CN103347028A - 云架构下基于贝叶斯的对等网络信任度量模型 - Google Patents
云架构下基于贝叶斯的对等网络信任度量模型 Download PDFInfo
- Publication number
- CN103347028A CN103347028A CN2013103003793A CN201310300379A CN103347028A CN 103347028 A CN103347028 A CN 103347028A CN 2013103003793 A CN2013103003793 A CN 2013103003793A CN 201310300379 A CN201310300379 A CN 201310300379A CN 103347028 A CN103347028 A CN 103347028A
- Authority
- CN
- China
- Prior art keywords
- trust
- alpha
- beta
- peer
- calculation
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 230000003993 interaction Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Computer And Data Communications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种云架构下基于贝叶斯的对等网络信任度量模型,其特征在于:先对节点自身信任数据进行置信度值计算,如果置信度值低于预定阀值,则自身信任数据不足以进行信任计算,将信任计算转移至拥有更多信任数据和推荐信息的云平台进行,否则信任计算在本地进行。本发明解决了传统集中式信任模型的单点故障、高延时问题以及分布式信任模型在数据存储和安全领域的局限性。
Description
技术领域
本发明涉及一种云架构下基于贝叶斯的对等网络信任度量模型。
背景技术
信任目前还没有一个统一的定义。不同的学者对信任的理解也千差万别。信任一般会涉及到主体或服务的诚实、真实、能力、可靠程度等。由于信任是—个主观性很强的概念,很难给出量化的、准确的定义。针对P2P环境的具体化,并考虑P2P环境的节点间的协作应用的需求给出了一个定义:信任是指一种关于节点执行可信的、安全的、可靠的动作的信仰,及对其未来行为的主观期望。用Tij表示节点i和节点j之间的信任值。
信任分为两类:一是直接信任(Direct Trust),指由已发生过直接交互的节点之间得到的信任值。用Dij表示节点i和节点j之间的直接信任值。二是推荐信任(Recommended Trust),指从未发生过直接交互的节点之间的信任,节点的信任关系是由第三方推荐得到的,而第三方与二者均有直接信任关系,用Rij表示节点i和节点j之间的推荐信任值。
发明内容
有鉴于此,本发明的目的是提供一种云架构下基于贝叶斯的对等网络信任度量模型。
本发明采用以下方案实现:一种云架构下基于贝叶斯的对等网络信任度量模型,其特征在于:先对节点自身信任数据进行置信度值计算,如果置信度值低于预定阀值,则自身信任数据不足以进行信任计算,将信任计算转移至拥有更多信任数据和推荐信息的云平台进行,否则信任计算在本地进行。
在本发明一实施例中,所述置信度值的计算公式为: 其中,Var(x)为β分布的方差,Conf为置信度值,β分布的两个参数α和β分别设置为ns+1和nu+1,ns是信任数据中对目的交易节点的满意交互的记录个数,nu是信任数据中对目的交易节点的不满意交互的记录个数。
在本发明一实施例中,所述信任计算的信任值通过计算β分布的期望获得,具体公式如下: 其中, 并且
在本发明一实施例中,所述在云平台进行信任计算的具体方法为:从云数据库中检索推荐信息,假设i是所有推荐信息的推荐者数量,和分别表示第m个推荐者对目的交易节点的推荐信息中满意交互的记录个数与不满意交互的记录个数,信任计算公式为:
在本发明一实施例中,还包括对云平台信任计算中的推荐信息进行可信度判断,所述可信度判断采用推荐信息迭代过滤算法,步骤如下:
S01:从云平台获取各个推荐者对目的交易节点的推荐信息;
S02:计算每一组推荐信息的信任值TDk(B);
S04:判断不等式是否成立,其中,S是一个预定阈值,范围区间为[0,1];如果不等式成立,则认为第k组推荐信息是虚假的,将之过滤,否则该组推荐暂时保留;
S05:返回步骤S01,直至没有推荐信息被过滤。
在本发明一实施例中,还包括为每条记录增加一个权重WT,假设当前时间是tcur,则其中,di是该记录发生的时间,w是一个时间权重因子,取值范围为[0,1],因此β分布的两个参数α和β的加权计算方式如下: 其中n和m分别表示对目的交易节点的满意与不满意交互的记录个数。
本发明具有如下特点:
1)采用基于β分布的贝叶斯方法进行信任计算,算法复杂度低。
2)基于云架构,凭借云平台在存储与计算过程中的高效性、安全性和中立性等优势,保证了历史交易记录数据存储与信任计算过程安全、可靠;解决了传统集中式信任模型的单点故障、高延时问题以及分布式信任模型在数据存储和安全领域的局限性。
3)数据采用本地与云平台双端存储,信任计算时优先采用本地存储信任数据,本地数据信息不足以进行信任推断时,将计算转移至云平台进行,提高信任度量准确性的同时兼顾运行效率。
4)区分自身经验与其他节点的推荐,提出一种推荐过滤算法,遏制节点的虚假推荐恶意攻击行为。
5)充分考虑信任随时间而衰减的特性,引入时间权重因子,提升信任度量的准确性和模型的动态适应能力。
为使本发明的目的、技术方案及优点更加清楚明白,以下将通过具体实施例和相关附图,对本发明作进一步详细说明。
附图说明
图1是本发明对等网络信任度量模型框图。
具体实施方式
数据存储:
