CN103268332B - 一种基于社区结构的可信的服务选择方法 - Google Patents

Abstract

本发明给出了一种基于社区结构的可信的服务选择方法，对用户需求的分析得到满足功能需求的大量网络服务，通过对这些服务调用日志的分析，构造出网络服务合作网络，与此同时，根据用户会对使用过的服务进行评价，得到用户网络。在网络服务合作网络和用户网络基础上，运用社区结构挖掘算法，找出核心可信服务和核心可信用户，建立服务声誉评价模型，找出可信服务。同时淘汰恶意服务和恶意用户。最终目的是开发一种选择可信服务的方法。

Description

一种基于社区结构的可信的服务选择方法

技术领域

本发明给出了一种基于用户网络和服务合作网络，并在服务合作网络中建立贝叶斯信任模型，选择出可信服务的设计方案，主要解决如何选择可信的网络服务，避免虚假恶意的服务，从而提高服务质量，属于网络服务的组合选择领域。

背景技术

网络服务（webService）是一个可通过网络（如因特网）使用的自描述、自包含软件模块，这些软件模块可完成任务、解决问题或代表用户、应用程序处理事务。网络服务建立了一个分布式计算的基础架构。这个基础架构由许多不同的、相互之间进行交互的应用模块组成。这些应用模块通过专用网络或公共网络（包括因特网和万维网）进行通信，并形成一个虚拟的逻辑系统。

网络服务可以是：（1）自包含的业务任务，如提款或取款服务；（2）成熟的业务流程，如办公用品的自动采购；（3）应用程序，如人寿保险应用程序、需求预测与库存补充应用程序；（4）已启用服务的资源，如访问特定的保存病人病历的后台数据库。网络服务的功能千差万别，既可以是进行简单的请求，如信用卡的核对与授权、价格查询、库存状态检查或者天气预报等，也可以是需要访问和综合多个数据源信息的完整的业务应用程序，如保险经纪人系统、旅行自动规划或者包裹跟踪系统等。

网络服务是一个平台独立的、松耦合的、自包含的、基于可编程的网络的应用程序，可使用开放的XML标准描述、发布、发现、协调和配置这些应用程序，用于开发分布式的互操作的应用程序。网络服务能够在一些常规的计算中提供一些服务，从而完成一个具体的任务，处理相关的业务或者解决一个复杂的问题。此外，网络服务使用（基于XML的）标准化的因特网语言和标准化协议在因特网或内部网上展示它们的可编程功能部件，并通过自描述接口实现网络服务。这些自描述接口基于开放的因特网标准。

随着SOAP、UDDI及WSDL等相关技术的迅猛发展，网络服务已从企业级服务集成过渡到面向互联网环境的服务体系结构之上。互联网上的资源无限膨胀，提供同一种功能的服务越来越多，网络服务组合技术作为一种将多个服务组装成具有更大粒度的服务或系统的手段已得到学术界和工业界的广泛认可，提出了众多的服务组合方法。在服务外包模式的驱动下，集成单一服务所提供的功能已形成新的、满足用户复杂应用需求的增值服务，已成为提高软件重用性，构造互联网新应用的重要方式。

现如今，服务质量（QoS）已成为服务的主要评价标准。基于服务质量指标的服务选择和组合方法正受到前所未有的关注，成为研究的热点问题。互联网高速发展的环境下，由于服务资源、网络条件等一直在不断变化，服务的可信性难以得到保证，服务质量受到了重大的挑战。在实际应用中，由于利益的驱使，服务的提供者很可能提供虚假的服务质量指标，如人为提高质量属性值以吸引更多的顾客，恶意低评其竞争者的服务质量属性等。另外，用户之间也可能存在彼此串通的情况，人为驱使服务提供者发布的服务质量指标偏离其真实值。虚假服务质量指标直接影响服务的选择过程，进而影响整个服务组合结果，可信问题日益突出。

随着网络上出现越来越多的可用的网络服务，每一个都具有不同的功能和特性，选择出符合用户需求的可用服务至关重要。在一个组合服务中，服务被调用或与其他服务相互协作，形成服务社区的概念。

M.R.Motallebi[1]等人提出对一个组合服务构建贝叶斯网络（Bayesiannetwork），在此基础上利用最大A后验概率（MaximumAPosteriorihypothesis,MAP）在候选服务中找出具有最大全局信任的服务，从而提高了服务的可信度。

