}}{N}$

在这之后收到节点的推荐时，将会在原先的标准值上加上这个补偿值再来计算节点的偏差。这样的话节点的推荐声誉就不会再受到影响了。虽然在没有计算相似度之前，节点的推荐声誉可能会下降，但是由于开始阶段的下降时比较缓慢的，因此，在计算了推荐度，引入了补偿以后，只要节点依然是做诚实评价，推荐声誉很快就会恢复。而在计算间接声誉值时，将补偿值加在节点的推荐值上，可以让间接声誉更准确反应节点的真实性。

步骤五中，推荐值的分配权重方案：推荐行为本身带有风险，作为接收者并不能肯定其收到的所有推荐值都是客观的。在科学定义中，真值是一个变量本身所具有的真实值，它是一个理想的概念，一般无法得到。接收者收到的推荐值中，有些会接近真值，有些会偏离真值很远。如果对于所有的推荐值都给予相同的信任度，显然不合理。合理方案是对于接近真值的推荐值给的信任度高，对于远离真值的推荐值给的信任度低。接收者要知道推荐者给出的推荐值是否可信，必须借助于推荐声誉。有了推荐声誉之后，对于收到的推荐值就可以根据推荐者推荐声誉的不同来划分区间。比如推荐声誉在0.3～0.5的推荐者发送的推荐值设为X区间，推荐声誉在0.5～0.8的推荐者发送的推荐值设为Y区间，这样划分后，明显Y区间的推荐值比X区间的推荐值更可信，因此计算间接声誉的时候Y区间所占的权重会比X区间大很多，即不可信节点的推荐最终所产生的影响被尽量降低了。

步骤五中所述的间接声誉，来源于其它相关节点返回的推荐值，根据节点对这些节点的推荐声誉加权计算推荐值获得间接声誉值。除此之外，多个返回的推荐值构成了对节点推荐声誉进行统计学研究的样本，通过在这里设计复杂的算法，来保证系统能真实反映客观情况。当节点A需要评价另一个节点B的声誉的时候，仅仅靠A自己的评价是不够的，因此它需要向其它在线节点(可能是所有也可能是随机的一些)发出推荐请求，请它们帮助评价B。假如节点C响应了A的推荐请求，C会将自己保存的关于B的声誉值发给A。A会收到很多人发送的推荐值，这些推荐都是关于B的声誉值，但A对这些人的推荐结果并不给予一致的信任，A会根据不同推荐者的推荐声誉为这些推荐值划分区间。在不同区间里对这些推荐值分别做统计，统计究成之后再按区间加权不同的值。这种做法保证了推荐声誉高的节点其推荐的作用就大，而推荐声誉低的节点其推荐的作用就小。

步骤六中所述的直接声誉，取决于节点之间直接接触的经验即交互记录，在文件共享中我们定义了三个参数作为服务质量标准：文件传输速度、资源文件的打分和断线率。

①文件传输速度：传输速度参数反应的是节点间交互的传输速度。这里的传输速度指的是在交互过程中，两个节点间连接的平均传输速度，通常可以通过总共下载的资源大小和下载所消耗的时间来计算获得。这个概念对节点交互来说，最直观的反应就是下载的快慢。它不需要主服务器或是上传者告诉下载者，下载者自己可以观察到下载过程中的速度变化，因此可以根据速度来评价服务质量以及服务者的直接声誉。文件传输速度是共享服务的一个重要指标同时也易于控制：一方面当节点提供较快的上传速度时，它理应获得较高的直接声誉。而当节点提供较慢的上传速度时，它的直接声誉应该受到影响；另一方面当节点的声誉值降低到底线时，系统会限制节点不让它再获得任何服务，直到它的声誉值返回正常。

传输速度参数是一个关于传输速度的分段函数。节点的传输速度影响因素又很多客观的原因，与网络的状况有很大的联系。但是，传输速度却是对交互感受影响很大的因素，因此必须加以考虑。因此，在模型中，处于平均周围大部分的传输速度都有比较良好的传输速度参数，只有一些非常低的传输速度才会给予比较差的传输速度参数。传输速度参数v∈[0，1]，传输速度vt，那么某次交互后传输速度参数为

