CN103412918B - 一种基于服务质量和声誉的服务信任度评估方法 - Google Patents

Abstract

本发明给出了一种基于QoS和声誉的Web服务信任度评估方法，该方法包括服务信任度评估模型，以及服务综合信任度中包括的直接信任度、推荐信任度、服务提供商可信度的计算方法。本方法以服务选择中服务请求者对候选服务的需求为输入，进行需求分析，在直接信任度中综合了QoS和用户对服务的历史信任，并加入时间衰减因子，逐渐削弱历史信任对直接信任度的影响，提高直接信任度的可靠性；在推荐信任度中引入推荐者声誉概念，建立用户之间的信任评估机制，从而将推荐信任分为熟人推荐信任和陌生人推荐信任两类，使推荐信任的评估更加完整、准确，最终对每个候选服务的可信性依次评估并排名，为服务选择提供决策依据。

Description

一种基于服务质量和声誉的服务信任度评估方法

技术领域

本发明给出了一种基于服务质量(QualityofService，QoS)和声誉的Web服务信任度评估方法，主要解决Web服务选择中涉及的对候选服务如何进行合理、准确的可信性评估的问题，属于Web服务选择领域。

背景技术

Webservice是一种构建面向服务架构(Service-OrientedArchitecture，SOA)的分布式计算技术，具有开放性、平台无关性、松散耦合和高度可集成性等特点。Internet环境下Web服务技术的出现为组织间建立一种更加灵活多样的协作关系创造了前所未有的机会。在服务资源迅速飞涨的今天，出现了大量功能相同或者相近的服务，然而就面向服务的应用来说，对服务的选择却越来越困难，甚至在使用服务的过程中也给使用者带来了风险，造成这个问题的主要原因之一就是服务提供者和服务信任者之间的信任问题。研究表明，服务的可信问题已成为制约服务高效组合的一个重要因素。

1994年，Marsh首次在计算机领域内提出可信(Trust)的概念。可信就是用户对服务本身的信任，也可以说，如果一个软件系统的行为总是与预期相一致，则称为可信(Trustworthy)，是用户在参与或者使用服务过程中形成的一种主观感受。然而，服务使用者的主观感受是很难被客观描述的，同一服务的不同使用者，由于自身对服务的需求及评价准则不同，使用感受也不尽相同。因此，需要一个综合的服务信任度计算方法，整合不同来源的服务信任度信息，作为服务请求者进行Web服务选择时的重要参考指标。

许多研究者根据Web服务的质量属性实现Web服务选择，采用的算法包括多目标粒子群优化、离散微粒群算法、量子遗传算法、遗传算法等，但他们有一个共性是没有考虑QoS数据的可信性。在实际应用中，这些QoS值的可信性很难得到保证：一方面，服务提供者希望通过发布高于实际服务水平的QoS值，吸引更多的服务使用者;另一方面，服务使用者反馈的QoS值，常常受到服务使用者自身主观因素的影响，甚至有恶意的服务使用者会给出虚假的数据。现在，越来越多的学者开始研究如何解决这个问题。

因为Web服务QoS属性的多样性，所以其属性的可信性处理也具有很大的差异，根据QoS属性的特征分3种情况分别处理：

第一类是真实的Web服务质量属性，如服务费用。这类属性不存在可信问题。

第二类是可以客观反映Web服务水平的质量属性，如服务的执行时间、可用性等，它们主要由服务提供者决定，但也受到服务使用者的网络环境的影响。这类属性通常在服务注册时会随着功能属性发布到注册中心。但一些服务提供者为了吸引服务使用者会发布高于实际性能的数值。所以，在进行服务选择时如果直接使用服务提供者发布的数值会导致达不到服务使用者的要求。因此有必要对这类属性值，通过以往服务提供者的实际运行情况进行可信性评估。

第三类是带有主观特性的服务质量属性，如信任度。这类属性从服务使用者反馈，受到服务使用者所处环境、主观想法的影响，不同的使用者对同一次服务都可能有明显不同的评价结果，而且不能排除恶意诋毁的情形。所以把这类结果评价平等对待显然是不合适的。

