CN102880637A - 一种基于用户诚实度的动态的Web服务信任评估方法 - Google Patents
一种基于用户诚实度的动态的Web服务信任评估方法 Download PDFInfo
- Publication number
- CN102880637A CN102880637A CN2012102793634A CN201210279363A CN102880637A CN 102880637 A CN102880637 A CN 102880637A CN 2012102793634 A CN2012102793634 A CN 2012102793634A CN 201210279363 A CN201210279363 A CN 201210279363A CN 102880637 A CN102880637 A CN 102880637A
- Authority
- CN
- China
- Prior art keywords
- user
- trust
- service
- preference
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公布了一种基于用户诚实度的动态的Web服务信任评估方法。首先根据用户对服务的要求,自动挖掘用户偏好;根据用户偏好划分相似用户群,在偏好相似用户群中进行评价一致性聚类,区分诚实用户与恶意用户,计算偏好相似用户群的用户诚实度,根据用户诚实度的变化,动态调整主观评价在综合信任计算中的权重,从而降低恶意评价对Web服务信任评估的影响,提高信任评估的准确性,更好地指导用户进行可信服务的选择。
Description
技术领域
本发明提出了一种基于用户诚实度的动态的Web服务信任评估方法,属于Web服务动态信任评估技术领域。
背景技术
随着Web服务技术的日益成熟,越来越多的Web服务出现在网络上。对于服务的使用者和组合服务的开发者(统称“用户”)来说,都面临着一个问题,即如何在功能相似的Web服务中进行挑选。这时,就需要引入信任问题,从用户的角度,对Web服务的可信性进行评估,以指导可信服务的选择。
早期关于信任问题的研究中,学者们将传统的安全认证授权机制中隐含的信任概念抽取出来,并以此为中心进行展开。最具代表性的是Matt Blaze等人的研究工作,他们在1996年首次提出了“信任管理(trust management)”的概念,并用于解决互联网服务的安全问题。他们提出的信任管理模型,其本质还是一种基于凭证的信任模型,是对信任的一种理性的、客观的评价方法。
然而一些学者(如Alfarez Abdul-Rahman,Diego Gambetta和Audun等)指出,信任应该是带有主观性的、是非理性的,基于此观点,学者们提出了一些经典的信任评估模型,如信任度评估模型和Beth信任评估模型等等。随着研究工作的推进,多种理论方法被引入到信任领域中,例如贝叶斯网络、模糊逻辑、信息熵、云模型、灰色理论等等,从而形成了多种多样的信任评估方法。
现有的信任评估方法中,学者们考虑了多方面的因素对信任的影响,如直接交互经验和从其他用户获取的信任值。直接交互经验又包括用户获得的客观的服务质量和用户对服务的主观评价;从其他用户获取信任值有两种方式,一种是通过相似用户推荐,另一种是信任链的传递。综观现有的模型,不仅研究了多种多样的信任值的量化和表示方法,还研究了信任传递以及综合信任计算的方法,但其中仍然存在一些问题:
1.现有的信任评估方法,多集中在如何将信任证据进行整合,从而导出客观的信任度评估值。关于信任证据的来源,其中有的只考虑交互成功次数,有的考虑多维服务质量属性(由监控部件在用户端进行质量数据的监控)。在考虑了多维质量属性的方法中,有的不考虑用户对服务的质量属性的偏好(多维信任证据在整合时所占的权重),而考虑用户偏好的评估方法,大多要求用户手动设置不同质量属性的权重,不能够自动从用户需求中挖掘出用户偏好。
2.新用户对Web服务的信任度评估在很大程度上依赖于从其他用户间接获取的信任值,而Web服务在一个开放式的环境下,难免会存在一些用户对服务进行恶意评价(包括恶意诋毁和恶意好评),这些恶意的评价会误导新用户进行错误的决策。现有的信任模型中,检测恶意评价的方法,或是通过与可信第三方的评价进行比较,或是将评价与客观的服务能力可信度进行比较。其中存在的问题:一方面,用户对服务的评价与其偏好有很大关系,而第三方的评价或者客观能力可信度无法涵盖不同偏好的用户,可能产生误判现象;另一方面,第三方评价和能力可信度都属于客观的数据,而客观数据与主观数据比较的合理性还有待研究。
3.现有信任模型中,提供恶意评价的用户对服务的直接信任值,将不参与间接信任的计算。这样的处理方法不够合理:一方面,现有恶意评价的检测方法很可能将诚实的评价误判为恶意评价,如果去除这部分用户的直接信任值,会导致计算出的间接信任不够全面;另一方面,即使是提供了恶意评价,那些用户的客户端监控到的质量数据对服务的信任度评估仍然存在一定的价值,所以不应采取完全去除的方法。
发明内容