$v=\left\{\begin{array}{cc}\frac{\mathrm{stav}}{\mathrm{alv}}*\mathrm{vt}& \mathrm{vt}<\mathrm{alv}\\ \mathrm{stav}& \mathrm{alv}\&le;\mathrm{vt}\&le;\mathrm{ahv}\\ 1-(1-\mathrm{stav})*e^{\mathrm{vt}-\mathrm{ahv}}& \mathrm{vt}>\mathrm{ahv}\end{array}\right.$

式中，stav是标准传输参数值，通常stav＞0.6，alv则是可以接受的平均传输速度的低值，ahv则是平均传输速度的高值，即高于这个值的传输速度是会有奖励值的。

②资源文件的打分：节点完成下载后，会根据对资源的满意状况对这个资源打分。在本模型中这里节点所作的评价应当是仅仅针对资源提供节点所提供的资源质量。这里就很容易产生一个误区。即部分节点可能将自己对资源的喜好程度影响到了对资源质量的评价，这就会使得交互记录存在误差。在这里，采取的解决方法是在节点评价时限定节点评价的范围。对一个交互所得的资源的质量分析不外乎三个方面：

1)资源的完整性，就是指的下载的资源是否是完整的，不存在内容上的缺损；

2)资源的真实性，就是指的下载的资源与资源提供节点所声称的提供的资源是否是一致的；

3)资源的可靠性，就是指的下载的资源是否是安全的，即不存在病毒或者木马脚本。

因此，就将所做的评价局限于这三方面，让节点针对这三方面分别作出评价，在将这三方面的评价总结起来。每一方面给予节点的选择只有是或者不是，完整性评价记为s1，若是完整的，则s1＝1，反之则为0；真实性评价记为s2，若是与宣称的是一致的，则s2＝1，反之则为0；可靠性评价记为s3，若资源是安全的，则s3＝1，反之则为0。这样，每次交互后的评价参数为

$S=\frac{s1+s2+s3}{3}$

③断线率：断线率参数反应的是节点间交互的断线率。这里的断线率指的是单位时间内断线的次数。断线率对于交互体验来说反应的就是连接的稳定性。跟传输速度相似的是，全局的断线率在本系统中也是很难获得的。因此这里用作参考的断线率可以是节点在一段时间交互后取平均值作为参考值。当然，由于稳定性也是交互体验中比较重要的一个部分，因此具体参数设置也可以由节点根据自己需求来设定。断线率参数与断线率是一个分段函数。与传输速度相似，断线率也会受到外部网络状态的影响，但同时又不可否认是资源提供节点提供的服务中的一个部分。因此，采用与传输速度参数和传输速度关系相似的曲线来衡量断线率参数。

断线率参数p∈[0，1]，断线率pt，那么某次交互以后断线率参数为：

$v=\left\{\begin{array}{cc}1-\frac{1-\mathrm{stap}}{\mathrm{alp}}*\mathrm{pt}& \mathrm{pt}<\mathrm{alp}\\ \mathrm{stap}& \mathrm{alp}\&le;\mathrm{pt}\&le;\mathrm{ahp}\\ \mathrm{stap}*e^{\mathrm{ahp}-\mathrm{pt}}& \mathrm{pt}>\mathrm{ahp}\end{array}\right.$

式中，stap是标准断线率参数值，通常stap＞0.6，alp平均断线率的低值，即低于这个值的断线率是会有奖励值的，ahv则是可以接受的断线率的高值。

本发明选择P2P网络环境中的资源文件下载和上传，建立对P2P资源共享系统每个节点都有拥有声誉值这些评价本身是由很多个体的评价构成的，也就是说声誉值是系统中节点相互评价的结果，但当一定数量的节点评价集体作用的时候，就构成了客观准确的系统。针对P2P资源交流过程中的节点行为建立标准，如节点在某段时间的活跃程度、资源文件的传输质量和传输速度、断种续种请求的响应等等，为节点计算其在P2P文件传输方面的声誉；另一方面，强制节点下载完成后对资源进行评分，该资源的综合评价亦作为资源发布者声誉的一部分。这两部分声誉共同构成节点的综合声誉，在第三方节点请求服务时由分布式网络计算得出并作为服务选择的参考。

