CN103310353A - 一种抗攻击的数据过滤优化系统和方法 - Google Patents

Abstract

本发明提出一种抗攻击的数据过滤优化系统和方法，包括：交易记录模块，用于将用户参与交易的全部历史数据进行记录；评价数据获取模块，用于获取交易记录模块历史数据中的评价数据；评价数据过滤模块，用于将所述评价数据获取模块获取评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到仲裁模块；仲裁模块，用于提取交易记录模块的历史数据中的客观数据，将所述客观数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到优化计算模块；优化计算模块，用于综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型进行计算。

Description

一种抗攻击的数据过滤优化系统和方法

技术领域

本发明涉及数据分析领域中，尤其涉及一种抗攻击的数据过滤优化系统和方法。

背景技术

由于网络特有的虚拟性，看不见又摸不着，因此电子商务系统中买卖双方的信誉就显得越来越重要。目前，信誉管理系统已广泛应用在网上交易的卖家和买家评定等领域。但用户的匿名性和交易的虚拟性使得电子商务交易存在着虚假交易、不实评价的隐患，导致人们对电子商务交易缺乏信任。当前，电子商务交易中的信用危机已经成为阻碍电子商务发展的主要问题，建立可信的电子商务评价系统已经成为推动电子商务应用、迫在眉睫的技术课题。

有调查数据显示：接近75%的电子商务用户最关注购物网站的产品质量，其次为价格。由于网络消费的特殊性，网民在进行网络消费时无法亲自对商品做出鉴别。因此很多用户在网上购物之前更依赖于听取其他买家的意见和建议。在许多电子商务平台中，其信誉评价模式均是在交易发生后，由交易双方对交易过程进行评价，交易系统则根据获得的全部评价对系统中的用户进行评分。但由于电子商务平台无法保证参与评价用户信息的真实性，因此存在部分用户交易后就可进行随意评价的情况，将影响信誉数据的真实性。极端的情况是许多恶意用户利用这种评价缺陷，对卖家采用恶意差评的方式对其进行威胁、敲诈来牟利。也有一些不良商家通过虚假交易和评价来抬高自己的信誉。以上种种不实评价行为使得电子交易系统的信誉数据可能会对系统中的用户造成误导，甚至会影响真正诚信、踏实经营的服务提供商的正常发展。为此，本发明针对传统信誉管理系统的不足提出一种具备抗攻击的数据过滤优化系统和方法。

发明内容

本发明旨在解决现有信誉管理系统中存在的技术问题，特别提出了一种抗攻击的数据过滤优化系统和方法。

为了实现本发明的上述目的，本发明提出了一种抗攻击的数据过滤优化方法。它的基本思想是引入仲裁机制来解决电子商务交易中虚假评价、恶意评价的问题，使交易双方的信誉度都能从网络评价中得到准确地反映，提升系统评价的客观性和公信度。

为达到上述目的，本发明解决其技术问题采用的技术方案是：

本发明公开一种抗攻击的数据过滤优化系统，包括：

交易记录模块，用于将用户参与交易的全部历史数据进行记录；

评价数据获取模块，用于获取交易记录模块的历史数据中的评价数据；

评价数据过滤模块，用于将所述评价数据获取模块获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到仲裁模块；

仲裁模块，用于提取交易记录模块的历史数据中的客观数据，将所述客观数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到优化计算模块；

优化计算模块，用于综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储到交易记录模块。

上述技术方案的有益效果为：优化计算不仅仅考虑交易双方的评价，而是综合数据过滤优化系统对用户评价的客观性和合理性的估算。数据过滤优化系统在计算用户信誉时不仅仅考虑用户的评分情况，还需要结合仲裁模块给出的结果，因此将提高数据过滤优化系统的稳定性。

所述的抗攻击的数据过滤优化系统，优选的，所述具有攻击性的评价数据为交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据。

上述技术方案的有益效果为：其中交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据属于具有计算价值的攻击性数据。