本发明的目的是提出一种基于用户诚实度的动态的Web服务信任评估方法,可以降低恶意评价对Web服务信任评估的影响,提高信任评估的准确性,更好地指导用户进行可信服务的选择。
为了实现以上目的,本发明采取的技术方案如下:一种基于用户诚实度的动态的Web服务信任评估方法,包括如下几个步骤:
1)根据用户对服务质量的需求以及监控的质量数据,分别评估每一维质量属性的可信值;
2)从用户对服务质量的需求中自动挖掘用户偏好;
3)由每一维质量属性可信值,根据用户偏好设定权重加权求和,计算客观质量可信值;
4)根据用户偏好,划分相似用户群,在偏好相似用户群中,基于评价一致用户聚类,将诚实用户与恶意用户区分开来,评估用户群的用户诚实度;
5)根据用户诚实度设定主观评价的权重,将主观评价与客观质量可信值加权求和,计算最终综合信任评估值。
所述步骤1)中,根据用户对Web服务质量的需求以及监控的质量数据,分别评估每一维质量属性的可信性ToQ的具体方法如下:
然后,根据以下公式计算ToQ:
所述步骤2)中根据用户对服务质量的需求自动挖掘用户偏好PoQ的具体步骤如下:
2.1)针对一组功能相同的Web服务,用户对每个质量属性给出的需求记为RoQ;
2.2)获取这一组Web服务每个质量属性的最好值Qbest和最差值Qworst,将[Qworst,Qbest]这一区间分成5个子区间,分别对应5个质量等级{很差,差,一般,好,很好},依次用5个数值表示{1,2,3,4,5};
2.3)将用户对每个质量属性给出的需求RoQ对应到以上5个子区间,并用相应的数值代替,得到用户对每个质量属性的需求等级LoRQ,按照以下公式,计算用户偏好:
其中,PoQ即Preference of Quality,表示用户对服务质量属性的偏好;LoRQ即Level of Required Quality,表示用户对服务质量的需求的等级,等级越高,说明要求也越高。
所述步骤3)由每一维质量属性可信值,根据用户偏好设定权重加权求和,计算客观质量可信值的具体方法如下:
所述步骤4),在得到用户偏好的基础上,将偏好相同的用户划分到一个相似用户群中;在相似用户群中,对于同一个Web服务,诚实的用户给出的主观评价和接受的服务质量是一致的;基于这一特性,将诚实用户和恶意用户区分开来,计算用户诚实度HoU,主要步骤如下:
4.1)将每个用户对服务的客观信任值Tobjective及其给出的主观评价Rating合成一个向量VoQRi=(Tobjective,Rating),在相似用户群中,针对使用过同一服务的用户,计算两两之间VoQR的夹角余弦值,该值即代表两个用户之间的一致性程度:
4.2)设定阈值□,从用户列表中第一个用户开始,将本用户及与它一致性超过□的用户聚集到一个簇中,更新用户列表,从中去除本簇中的用户;
4.3)重复执行步骤4.2),直到用户列表为空;使用过同一服务的用户被划分为多个簇,每个簇中的用户之间都是一致的;根据实际情况,诚实用户总是占大多数,将最大的簇视为针对该服务的诚实用户簇,其余簇中的用户计入SoDU;
4.4)针对这一组功能相同的服务中的每个服务,得到相应的SoDUi;最终计算整个用户群中诚实用户所占的比例,即代表用户群的用户诚实度:
所述步骤5)根据用户诚实度动态设定主观评价的权重,将客观信任值和用户主观评价进行综合,得出综合信任值:
Tcomprehensive=(HoU·0.5)·Rating+(1-HoU·0.5)·Tobjective。
有益效果:本发明提出了一种感知用户诚实度的动态的信任评估方法,在偏好相似用户群中根据一致性聚类结果,计算用户诚实度,从而动态调整主观评价在直接信任评估中的权值,主要用于降低恶意评价对信任评估的影响。主要有以下一些优点:
(1)考虑多维质量属性以及用户对各质量属性的偏好对信任评估的影响,使得信任评估值更加全面地反映真实的信任度。我们提出的用户偏好自动挖掘方法,可以自动地从用户对质量属性的需求中挖掘出用户偏好,一方面降低用户负担,另一方面可以有效防止用户手动设置偏好有可能导致的不一致问题;
(2)本发明所提出的诚实用户与恶意用户识别方法,在偏好相似用户群中进行,能够适应实际应用中用户偏好差异的问题;另一方面,不考虑客观质量与主观评价之间的具体关系,而是根据两个用户之间的数据一致性进行聚类,这样的识别结果更加合理可信;
(3)诚实用户与恶意用户的识别结果,用于指导主观评价权重的动态设置,当恶意用户增多时,主观评价的权重会降低,客观质量可信性的权重升高,能够有效降低恶意评价对信任评估的影响。
附图说明
图1是本发明所提出的信任评估方法的总体框架图。
图2是本发明中利用向量夹角余弦值代表用户一致性的示意图。
图3是本发明具体实施方式中用户聚类结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
一、详细方法流程
1.单维服务质量属性可信性评估
根据用户对Web服务质量的需求以及实际监控到的质量数据进行比较,分别评估每一维质量属性的可信性ToQ(Trust of Qualities):
2.用户偏好自动挖掘
根据用户对服务质量的需求自动挖掘用户偏好PoQ(Preference ofQualities),步骤如下:
步骤1)针对一组功能相同的Web服务,用户对每个质量属性给出的需求记为RoQ(Requirement of Qualities);
步骤2)获取这一组Web服务每个质量属性的最好值(Qbest)和最差值(Qworst),将[Qworst,Qbest]这一区间分成5个子区间,分别对应5个质量等级{很差,差,一般,好,很好},依次用5个数值表示{1,2,3,4,5};
步骤3)将用户对每个质量属性给出的需求RoQ对应到以上5个子区间,并用相应的数值代替,得到用户对每个质量属性的需求等级LoRQ(Level ofRequired Qualities),按照以下公式,计算用户偏好:
至此,根据每一维服务质量属性的可信值以及用户的偏好,可以评估客观信任值:
3.用户诚实度评估
在得到用户偏好的基础上,将偏好相同的用户划分到一个相似用户群中。在相似用户群中,对于同一个Web服务,诚实的用户给出的主观评价和接受的服务质量是一致的。基于这一特性,将诚实用户和恶意用户区分开来,计算用户诚实度HoU(Honesty of Users),主要步骤如下:
1)将每个用户对服务的客观信任值(Tobjective)及其给出的主观评价(Rating)合成一个向量VoQRi=(Tobjective,Rating),在相似用户群中,针对使用过同一服务的用户,计算两两之间VoQR的夹角余弦值(其特性如图2所示),该值即代表两个用户之间的一致性程度:
2)设定阈值□,从服务s1的用户列表中第一个用户u1开始,将与u1一致性超过□的用户聚集到一个簇中,然后将这个簇中的用户从用户列表中删除;
3)重复执行步骤2),直到用户列表为空。至此,使用过同一服务s1的用户被划分为多个簇,每个簇中的用户之间都是一致的。我们假设一个用户群中诚实用户总是占大多数,因此将最大的簇视为诚实用户簇,其余簇中的用户计入SoDU1(Set of Dishonest Users);
4)针对该用户群使用过的每个服务,得到相应的SoDUi,最终计算整个用户群中诚实用户所占的比例,即代表用户群的用户诚实度:
4.综合信任评估值计算
根据用户诚实度动态设定主观评价的权重,将客观信任值和用户主观评价进行综合,得出综合信任值:
Tcomprehensive=(HoU·0.5)·Rating+(1-HoU·0.5)·Tobjective。
实施例:
1.单维服务质量属性可信性评估
某用户Us对天气预报Web服务的需求为:可靠性(Reliadbility)不低于85%,响应时间(ResponseTime)不超过7s。在该用户端一天24个时段内,针对其使用的天气预报Web服务监控到的质量数据如下表所示:
可靠性正面证据次数r=13,反面证据次数s=11,可靠性的可信值ToQReliability=0.54。
响应时间正面证据次数r=16,反面证据次数s=8,响应时间的可信值ToQResponseTime=0.66。
2.用户偏好自动挖掘
根据统计结果,所有天气预报Web服务中,平均可靠性最好为90%,最差为60%;平均响应时间最好为2s,最差为10s。将可靠性和响应时间均分为5级,如下表所示:
则用户Us对可靠性的需求对应于“很好”级别,对应的LoRQReliability=5,对响应时间的需求对应于“一般”级别,对应的LoRQResponseTime=3,那么用户对可靠性的偏好PoQReliability=0.625,而对响应时间的偏好PoQResponseTime=0.375。
至此,根据用户Us对天气预报服务各质量属性的偏好,以及他使用的天气预报服务各质量属性的可信值,可计算出Us对该服务的客观信任值:
Tobjective=0.625*0.54+0.375*0.66=0.59。
3.用户诚实度评估
现有两个Web服务能实现天气预报功能,根据用户偏好,有12个用户(U1-U12)被划分到同一个用户群中。这12个用户对两个服务的客观信任值和评价,如下表所示:
用户 | U1 | U2 | U3 | U4 | U5 | U6 | U7 | U8 |
Tobjective | 0.69 | 0.75 | 0.58 | 0.73 | 0.68 | 0.52 | 0.73 | 0.79 |
Rating | 0.75 | 0.70 | 0.65 | 0.75 | 0.80 | 0.95 | 0.20 | 0.25 |
用户 | U2 | U6 | U9 | U10 | U11 | U12 |
Tobject ive | 0.54 | 0.57 | 0.62 | 0.55 | 0.68 | 0.56 |
Rating | 0.60 | 0.65 | 0.60 | 0.50 | 0.65 | 0.95 |
根据一致性计算公式,分别针对两个天气预报Web服务得出其用户之间的一致性关系:
U2 | U6 | U9 | U10 | U11 | U12 | |
U2 | 1 | 0.9999 | 0.9976 | 0.9950 | 0.9972 | 0.9800 |
