CN103347028A - 云架构下基于贝叶斯的对等网络信任度量模型 - Google Patents

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

云架构下基于贝叶斯的对等网络信任度量模型

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T_ij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D_ij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R_ij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： $\mathrm{Conf}=1-\mathrm{Var}\left(x\right)=1-\frac{(n_s+1)(n_u+1)}{{(n_s+n_u+2)}^2(n_s+n_u+3)},$ 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n_s+1和n_u+1，n_s是信任数据中对目的交易节点的满意交互的记录个数，n_u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： $T_A\left(B\right)=E\left(f(x;\mathrm{\α};\mathrm{\β})\right)=\frac{\mathrm{\α}}{\mathrm{\α}+\mathrm{\β}}=\frac{n_s+1}{n_s+n_u+2},$ 其中， $f(x;\mathrm{\α};\mathrm{\β})=\frac{x^{\mathrm{\α}-1}{(1-x)}^{\mathrm{\β}-1}}{{\∫}_0^1{u}^{\mathrm{\α}-1}{(1-u)}^{\mathrm{\α}-1}\mathrm{du}}=\frac{\mathrm{\Γ}(\mathrm{\α}+\mathrm{\β})}{\mathrm{\Γ}\left(\mathrm{\α}\right)\mathrm{\Γ}\left(\mathrm{\β}\right)}{x}^{\mathrm{\α}-1}{(1-x)}^{\mathrm{\β}-1}=\frac{x^{\mathrm{\α}-1}{(1-x)}^{\mathrm{\β}-1}}{B(\mathrm{\α}+\mathrm{\β})},$ $\mathrm{\Γ}\left(z\right)={\∫}_0^{\∞}{t}^{z-1}{e}^{-t}\mathrm{dt},$ 并且 $B(\mathrm{\α},\mathrm{\β})={\∫}_0^1{z}^{x-1}{(1-z)}^{\mathrm{\β}-1}\mathrm{dz}=\frac{\mathrm{\Γ}\left(\mathrm{\α}\right)\mathrm{\Γ}\left(\mathrm{\β}\right)}{\mathrm{\Γ}(\mathrm{\α}+\mathrm{\β})}.$

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：

$T_i\left(B\right)=E\left(f(x;\mathrm{\α};\mathrm{\β})\right)=\frac{\mathrm{\α}}{\mathrm{\α}+\mathrm{\β}}\frac{\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{n}_s^k+1}{\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{n}_s^k+\underset{k=1}{\overset{i}{\mathrm{\Σ}}}{n}_u^k+2}.$

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T_Dk(B)；

S03：计算所有信任值的平均值：

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t_cur，则

其中，d_i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H_A(B)，H_A(B)={H₁，…，H_n}，它有n个分量，每个分量H_i代表A关于B的单次交易记录。H_i可以表示为一个三元组<e_i，s_i，d_i>，其中e_i是交易的评价，1代表满意，0代表不满意；s_i是交易的类型；d_i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n_s+1和n_u+1，其中n_s是先前与B的交易记录中满意交互的记录个数，n_u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：

$\mathrm{Conf}=1-\mathrm{Var}\left(x\right)=1-\frac{(n_s+1)(n_u+1)}{{(n_s+n_u+2)}^2(n_s+n_u+3)},$ 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n_s+1和n_u+1，n_s是信任数据中对目的交易节点的满意交互的记录个数，n_u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T_A(B)表示，代表B能提供满意交互的概率。T_A(B)通过计算β分布概率分布函数的期望获得。

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： $T_A\left(B\right)=E\left(f(x;\mathrm{\&alpha;};\mathrm{\&beta;})\right)=\frac{\mathrm{\&alpha;}}{\mathrm{\&alpha;}+\mathrm{\&beta;}}=\frac{n_s+1}{n_s+n_u+2},$ 其中，概率密度函数 $f(x;\mathrm{\&alpha;};\mathrm{\&beta;})=\frac{x^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}}{{\&Integral;}_0^1{u}^{\mathrm{\&alpha;}-1}{(1-u)}^{\mathrm{\&alpha;}-1}\mathrm{du}}=\frac{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{x}^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}=\frac{x^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}}{B(\mathrm{\&alpha;}+\mathrm{\&beta;})},$ Γ(z)即伽马函数，它是阶乘函数在实数与复数上的扩展，其计算公式为：