所述的抗攻击的数据过滤优化系统，优选的，所述仲裁模块包括：

辅助仲裁数据提取模块，用于提取交易记录模块的历史数据中的客观数据，其中客观数据为付款时间、送货周期、评价数据，负责分析参与交易用户的交易历史数据、其他用户对交易商品的总体评价数据；

自动仲裁分析模块，用于所述客观数据进行仲裁分析计算得到仲裁值，辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁值存放到仲裁模块中，采用多因素分析的综合评分法计算每个评价数据的合理性。

上述技术方案的有益效果为：仲裁模块通过辅助仲裁数据提取模块、自动仲裁分析模块能够客观分析评价数据。

所述的抗攻击的数据过滤优化系统，优选的，所述自动仲裁分析模块包括：

综合评分计算模块，用于对用户评价数据进行仲裁分析时包含m个评估数据，其中m为正整数，每个评估数据的权重c_i分别为{c₁,c₂...,c_m}；计算评价数据r_ij在各个评估指标上偏离客观评价的程度分别为{d₁,d₂...,d_m}，其取值范围采用[-1,+1]之间实数表示；然后对该评价数据的客观性评估数据为w_ij，其计算方法如下公式所示：

$w_{\mathrm{ij}}={\mathrm{\Σ}}_{k=1}^m{c}_i*d_i;$

偏离度d_i的计算方法采用基于统计的方法来度量，采用用户对商品的评价数据与其他用户对该商品评价均值的距离来度量；也采用所定义的偏离度函数来计算。

上述技术方案的有益效果为：通过综合评分计算模块计算偏离度得到综合评分计算结果。

所述的抗攻击的数据过滤优化系统，优选的，所述优化计算模块包括:

计算模块，用于采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价数据为r_ij，T_i，T_j表示当前用户的信誉值，所述评价数据的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价数据，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\′}=\frac{{\mathrm{\Σ}}_{i=1,i\≠j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\Σ}}_{i=1,i\≠j}^n{T}_i}$

由于用户U_j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；

其迭代计算过程按照以下算法进行：

所有用户的信誉值集合T、用户之间的评价集合R、所述评价数据的仲裁结果集合W、被评价的用户U_j、最大迭代次数max_I；所有用户的信誉值集合T_new；将用户集合S设置为{U_j}，集合变量V置为空，T_new=T，m=0；从集合中选择一个用户U_k，并从S中删除，后加入集合V；利用下述公式：

${T_k}^{\′}=\frac{{\mathrm{\Σ}}_{i=1,i\≠j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\Σ}}_{i=1,i\≠j}^n{T}_i}$

计算用户U_k的信誉值T_k'；将用户U_k所有评价过，且不包含在V的用户加入到集合S；m=m+1；如果m等于max_I或者T_new的变化小于指定的阈值则结束迭代过程并输出T_new，否则继续迭代。

上述技术方案的有益效果为：通过对具体用户评价数据的计算之后，能够有效避免恶意差评或者好评对交易系统中的信誉管理的冲击，保证交易平稳、有序地进行，并将恶意数据进行归类分析，筛选出客观的评价数据，优化数据内容。

本发明还公开一种抗攻击的数据过滤优化方法，包括：

步骤1，将用户参与交易的全部历史数据进行记录；

步骤2，获取步骤1的历史数据中的评价数据；

步骤3，将所述步骤2获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到步骤4；

步骤4，提取步骤1的历史数据中的客观数据，将所述客观数据和过滤出具有攻击性的评价数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到步骤5；

步骤5，综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储。

上述技术方案的有益效果为：本发明方法优化计算不仅仅考虑交易双方的评价，而是综合数据过滤优化系统对用户评价的客观性和合理性的估算。数据过滤优化系统在计算用户信誉时不仅仅考虑用户的评分情况，还需要结合仲裁模块给出的结果，因此将提高数据过滤优化系统的稳定性。

所述的抗攻击的数据过滤优化方法，优选的，所述步骤3具有攻击性的评价数据为交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据。