本发明与现有技术相比具有如下有益效果：

现有国内外网站对于文件下载应用，大多数系统还停留在简单的靠节点上传量或者分享率评价节点声誉的层面上：一方面，文件的传输量确实是服务好坏的最重要标准；但另一方面，系统中的节点行为是多方面的，为了准确客观的反映实际情况，本发明细化了一些评价标准，把注意力主要集中在上传量以外的方面，如文件传输速度、断线率以及对资源文件的打分。这些方面在以往的文件共享体系中很少被考虑，本发明有利于进一步研究声誉模型在该方面应用的实际价值。

由于采用了分布式推荐的结构，把声誉管理嵌入到客户端，这样整个声誉模型就具备了分布式网络的特性。而该特性的最大优势在于，系统除了能通过直接交互经验获得声誉评价，更是充分利用了网络中其他节点的信息，极大丰富了推荐信息的来源。并且通过对推荐信息的统计学分析，合理的调整节点的声誉变化，使得相较于现有技术，系统中的节点行为能更加及时准确的反映到声誉变化趋势中来，从而帮助节点做出更加准确的判断。

本发明对于推荐过程中可能存在的风险进行了充分评估。推荐系统中常见的恶意行为，例如恶意推荐、团伙欺骗、策略欺骗等等，在本模型中都得到了有效的遏制。此外，系统对于非恶意行为产生的诚实偏差进行了有效的补偿，进一步提高了整个模型的准确度。

附图说明

图1本发明实施例中PT站点声誉系统构建的流程图：

图2本发明实施例中有3次直接交互经验的声誉评价过程图；

图3本发明实施例中不诚实推荐对推荐声誉的影响图示；

图4本发明实施例中团伙欺骗对声誉的影响图示。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例包括如下步骤：

步骤一：节点A向tracker服务器请求文件R的拥有者列表。若无做种者，则阻塞一段时间后重新尝试；若有做种者，则当前节点A根据tracker服务器返回的列表查询本地数据，获得列表中所有节点的声誉值。

如图1所示，节点要下载资源，首先向Tracker服务器发送请求，Tracker服务器回应节点的请求，提供给它一个其它下载者(包括发布者和完成者)的IP地址列表。节点根据这个列表，查询其中能为自己提供服务节点的声誉，声誉值由直接声誉、间接声誉和推荐声誉共同组成。虽然这三者之前都是相互关联的，但是在建立信任时，都有不同的来源。

步骤二：设B是列表中的某一节点，A查看其对被评估节点B的声誉值的更新时间。为了保证声誉的实时性和网络的效率之间的平衡，并不会每次都重新对节点去建立新的信任。解决的方案是设定一个时间的阈值。在要对节点进行评估时，先查询最近一次更新节点声誉值的时间，如果在这个阈值范围内，那么就不对这个声誉值进行更新，默认这个节点的声誉在短时间内不会发生很大的变化；但是如果超出了这个阈值，就要根据下面的流程重新建立信任。查询与B的直接交互记录队列，根据时间因子计算当前节点对B的直接声誉。

首先查找交互记录队列，根据这些交互记录重新计算直接声誉。如图2所示，节点A需要计算节点B的直接声誉。A与B有过3次直接交互，A本地保留着每次的交互记录。这些交互记录包括：每一次A从B那里下载文件的平均速度，每次下载完成之后，A根据这些文件是否真实有用对该资源的打分(虽然是针对资源打分，但最终还是落实到对节点B的声誉上)，还有下载过程中B的断线率。

假如节点B平时是一个行为良好的节点，带宽很高(上传速度快)，热衷于做种(断线率低)，上传的资源真实有用没有病毒(资源质量高)，那么B的声誉会保持在较高区间。假定声誉值为定义在0到1之间的实数，则B的声誉在0.8左右；假如节点B的网络线路出了问题，时不时的会掉线一下或者网速没有平时高。恰好这段时间节点A和节点B交互了3次，并留下了交互记录。根据A的记录来看，B提供的服务质量很差，因为从B这里下东西经常会断线，下载速度很慢，所以A对B由直接交互记录评价的声誉可能只有0.3左右。