因此，综合以上因素，一个好的服务可信度评估方法需要考虑以下几个方面：(1)服务提供者直接提供的多QoS属性值，而不能仅考虑其中个别属性；(2)服务请求者的QoS偏好，因为同一服务不一定满足每个服务请求者的QoS需求；(3)与服务请求者偏好相似的推荐者对服务的推荐信任值，偏好一致的服务推荐者的推荐信息才具有参考的价值；(4)服务推荐者的可信度，避免服务使用者恶意评估的结果影响其他服务请求者的选择。

近几年，也有许多学者提出基于服务信任的评估模型。KritikosK等人提出了基于语义QoS感知的Web服务发现方法^[1]，根据QoS属性在服务管理中扮演的角色对信任度进行划分，并给出信任度的计算方法，但是由于没有考虑用户反馈等级的客观性和真实性，导致服务信任度与实际值偏离较大。ConnerW提出了一个面向开放分布式服务环境的基于信任度的服务可信管理框架TMS^[2]，该框架支持多种信任度评估方法，比文献[1]中由反馈等级直接计算获得的信任度更准确、合理，但是对用户反馈中包含的主观因素(例如：用户偏好)却没有处理，从而导致信任度的准确性下降。WeiliangZhao等人提出基于贝叶斯网的服务可信性模型^[3]，综合了用户的直接信任、推荐者的推荐信任等，并给出基于贝叶斯网的信任度计算方法。但该模型的直接信任是基于用户与服务的多次历史交互计算的，若无交互历史则直接信任值为零，假如此时也没有其他用户推荐该服务，那么即使该服务的QoS属性符合用户的偏好，且可靠性高，用户对该服务的选择概率也很低。并且随着候选服务规模增大，基于贝叶斯网的评估会变得更加繁琐，条件概率表CPT的维护更加复杂。因此，本文提出一种基于QoS和声誉的信任度评估方法，包含了不同的信任信息来源，将主观信任和客观信任高度融合，使可信计算模型更加完整，服务的信任值更具有参考意义，同时在时间和空间复杂度上也体现了优势。

参考文献：

[1]KritikosK，PlexousakisD.RequirementsforQoS-basedWebservicedescriptionanddiscovery[C].IEEETrans.onServiceComputing，2009，2(4):320-337.

[2]ConnerW，IyengarA，etal.Atrustmanagementframeworkforservice-orientedenvironments[C].Proceedingsofthe18thinternationalconferenceonWorldWideWeb，2009:891-900.

[3]Mohammad-RezaMotallebi，FuyukiIshikawa，ShinichiHoniden.TrustComputationinWebServiceCompositionsUsingBayesianNetworks[C].IEEEInternationalConferenceonWebServices，2009:623-625.

发明内容：

技术问题：本发明的目的是提出一种基于服务质量和声誉的服务信任度评估方法。该方法从服务请求者对候选服务的可信需求出发，对单个服务的信任来源进行分析，构建一个综合多个信任来源的服务信任度评估模型。针对现有服务可信性评估方法中不能较好整合多个来源的信任信息，对服务的信任度评估存在准确性和可信性的问题，本发明从服务请求者的角度来分析候选服务的信任来源，建立服务间的声誉评价机制，提高推荐信任度评估的准确性，同时也考虑其他信任度评估的准确和可信性。最终目的是给出一个基于QoS和声誉的在服务选择中对候选服务的可信性能够准确评估的方法。