祝希路[2]提出了基于合作声誉的网络服务选择。不仅考虑了单一网络服务的声誉，同时也考虑了网络服务之间的合作声誉。设计了服务合作网络（webservicecollaborationnetwork,WSCN）框架，描述服务选择算法了，提出了两种合作声誉模型，即调用声誉和被调用声誉，有效地区分了好的和虚假的服务。

信息技术更是已经渗透到政治、经济、文化以及社会生活的各个层面，成为当代生产力发展和人类文明进步的强大动力。软件是信息基础设施的灵魂，软件系统的可信性问题已成为学术界和产业界共同关注的热点问题。构造可信软件已成为现代软件技术发展和应用的重要趋势和必然选择。在分布、开放、多变、南控的网络环境下，要保证网络服务系统能够正确、安全和有效的运行，要求网络服务的运行行为及其结果总是符合人们的预期，在受到干扰时仍能提供持续的服务。因此，网络服务如何以用户所期望的方式高可信的运行是当前技术的研究的难点，也是下一步软件产业发展的竞争焦点，服务的可信性已成为国际上致力于要解决的重要课题。开展高可信的网络服务研究具有一定的战略性、基础性和前瞻性，对我国软件业发展具有重大意义。

参考文献：

[1]M.R.Motallebi,F.Ishikawa,S.Honiden.TrustcomputationinwebservicecompositionusingBayesiannetwork.IEEE19^thInternationalConferenceonWebServices,2012.

[2]ZhuXilu.ResearchonkeyissuesoftrustworthywebservicebasedonQos.DoctoralDissertationofBeijingUniversityofPostsandTelecommunications,2011.

发明内容

技术问题：本发明的目的是提出一种基于社区结构的可信服务选择设计方法。该方法从服务之间相互调用和组合应用出发，挖掘出服务合作社区结构，构建服务之间合作评价模型，同时基于贝叶斯理论对服务个体自身做出评价，综合得出服务合作社区的服务可信度。同时也考虑到用户对这些服务的评价的重要性，从服务合作社区结构，挖掘出用户网络，从用户的角度评价服务的可信度。最终目的是实现选择出可信服务的方法。

技术方案：本发明是基于用户网络和服务合作网络，即从用户和服务调用两个角度综合考虑，并结合贝叶斯理论，构建信任模型，保证选取的服务的可信度。在人际网络中，信任是一种对个体可信行为的主观评价，这一评价建立在与个体的直接交往经验、其他个体的经验推荐以及个体自身广告推荐的基础上。面向服务的网络呈现以下特点：调用者对网络服务的调用具有选择权；网络服务的调用执行会留下反应其行为特征的信息；网络服务可以在注册中心广告发布；网络服务的调用者有义务提供推荐信息。因此，面向服务的网络与人际网络具有很大的相似性。在网络环境中，网络服务的调用执行的成功概率是网络服务行为可靠性的一种体现，也是网络服务为调用者提供资源能力的反映，这种能力越强，调用者对其就越信任。因此，网络服务调用执行的成功率可以作为网络服务信任度的度量手段。

贝叶斯网络是基于概率分析和图论的一种针对不确定性知识的表达和推理模型。在贝叶斯网络中，用节点表示服务，各个变量之间的弧表示服务之间的调用关系。贝叶斯网络建模的目的是对所包含的定性知识和定量知识进行结构化描述，并为下一步推理提供依据。贝叶斯方法是利用前期的客观数据信息，根据主体的经验和各方面知识，对特定事件未来发生的概率做出的主观估计，是一种客观和主观相结合的方法。

二十世纪30年代，JacobMoreno和哈佛大学的一组研究人员分别提出了社会网络模型来分析社会学中的现象和问题。早期的社会网络局限于一个小的团体之内，往往仅包含几十个结点。但是，随着现代的通信技术的发展，越来越多的数据被收集和整合在一起，建立一个大的社会网络成为可能。社会网络分析成功解决了一些社会学问题，得到了广泛的关注。

社会网络分析是一套用来分析多个个体通过相互联系构成的网络的结构，性质以及其他用于描述这个网络的属性的分析方法的集合。如社会网络分析方法提供了根据网络中节点的联系紧密情况将网络分层的方法，网络中节点相互作用模式识别，将网络分块，给用户评级，信息扩散，对社会网络提供图形描述，中心度的分布等。

