CN103237023B

CN103237023B - 一种动态信任模型构建系统

Info

Publication number: CN103237023B
Application number: CN201310130319.1A
Authority: CN
Inventors: 罗永龙; 刘飞; 马苑; 陈付龙; 郭良敏; 左开中
Original assignee: Anhui Normal University
Current assignee: Chengdu Yaota Big Data Co ltd
Priority date: 2013-04-16
Filing date: 2013-04-16
Publication date: 2016-01-13
Anticipated expiration: 2033-04-16
Also published as: CN103237023A

Abstract

本发明揭示了一种动态信任模型构建系统，本发明通过细化云服务，以更细粒度的服务属性作为考察对象，计算服务请求者对服务提供商的直接信任值和间接信任值，并用评价相似度来动态调整自信因子与他信因子，最终得出综合信任值，将综合信任值作为服务请求者与服务提供商之间信任关系的表征值的方法，实现了全面地、准确地量化服务请求者与服务提供商之间信任关系的目的。服务请求者对不同的服务提供商的信任关系进行量化，便于根据实际应用情况，选择综合信任值高的服务提供商，最大化满足服务请求者个性化的需求。

Description

一种动态信任模型构建系统

技术领域

本发明涉及信息安全中的可信计算领域，尤其涉及一种面向个性化云服务的动态信任模型构建方法。

背景技术

云计算是分布式处理、并行处理和网格计算的发展与延伸，它将计算任务分布在大量计算机构成的资源池上，使用户能够按需获取计算力、存储空间和信息服务。尽管云计算给用户带来了很大便利，但是用户的数据被转移到云计算服务提供商的手中，而云计算中心又没有信任机制的相关服务，出现了信任危机，因此，为了安全应用云服务，必须构建一种能全面地、准确地反映服务请求者与服务提供商之间信任关系的信任模型。在云计算环境下，服务提供商最大化满足服务请求者提出的个性化云服务需求，称为服务请求者信任服务提供商，用信任值来表示信任等级的高低，信任值会动态的变化。

现有的关于信任的研究主要涉及信任数据的存储，信任数据的共享，信任评价标准及构建信任模型的方法。其中如何构建一个能全面地、真实地反映服务请求者与服务提供商之间信任关系的信任模型是信任研究的热点。近年来，信任模型已经得到广泛的研究，基于不同的数学理论，参考信任的不同特性，已经提出了很多不同的信任模型。

信任模型，就是指建立信任量化的评价体系，以信任值来度量主体的“可信任程度”。通常情况下所说的信任值T_so，是直接信任值DT_so和间接信任值RT_so按照系统规定的系数α,β加权平均求得的，计算公式为：T_so＝αDT_so+βRT_so，它用来表示参与者的可信程度，并且信任值是随着参与者的参与时间和行为上下文而动态变化的。在云环境下，参与者间可以通过信任信息的交换和传播来获取参与者的信任评价。一般认为，信任值高的服务提供商，其提供的服务相对比较可靠，反之，提供的服务通常不可靠。

近年来，国内外研究人员基于不同的数学理论，参考信任的不同特性，提出了一系列信任模型。如典型信任模型：Beth模型、Josang模型，它们使用概率理论来建立信任模型，没有考虑到信任的主观特性和时间特性；窦文等人提出的信任模型，提高了计算信任值的准确度，但并未考虑不诚实推荐的影响，忽略了服务请求者的个性化需求；从信任的主观特性和模糊性出发，唐文等人提出了基于模糊集合理论的信任模型；云计算环境下，胡春华等人提出了基于信任演化及集合的服务选择，解决了对可信参数进行简单加权的不足，谢小兰等人提出的基于双层激励和欺骗检测的信任模型，能有效抵抗各种恶意行为的攻击，但得出的信任值都不能准确地反映服务请求者与服务提供商之间真实的信任关系，影响服务请求者与服务提供商之间的交互成功率。

以上部分简单的介绍了信任模型的研究现状，对其分析，可以总结为已有的模型或者是简单地应用概率模型对主观信任进行建模，或者是没有考虑到信任的相关特性，或者是没有考虑到服务请求者的个性化需求，或者是没有建立激励机制，所获得的信任值不能准确地反映服务提供商的行为。

换句话说，目前面向个性化云服务的信任模型的研究还处在起步阶段，已有的信任模型往往没有考虑到信任的主观特性、模糊性、时间相关特性及动态性等，其定义的服务请求者与服务提供商之间的信任关系比较粗糙，不能全面地、真实地、客观地反应服务请求者与服务提供商的信任关系。