技术方案：本发明提出了一种基于QoS和声誉的Web服务信任度评估方法，该方法将服务综合信任度的评估分为直接信任度、推荐信任度和服务提供商可信度三个部分，综合了服务的主观信任和客观信任，构建信任模型，保证对服务的信任度评估的完整和准确。质量属性QoS描述了一个产品或服务满足客户需求的能力，包括执行费用、执行时间、信誉度、可靠性和可用性等，而提供相同功能的Web服务大都具有不同的QoS，因此我们在进行服务可信性评估的时候首先在客观信任上要考虑服务的QoS属性，即QoS是否满足服务请求者的偏好需求；另外，信任也是一种对个体行为的主观评价，这一评价建立在与个体的直接交互经验、其他个体的经验推荐的基础上，因此在主观信任方面需要考虑服务请求者与候选服务的直接交互经验以及其他服务使用者对该服务的推荐信任。综合以上几方面的信任来源，评估服务的综合信任度，以此作为服务可信性的度量。

本发明在原有SOA框架基础上扩展了本地数据库和信任评估中心(TAC)，建立基于QoS和声誉的Web服务信任度评估模型，其中本地数据库中存储的是服务请求者对服务的直接信任评价以及对推荐者的推荐声誉评价，供服务信任度评估时调用，在TAC中进行服务的信任度评估，主要包括三个模块：直接信任度评估、间接信任度评估及服务提供商可信度评估。每个模块的含义及组成如下：

（1）直接信任度：指服务请求者(即用户)对候选服务的直接信任评价。本发明中直接信任度包括基于用户QoS偏好的服务质量的可信性，以及用户与该候选服务的历史交互信任。

将用户对候选服务i的直接信任度记为

（2）推荐信任度：指用户对服务推荐者的信任程度。

为了使推荐信任度更具有参考性，着重考虑用户对推荐者的历史信任评价，在评估模型中引入推荐者声誉评价机制，细化推荐信任。推荐声誉就是用户使用服务推荐者推荐的服务后，对推荐者做出的信任评价。该机制在用户使用了推荐者推荐的服务后，将根据使用感受对推荐者进行评价，以此建立用户与推荐者之间的信任关系。将这个评价称为推荐者的推荐声誉，存储在用户的本地数据库中，每次对该推荐者有新的评价时进行更新。

将用户对候选服务i的推荐信任度记为

（3）服务提供商可信度：用户对服务提供商的信任程度，本文用服务提供商提供的QoS值与服务实际QoS值的差异度高低来衡量服务提供商的可信性。差异越大，可信度越低，反之则越高。

将服务i的服务提供商可信度记为T_Ci。

（4）综合信任度：即相对于服务请求者来说候选服务的可信程度。

由以上三个模块的信任度，服务综合信任度的计算模型可以表示为：

综合信任度=γ₁×直接信任度+γ₂×推荐信任度+γ₃×服务提供商可信度

（其中，γ_i为信任度的权重，γ₁+γ₂+γ₃=1）。

本发明的一种基于QoS和声誉的Web服务信任度评估方法，以服务选择的可信性问题为背景，提出推荐者声誉评价机制，综合多个来源的服务信任信息，提出综合的服务信任度评估模型；本方法包括服务信任度评估模型，以及服务综合信任度中包括的服务直接信任度、推荐信任度、服务提供商可信度的计算方法；以服务选择中服务请求者对候选服务的需求为输入，对每个候选服务的可信性进行评估并排名；综合服务的多个信任信息来源，并采取措施保证服务信任度的可信，解决服务选择中对候选服务的可信性评估问题。

该方法所包含的步骤为：

步骤1）：服务请求者A输入需求，包括功能性需求和非功能性需求，得到n个候选服务的集合：WS={WS₁,WS₂,…,WS_n}，n为自然数；

步骤2）：对服务请求者A进行需求分析，获取服务请求者A对候选服务QoS属性的偏好集合A={w₁,w₂…w_n}，w_i∈A,i∈[1,n]，表示对服务第i个QoS属性的偏好;

步骤3）：对每一个候选服务WSi∈WS，i∈[1,n]，获取该服务的QoS属性集合Q={q₁,q₂…q_n}，qi∈Q，i∈[1,n]，并从服务请求者A的本地数据库中调出其对WSi的历史信任评价