U6 | 0.9999 | 1 | 0.9967 | 0.9936 | 0.9961 | 0.9825 |
U9 | 0.9976 | 0.9967 | 1 | 0.9995 | 1.0000 | 0.9640 |
U10 | 0.9950 | 0.9936 | 0.9995 | 1 | 0.9997 | 0.9552 |
U11 | 0.9972 | 0.9961 | 1.0000 | 0.9997 | 1 | 0.9623 |
U12 | 0.9800 | 0.9825 | 0.9640 | 0.9552 | 0.9623 | 1 |
一致性阈值设置为0.985(即向量夹角不超过10度),将两个服务的用户组分别进行聚类,结果如图3所示。服务1用户簇1中的用户为诚实用户,其余簇中的用户{U6,U7,U8}计入不诚实用户集SoDU1;服务2用户簇1中的用户为诚实用户,其余簇中的用户{U12}计入不诚实用户集SoDU2。针对天气预报这一类服务,其用户诚实度评估值:
4.综合信任评估值计算
上述12个用户对这两个天气预报服务的综合信任评估值如下表所示:
用户 | U1 | U2 | U3 | U4 | U5 | U6 | U7 | U8 |
Tcomprehensive | 0.71 | 0.73 | 0.60 | 0.74 | 0.72 | 0.66 | 0.55 | 0.61 |
用户 | U2 | U6 | U9 | U10 | U11 | U12 |
Tcomprehensive | 0.56 | 0.60 | 0.61 | 0.53 | 0.67 | 0.69 |
Claims (6)
1.一种基于用户诚实度的动态的Web服务信任评估方法,其特征在于,包括如下几个步骤:
1)根据用户对服务质量的需求以及监控的质量数据,分别评估每一维质量属性的可信值;
2)从用户对服务质量的需求中自动挖掘用户偏好;
3)由每一维质量属性可信值,根据用户偏好设定权重加权求和,计算客观质量可信值;
4)根据用户偏好,划分相似用户群,在偏好相似用户群中,基于评价一致用户聚类,将诚实用户与恶意用户区分开来,评估用户群的用户诚实度;
5)根据用户诚实度设定主观评价的权重,将主观评价与客观质量可信值加权求和,计算最终综合信任评估值。
3.根据权利要求1所述的Web服务信任评估方法,其特征在于,所述步骤2)中根据用户对服务质量的需求自动挖掘用户偏好PoQ的具体步骤如下:
2.1)针对一组功能相同的Web服务,用户对每个质量属性给出的需求记为RoQ;
2.2)获取这一组Web服务每个质量属性的最好值Qbest和最差值Qworst,将[Qworst,Qbest]这一区间分成5个子区间,分别对应5个质量等级{很差,差,一般,好,很好},依次用5个数值表示{1,2,3,4,5};
2.3)将用户对每个质量属性给出的需求RoQ对应到以上5个子区间,并用相应的数值代替,得到用户对每个质量属性的需求等级LoRQ,按照以下公式,计算用户偏好:
其中,PoQ即Preference of Quality,表示用户对服务质量属性的偏好;LoRQ即Level of Required Quality,表示用户对服务质量的需求的等级,等级越高,说明要求也越高。
4.根据权利要求1所述的Web服务信任评估方法,其特征在于,所述步骤3)由每一维质量属性可信值,根据用户偏好设定权重加权求和,计算客观质量可信值的具体方法如下:
5.根据权利要求1所述的Web服务信任评估方法,其特征在于,所述步骤4),在得到用户偏好的基础上,将偏好相同的用户划分到一个相似用户群中;在相似用户群中,对于同一个Web服务,诚实的用户给出的主观评价和接受的服务质量是一致的;基于这一特性,将诚实用户和恶意用户区分开来,计算用户诚实度HoU,主要步骤如下:
4.1)将每个用户对服务的客观信任值Tobjective及其给出的主观评价Rating合成一个向量VoQRi=(Tobjective,Rating),在相似用户群中,针对使用过同一服务的用户,计算两两之间VoQR的夹角余弦值,该值即代表两个用户之间的一致性程度:
4.2)设定阈值□,从用户列表中第一个用户开始,将本用户及与它一致性超过□的用户聚集到一个簇中,更新用户列表,从中去除本簇中的用户;
4.3)重复执行步骤4.2),直到用户列表为空;使用过同一服务的用户被划分为多个簇,每个簇中的用户之间都是一致的;根据实际情况,诚实用户总是占大多数,将最大的簇视为针对该服务的诚实用户簇,其余簇中的用户计入SoDU;
4.4)针对这一组功能相同的服务中的每个服务,得到相应的SoDUi;最终计算整个用户群中诚实用户所占的比例,即代表用户群的用户诚实度:
6.根据权利要求1所述的Web服务信任评估方法,其特征在于,所述步骤5)根据用户诚实度动态设定主观评价的权重,将客观信任值和用户主观评价进行综合,得出综合信任值:
Tcomprehensive=(HoU·0.5)·Rating+(1-HoU·0.5)·Tobjective。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210279363.4A CN102880637B (zh) | 2012-08-07 | 2012-08-07 | 一种基于用户诚实度的动态的Web服务信任评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210279363.4A CN102880637B (zh) | 2012-08-07 | 2012-08-07 | 一种基于用户诚实度的动态的Web服务信任评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102880637A true CN102880637A (zh) | 2013-01-16 |
CN102880637B CN102880637B (zh) | 2015-04-08 |
Family
ID=47481963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210279363.4A Expired - Fee Related CN102880637B (zh) | 2012-08-07 | 2012-08-07 | 一种基于用户诚实度的动态的Web服务信任评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880637B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103780461A (zh) * | 2014-01-21 | 2014-05-07 | 北京邮电大学 | 综合考虑主客观权重的Web业务服务质量QoS的测量方法 |
CN103916392A (zh) * | 2014-03-31 | 2014-07-09 | 北京工业大学 | 基于奖惩因子和评价可信度的实体推荐信任计算方法 |
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
CN104978676A (zh) * | 2015-07-13 | 2015-10-14 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN106161127A (zh) * | 2015-04-08 | 2016-11-23 | 深圳市腾讯计算机系统有限公司 | 用户类别检测方法和装置 |
CN107918834A (zh) * | 2017-08-01 | 2018-04-17 | 缪文龙 | 一种个体感官体验快速评估定位方法及定位卡 |
CN108460258A (zh) * | 2018-01-31 | 2018-08-28 | 中国电子科技集团公司第三十研究所 | 一种用户信任综合评估方法 |
CN108989095A (zh) * | 2018-06-28 | 2018-12-11 | 安徽大学 | 可抵抗恶意评价的公有云可信度评估方法及其评估系统 |
WO2019153238A1 (en) * | 2018-02-09 | 2019-08-15 | Nokia Technologies Oy | Method and apparatus for dynamic-collusive false attack detection in online voting systems |
CN110769270A (zh) * | 2019-11-08 | 2020-02-07 | 网易(杭州)网络有限公司 | 直播互动的方法及装置、电子设备、存储介质 |
CN112213976A (zh) * | 2020-10-07 | 2021-01-12 | 广州云智通讯科技有限公司 | 一种基于大数据的智能家居加湿控制方法及系统 |
CN115834247A (zh) * | 2023-01-18 | 2023-03-21 | 北京交通大学 | 一种基于区块链的边缘计算信任评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060026089A1 (en) * | 2004-07-29 | 2006-02-02 | Webe Yellow, Inc. | Telephonic device to connect query initiator to provider |
CN101674328A (zh) * | 2009-11-18 | 2010-03-17 | 南京理工大学 | 基于语义和QoS约束的主体服务描述和匹配方法 |
CN101710405A (zh) * | 2009-12-18 | 2010-05-19 | 南京大学 | 一种基于信任管理的面向Web服务的工作流编辑方法 |
CN101937471A (zh) * | 2010-09-21 | 2011-01-05 | 上海大学 | 关键词提取算法的多维空间评价方法 |
US20110082684A1 (en) * | 2009-10-01 | 2011-04-07 | Radu Soricut | Multiple Means of Trusted Translation |