发明内容

本发明所要解决的技术问题是实现能全面地、准确地、客观地量化服务请求者与服务提供商之间的信任关系，提高服务请求者与服务提供商的交互成功率的动态信任模型的构建方法。

为了实现上述目的，本发明采用的技术方案为：一种动态信任模型构建系统，

计算服务请求者S与服务提供商O之间的历史直接交易信任值；

组管理员接收服务请求者S请求历史交易经验命令，组管理员响应相应的要求，向服务请求者S提供历史交易信任值T_so ^(n-1)；

服务请求者S根据当前时间t和上次交易时间t_f利用时间衰减函数，得到从而利用公式计算历史交易信任值对现在的影响；

S定义自身的个性化需求矩阵

Q = [\begin{matrix} q_{i 11}, q_{i 12}, q_{i 13}, ..., q_{i 1 k} \\ q_{i 21}, q_{i 22}, q_{i 23}, ..., q_{i 2 k} \\ \begin{matrix} \cdot \\ \cdot \\ \cdot \end{matrix} \\ q_{i j 1}, q_{i j 2}, q_{i j 3}, ..., q_{i j k} \end{matrix}],

其中的q_ijk表示S对第i个服务提供商的第j种服务中的第k种服务属性的感兴趣程度；

每次服务请求者S与服务提供商O交易结束后，对服务提供商提供的服务做出评价，其评价矩阵为：

E (Q) = [\begin{matrix} e_{i 11}, e_{i 12}, e_{i 13}, ..., e_{i 1 k} \\ e_{i 21}, e_{i 22}, e_{i 23}, ..., e_{i 2 k} \\ ... \\ e_{i j 1}, e_{i j 2}, e_{i j 3}, ..., e_{i j k} \end{matrix}] .

利用Q*E(Q)^T来计算S的满意度，并根据满意度，利用创建的激励机制计算得到η*δ*Q*E(Q)^T，综合出本次的直接信任值：

{DT}_{s o}^{(n)} = (1 - η) {T_{s o}}^{(n - 1)} * e^{- \frac{(t - t_{f})}{λ}} + η * δ * {[Q * E {(Q)}^{T}]}^{(n)}

，做为下次交易的依据；

计算服务请求者S和推荐者R_i的评价相似度，设O'＝{O'₁,O'₂,O'₃,...,O'_n}是与S、R_i都有直接交互的云服务提供商集，通过计算S对O'的直接信任值，获得S对O'的直接信任向量记为：

X_{S} ({DT}_{{SO}^{'}}) = ({DT}_{{SO}^{'}_{1}}, {DT}_{{SO}^{'}_{2}}, {DT}_{{SO}^{'}_{3}}, ..., {DT}_{{SO}^{'}_{n}});

通过计算推荐者R_i对云服务提供商集O'的直接信任值，获得R_i对O'的直接信任向量记为：

X_{R_{i}} ({DT}_{R_{i} O^{'}}) = ({DT}_{R_{i} {O^{'}}_{1}}, {DT}_{R_{i} {O^{'}}_{2}}, {DT}_{R_{i} {O^{'}}_{3}}, ..., {DT}_{R_{i} {O^{'}}_{n}});

灰色关联系数为：

χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})) = \frac{(Δ_{\min} + {ρΔ}_{\max})}{(Δ + {ρΔ}_{\max})},

其中，ρ为分辨系数，Δ_min为X_S(DT_SO')和的两极最小差，Δ_max为X_S(DT_SO')和的两极最大值，Δ为X_S(DT_SO')和的绝对差值；

X_S(DT_SO)与的灰色关联度为：

r_{{SR}_{i}} = \frac{1}{k} Σ_{i = 1}^{k} χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})),

从而最终获得服务请求者S和推荐者R_i的评价相似度为：

{Sim}_{{SR}_{i}} = \frac{r_{{SR}_{i}}}{Σ_{i = 1}^{n} r_{{SR}_{i}}};

获得邻居推荐者R_i的推荐可信度，服务请求者S向组管理员申请得到每个邻居推荐者R_i的全局信任值组管理员及时给出反馈，其代表了该邻居推荐者R_i的推荐可信度。

计算间接信任值，获得服务请求者S综合与推荐者的评价一致性、推荐者的推荐可信度及推荐者自身与服务提供商之间的历史交易情况，利用公式：

{RT}_{s o} = \frac{1}{k} Σ_{i = 1}^{k} ({Sim}_{{SR}_{i}} * T_{R_{i}} * {DT}_{R_{i} O})