步骤三：节点A随机选取系统中定量节点，向这些节点发送关于节点B的推荐请求，请求它们给出关于节点B声誉的推荐值。

收到推荐请求的节点，如果既没有直接交互记录也没有更新过推荐声誉时，则不返回推荐值；如果有直接交互记录或更新过推荐声誉，则发送推荐值。节点收到请求后返回推荐值。

步骤四：节点A收到步骤三中若干节点返回的推荐值，并对这些推荐值进行统计学分析。由收到的所有推荐值计算出关于节点B推荐的标准值，再根据每个推荐值相对于标准值的偏差值，确定推荐者行为的诚实度并更新推荐者的推荐声誉。

如图3所示，C、D、E、F四个节点同时向节点A发送关于B的推荐值，其中D、E、F都给出了诚实的推荐，而C查询到的声誉值明明是0.6却给出了0.9的推荐值。A收到这四个值后，首先求取这组样本数据的平均值，然后根据平均值计算每个推荐值距离平均值的偏差值，这样就得到一组偏差值。根据偏差值的大小，将C、D、E、F这次的推荐行为分别映射到诚实推荐和不诚实推荐的区间中。

节点的推荐行为有诚实和不诚实之分，因此推荐声誉的更新有增加和减少两个方向。对于诚实推荐的节点，由于它们的推荐值与平均值差距较小，所以默认它们进行了正确的推荐，对其推荐声誉增加一定值：对于不诚实推荐的节点，无论是高于平均值还是低于平均值，都认为其推荐出现了不诚实的可能，因此要对其推荐声誉进行降低，降低的幅度由其推荐值的偏差大小而定。

假设更新时的推荐声誉为R，R∈[0，1]，而当次的偏差值为O，那么更新以后的推荐声誉

$R=\left\{\begin{array}{cc}\min (1,R+M*e^{-\mathrm{kR}})& O<M\\ \max (0,R-O*e^{-k(R-\mathrm{pe})})& \mathrm{else}\end{array}\right.$

式子中M是设定的偏差值的阈值，k是为了让推荐声誉平缓变化的平缓系数，而pe是惩罚值。

在这个式子中，认为偏差值小于阈值M的推荐值都是好的推荐值，是可以收到奖励，即推荐声誉会上升。而偏差值大于阈值M的推荐值通常被认为是不真实的推荐，会使推荐声誉值下降，并且下降的幅度随偏差值单调增。并且下降的幅度总是比上升要快，比较符合现实应用中，破坏声誉是容易的，而要建立良好的声誉是比较困难和耗时的。

对于单个节点的诋毁以及团伙欺骗，偏差值能够很好的过滤出这些不公正的评价。如图4所示，在推荐过程中，可能出现的团伙欺骗行为。由于定义了推荐声誉，使得恶意行为对系统的危害降低。

平缓系数k是为了让推荐声誉的变化比较平缓，即单次的推荐对推荐声誉不应该有太大的影响。这个参数可以根据系统运行状况进行调节。

这里的上升和下降幅度用e^-kR来表示，当R ∈[0，1]时，这是一个单调递减的函数，即当R大的时候e^-kR比较小，而随着R逐渐减小，e^-kR就会慢慢变大。这样的话，在初始阶段，推荐声誉值的下降是比较平缓的，而到了推荐声誉比较差的阶段，推荐声誉下降也会变得剧烈。通过这样的方法，好的节点偶尔的偏差推荐并不会对自己的推荐声誉造成很大的影响，并且在多次好的推荐后就可以逐步恢复；而对那些恶意推荐的节点，则恶意推荐对推荐声誉影响越来越大，推荐声誉下降速度也越来越快，想要恢复就需要更多的好的推荐，起到了对恶意节点的惩罚作用。惩罚因子可以有效遏制策略欺骗。