上述技术方案的有益效果为：其中交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据属于具有计算价值的攻击性数据。

所述的抗攻击的数据过滤优化方法，优选的，所述步骤4包括：

步骤4-1，提取步骤1的历史数据中的客观数据，其中客观数据为付款时间、送货周期、评价数据，负责分析参与交易用户的交易历史数据、其他用户对交易商品的总体评价数据；

步骤4-2，所述客观数据进行仲裁分析计算得到仲裁值，辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁值存放到仲裁模块中，采用多因素分析的综合评分法计算每个评价数据的合理性。

所述的抗攻击的数据过滤优化方法，优选的，所述步骤4-2包括：

步骤4-3，对用户评价数据进行仲裁分析时包含m个评估数据，其中m为正整数，每个评估数据的权重c_i分别为{c₁,c₂...,c_m}；计算评价数据r_ij在各个评估指标上偏离客观评价的程度分别为{d₁,d₂...,d_m}，其取值范围采用[-1,+1]之间实数表示；然后对该评价数据的客观性评估数据为w_ij，其计算方法如下公式所示：

$w_{\mathrm{ij}}={\mathrm{\Σ}}_{k=1}^m{c}_i*d_i;$

偏离度d_i的计算方法采用基于统计的方法来度量，采用用户对商品的评价数据与其他用户对该商品评价均值的距离来度量；也采用所定义的偏离度函数来计算。

上述技术方案的有益效果为：通过综合评分计算模块计算偏离度得到综合评分计算结果。

所述的抗攻击的数据过滤优化方法，优选的，所述步骤5包括:

步骤5-1，采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价数据为r_ij，T_i，T_j表示当前用户的信誉值，所述评价数据的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价数据，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\′}=\frac{{\mathrm{\Σ}}_{i=1,i\≠j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\Σ}}_{i=1,i\≠j}^n{T}_i}$

由于用户U_j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；

步骤5-2，其迭代计算过程按照以下算法进行：

所有用户的信誉值集合T、用户之间的评价集合R、所述评价数据的仲裁结果集合W、被评价的用户U_j、最大迭代次数max_I；算法输出：所有用户的信誉值集合T_new；

步骤5-3，将用户集合S设置为{U_j}，用户集合V置为空，T_new=T，m=0；

步骤5-4，从集合中选择一个用户U_k，并从S中删除，后加入V；

步骤5-5，利用下述公式，

${T_k}^{\′}=\frac{{\mathrm{\Σ}}_{i=1,i\≠j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\Σ}}_{i=1,i\≠j}^n{T}_i}$ 计算用户U_k的信誉值T_k'；

步骤5-6，将用户U_k所有评价过，且不包含在集合V用户加入到集合S；

步骤5-7，如果S不为空则转至步骤5-4，否则m=m+1，并执行步骤5-8；

步骤5-8，如果m等于max_I或者T_new的变化小于指定的阈值则结束迭代过程并输出T_new，否则跳转到步骤5-3继续迭代。

上述技术方案的有益效果为：通过对具体用户评价数据的计算之后，能够有效避免恶意差评或者好评对交易系统中的信誉管理的冲击，保证交易平稳、有序地进行，并将恶意数据进行归类分析，筛选出客观的评价数据，优化数据内容。

用户在进行商品或服务的交易，完成交易后买卖双方针对本次交易对对方进行评价，之后将交易信息和双方的评价信息传入数据过滤优化系统。在数据过滤优化系统中引入仲裁机制对交易双方的评价进行再评价，这样优化计算不仅仅考虑交易双方的评价，而是综合数据过滤优化系统对用户评价的客观性和合理性的估算。数据过滤优化系统在计算用户信誉时不仅仅考虑用户的评分情况，还需要结合自动仲裁分析模块给出的结果，因此将提高数据过滤优化系统的稳定性。