计算其与服务提供商O的间接信任值；

获得自信因子与他信因子。采用求得的评价相似度利用α＝1-Sim_SR/ρ，β＝1-α＝Sim_SR/ρ合理的分配自信因子和他信因子；

如果服务请求者在第n次与服务提供商进行交易，则在交易前要计算它们之间的信任值，其第n次的综合信任值T_so ⁽ⁿ⁾计算公式为：T_so ⁽ⁿ⁾＝αT_so ^(n-1)+βRT_so ⁽ⁿ⁾，其中RT_so ⁽ⁿ⁾为邻居推荐者第n次的推荐信任值，T_so ^(n-1)表示第(n-1)次交易后，服务提供商与服务请求者的直接交易信任值，α和β为自信因子和他信因子；

服务请求者S根据综合信任值T_so ⁽ⁿ⁾的高低，选择服务提供商进行交互。

进一步的，通过公式：

{DT}_{s o}^{(n)} = (1 - η) {T_{s o}}^{(n - 1)} * e^{- \frac{(t - t_{f})}{λ}} + η * δ * {[Q * E {(Q)}^{T}]}^{(n)}

计算直接信任值，其中η为此次满意度的影响权重，Q*E(Q)^T表示此次交互的满意度，激励系数δ，其取值为：

其中，1＞b＞a＞0。

进一步的，采用求得的评价相似度利用α＝1-Sim_SR/ρ，β＝1-α＝Sim_SR/ρ更加地合理的分配自信因子和他信因子，并且降低整个系统的计算复杂度，通过公式：T_so ⁽ⁿ⁾＝αT_so ^(n-1)+βRT_so ⁽ⁿ⁾计算服务请求者S与服务提供商O的综合信任值，为此次的交易提供依据。

本发明的优点在于本发明通过实际应用中细化云服务，以服务属性为更小的粒度作为考察对象，计算服务请求者对服务提供商的直接信任值和间接信任值，并用评价相似度来动态调整自信与他信调节因子，最终得出综合信任值，将综合信任值作为服务请求者与服务提供商之间信任关系的表征值的方法，实现了全面地、准确地量化服务请求者与服务提供商之间信任关系的目的。服务请求者对不同的服务提供商的信任关系进行量化，便于根据实际应用情况，选择综合信任值高的服务提供商，最大化满足服务请求者个性化的需求。

附图说明

下面对本发明说明书中每幅附图表达的内容及图中的标记作简要说明：

图1为本发明实施例公开的一种面向个性化云服务的动态信任模型的构建方法流程图；

图2为本发明实施例公开的形成个性化云服务示意图；

图3为本发明实施例公开的获取服务请求者与推荐者的评价相似度示意图；

图4为本发明实施例公开的获取服务请求者对服务提供商间接信任值示意图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

面向个性化云服务的动态信任模型的构建方法，在实际应用中，利用该模型能全面地、准确地、客观地反映服务请求者与服务提供商之间的信任关系，提高服务请求者与服务提供商的交互成功率，最大化利用云服务。

其具体实施方式如下所述：

本发明面向个性化云服务的动态信任模型的构建方法的流程如图1所示，包括：

步骤S11、每个云服务都由多个服务属性构成，将云服务进行细分。如图2所示，O_i表示第i个服务提供商，V(O_i)＝(V_i1,V_i2,V_i3,...,V_in)，V_ij表示O_i的第j种服务，每种服务V_ij又由多个服务属性构成，O_i提供的服务可以表示为：A(V_ij)＝(ai_j1,a_ij2,a_ij3,...,a_ijk)，a_ijk表示V_ij的第k个服务属性的权重，形成个性化云服务。

服务类别是其事先定义好的，也能够继续细化服务来定义更细的服务属性种类，它们的种类是很明确的。本发明的创新之处是引入细粒度的思想。举例说明如下：在云环境下，Provider事先设定好能提供多少种服务，而且每种服务具有多少种服务属性，Provider向外界提供一个服务矩阵：

S = [\begin{matrix} S_{1} \\ S_{2} \\ ... \\ S_{n} \end{matrix}] = [\begin{matrix} A_{11} & A_{12} & A_{13} & A_{14} \\ A_{21} & A_{22} & A_{23} & A_{24} \\ ... & ... & ... & ... \\ A_{n 1} & A_{n 2} & A_{n 3} & A_{n 4} \end{matrix}],