步骤4）：计算服务请求者A对候选服务WSi的直接信任度计算式为：

$T_D^i=\mathrm{\α}\×T_i^{\mathrm{wsp}}+(1-\mathrm{\α})\×g\left(t\right)\×T_i^A$

其计算包括两个部分：1.表示对服务提供商wsp提供的候选服务WSiQoS的信任度，使用A={w₁，w₂…w_n}作权值，对候选服务WSi的QoS属性Q={q₁，q₂…q_n}进行加权求和得到；2.即服务请求者A对WSi的历史信任度，为这部分信任度加入时间衰减因子g(t)，作为候选服务WSi直接信任度的第二部分，α为这两部分信任度的权重，当不存在的时候α取值1；

步骤5）将与WSi有过交互的其他服务使用者，作为推荐者向服务提供者进行服务推荐，分别获取每一个服务推荐者对WSiQoS属性的偏好、直接信任度、以及服务请求者A对推荐者的推荐声誉评价，

推荐信任度计算中，引入推荐者声誉评价机制：服务使用者根据使用服务的感受对推荐者进行信任评价，该信任评价称为推荐者的推荐声誉，保存在服务使用者的本地数据库中，以此建立起服务使用者间的信任关系；当推荐者对服务使用者进行服务推荐时，调用本地数据库中，对推荐者的历史信任评价；服务请求者和推荐者间存在历史信任评价的称为熟人推荐者，不存在的称为陌生人推荐者，服务请求者A对WSi的推荐信任度为熟人推荐信任和陌生人推荐信任的加权和；对推荐者的分类，使推荐信任度的评估更加完整全面，依据服务使用者的历史评价来评估推荐者的可信性，准确性也更高；

步骤6）对每一个服务推荐者，判断是否存在服务请求者A对推荐者推荐声誉的评价，如果存在，执行步骤7），反之执行步骤8），

步骤7）计算熟人推荐者B={B₁,B₂,…B_n}的推荐信任度；

熟人推荐者，表示该推荐者B_j对服务使用者A有过推荐历史，那么再次向A进行推荐的时候，服务使用者A需要考虑推荐者B_j的推荐声誉同时也要考虑服务使用者A和推荐者B_j间的偏好相似度Sim(A,Bj)，以及推荐者B_j对WSi的信任度Bj∈B，j∈[1,n]，

计算式如下：

$T_{\mathrm{Rfri}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}[T_{\mathrm{Bj}}^A\·T_i^{\mathrm{Bj}}\·\mathrm{Sim}(A,\mathrm{Bj})]}{n};$

其中T_Rfri表示熟人推荐信任，表示A对第j个熟人推荐者Bj的信任，表示第j个熟人推荐者Bj对服务i的直接信任度；

步骤8）计算陌生人推荐者C={C₁,C₂,…C_n}的推荐信任度；

陌生推荐者，表示该推荐者C_j对服务使用者A没有过推荐历史，那么该信任度评估需要考虑推荐者C_j与服务使用者A间的偏好相似度Sim(A,Cj)以及推荐者对服务的信任度

计算式如下：

$T_{\mathrm{Rstr}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{T}_i^{\mathrm{Cj}}\·\mathrm{Sim}(A,\mathrm{Cj})}{n};$

其中T_Rstr表示陌生人推荐信任，表示第j个陌生推荐者Cj对服务i的直接信任度，Cj∈C；

步骤9）计算服务请求者A对候选服务WSi的推荐信任度

计算式如下：

β∈(0,1)为权重，当T_Rfri不存在时，β取0;

步骤10）计算候选服务WSi的服务提供商可信度T_Ci：

为了验证调用候选服务WSi时其每一个QoS属性是否可以达到服务提供商提供的值，启用QoS监控机制，记录每次调用时WSi的QoS属性Q={q_d1,q_d2…q_dn}与服务提供商提供的WSiQoS属性Q’={q_p1,q_p2…q_pn}的一致性，以此作为服务提供商的可信度值T_Ci；q_dj表示交付时第j个QoS属性的值，j∈[1,n]，q_pj表示初始时第j个QoS属性的值。