对于推荐过程中的诚实偏差，以下面的事件为例：

A节点的网络状况不大好，当它从其它节点下载资源的时候，有可能经常断线。虽然这个断线是由于A自己的原因造成的，但对于A来说，这次交互记录中它还是会认为与它交互的节点断线率很高。这样A眼中的所有和它交互的人的断线率都很高，那么A对所有人的直接声誉评价都很低，这会导致A对所有人的声誉值评价都比正常人低。当A向别的节点做推荐的时候，它发出了普遍低于大众的推荐值，但对于A来说它并非故意给出不真实的推荐，如果不采取任何措施，这些推荐会被当作恶意推荐，A的推荐声誉会迅速下降，连带A的声誉值也迅速下降，最终A将被系统冻结。

相似度这个概念在推荐系统中应用多是用来判断节点之间对内容口味的相似度。它的原理是通过判断两组数据与某一直线拟合程度来判断相似度。它在数据不是很规范(normalized)的时候，如影评者对影片的评价总是相对于平均水平偏离很大时，会倾向于给出更好的结果。采用相关度方法可以修正“夸大分值(grade inflation)”的情况。在本例中，虽然A总是倾向于给出比大众更低的分数，但最终的直线仍然拟合度较高，这是因为他们有着相对近似的偏好。也就是说，如果某人总是倾向于给出比另一人更高的分数，而两者的分差又始终保持一致，则他们依然可能会存在很好的相关性。而此前提到过的评价方法，会因为一个人的评价始终比另一个人更为“严格”(从而导致评价始终相对较低)，而得出两者不相近的结论，即使他们的品位很相似也是如此。所以运用相关度之后，虽然节点A的推荐值每次都比其它人的平均值低0.2，但这个0.2的差值基本上是恒定，发现了这一点后，我们可以认为A这个节点评判标准独特，但它的推荐是公正的，对于公正的行为没有必要进行惩罚，所以A的推荐声誉不会因为它总是低于别人的推荐值而降低。

步骤五：节点A根据步骤四中更新后各节点的推荐声誉划分模糊区间，也就是当推荐声誉在一个特定范围内时，就认为这些节点所作的推荐的信任程度都是一样的。各节点关于B的推荐值由推荐者推荐声誉的不同划分至不同的区间内，计算每个区间内所有节点所作推荐的平均值，然后将这些平均值赋以各自的权重进行计算，计算得节点B的间接声誉。

间接声誉的模糊区间划分可以根据实际需要进行调整。区间划分的越细，不同推荐声誉的推荐者提供的推荐值之间的区分度就明显，由此间接声誉的敏感度和波动性会越大。在实际的测试中，模糊区间的设置是一个非常重要的参数。

表1根据推荐声誉节点分类

节点类型	推荐声誉	行为描述	权重
				最诚实节点	0.8～1	总是做出诚实的推荐	0.5
一般节点	0.5～0.8	基本做诚实推荐	0.3
				较坏节点	0.2～0.5	有时做诚实推荐	0.15
恶意节点	0～0.2	很少做诚实推荐	0.05

假设表1四种类型节点的平均值分别是R1，R2，R3，R4，那么间接声誉值为：

Idr＝0.5*R1+0.3*R2+0.15*R3+0.05*R4

步骤六：在计算获得直接声誉、推荐声誉和间接声誉后，设置权重分配参数，将这三者整合成最终声誉。直接声誉比起间接声誉来说总是可靠一些的，但是当直接声誉很少的时候，存在偏差的可能性也会比较大。因此，可以根据直接交互的次数来分配权重。

设直接声誉为dr，dr∈[0，1]，直接交互的次数为M，间接声誉为Idr，Idr∈[0，1]，给出推荐的节点与被推荐节点间交互次数平均值为N，推荐声誉为R，R ∈[0，1]，那么此次建立的声誉为

$\mathrm{Trust}=\frac{M}{*\mathrm{RM}+N}*\mathrm{\&theta;}*\mathrm{dr}+\frac{N}{M+N}*\mathrm{\&theta;}*\mathrm{Idr}+(1-\mathrm{\&theta;})*R$

步骤七：重复步骤二至步骤六的过程，得到文件R的拥有者列表中所有节点的声誉值，并根据它们声誉值的高低，选出合适的节点进行连接，下载资源。

声誉系统的建立是为了提供筛选资源的参考信息。当获得可提供服务节点列表中所有节点的声誉值之后，筛选的标准和规则可以根据当时网络状况和服务目的进行灵活的设定，比如当网络拥塞的时候，可以限制每个节点只能建立一条连接，即声誉值最高的那个节点。若网络状况较宽松，可以让节点多选择几个排名靠前的节点进行连接。这样既有利于控制负载，同时也保证了服务质量。