并且 $B(\mathrm{\&alpha;},\mathrm{\&beta;})={\&Integral;}_0^1{z}^{x-1}{(1-z)}^{\mathrm{\&beta;}-1}\mathrm{dz}=\frac{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}.$

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：

$T_i\left(B\right)=E\left(f(x;\mathrm{\&alpha;};\mathrm{\&beta;})\right)=\frac{\mathrm{\&alpha;}}{\mathrm{\&alpha;}+\mathrm{\&beta;}}\frac{\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_s^k+1}{\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_s^k+\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_u^k+2}.$

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T_Dk(B)；

S03：计算所有信任值的平均值：

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。

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t_cur，则

其中，d_i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： $\mathrm{\&alpha;}=n_s+1=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}^{t_{\mathrm{cur}}-d_i}+1,$ $\mathrm{\&beta;}=n_u+1=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}^{t_{\mathrm{cur}}-d_i}+1,$ 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。

2.根据权利要求1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：所述置信度值的计算公式为：

$\mathrm{Conf}=1-\mathrm{Var}\left(x\right)=1-\frac{(n_s+1)(n_u+1)}{{(n_s+n_u+2)}^2(n_s+n_u+3)},$ 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n_s+1和n_u+1，n_s是信任数据中对目的交易节点的满意交互的记录个数，n_u是信任数据中对目的交易节点的不满意交互的记录个数。

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： $T_A\left(B\right)=E\left(f(x;\mathrm{\&alpha;};\mathrm{\&beta;})\right)=\frac{\mathrm{\&alpha;}}{\mathrm{\&alpha;}+\mathrm{\&beta;}}=\frac{n_s+1}{n_s+n_u+2},$ 其中， $f(x;\mathrm{\&alpha;};\mathrm{\&beta;})=\frac{x^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}}{{\&Integral;}_0^1{u}^{\mathrm{\&alpha;}-1}{(1-u)}^{\mathrm{\&alpha;}-1}\mathrm{du}}=\frac{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{x}^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}=\frac{x^{\mathrm{\&alpha;}-1}{(1-x)}^{\mathrm{\&beta;}-1}}{B(\mathrm{\&alpha;}+\mathrm{\&beta;})},$ $\mathrm{\&Gamma;}\left(z\right)={\&Integral;}_0^{\&infin;}{t}^{z-1}{e}^{-t}\mathrm{dt},$ 并且 $B(\mathrm{\&alpha;},\mathrm{\&beta;})={\&Integral;}_0^1{z}^{x-1}{(1-z)}^{\mathrm{\&beta;}-1}\mathrm{dz}=\frac{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}.$

4.根据权利要求1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：

$T_i\left(B\right)=E\left(f(x;\mathrm{\&alpha;};\mathrm{\&beta;})\right)=\frac{\mathrm{\&alpha;}}{\mathrm{\&alpha;}+\mathrm{\&beta;}}\frac{\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_s^k+1}{\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_s^k+\underset{k=1}{\overset{i}{\mathrm{\&Sigma;}}}{n}_u^k+2}.$

5.根据权利要求4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：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T_Dk(B)；

S03：计算所有信任值的平均值：

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。

6.根据权利要求1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：还包括为每条记录增加一个权重WT，假设当前时间是t_cur，则

其中，d_i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： $\mathrm{\&alpha;}=n_s+1=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}^{t_{\mathrm{cur}}-d_i}+1,$ $\mathrm{\&beta;}=n_u+1=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}^{t_{\mathrm{cur}}-d_i}+1,$ 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。

Images