-
2012
- 2012-08-07 CN CN201210279363.4A patent/CN102880637B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060026089A1 (en) * | 2004-07-29 | 2006-02-02 | Webe Yellow, Inc. | Telephonic device to connect query initiator to provider |
US20110082684A1 (en) * | 2009-10-01 | 2011-04-07 | Radu Soricut | Multiple Means of Trusted Translation |
CN101674328A (zh) * | 2009-11-18 | 2010-03-17 | 南京理工大学 | 基于语义和QoS约束的主体服务描述和匹配方法 |
CN101710405A (zh) * | 2009-12-18 | 2010-05-19 | 南京大学 | 一种基于信任管理的面向Web服务的工作流编辑方法 |
CN101937471A (zh) * | 2010-09-21 | 2011-01-05 | 上海大学 | 关键词提取算法的多维空间评价方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103780461B (zh) * | 2014-01-21 | 2017-04-26 | 北京邮电大学 | 综合考虑主客观权重的Web业务服务质量QoS的测量方法 |
CN103780461A (zh) * | 2014-01-21 | 2014-05-07 | 北京邮电大学 | 综合考虑主客观权重的Web业务服务质量QoS的测量方法 |
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
CN103916392A (zh) * | 2014-03-31 | 2014-07-09 | 北京工业大学 | 基于奖惩因子和评价可信度的实体推荐信任计算方法 |
CN103916392B (zh) * | 2014-03-31 | 2017-02-15 | 北京工业大学 | 基于奖惩因子和评价可信度的实体推荐信任计算方法 |
CN106161127B (zh) * | 2015-04-08 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 用户类别检测方法和装置 |
CN106161127A (zh) * | 2015-04-08 | 2016-11-23 | 深圳市腾讯计算机系统有限公司 | 用户类别检测方法和装置 |
CN104978676A (zh) * | 2015-07-13 | 2015-10-14 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN104978676B (zh) * | 2015-07-13 | 2018-05-25 | 昆明理工大学 | 一种基于不一致用户评价准则的在线服务信誉度量方法 |
CN107918834A (zh) * | 2017-08-01 | 2018-04-17 | 缪文龙 | 一种个体感官体验快速评估定位方法及定位卡 |
CN108460258A (zh) * | 2018-01-31 | 2018-08-28 | 中国电子科技集团公司第三十研究所 | 一种用户信任综合评估方法 |
WO2019153238A1 (en) * | 2018-02-09 | 2019-08-15 | Nokia Technologies Oy | Method and apparatus for dynamic-collusive false attack detection in online voting systems |
CN108989095A (zh) * | 2018-06-28 | 2018-12-11 | 安徽大学 | 可抵抗恶意评价的公有云可信度评估方法及其评估系统 |
CN108989095B (zh) * | 2018-06-28 | 2021-03-23 | 安徽大学 | 可抵抗恶意评价的公有云可信度评估方法及其评估系统 |
CN110769270A (zh) * | 2019-11-08 | 2020-02-07 | 网易(杭州)网络有限公司 | 直播互动的方法及装置、电子设备、存储介质 |
CN110769270B (zh) * | 2019-11-08 | 2021-10-26 | 网易(杭州)网络有限公司 | 直播互动的方法及装置、电子设备、存储介质 |
CN112213976A (zh) * | 2020-10-07 | 2021-01-12 | 广州云智通讯科技有限公司 | 一种基于大数据的智能家居加湿控制方法及系统 |