在每个时间段内的服务合作网络都呈现出社团结构。可以引用社团分析的相关方法来对服务-服务和用户-用户两种网络模型进行分析研究，找出可信的网络服务。

本发明基于社区结构的分析方法，挖掘出服务合作网络和用户网络，构造信誉评估模型，选择出可信的服务。该方法包含如下步骤：

1）对用户的需求进行分析，找出满足用户功能需求的服务；

2）通过对这些满足用户功能需求的服务的调用日志构建一个网络服务合作网络；在网络服务合作网络中，一个点表示一个网络服务，合作网的一条边主要是描述网络服务之间的合作关系；网络服务合作网络是一个无向图，它由一些子网络服务合作网络构成，这些子网络主要是在一些时间段的调用日志中产生，并描述了某一段时间的合作关系；

3）同时，采用贝叶斯方法对网络服务调用执行的成功概率进行合理估计，服务之间相互调用成功最大似然估计为u/n，0≤u≤n,其中n为一段时间内服务被调用的总次数，u为这段时间内服务被调用成功的次数；

4）在挖掘出的服务合作网络基础上，运用经典的GN社区结构发现算法，找出外部联系紧密的节点，即核心可信的服务，并对待选的服务进行信誉评估，即调用的成功率，同时通过服务合作网络标记出调用成功率低于50%的服务，以缩小待选服务的数量；

5）步骤3）和步骤4）是分别在服务合作网络的基础上得到服务的声誉值，计算步骤3）和步骤4）得到的两个声誉值的平均值，即为一个由服务合作网络得到的综合声誉值；

6）同时，考虑到用户和服务之间的相互关系，统计每个服务被哪些用户所使用，这些用户的评价情况；一个用户对同种功能的服务的使用次数；由服务到用户，再找出用户和用户之间的关系，从而得到用户网络，标记出那些对某类服务一直给予好评或差评的用户，同时一段时间内一个用户多次调用某个服务，超过一定的频率，将被认为是恶意提高该服务的信誉度，也对这样的用户进行标记；

7）通过用户网络找到核心推荐用户，核心用户即为某个社区结构内与其他用户联系最多的用户，核心用户推荐得到一组服务，根据用户对这些服务的历史评分，采用平均值法计算得到这些服务声誉值；

8）根据步骤5）和步骤7）计算得到服务合作网络和用户网络得到服务的声誉值，采用加权和方法，权重比为2:1，得到最终的服务声誉值，根据服务声誉值进行排名，评价出最可信的服务。

有益效果：作为选取可信服务的方法，本发明保证了服务的可信度。具有以下的一些特点和创新之处：

1）本发明从服务合作网络和用户网络两种角度考虑服务的可靠性，同时结合贝叶斯理论对下一个时间段服务的可靠性进行评估，有效地保证了服务的可信度。

2）网络服务合作网络即从网络服务本身出发，考虑到网络服务之间的相互调用，接口匹配程度，调用成功的次数等多角度，在社区结构分析的基础上，网络服务之间经过一点时间交互之后，不同的网络服务会被划分成多个社区，存在欺骗行为的网络服务只会和少部分网络服务有联系，再核心网络服务的推荐下，能有效地与那些虚假的网络服务区分开。

3）采用简单的贝叶斯信任模型，对某段时间内网络服务之间调用次数和总的调用次数的统计，运用贝叶斯理论得到网络服务之间下次调用的成功率，进一步保证网络服务的可靠性，提高信任度。

4）用户网络即从用户的角度，发现更符合用户需求的可信的网络服务。某个用户的评价可以给其他用户以参考，同时也存在恶意用户，他们给出错误的评价，误导其他的用户，从而造成恶劣的影响。同样采用社区结构挖掘算法，有效地避开了恶意用户，提高服务的可信度。

附图说明

图1是基于服务合作网络和用户网络的可信服务选择的整体流程框图。

图2是基于服务合作网络可信服务选择的整体流程框图。

图3是服务合作网络和用户合作网络联系图。

图4是基于用户网络的可信服务选择的整体流程框图。

具体实施方式

在本专利中，我们运用社区结构挖掘分析的相关方法，从网络服务合作网络和用户网络两个角度，综合考虑服务的声誉，选出可信的网络服务。主要有如下几个步骤：

步骤1）：用户输入需求，包括功能性需求和非功能性需求如价格，处理时间等。

步骤2）：用户需求分析。区分用户的功能性和非功能性需求。

步骤3）：查询是否存在满足用户功能性需求和非功能性需求的服务，如果存在，则转到步骤4），如果不存在则转到步骤1），即通知用户不存在满足用户需求的服务，并提供满用户部分需求的服务，以供用户进行选择。