服务提供商可信度计算式如下：

$T_{\mathrm{Ci}}=1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{|q_{\mathrm{dj}}-q_{\mathrm{pj}}|}{q_{\mathrm{pj}}};$

步骤11）计算候选服务WSi的综合信任度T_i：

由直接信任度推荐信任度和服务提供商可信度T_Ci，计算服务i的综合信任度T_i，计算式如下：

$T_i={\mathrm{\γ}}_1\·T_D^i+{\mathrm{\γ}}_2\·T_R^i+{\mathrm{\γ}}_3\·T_{\mathrm{Ci}},$ 其中γ_i∈[1,3]为权重，i∈(0,1)， $\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i=1$

由于信任度评估模型中分别采取措施保证直接信任度、推荐信任度的有效性和可信性，因此综合信任度评估的准确性也进一步提高；

步骤12）判断WSi是否是候选服务集合中的最后一个服务，如果不是，执行步骤3）；

步骤13）将候选服务按照综合信任度进行排名。

有益效果：作为Web服务可信性的评估方法，本发明基本上综合了主观信任和客观信任两大方面的信任来源，它不同于以往的评估方法，它站在服务请求者的角度来看待和评估候选服务的可信性。具有以下的一些特点和创新之处：

（1）基于需求偏好的服务QoS属性及服务请求者对服务的历史直接交互信任：直接信任度的计算与以往的评估方法类似，首先需要考虑服务自身的QoS质量属性，本发明使用服务请求者对QoS的需求偏好加权服务的QoS，使这部分的信任值更贴近服务请求者的需求；另外，与以往评估方法不同的是，本发明额外考虑了服务请求者对服务的历史直接交互信任，使直接信任度的评估更加完整，符合实际；同时为了保证直接信任度的可信，引入时间衰减因子，随着时间的推移，每隔一个时间间隔衰减一次历史交互信任的值。

（2）引入推荐者声誉评价机制：本发明中引入了推荐者声誉评价机制，将推荐信任细化为两类分别计算，一种是来自熟人的推荐，另一种是来自陌生人的推荐。充分考虑了推荐信任可能的来源，使推荐信任的评估更加准确、可信。

（3）考虑服务提供商的可信度：传统的服务信任度评估往往偏向于考虑服务客观的QoS质量属性，或者仅考虑主观的信任评级，以此作为候选服务可信性的度量显得不够全面。本发明基于此问题提出的服务信任度评估方法不仅整合了服务客观的QoS质量属性，还考虑了服务请求者的对服务直接的信任评价以及推荐者的可信性。然而我们还应该关注的是，现在大量的Web服务发布在网络中，服务提供商为了提高服务的使用率可能会虚报服务的质量指标，因此，我们应该服务提供商提供的该服务QoS质量属性是否可信。本发明通过实时监控模块，监控服务真实调用时的质量指标，对比服务提供商提供的质量指标，以此度量服务提供商的可信性。

附图说明

图1是基于QoS和声誉的Web服务可信服务信任度评估模型框图。

图2是推荐关系分类图。图中箭头标记的含义如下：

→表示A中存在推荐者B的推荐声誉，

表示A中不存在推荐者C的推荐声誉，

表示A与WSi的推荐信任关系，

图3是声誉评估等级划分图。

图4是基于QoS和声誉的Web服务可信服务信任度评估算法的流程框图。

图5是基于QoS和声誉的Web服务可信服务信任度评估算法部分代码图。

具体实施方式：

本发明基于QoS和声誉的Web服务信任度评估方法包括服务直接信任度、推荐信任度、服务提供商可信度及综合信任度的评估。图1给出了本发明方法对应的服务信任度评估模型，模型中描述了在SOA原有框架上的扩展，以及各模块之间的调用关系。图4是本信任度评估方法的流程图，下面的内容是介绍本发明中服务信任度评估方法的详细描述：