其中，S1是Provider提供的服务1，A_ij是S_i服务的第j个属性。而Requester的个性化需求矩阵的形式和S相同，例如：

Q = [\begin{matrix} q_{i 11}, q_{i 12}, q_{i 13}, . . ., q_{i 1 k} \\ q_{i 21}, q_{i 22}, q_{i 23}, . . ., q_{i 2 k} \\ \cdot \cdot \cdot \\ q_{ij 1}, q_{ij 2}, q_{ij 3}, . . ., q_{ijk} \end{matrix}],

q_ijk表示Requester对第i个Provider的第j个服务的第k个服务属性感兴趣的程度；交易结束后，Requester对Provider此次提供的服务做出的评价以评价矩阵E给出，其形式也与Q和S相同，例如：

E = [\begin{matrix} e_{i 11}, e_{i 12}, e_{i 13}, ..., e_{i 1 k} \\ e_{i 21}, e_{i 22}, e_{i 23}, ..., e_{i 2 k} \\ ... \\ e_{i j 1}, e_{i j 2}, e_{i j 3}, ..., e_{i j k} \end{matrix}] .

步骤S12、服务请求者在不同的环境中请求服务时，有不同的侧重点，服务请求者个性化需求矩阵为：

Q = [\begin{matrix} q_{i 11}, q_{i 12}, q_{i 13}, ..., q_{i 1 k} \\ q_{i 21}, q_{i 22}, q_{i 23}, ..., q_{i 2 k} \\ \begin{matrix} \cdot \\ \cdot \\ \cdot \end{matrix} \\ q_{i j 1}, q_{i j 2}, q_{i j 3}, ..., q_{i j k} \end{matrix}],

q_ijk表示请求O_i的第j个服务V_ij的第k个服务属性的权重。

步骤S13、根据服务请求者S与服务提供商O的历史交互经验T_so ^(n-1)和本次直接交易的满意度Q*E(Q)^T，S能对O进行直接评价，计算直接信任值，记预设公式为：

{DT}_{s o}^{(n)} = (1 - η) {T_{s o}}^{(n - 1)} * e^{- \frac{(t - t_{f})}{λ}} + η * δ * {[Q * E {(Q)}^{T}]}^{(n)} - - - (1)

计算的DT_so ⁽ⁿ⁾是为Requester与Provider的下次交易提供依据的，特别说明，Requester与Provider第n次交易的依据是第n-1次交易计算得到的，所以DT_so ⁽ⁿ⁾是第n次交易后，Requester对Provider的直接评价，是为下次(第n+1次)交易提供依据的，第n次交易的依据是第n-1次提供的；

其中，为时间衰减函数，反映信任的时间相关性；

λ是时间衰减函数的重要参数，称为时间因素调节因子，它的取值直接影响时间衰减函数的结果，它的取值是在具体实际应用系统中，依据该系统对时间因素要求的程度，如果该系统对时间因素的要求较严格，则取值较小，反之，较大。例如，如果本次Requester与Provider交易离上次交易的时间间隔都为Δt＝(t-t_f)，λ＝0.5和λ＝0.8时，时间衰减函数结果分别为:和并且实际上,为历史经验T_so ^(n-1)的权重，取值越大，表示对历史经验越重视，否则，越不重视，λ的取值影响的结果，其取值依赖系统对时间因素的要求，调研资料，一般取值0.5；

η为此次满意度的影响权重；

Q*E(Q)^T表示此次交互的满意度；

为了对O的恶意行为进行惩罚，使整个系统朝着良性方向发展，降低信任值计算的复杂度，建立Requester对Provider的激励/惩罚机制，设置激励系数δ，其取值为：

δ是Requester对Provider所提供的服务的满意情况Q*E(Q)^T的权重，其中，1＞b＞a＞0，表示若O提供满意的服务能渐渐地提高信任值，若提供恶意服务，则信任值迅速地下降。

步骤S14、利用灰色关联度来表示S和推荐者R_i的评价相似度。如图3所示，设O'＝{O'₁,O'₂,O'₃,...,O'_n}是与S、R_i都有直接交互的云服务提供商集，计算S对O'的直接信任值，获得S对O'的直接信任向量记为：