交易记录模块记录参与交易的买家和卖家的全部行为历史数据，包括交易的商品、配送情况、付款情况以及卖家和买家之间的相互评价等数据。之后，评价数据获取模块从交易记录模块中获取全部评价数据,评价数据以二元组的形式表示：<交易ID，U_i，U_j，r_ij>，r_ij表示第i个用户U_i对第j个用户U_j的评价。评价数据获取模块获取到的全部评价数据一方面交由评价数据过滤模块进行数据抽取，主要抽取对信誉管理系统影响最大的评价数据；另一方面，将评价数据输入到优化计算模块作为优化计算的参数。同时，优化计算模块得出的信誉值结果又传给评价数据过滤模块进行判定，对于偏离大多数用户评价的评价，或者是导致被评价方的信誉值产生较大影响的评价值，系统将其送往自动仲裁分析模块进行仲裁，仲裁后的结果又交予优化计算模块进行计算更新用户的信誉值。

综上所述，由于采用了上述技术方案，本发明的有益效果是：能够有效避免恶意差评或者好评对交易系统中的信誉管理的冲击，保证电子商务交易平稳、有序地进行。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述或附加的方面和优点，结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一种抗攻击的数据过滤优化方法中用户之间的评价关系示例；

图2为本发明一种抗攻击的数据过滤优化系统的基本构成图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面，结合附图对本发明做进一步详细说明：

用户在电子商务交易平台进行商品或服务的交易，完成交易后买卖双方针对本次交易对对方进行评价，之后将交易信息和双方的评价信息传入数据过滤优化系统。在数据过滤优化系统中引入仲裁机制对交易双方评价进行再评价，这样优化计算不仅仅考虑交易双方的评价，而是综合数据过滤优化系统对用户评价的客观性和合理性的估算。数据过滤优化系统在计算用户信誉时不仅仅考虑用户的评分情况还需要结合自动仲裁分析模块给出的结果，因此将提高数据过滤优化系统的稳定性。

自动仲裁分析模块对用户评价值的客观性作定量的分析，本发明将为自动仲裁分析模块收集交易过程的买卖双方的行为历史数据、商品属性信息以及用户在系统中行为特征数据。例如：商品本身的评价历史，物流配送情况，评价方的可信程度，评价方的经验等，对这些交易和评价进行评估，自动计算出对本次交易评价值的客观性的评估。假定交易之间的评价关系如图1中所示，其中U_i、U_j和U_k分别表示用户i用户j和用户k，用户U_i对用户U_j的评价值为r_ij，而r_jk表示用户j对用户k评价，T_i，T_j，T_k分别表示对应用户的信誉值。仲裁分析模块就是对新的评价值r_ij，r_jk的客观性进行评估。其评估结果分别用w_ij，w_jk来表示。本发明中的自动仲裁分析模块采用多因素分析的综合评分法来自动计算每个评价值的合理性。

此外，本发明提出了一种基于权重模型综合用户的评价值、自动仲裁分析模块结果以及用户当前的信誉值来优化每个用户的信誉值数据。假定仲裁结果采用[-1,+1]之间的实数表示，当系统中新增了用户U_i对用户U_j的评价值为r_ij，T_i，T_j表示当前用户的信誉值，自动仲裁分析模块对该评价值的仲裁结果为w_ij，如果共有n个用户对U_j存在评价，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i};$

由于用户j的信誉值发生改变后，将影响其曾经评价过的其他用户的信誉值。因此信誉管理系统需要进行多次迭代来更新所有用户的信誉值，具体迭代的算法可以多次利用图的遍历算法来调用上述公式计算每个用户的信誉值，直到每个用户的信誉值不再发生显著变化。

假定数据过滤优化系统采用集中管理方式。本发明是在传统的信誉管理系统中引入仲裁机制，即增加对交易双方评价结果的再度评价机制，这样可以避免交易双方缺乏仲裁所导致的各种问题。具体的实现方式如附图2所示，数据过滤优化系统包含了交易记录模块S1、评价数据获取模块S2、评价数据过滤模块S3、辅助仲裁数据提取模块S4，自动仲裁分析模块S5以及优化计算模块S6等六部分构成。