1信任度评估模型

本发明中的信任度评估模型是在原有SOA框架基础上扩展了本地数据库和信任评估中心(TAC)。引入推荐者声誉评价机制，将评价结果保存在服务请求者的本地数据库中，以便信任评估时调用，调用关系如图1所示。综合信任度的评估在TAC内完成，包括三大信任来源：直接信任度、间接信任度和服务提供商的可信度。其中直接信任度来自用户对服务的历史信任以及基于服务多QoS属性的用户偏好信任；间接信任通过推荐得到，推荐途径有两种，一种是来自熟人推荐的信任值，由传递的间接推荐信任关系得到，另一种是陌生人推荐信任，通过与用户没有历史交互，但QoS偏好相似的推荐者(即陌生人)对服务的信任关系得到；服务提供商的可信度指服务提供商提供的QoS值和实际运行时监控到的QoS值的差异度。

本发明中的信任度计算模型在推荐机制中引入推荐者声誉的概念，即用户根据对服务的使用感受对推荐者的评分。随着网络中不同用户和服务的交互次数增加，每个用户会建立一定的声誉，当他向其他用户进行服务推荐的时候，则可以根据他对该用户的推荐声誉来决策是否接受推荐。另外在单个服务的直接信任计算中，引入了时间衰减因子，在指定时间间隔内，如果信任值没有更新，则衰减其在推荐信任度以及综合信任度中的计算比重，由此也可以保证服务综合信任度的可信性。

2直接信任度

定义1(直接信任度)：指服务请求者(即用户)对候选服务的直接信任评价。包括基于用户QoS偏好的服务质量的可信性，以及用户与该候选服务的历史交互信任。

我们知道，不同服务领域对Web服务的QoS属性具有不同的偏向性，而不同用户对QoS属性的期待也不相同。因此在进行服务选择的时候，用户期望选择与自己偏好相近的Web服务。例如，在进行网上银行交易的时候，相对于服务响应时间，用户更关注服务的可靠性。因此，直接信任度中对服务QoS属性的计算需要考虑用户偏好。另外，如果用户与服务有过历史交互，那么直接信任度中也应考虑用户对服务的直接信任评价。

我们将服务提供商提供的n个QoS属性表示为：Q={q₁，q₂…q_n}(q_j表示服务的一个QoS属性，j∈[1,n]，n为自然数)。那么，对应服务的n个QoS属性，用户A的偏好集合表示为：A={w₁，w₂…w_n}。则服务提供商提供的服务i的信任度记为：

$T_i^{\mathrm{wsp}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j{q}_j---\left(1\right)$

假如用户与服务i之间有过历史交互，那么计算信任值时则需考虑历史交互中，用户对服务i的评价。将用户A对服务i的历史交互信任值记为：

考虑到用户对服务的评价具有时效性，较早时间的交互信任值不具有参考性，因此，这里引入时间衰减函数，

g(t)为时间衰减函数，σ表示时间衰减间隔(单位：小时)。例如当σ=2时，表示信任值每隔2小时对直接信任度的影响衰减一次。那么，用户对服务i的直接信任度为：

$T_D^i=\mathrm{\α}\×T_i^{\mathrm{wsp}}+(1-\mathrm{\α})\×g\left(t\right)\×T_i^A---\left(3\right)$

其中α∈(0,1)为权重，当不存在时，α取1。

在直接信任度的计算中，采取了两个措施保证其可信性：(1)加入用户偏好因素来综合服务提供商的QoS属性值；(2)引入时间衰减因子，使用户与服务在以往的交互中，建立的信任随时间的累积对综合信任度的影响降低。由于下面章节中涉及的推荐信任度以及综合信任度的计算都涉及了直接信任度，因此，保证直接信任度的可信性是必要的。