CN112213976B (zh) * | 2020-10-07 | 2022-01-11 | 陈仲凯 | 一种基于大数据的智能家居加湿控制方法及系统 |
CN112213976B8 (zh) * | 2020-10-07 | 2022-01-28 | 陈仲凯 | 一种基于大数据的智能家居加湿控制方法及系统 |
CN115834247A (zh) * | 2023-01-18 | 2023-03-21 | 北京交通大学 | 一种基于区块链的边缘计算信任评价方法 |
CN115834247B (zh) * | 2023-01-18 | 2023-06-16 | 北京交通大学 | 一种基于区块链的边缘计算信任评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102880637B (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880637B (zh) | 一种基于用户诚实度的动态的Web服务信任评估方法 | |
CN103412918B (zh) | 一种基于服务质量和声誉的服务信任度评估方法 | |
CN110991875B (zh) | 一种平台用户质量评估系统 | |
WO2020248228A1 (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN104102875B (zh) | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 | |
CN104618924B (zh) | 基于无线泛在网的用户体验质量指标系统和测量方法 | |
US11769099B2 (en) | Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring | |
CN102904755B (zh) | 一种移动互联网业务用户体验质量测量方法和装置 | |
CN111612230A (zh) | 一种客户诉求趋势预警分析方法 | |
CN107169289A (zh) | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 | |
CN103167505A (zh) | 一种小区数据信道配置方法和系统 | |
Zhou et al. | Statistics-based approach for large-scale group decision-making under incomplete Pythagorean fuzzy information with risk attitude | |
CN107093013A (zh) | 一种考虑水文指标分布规律的水文情势评价方法 | |
CN114301935B (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
CN107483240A (zh) | 基于网络资源关联关系的电力通信网业务健康度分析方法 | |
CN106648089A (zh) | 智能可穿戴产品等级评价方法和系统 | |
CN103136289A (zh) | 资源推荐方法及系统 | |
CN101217427B (zh) | 不确定网络环境中网络服务评价和优选方法 | |
CN109636184B (zh) | 一种品牌的账号资产的评估方法及系统 | |
CN106656603A (zh) | 一种基于多参数区间数多属性决策的云服务信任评估方法 | |
Chen et al. | Integrated evaluation approach for node importance of complex networks based on relative entropy | |
Sarlak et al. | Evaluation and Selection of Streamflow Network Stations Using Entropy Methods. | |
Zhou et al. | A statistical approach to large-scale group decision making with incomplete hesitant fuzzy linguistic information by incorporating risk attitude | |
CN101714198B (zh) | 基于贝叶斯估计的计算机网络对抗情报信息可信度评估系统 | |
Gong et al. | Rank‐based analysis method to determine OWA weights and its application in group decision making |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150408 Termination date: 20170807 |