其中，交易记录模块S1是传统的在线交易平台，该平台中记录了参与交易的买家和卖家的全部行为历史数据，包括交易的商品、配送情况、付款情况以及卖家和买家之间的相互评价数据。传统的信誉管理系统直接根据买家对卖家的评价数据来计算买家的信誉值，反之亦然。

评价数据获取模块S2就是从交易记录模块中获取全部评价数据,评价数据的一般形式为二元组：

<交易ID，U_i，U_j，r_ij>，表示第i个用户U_i对第j个用户U_j的评价。

评价数据过滤模块S3，则负责从评价数据获取模块中抽取对数据过滤优化系统影响最大的评价数据，并输出到自动仲裁分析模块进行仲裁分析。抽取的规则可以采用诸如：交易用户之间评价存在较大的差异；用户对于服务的评价偏离大多数用户的评价；或者是导致被评价方的信誉值产生较大影响等。这样既保持了数据过滤优化系统的稳定性，又降低了数据过滤优化系统运行和维护的成本。该抽取规则可以描述如下：

设用户U_i对用户U_j的评价值为r_ij，T_i，T_j表示当前用户的信誉值，

表示其他用户对用户U_j的评价平均值。如果用户U_i对用户U_j的评价值偏离大多数用户的评价超过某个阈值e₁，即

那么就将该评价值交由自动仲裁分析模块进行仲裁分析。或者，如果通过r_ij计算出的结果T_j'变化过大，大于某个阈值e₂，即|T_j'-T_j|＞e₂，那么就说明该评价值r_ij导致被评价方U_j的信誉值产生较大影响，这种情况也需将评价值交由自动仲裁分析模块进行仲裁分析。

辅助仲裁数据提取模块S4，则负责从交易记录模块中提取与交易过程的客观数据指标，例如付款时间、送货周期、评价数据，同时该模块负责分析参与交易用户的全部交易历史、其他用户对交易商品的总体评价等。所述辅助仲裁数据提取模块的作用就是为自动仲裁分析模块提供全部数据，是自动仲裁分析模块的决策基础。

自动仲裁分析模块S5，则辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁结果存放到仲裁数据库中。本发明中的自动仲裁分析模块采用多因素分析的综合评分法来自动计算每个评价值的合理性。假定对用户评价值进行仲裁分析时包含m个评估指标，例如商品评分的客观性，配送速度评价的客观性，付款及时性的客观性等，每个评估指标的权重分别为{c₁,c₂…,c_m}。仲裁分析模块自动计算r_ij在各个评估指标上偏离客观评价的程度{d₁,d₂…,d_m}，其取值范围采用[-1,+1]之间实数表示。那么仲裁分析模块对该评价的客观性评估值为w_ij，其计算方法如下公式所示：

$w_{\mathrm{ij}}={\mathrm{\&Sigma;}}_{k=1}^m{c}_i*d_i$               公式（1）；

偏离度d_i的计算方法可以采用基于统计的方法来度量，例如可以采用用户对商品的评价值与其他用户对该商品评价均值的距离来度量。也可以采用系统中定义的偏离度函数来计算。

优化计算模块S6则综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储到交易记录模块。具体实现过程中采用最简单优化权值模型来综合仲裁值、用户的信誉值以及评价值来计算每个用户的信誉值。假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价值为r_ij，T_i，T_j表示当前用户的信誉值，自动仲裁分析模块对该评价值的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价值，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$                 公式（2）

本发明还公开一种抗攻击的数据过滤优化方法，包括：

步骤1，将用户参与交易的全部历史数据进行记录；

步骤2，获取步骤1的历史数据中的评价数据；

步骤3，将所述步骤2获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到步骤4；

步骤4，提取步骤1的历史数据中的客观数据，将所述客观数据和过滤出具有攻击性的评价数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到步骤5；