步骤八：下载完成后，节点A根据该资源的客观状况对这个资源打分。评价标准包括：文件内容是否与名称描述相符；文件是否完整或者有残破不能运行；是否有病毒。文件传输速度、资源文件的打分和断线率共同构成一条新的交互记录，添加到节点A的交互记录列表中。

Claims (3)

1.一种P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法，其特征在于，包括如下步骤：

步骤一：节点A向tracker服务器请求文件R的拥有者列表，获得列表中所有节点的声誉值；

步骤二：设B是列表中的某一节点，A查看其对被评估节点B的声誉值的更新时间；查询与B的直接交互记录队列，根据时间因子计算当前节点对B的直接声誉；

步骤三：节点A随机选取系统中定量节点，向这些节点发送关于节点B的推荐请求，请求它们给出关于节点B声誉的推荐值；

步骤四：节点A收到步骤三中若干节点返回的推荐值，并对这些推荐值进行比较分析，由收到的所有推荐值计算出关于节点B推荐的标准值，再根据每个推荐值相对于标准值的偏差值，确定推荐者行为的诚实度并更新推荐者的推荐声誉，即所述的节点在发出了推荐请求后，收到了N个节点N1,N2…回复的推荐值分别是R1,R2…RN，这里R1,R2…RN∈[0，1]，同时还收到了这些节点回复的有效交互次数分别是C1,C2…CN，那么标准值

$\mathrm{Rs}=\frac{C0}{C0+\mathrm{Cavg}}*\mathrm{dr}+\frac{\mathrm{Cavg}}{C0+\mathrm{Cavg}}*\mathrm{Ravg},$

式中，C0为节点A与被评价节点的直接交互次数

$\mathrm{Cavg}=\frac{C1+C2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{CN}}{N},$

$\mathrm{Ravg}=\frac{R1+R2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{RN}}{N},$

在计算好标准值后，偏差值就是两者间的差值的绝对值，假设节点Ni所回复的推荐值是Ri，那么偏差值

Oi=|Ri-Rs|；

步骤五：节点A根据步骤四中更新后各节点的推荐声誉划分模糊区间，当推荐声誉在一个范围内时，就认为这些节点所作的推荐的信任程度都是一样的；各节点关于B的推荐值由推荐者推荐声誉的不同划分至不同的区间内，计算每个区间内所有节点所作推荐的平均值，然后将这些平均值赋以各自的权重进行计算，计算得节点B的间接声誉；

步骤六：在计算获得直接声誉、推荐声誉和间接声誉后，设置权重分配参数，将这三者整合成最终声誉，即设直接声誉为dr，dr∈[0，1]，直接交互的次数为M，间接声誉为Idr，Idr∈[0，1]，给出推荐的节点与被推荐节点间交互次数平均值为N’，推荐声誉为R，R∈[0，1]，那么此次建立的声誉为：

$\mathrm{Trust}=\frac{M}{M+N^{\&prime;}}*\mathrm{\&theta;}*\mathrm{dr}+\frac{N^{\&prime;}}{M+N^{\&prime;}}*\mathrm{\&theta;}*\mathrm{Idr}+(1-\mathrm{\&theta;})*R;$

步骤七：重复步骤二至步骤六的过程，得到文件R的拥有者列表中所有节点的声誉值，并根据它们声誉值的高低，选出合适的节点进行连接，下载资源；

步骤八：下载完成后，节点A根据该资源的客观状况对这个资源打分。

2.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法，其特征是，步骤二中为了保证声誉的实时性和网络的效率之间的平衡，设定一个时间的阈值，阈值根据网络情况来设定，在实际应用时根据节点的需要进行调节。

3.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法，其特征是，步骤八中的打分评价标准包括：文件内容是否与名称描述相符、文件是否完整或者有残破不能运行以及是否有病毒；将文件传输速度、资源文件的打分和断线率共同构成一条新的交互记录，添加到节点A的交互记录列表中。

Images