3推荐信任度

定义2(推荐信任度)：指用户对服务推荐者的信任程度。

推荐关系在这里我们考虑两类：(1)来自熟人的推荐，如图2(a)所示，熟人即服务请求者A与推荐者B之间存在历史交互，那么A可以通过B的推荐获得对服务i的信任；(2)来自陌生人的推荐，如图2(b)所示，即A与推荐者C之间不存在历史交互，但是C与A的偏好相似，且C对服务i有可信性评价，那么这类信任值也是需要考虑的。

3.1声誉、偏好相似度

定义3(声誉)：声誉指一个主体被另一个主体群所广泛认同的可以完成某个特定任务的能力，这里特指推荐能力。

我们在信任模型中加入对推荐者的声誉评估机制，即用户调用服务后，根据该服务是否能很好的满足用户需求，给出对推荐者的评价，声誉级别分类如图3所示。

假定用户群B中的n个用户均对用户A有推荐历史。那么我们将用户A对某推荐者Bj(Bj∈B，j∈[1,n])的推荐评价称为Bj相对于用户A的推荐声誉计算式如下：

$T_{\mathrm{Bj}}^A=\frac{N_E\left(\mathrm{Bj}\right)+N_G\left(\mathrm{Bj}\right)}{N\left(\mathrm{Bj}\right)}---\left(4\right)$

其中N_E(Bj)为A对Bj评价为E的次数，N_G(Bj)为A对Bj评价为G的次数，N(Bj)为评价的总次数。

定义4(偏好相似度)：偏好相似度指服务请求者与服务推荐者对某服务QoS属性偏好的差异度。

由于只有当推荐者的偏好和服务请求者偏好相似的时候，推荐信息才具有参考价值，因此，我们在信任度计算模型中加入该参数，以保证推荐信任度的可信性。

这里采用余弦相似度(cosinesimilarity)的方法计算服务请求者与推荐者之间的偏好相似度。服务请求者A与服务推荐者Bj的偏好相似度Sim(A,Bj)，计算如下：

$\mathrm{Sim}(A,\mathrm{Bj})=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k\left(A\right)\·w_k\left(\mathrm{Bj}\right)}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k^2\left(A\right)\·\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k^2\left(\mathrm{Bj}\right)}}---\left(5\right)$

其中w_k(A)，w_k(Bj)分别为用户A和Bj的第k个QoS偏好值。

3.2推荐信任计算

(1)熟人推荐信任(recommendoffriend)：

定义5(熟人推荐信任)：指服务请求者A与熟人推荐者B之间存在推荐声誉评价，那么A可以通过B的推荐获得对服务i的信任度，这种信任称为熟人推荐信任，如图2(a)所示。

假定熟人推荐者的个数为n，用B={B1,B2,…,Bn}表示，那么服务i来自熟人推荐者的信任值，记为：

$T_{\mathrm{Rfri}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}[T_{\mathrm{Bj}}^A\·T_i^{\mathrm{Bj}}\·\mathrm{Sim}(A,\mathrm{Bj})]}{n}---\left(6\right)$

其中T_Rfri表示熟人推荐信任，表示A对第j个熟人推荐者Bj(Bj∈B)的信任，表示第j个熟人推荐者Bj对服务i的直接信任度。

(2)陌生人推荐信任(recommendofstranger)

定义6(陌生人推荐信任)：指服务请求者A中不存在陌生推荐者C的推荐声誉，则A由推荐者C的推荐得到的对服务i的信任度，称为陌生人推荐信任，如图2(b)所示。

假定陌生推荐者的个数为n，用C={C1,C2,…,Cn}来表示，那么服务i来自陌生人推荐者的信任值记为：

$T_{\mathrm{Rstr}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}[T_i^{\mathrm{Cj}}\·\mathrm{Sim}(A,\mathrm{Cj})]}{n}---\left(7\right)$

其中T_Rstr表示陌生人推荐信任，表示第j个陌生推荐者Cj(Cj∈C)对服务i的直接信任度，计算方法如上节所述，由于直接信任度是保证可信的，因此该推荐信任度也可以保证其可信性。