步骤4）：在筛选后得到的一些符合要求的服务，通过对这些服务的调用日志进行统计分析，得到某个时间段那些网络服务合作共同实现写哪些功能，每个网络服务被调用的次数，成功被调用且成功执行的次数。

步骤4.1）根据网络服务调用日志得到服务被调用的总次数和调用成功次数，结合贝叶斯理论，计算得到网络服务声誉1。

在一段时间内s_i调用n次s_j，其中s_j成功执行的次数为u次，失败的次数则为n-u次。令p为服务s_j每次执行的成功率，X记为样本，x为样本观测值。设X服从二项分布B(n,p)，由于p的先验分布是无信息的先验分布，根据贝叶斯假设与共轭先验分布的选取方法，选取p的先验分布π(p)为Beta(1,1)，即均匀分布U(0,1)。因π(p)=1(0<p<1)，由贝叶斯公式得到后验密度

$h\left(p\right|x)=\frac{f\left(x\right|p)\mathrm{\&pi;}\left(p\right)}{{\&Integral;}_0^{1}f\left(x\right|p)\mathrm{\&pi;}\left(p\right)\mathrm{dp}}$

$=\frac{p^u{(1-p)}^{n-u}}{{\&Integral;}_0^1{p}^u{(1-p)}^{n-u}\mathrm{dp}}$

$=\frac{p^u{(1-p)}^{n-u}}{\frac{(n-u)!u!}{(n+1)!}}$

$=\frac{(n+1)!}{(n-u)!u!}{p}^u{(1-p)}^{n-u}$

$=\frac{\mathrm{\&Gamma;}(n+2)}{\mathrm{\&Gamma;}(n-u+1)\mathrm{\&Gamma;}(u+1)}{p}^u{(1-p)}^{n-u}$

$=\mathrm{Beta}(u+1,n-u+1)$

由上式可知，p的后验概率服从β分布。s_j第n+1次被s_i调用时，将p的最大后验估计定义为该次成功执行的概率，设Y=“s_j第n+1次成功执行”这一事件，由上式有

$\ln h\left(p\right|x)=\ln \frac{\mathrm{\&Gamma;}(n+2)}{\mathrm{\&Gamma;}(n-u+1)\mathrm{\&Gamma;}(u+1)}+u\ln p+(n-u)\ln (1-p),$

令 $\frac{\&PartialD;\ln h\left(p\right|x)}{\&PartialD;p}=\frac{u}{p}-\frac{n-u}{1-p}=0,$

得 $\hat{p}=P\left(Y\right)=\frac{u}{n}$

因而，s_j被s_i调用执行成功的后验概率服从Beta分布，其最大似然估计为0≤u≤n。

步骤4.2）通过社区结构挖掘算法，找出核心可信服务，进行推荐，计算网络服务声誉2。在每个时间段内的网络服务合作网络都呈现出社团结构。因此，社团发现算法可以应用到网络服务合作网络中用于发现某些网络服务之间的合作关系，进而找到核心可信节点进行可信服务推荐。

社区发现旨在识别出网络固有的社区结构，即按照节点间的连边关系把节点划分成若干节点组，使得节点组内部的连边相对稠密，不同节点组之间的连边相对稀疏。网络科学中社团结构发现研究已有多年的历史，其中较经典的有GN算法、Newman快速算法等。GN算法方法的思路：社区之间所存在的少数几个连接应该是社区之间通信的瓶颈，是社区之间通信时通行流量的必经之路。考虑网络中某种形式的通信并且寻找到最高通信流量的边，该边就应该是连接不同社区的通道，若将这样的边去除就应该获得了网络的最自然分解。

GN算法的基本流程：1）计算网络中所有边介数；2）找到介数最高的边并将它从网络中移除；3）重复第二步，直到每个节点就是一个退化的社区为止。引入模块度来对社区结构进行衡量：社团结构呈现出内部连接紧密，外部连接稀疏的特性。社团中一个节点与该社团中那些与外部社团有连接的节点联系越多，说明该节点的声誉越高，则那些与外部联系紧密的节点即为核心可信节点。将核心可信服务作为推荐者，对待选服务进行推荐，推荐得到的网络声誉值为，核心可信服务对待选服务的调用成功率。

