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

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

一种基于用户诚实度的动态的Web服务信任评估方法

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：

首先，每一维质量属性根据

主观信任模型，若某次交互获得的质量数据满足用户要求，则记为一次正面证据；否则记为一次反面证据；其中统计获得的正面证据的次数为r，反面证据的次数为s；

然后，根据以下公式计算ToQ：

$\left\{\begin{array}{c}b=r/(r+s+1)\\ d=s/(r+s+1)\\ u=1/(r+s+1)\end{array}\right.\⇒\mathrm{ToQ}=b+\frac{u}{2}$

其中，b,d,u是

主观信任模型里面定义的，分别依次代表信任，不信任和不确定性；ToQ即Trust of Quality,表示用户对服务质量属性的信任度。

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Q_best和最差值Q_worst，将[Q_worst，Q_best]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：

${\mathrm{PoQ}}_i=\frac{{\mathrm{LoRQ}}_i}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{LoRQ}}_j}i\∈\{\mathrm{1,2,3},...,n\}$

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：

$T_{\mathrm{objective}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PoQ}}_i\·{\mathrm{ToQ}}_i.$

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T_objective及其给出的主观评价Rating合成一个向量VoQR_i=(T_objective,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：

$\mathrm{Consistency}(i,j)=\cos ({\mathrm{VoQR}}_i,{\mathrm{VoQR}}_j)=\frac{{\mathrm{VoQR}}_i{\·\mathrm{VoQR}}_j}{\left|{\mathrm{VoQR}}_i\right|\·\left|{\mathrm{VoQR}}_j\right|};$

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SoDU_i；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：

$\mathrm{HoU}=1-\frac{\left|\underset{i=1}{\overset{n}{\∪}}{\mathrm{SoDU}}_i\right|}{\left|\mathrm{AllUsers}\right|}.$

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：

T_{comprehensive}＝(HoU·0.5)·Rating+(1-HoU·0.5)·T_objective。

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)：

针对每一维服务质量属性借鉴

主观信任模型，某次交互获得的质量数据满足用户要求，则记为一次正面证据，否则为反面证据。统计获得的正面证据的次数r，反面证据的次数s，根据以下公式计算ToQ：

$\left\{\begin{array}{c}b=r/(r+s+1)\\ d=s/(r+s+1)\\ u=1/(r+s+1)\end{array}\right.\⇒\mathrm{ToQ}=b+\frac{u}{2}$

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(Q_best)和最差值(Q_worst)，将[Q_worst，Q_best]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：

${\mathrm{PoQ}}_i=\frac{{\mathrm{LoRQ}}_i}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{LoRQ}}_j}i\∈\{\mathrm{1,2,3},...,n\}$

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：

$T_{\mathrm{objective}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PoQ}}_i\·{\mathrm{ToQ}}_i.$

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(T_objective)及其给出的主观评价(Rating)合成一个向量VoQR_i=(T_objective,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：

$\mathrm{Consistency}(i,j)=\cos ({\mathrm{VoQR}}_i,{\mathrm{VoQR}}_j)=\frac{{\mathrm{VoQR}}_i{\·\mathrm{VoQR}}_j}{\left|{\mathrm{VoQR}}_i\right|\·\left|{\mathrm{VoQR}}_j\right|};$

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SoDU_i，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：

$\mathrm{HoU}=1-\frac{\left|\underset{i=1}{\overset{n}{\∪}}{\mathrm{SoDU}}_i\right|}{\left|\mathrm{AllUsers}\right|}.$

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：

T_{comprehensive}＝(HoU·0.5)·Rating+(1-HoU·0.5)·T_objective。

实施例：

1.单维服务质量属性可信性评估

某用户U_s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ToQ_Reliability=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ToQ_ResponseTime=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U_s对可靠性的需求对应于“很好”级别，对应的LoRQ_Reliability=5，对响应时间的需求对应于“一般”级别，对应的LoRQ_ResponseTime=3，那么用户对可靠性的偏好PoQ_Reliability=0.625，而对响应时间的偏好PoQ_ResponseTime=0.375。

至此，根据用户U_s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U_s对该服务的客观信任值：

T_objective=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：

$\mathrm{HoU}=1-\frac{|{\mathrm{SoDU}}_1\∪{\mathrm{SoDU}}_2|}{\left|\mathrm{AllUsers}\right|}=1-\frac{4}{12}=0.667$

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。

2.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：

首先，每一维质量属性根据主观信任模型，若某次交互获得的质量数据满足用户要求，则记为一次正面证据；否则记为一次反面证据；其中统计获得的正面证据的次数为r，反面证据的次数为s；

然后，根据以下公式计算ToQ：

$\left\{\begin{array}{c}b=r/(r+s+1)\\ d=s/(r+s+1)\\ u=1/(r+s+1)\end{array}\right.\⇒\mathrm{ToQ}=b+\frac{u}{2}$

其中，b，d，u是

主观信任模型里面定义的，分别依次代表信任，不信任和不确定性；ToQ即Trust of Quality，表示用户对服务质量属性的信任度。

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Q_best和最差值Q_worst，将[Q_worst,Q_best]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：

${\mathrm{PoQ}}_i=\frac{{\mathrm{LoRQ}}_i}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{LoRQ}}_j}i\∈\{\mathrm{1,2,3},...,n\}$

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：

$T_{\mathrm{objective}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PoQ}}_i\·{\mathrm{ToQ}}_i.$

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T_objective及其给出的主观评价Rating合成一个向量VoQR_i=(T_objective,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：

$\mathrm{Consistency}(i,j)=\cos ({\mathrm{VoQR}}_i,{\mathrm{VoQR}}_j)=\frac{{\mathrm{VoQR}}_i{\·\mathrm{VoQR}}_j}{\left|{\mathrm{VoQR}}_i\right|\·\left|{\mathrm{VoQR}}_j\right|};$

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SoDU_i；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：

$\mathrm{HoU}=1-\frac{\left|\underset{i=1}{\overset{n}{\∪}}{\mathrm{SoDU}}_i\right|}{\left|\mathrm{AllUsers}\right|}.$

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：

T_{comprehensive}＝(HoU·0.5)·Rating+(1-HoU·0.5)·T_objective。

Images