X_{S} ({DT}_{{SO}^{'}}) = ({DT}_{{SO}^{'}_{1}}, {DT}_{{SO}^{'}_{2}}, {DT}_{{SO}^{'}_{3}}, ..., {DT}_{{SO}^{'}_{n}}),

称为参考向量集；计算R_i对O'的直接信任值，获得R_i对O'的直接信任向量记为：

X_{R_{i}} ({DT}_{R_{i} O^{'}}) = ({DT}_{R_{i} {O^{'}}_{1}}, {DT}_{R_{i} {O^{'}}_{2}}, {DT}_{R_{i} {O^{'}}_{3}}, ..., {DT}_{R_{i} {O^{'}}_{n}}),

称为比较向量集。首先，以灰色系统理论获得X_S(DT_SO')，的灰色关联系数，记作χ_i(X_S(DT_SO'),其计算公式为：

χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})) = \frac{(Δ_{\min} + {ρΔ}_{\max})}{(Δ + {ρΔ}_{\max})} - - - (3)

其中，ρ为分辨系数，通常取0.5；Δ_min为X_S(DT_SO')和的两极最小差，Δ_max为X_S(DT_SO')和的两极最大值，Δ为X_S(DT_SO')和的绝对差值；其次，定义为X_S(DT_SO)与的灰色关联度，其计算公式为：

r_{{SR}_{i}} = \frac{1}{k} Σ_{i = 1}^{k} χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})) - - - (4)

最后，计算S和R_i的评价相似度其计算公式为：

{Sim}_{{SR}_{i}} = \frac{r_{{SR}_{i}}}{Σ_{i = 1}^{n} r_{{SR}_{i}}} - - - (5)

步骤S15、获得服务请求者对服务提供商的间接信任值。如图4所示，综合推荐者R_i与服务提供商O的历史交互经验、S与R_i的评价相似度及R_i在网络中的信任度得到S通过R对O的间接信任值，其计算公式为：

{RT}_{s o} = \frac{1}{k} Σ_{i = 1}^{k} ({Sim}_{{SR}_{i}} * T_{R_{i}} * {DT}_{R_{i} O}) - - - (6)

步骤S16、动态获取自信因子和他信因子。通常情况下，历史直接信任度T_so和间接信任度RT_so的权重α、β称为自信因子和他信因子，是系统规定的。为了使得到的综合信任值更能反映服务提供商的真实行为，提高计算综合信任值的科学性和客观性，该发明利用评价相似度来表示α和β，其计算方法如下：

α＝1-Sim_SR/ρ，β＝1-α＝Sim_SR/ρ(8)

ρ(ρ∈Z^*且ρ≠1)为自信调节因子。若Sim_SR越大，则α和β越接近，即α≈β≈0.5；若Sim_SR越小，则α和β相差很大，其中，1＞α,β＞0且1≈α□β≈0，表示当评价不一致时，自信程度越大，符合实际情况。

传统的信任模型对α，β取值都较主观，人为设定：α＝β＝0.5，即自信和他信程度相同，显然，这样的赋值缺乏理论依据。在实际生活中，Requester往往更加相信和自己评价一致的推荐者，因此，本发明用评价相似度Sim_SR(在构建推荐信任时已经获得)来动态计算自信因子α和他信因子β，其计算公式为：α＝1-Sim_SR/ρ，β＝1-α＝Sim_SR/ρ，其中，ρ(ρ∈Z^*且ρ≠1)为自信调节因子，ρ的取值是在实际应用系统中，依赖于Requester的自信程度，如果较自信，ρ取值大，反之，ρ取值小。本发明优选将其设定为：ρ＝2。

步骤S17、获取综合信任值。综合信任值由历史直接信任值T_so、自信因子α、推荐信任值RT_so及他信因子β组成，预设函数为：

T_so ⁽ⁿ⁾＝αT_so ^(n-1)+βRT_so ⁽ⁿ⁾(7)

T_so ^(n-1)在第(n-1)次交易结束后，Requester将其存储在其所在组的组管理员中，作为第n次交易的依据，当Requester做为推荐者时，作为推荐的依据。所以，T_so ^(n-1)可以由组管理员提供。