假设节点A为交易源节点,即服务请求者,节点B为交易目标节点,即服务提供者。A关于B的交易记录可以表示为HA(B),HA(B)={H1,…,Hn},它有n个分量,每个分量Hi代表A关于B的单次交易记录。Hi可以表示为一个三元组<ei,si,di>,其中ei是交易的评价,1代表满意,0代表不满意;si是交易的类型;di是交易发生的时间。数据采用本地和云平台双端存储。
信任计算:
本信任模型基于β分布的贝叶斯推理,β分布的两个参数α和β分别设置为ns+1和nu+1,其中ns是先前与B的交易记录中满意交互的记录个数,nu是不满意交互的记录个数。
置信度计算:
本模型引入”confidence”变量参数描述信任计算的置信度,简记为Conf,它通过β分布的方差计算得到。
如图1所示,本发明提供一种云架构下基于贝叶斯的对等网络信任度量模型,先对节点自身信任数据进行置信度值计算,如果置信度值低于预定阀值(优选的,所述预定阀值为0.9),则自身信任数据不足以进行信任计算,将信任计算转移至拥有更多信任数据和推荐信息的云平台进行,否则信任计算在本地进行。另外,还包括对本地和云端的信任数据和推荐信息进行存储和更新。
所述置信度值的计算公式为: 其中,Var(x)为β分布的方差,Conf为置信度值,β分布的两个参数α和β分别设置为ns+1和nu+1,ns是信任数据中对目的交易节点的满意交互的记录个数,nu是信任数据中对目的交易节点的不满意交互的记录个数。
本地信任计算:
信任值以TA(B)表示,代表B能提供满意交互的概率。TA(B)通过计算β分布概率分布函数的期望获得。
云端信任计算:
所述在云平台进行信任计算的具体方法为:从云数据库中检索推荐信息,假设i是所有推荐信息的推荐者数量,和分别表示第m个推荐者对目的交易节点的推荐信息中满意交互的记录个数与不满意交互的记录个数,信任计算公式为:
由于无法保证所有的推荐者提供信息的准确性和诚实性,恶意节点可以通过提供虚假的推荐信息进行恶意攻击。因此,有必要对云端信任计算中推荐者或推荐信息进行可信度判断。优选的,在进行信任计算之前还包括对云平台信任计算中的推荐信息进行可信度判断,所述可信度判断采用推荐信息迭代过滤算法,步骤如下:
S01:从云平台获取各个推荐者对目的交易节点的推荐信息;
S02:计算每一组推荐信息的信任值TDk(B);
S05:返回步骤S01,直至没有推荐信息被过滤。
时间加权:
为每条记录加上时间权重,越近发生的交易记录具有越高的权重。
优选的,为每条记录增加一个权重WT,假设当前时间是tcur,则其中,di是该记录发生的时间,w是一个时间权重因子,取值范围为[0,1],因此β分布的两个参数α和β的加权计算方式如下: 其中n和m分别表示对目的交易节点的满意与不满意交互的记录个数。
上列较佳实施例,对本发明的目的、技术方案和优点进行了进一步详细说明,所应理解的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种云架构下基于贝叶斯的对等网络信任度量模型,其特征在于:先对节点自身信任数据进行置信度值计算,如果置信度值低于预定阀值,则自身信任数据不足以进行信任计算,将信任计算转移至拥有更多信任数据和推荐信息的云平台进行,否则信任计算在本地进行。
3.根据权利要求2所述的云架构下基于贝叶斯的对等网络信任度量模型,其特征在于:所述信任计算的信任值通过计算β分布的期望获得,具体公式如下: 其中, 并且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310300379.3A CN103347028B (zh) | 2013-07-15 | 2013-07-15 | 云架构下基于贝叶斯对等网络信任度量模型的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310300379.3A CN103347028B (zh) | 2013-07-15 | 2013-07-15 | 云架构下基于贝叶斯对等网络信任度量模型的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103347028A true CN103347028A (zh) | 2013-10-09 |
CN103347028B CN103347028B (zh) | 2014-10-01 |
Family
ID=49281802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310300379.3A Active CN103347028B (zh) | 2013-07-15 | 2013-07-15 | 云架构下基于贝叶斯对等网络信任度量模型的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103347028B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103985018A (zh) * | 2014-06-03 | 2014-08-13 | 杭州师范大学 | 一种网络交易数据采集及交易完成度分析方法 |
CN104008188A (zh) * | 2014-06-11 | 2014-08-27 | 陈耿 | 一种逼近真实行为的可靠信度重估方法 |
CN105704736A (zh) * | 2014-11-24 | 2016-06-22 | 北京信息科技大学 | 一种基于贝叶斯信任模型的网络端到端延迟优化方法 |
CN107995204A (zh) * | 2017-12-11 | 2018-05-04 | 四川管理职业学院 | 基于Bayes模型的Hadoop架构信任评估方法 |
CN108833493A (zh) * | 2018-05-24 | 2018-11-16 | 浙江工商大学 | 对等网络集合中最佳交易节点的选择方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1863090A (zh) * | 2006-01-13 | 2006-11-15 | 华为技术有限公司 | 一种对等网络及其节点控制方法 |