步骤5，综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储。

采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价数据为r_ij，T_i，T_j表示当前用户的信誉值，所述评价数据的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价数据，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$

由于用户U_j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；

由于用户j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值。因此数据过滤优化系统需要进行多次迭代来更新所有用户的信誉值。其迭代计算过程可按照以下算法进行：

算法输入：所有用户的信誉值集合T、用户之间的评价集合R、自动仲裁分析模块对评价的仲裁结果集合W、被评价的用户U_j、最大迭代次数max_I；

算法输出：所有用户的信誉值集合T_new；

步骤1：将用户集合S设置为{U_j}，用户集合V置为空，T_new=T，m=0；

步骤2：从集合中选择一个用户U_k，并从S中删除，后加入V；

步骤3：利用公式（2）计算用户U_k的信誉值T_k'；

步骤4：将用户U_k所有评价过，且不包含在集合V的用户加入到集合S；

步骤5：如果集合S不为空则转至步骤2，否则m=m+1，并执行步骤6；

步骤6：如果m等于max_I或者T_new的变化小于指定的阈值则结束迭代过程并输出T_new，否则则跳转到步骤1继续迭代。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种抗攻击的数据过滤优化系统，其特征在于，包括：

交易记录模块，用于将用户参与交易的全部历史数据进行记录；

评价数据获取模块，用于获取交易记录模块的历史数据中的评价数据；

评价数据过滤模块，用于将所述评价数据获取模块获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到仲裁模块；

仲裁模块，用于提取交易记录模块的历史数据中的客观数据，将所述客观数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到优化计算模块；

优化计算模块，用于综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储到交易记录模块。

2.根据权利要求1所述的抗攻击的数据过滤优化系统，其特征在于，所述具有攻击性的评价数据为交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据。

3.根据权利要求1所述的抗攻击的数据过滤优化系统，其特征在于，所述仲裁模块包括：

辅助仲裁数据提取模块，用于提取交易记录模块的历史数据中的客观数据，其中客观数据为付款时间、送货周期、评价数据，负责分析参与交易用户的交易历史数据、其他用户对交易商品的总体评价数据；

自动仲裁分析模块，用于所述客观数据进行仲裁分析计算得到仲裁值，辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁值存放到仲裁模块中，采用多因素分析的综合评分法计算每个评价数据的合理性。

4.根据权利要求3所述的抗攻击的数据过滤优化系统，其特征在于，所述自动仲裁分析模块包括：

综合评分计算模块，用于对用户评价数据进行仲裁分析时包含m个评估数据，其中m为正整数，每个评估数据的权重c_i分别为{c₁,c₂...,c_m}；计算评价数据r_ij在各个评估指标上偏离客观评价的程度分别为{d₁,d₂...,d_m}，其取值范围采用[-1,+1]之间实数表示；然后对该评价数据的客观性评估数据为w_ij，其计算方法如下公式所示：

$w_{\mathrm{ij}}={\mathrm{\&Sigma;}}_{k=1}^m{c}_i*d_i;$

偏离度d_i的计算方法采用基于统计的方法来度量，采用用户对商品的评价数据与其他用户对该商品评价均值的距离来度量；也采用所定义的偏离度函数来计算。

5.根据权利要求1所述的抗攻击的数据过滤优化系统，其特征在于，所述优化计算模块包括:

计算模块，用于采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价数据为r_ij，T_i，T_j表示当前用户的信誉值，所述评价数据的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价数据，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$

由于用户U_j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；

其迭代计算过程按照以下算法进行：

所有用户的信誉值集合T、用户之间的评价集合R、所述评价数据的仲裁结果集合W、被评价的用户U_j、最大迭代次数max_I；所有用户的信誉值集合T_new；将用户集合S设置为{U_j}，集合变量V置为空，T_new=T，m=0；从集合中选择一个用户U_k，并从S中删除，后加入用户集合V；利用下述公式：