步骤S18、服务请求者根据综合信任值T_so的高低，选择服务提供商进行交互。

本发明中，首先，考虑信任的相关特性，建立有效的激励机制，构建服务请求者与服务提供商之间的直接信任模型；其次，利用灰色关联度表示服务请求者与推荐者的评价相似度，综合服务请求者与推荐者的评价一致性、推荐者的推荐可信度及推荐者与服务提供商的历史直接信任构建服务请求者与服务提供商之间的间接信任模型；最后，创造性地利用评价相似度来表示直接信任和推荐信任的权值。本发明有效地提高了计算综合信任的科学性和客观性，使得到的综合信任值更能反映服务请求者与服务提供商之间的信任关系。

这种信任模型的构建方法也可以应用在其他网络环境中如P2P网络等。模型中的相应参数，可以根据具体实际环境设定。

在实际应用中，可通过这种信任模型的构建方法来分析服务请求者与服务提供商之间的信任关系，服务请求者根据信任值的高低选择符合实际要求的服务提供商来满足个性化的需求，提高服务请求者与服务提供商的交互成功率，最大化利用云服务。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的执行步骤，能够以电子硬件、计算机软件或者二者的结合来实现，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或执行步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims

1.一种动态信任模型构建系统，其特征在于：

服务请求者S根据当前时间t和上次交易时间t_f利用时间衰减函数，得到从而利用公式计算历史交易信任值对现在的影响，其中λ为时间因素调节因子，λ依据该系统对时间的要求严格程度取值，取值大小与对时间因素要求严格程度呈反比；

S定义自身的个性化需求矩阵

Q = [\begin{matrix} q_{i 11}, q_{i 12}, q_{i 13}, ..., q_{i 1 k} \\ q_{i 21}, q_{i 22}, q_{i 23}, ..., q_{i 2 k} \\ \cdot \\ \cdot \\ \cdot \\ q_{i j 1}, q_{i j 2}, q_{i j 3}, ..., q_{i j k} \end{matrix}],

E (Q) = [\begin{matrix} e_{i 11}, e_{i 12}, e_{i 13}, ..., e_{i 1 k} \\ e_{i 21}, e_{i 22}, e_{i 23}, ..., e_{i 2 k} \\ ... \\ e_{i j 1}, e_{i j 2}, e_{i j 3}, ..., e_{i j k} \end{matrix}],

{DT}_{s o}^{(n)} = (1 - η) {T_{s o}}^{(n - 1)} * e^{- \frac{(t - t_{f})}{λ}} + η * δ * {[Q * E {(Q)}^{T}]}^{(n)},

做为下次交易的依据；

X_{S} ({DT}_{{SO}^{'}}) = ({DT}_{{SO}^{'}_{1}}, {DT}_{{SO}^{'}_{2}}, {DT}_{{SO}^{'}_{3}}, ..., {DT}_{{SO}^{'}_{n}});

X_{R_{i}} ({DT}_{R_{i} O^{'}}) = ({DT}_{R_{i} {O^{'}}_{1}}, {DT}_{R_{i} {O^{'}}_{2}}, {DT}_{R_{i} {O^{'}}_{3}}, ..., {DT}_{R_{i} {O^{'}}_{n}});

灰色关联系数为：

χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})) = \frac{(Δ_{m i n} + ρ_{m a x})}{(Δ + {ρΔ}_{\max})},

X_S(DT_SO)与的灰色关联度为：

r_{{SR}_{i}} = \frac{1}{k} Σ_{i = 1}^{k} χ_{i} (X_{S} ({DT}_{{SO}^{'}}), X_{R_{i}} ({DT}_{R_{i} O^{'}})),

从而最终获得服务请求者S和推荐者R_i的评价相似度为：

获得邻居推荐者R_i的推荐可信度，服务请求者S向组管理员申请得到每个邻居推荐者R_i的全局信任值组管理员及时给出反馈，其代表了该邻居推荐者R_i的推荐可信度；

计算间接信任值，获得服务请求者S综合与推荐者的评价一致性、推荐者的推荐可信度及推荐者自身与服务提供商之间的历史交易情况，利用公式：计算其与服务提供商O的间接信任值；

获得自信因子与他信因子，采用求得的评价相似度利用α＝1-Sim_SR/ρ，β＝1-α＝Sim_SR/ρ合理的分配自信因子和他信因子；

服务请求者S根据综合信任值T_so ⁽ⁿ⁾的高低，选择服务提供商进行交互；

通过公式：

{DT}_{s o}^{(n)} = (1 - η) {T_{s o}}^{(n - 1)} * e^{- \frac{(t - t_{f})}{λ}} + η * δ * {[Q * E {(Q)}^{T}]}^{(n)}

其中，1＞b＞a＞0。