步骤4.3）淘汰虚假的网络服务。为了避免网络服务与虚假网络服务进行交互，任何有虚假行为的网络服务都将被淘汰出网络服务合作网络，并将这些虚假的网络服务记录到虚假网络服务库中。某个网络服务在某个时间段内调用频率有明显的下降；或是某个服务在某段时间内调用声誉明显提高，都超过用户忍耐度时，则标志为虚假的网络服务。

步骤5）综合计算步骤4.1）和步骤4.2）得到的两个网络服务声誉值，并通过计算平均值得到网络服务合作网络得到的声誉值。

步骤6）用户使用过网络服务后，并对网络服务作出评价，根据这些相关的数据，得到如图3所示的用户网络和网络服务合作网络联系图。

步骤7）得到的用户网络，参考网络服务合作网络挖掘方法，发现用户网络的社区结构，并统计用户某类服务的使用情况和评价情况。

步骤7.1）通过用户网络找到核心推荐用户，核心用户即为某个社区结构内与其他用户联系最多的用户。

步骤7.2）考虑用户对网络服务的评价，如某个用户对所有使用过的服务都给予好评或都给予差评，则该用户的信誉度将遭到质疑。某段时间某个用户多次调用某个服务，超过一定的频率，将被认为是恶意提高该服务的信誉度，该用户则为虚假用户。对虚假用户进行标记，淘汰虚假用户，并计入虚假用户数据库。

步骤8）根据可信用户推荐得到一组服务，再根据用户的历史评价，利用平均值法得到这组服务的声誉值。

步骤9）最后综合步骤5）和步骤8），采用加权和计算得到最终的网络服务声誉，对应的权重比值为2:1，对这些声誉值进行排名，选出可信度较高的网络服务。

Claims (1)

1.一种基于社区结构的可信的服务选择方法，其特征在于该方法挖掘出服务合作网络和用户网络，构造信誉评估模型，选择出可信的服务，该方法具体包含如下步骤：

1)对用户的需求进行分析，找出满足用户功能需求的服务；

2)通过对这些满足用户功能需求的服务的调用日志构建一个网络服务合作网络；在网络服务合作网络中，一个点表示一个网络服务，合作网络的一条边主要是描述网络服务之间的合作关系；网络服务合作网络是一个无向图，它由一些子网络服务合作网络构成，这些子网络主要是在一些时间段的调用日志中产生，并描述了某一段时间的合作关系；

3)同时，采用贝叶斯方法对网络服务调用执行的成功率进行合理估计，服务之间相互调用成功的最大似然估计为u/n，0≤u≤n,其中n为一段时间内服务被调用的总次数，u为这段时间内服务被调用成功的次数；

4)在挖掘出的服务合作网络基础上，运用经典的GN社区结构发现算法，找出外部联系紧密的节点，即核心可信的服务，并对待选的服务进行信誉评估，即调用的成功率，同时通过服务合作网络标记出调用成功率低于50％的服务，以缩小待选服务的数量；

5)步骤3)和步骤4)是分别在服务合作网络的基础上得到服务的成功率，计算步骤3)和步骤4)得到的两个成功率的平均值，即为一个由服务合作网络得到的综合声誉值；

6)同时，考虑到用户和服务之间的相互关系，统计每个服务被哪些用户所使用，这些用户的评价情况；一个用户对同种功能的服务的使用次数；由服务到用户，再找出用户和用户之间的关系，从而得到用户网络，标记出那些对某类服务一直给予好评或差评的用户，同时一段时间内一个用户多次调用某个服务，超过一定的频率，将被认为是恶意提高该服务的信誉度，也对这样的用户进行标记；

7)通过用户网络找到核心推荐用户，核心用户即为某个社区结构内与其他用户联系最多的用户，核心用户推荐得到一组服务，根据用户对这些服务的历史评分，采用平均值法计算得到这些服务声誉值；

8)根据步骤5)和步骤7)计算得到服务合作网络和用户网络得到服务的声誉值，采用加权和方法，权重比为2:1，得到最终的服务声誉值，根据服务声誉值进行排名，评价出最可信的服务。