${T_k}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$

计算用户U_k的信誉值T_k'；将用户U_k所有评价过，且不包含在V的用户加入到集合S；m=m+1；如果m等于max_I或者T_new的变化小于指定的阈值则结束迭代过程并输出T_new，否则继续迭代。

6.一种抗攻击的数据过滤优化方法，其特征在于，包括：

步骤1，将用户参与交易的全部历史数据进行记录；

步骤2，获取步骤1的历史数据中的评价数据；

步骤3，将所述步骤2获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到步骤4；

步骤4，提取步骤1的历史数据中的客观数据，将所述客观数据和过滤出具有攻击性的评价数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到步骤5；

步骤5，综合所述历史数据中的评价数据、所述具有攻击性的评价数据以及所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储。

7.根据权利要求6所述的抗攻击的数据过滤优化方法，其特征在于，所述步骤3具有攻击性的评价数据为交易用户之间评价存在较大差异的评价数据；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据。

8.根据权利要求6所述的抗攻击的数据过滤优化方法，其特征在于，所述步骤4包括：

步骤4-1，提取步骤1的历史数据中的客观数据，其中客观数据为付款时间、送货周期、评价数据，负责分析参与交易用户的交易历史数据、其他用户对交易商品的总体评价数据；

步骤4-2，所述客观数据进行仲裁分析计算得到仲裁值，辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁值存放到仲裁模块中，采用多因素分析的综合评分法计算每个评价数据的合理性。

9.根据权利要求8所述的抗攻击的数据过滤优化方法，其特征在于，所述步骤4-2包括：

步骤4-3，对用户评价数据进行仲裁分析时包含m个评估数据，其中m为正整数，每个评估数据的权重c_i分别为{c₁,c₂...,c_m}；计算评价数据r_ij在各个评估指标上偏离客观评价的程度分别为{d₁,d₂...,d_m}，其取值范围采用[-1,+1]之间实数表示；然后对该评价数据的客观性评估数据为w_ij，其计算方法如下公式所示：

$w_{\mathrm{ij}}={\mathrm{\&Sigma;}}_{k=1}^m{c}_i*d_i;$

偏离度d_i的计算方法采用基于统计的方法来度量，采用用户对商品的评价数据与其他用户对该商品评价均值的距离来度量；也采用所定义的偏离度函数来计算。

10.根据权利要求6所述的抗攻击的数据过滤优化方法，其特征在于，所述步骤5包括:

步骤5-1，采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[-1,+1]之间的实数表示，用户U_i对用户U_j的评价数据为r_ij，T_i，T_j表示当前用户的信誉值，所述评价数据的仲裁结果为w_ij，如果共有n个用户对用户U_j存在评价数据，那么用户U_j新的信誉值T_j'可采用以下公式计算：

${T_j}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$

由于用户U_j的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；

步骤5-2，其迭代计算过程按照以下算法进行：

所有用户的信誉值集合T、用户之间的评价集合R、所述评价数据的仲裁结果集合W、被评价的用户U_j、最大迭代次数max_I；算法输出：所有用户的信誉值集合T_new；

步骤5-3，将用户集合S设置为{U_j}，用户集合V置为空，T_new=T，m=0；

步骤5-4，从集合中选择一个用户U_k，并从S中删除，后加入V；

步骤5-5，利用下述公式，

${T_k}^{\&prime;}=\frac{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{r}_{\mathrm{ij}}*w_{\mathrm{ij}}*T_i}{{\mathrm{\&Sigma;}}_{i=1,i\&NotEqual;j}^n{T}_i}$ 计算用户U_k的信誉值T_k'；

步骤5-6，将用户U_k所有评价过，且不包含在集合V用户加入到集合S；

步骤5-7，如果S不为空则转至步骤5-4，否则m=m+1，并执行步骤5-8；

步骤5-8，如果m等于max_I或者T_new的变化小于指定的阈值则结束迭代过程并输出T_new，否则跳转到步骤5-3继续迭代。

Images