CN101714976A (zh) * | 2009-10-15 | 2010-05-26 | 浙江大学 | 一种p2p网络中抵抗节点恶意的方法 |
-
2013
- 2013-07-15 CN CN201310300379.3A patent/CN103347028B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1863090A (zh) * | 2006-01-13 | 2006-11-15 | 华为技术有限公司 | 一种对等网络及其节点控制方法 |
CN101714976A (zh) * | 2009-10-15 | 2010-05-26 | 浙江大学 | 一种p2p网络中抵抗节点恶意的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103985018A (zh) * | 2014-06-03 | 2014-08-13 | 杭州师范大学 | 一种网络交易数据采集及交易完成度分析方法 |
CN103985018B (zh) * | 2014-06-03 | 2017-01-25 | 杭州师范大学 | 一种网络交易数据采集及交易完成度分析方法 |
CN104008188A (zh) * | 2014-06-11 | 2014-08-27 | 陈耿 | 一种逼近真实行为的可靠信度重估方法 |
CN104008188B (zh) * | 2014-06-11 | 2017-05-10 | 南京审计大学 | 一种逼近真实行为的可靠信度重估方法 |
CN105704736A (zh) * | 2014-11-24 | 2016-06-22 | 北京信息科技大学 | 一种基于贝叶斯信任模型的网络端到端延迟优化方法 |
CN105704736B (zh) * | 2014-11-24 | 2019-01-29 | 北京信息科技大学 | 一种基于贝叶斯信任模型的网络端到端延迟优化方法 |
CN107995204A (zh) * | 2017-12-11 | 2018-05-04 | 四川管理职业学院 | 基于Bayes模型的Hadoop架构信任评估方法 |
CN108833493A (zh) * | 2018-05-24 | 2018-11-16 | 浙江工商大学 | 对等网络集合中最佳交易节点的选择方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103347028B (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103347028B (zh) | 云架构下基于贝叶斯对等网络信任度量模型的实现方法 | |
US7333923B1 (en) | Degree of outlier calculation device, and probability density estimation device and forgetful histogram calculation device for use therein | |
CN108090558B (zh) | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 | |
CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN113379042B (zh) | 保护数据隐私的业务预测模型训练方法及装置 | |
CN113947016B (zh) | 针对电网紧急控制系统中深度强化学习模型的脆弱性评估方法 | |
CN108881250B (zh) | 电力通信网络安全态势预测方法、装置、设备及存储介质 | |
CN113392919A (zh) | 基于客户端选择的联邦注意力dbn协同检测系统 | |
CN111091385A (zh) | 基于权重的对象识别方法、装置以及电子设备 | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN110909453A (zh) | 一种基于eemd的输电线路覆冰等级预测方法 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN109741183A (zh) | 一种信息获取方法及装置 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN117852673A (zh) | 一种联邦学习方法、系统、设备及存储介质 | |
Kanjanatarakul et al. | Distributed data fusion in the dempster-shafer framework | |
CN112364468A (zh) | 一种基于agent社会圈子网络的腐败传播模型建模仿真方法 | |
CN104933052A (zh) | 数据真实值的估计方法及数据真实值估计装置 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
CN116318856A (zh) | 一种基于差分隐私和联邦学习的模型参数优化方法和系统 | |
CN116151369A (zh) | 一种公共审计的拜占庭鲁棒联邦学习系统及方法 | |
CN113779591B (zh) | 一种基于主机重要度的网络主机节点安全风险评估方法 | |
CN112822113B (zh) | 路由地址的获取方法及装置、电子设备和可读存储介质 | |
KR20230093622A (ko) | 트윈 모델을 이용한 이상치 검출 방법 및 시스템과 그 학습방법 | |
CN113392141A (zh) | 一种抗欺骗攻击的分布式数据多类别逻辑回归方法及装置 |
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 |