综合以上两种推荐信任我们可以得出服务i的推荐信任度为：

$T_R^i=\mathrm{\β}\·T_{\mathrm{Rfri}}+(1-\mathrm{\β})\·T_{\mathrm{Rstr}}---\left(8\right)$

其中β∈(0,1)为权重，当T_Rfri不存在时，β取0。

4服务提供商的可信度

为了验证调用服务时服务的QoS属性值是否可以达到服务提供商提供的值，我们启用QoS监控机制，记录每次交互时服务的QoS值，并计算提供的QoS值与监控获取的QoS值的一致性，以此作为服务提供商的可信度值。

定义7(服务提供商的可信度)：假定服务i初始的QoS集为Q={q_p1，q_p2…q_pn}，交互时，交付时获取到的QoS集为Q’={q_d1，q_d2…q_dn}，则服务提供商的可信度可以用服务i交付时和初始时QoS值的差异度来度量。计算式如下：

$T_{\mathrm{Ci}}=1-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{|q_{\mathrm{dj}}-q_{\mathrm{pj}}|}{q_{\mathrm{pj}}}---\left(9\right)$

其中，q_dj∈Q，表示初始的第j个QoS属性;q_pj∈Q’表示交付时的第j个QoS属性。

每次交互后计算得到的服务提供商的可信度更新到T_Ci中，以便评估综合信任度时调用。

5综合信任度

前面分别讨论了服务信任度的几个来源：直接信任、推荐信任(分别来自熟人和陌生人推荐)和服务提供商的可信性，并且在计算的过程中采取一定措施保证信任值的有效和可信。下面我们综合以上几个方面给出服务i的综合信任度T_i的计算公式：

$T_i={\mathrm{\γ}}_1\·T_D^i+{\mathrm{\γ}}_2\·T_R^i+{\mathrm{\γ}}_3\·T_{\mathrm{Ci}}---\left(10\right)$

其中γ_i∈[1,3]为权值，

Claims (1)

1.一种基于服务质量和声誉的服务信任度评估方法，其特征在于该方法以服务选择的可信性问题为背景，提出推荐者声誉评价机制，综合多个来源的服务信任信息，提出综合的服务信任度评估模型；本方法包括服务信任度评估模型，以及服务综合信任度中包括的服务直接信任度、推荐信任度、服务提供商可信度的计算方法；以服务选择中服务请求者对候选服务的需求为输入，对每个候选服务的可信性进行评估并排名；综合服务的多个信任信息来源，并采取措施保证服务信任度的可信，解决服务选择中对候选服务的可信性评估问题；

该评估方法包含的步骤为：

步骤1)：服务请求者A输入需求，包括功能性需求和非功能性需求，得到n个候选服务的集合：WS＝{WS₁,WS₂,…,WS_n}，n为自然数；

步骤2)：对服务请求者A进行需求分析，获取服务请求者A对候选服务QoS属性的偏好集合A＝{w₁,w₂…w_n}，w_i∈A,i∈[1,n]，表示对服务第i个QoS属性的偏好；

步骤3)：对每一个候选服务WS_i∈WS，i∈[1,n]，获取该服务的QoS属性集合Q＝{q₁,q₂…q_n}，q_i∈Q，i∈[1,n]，并从服务请求者A的本地数据库中调出其对WS_i的历史信任评价T_i ^A；

步骤4)：计算服务请求者A对候选服务WS_i的直接信任度计算式为：

$T_D^i=\mathrm{\α}\×{T_i}^{wsp}+(1-\mathrm{\α})\×g\left(t\right)\×{T_i}^A$

其计算包括两个部分：1.T_i ^wsp：表示对服务提供商wsp提供的候选服务WS_iQoS的信任度，使用A＝{w₁，w₂…w_n}作权值，对候选服务WSi的QoS属性Q＝{q₁，q₂…q_n}进行加权求和得到；2.T_i ^A：即服务请求者A对WS_i的历史信任度，为这部分信任度加入时间衰减因子g(t)，作为候选服务WS_i直接信任度的第二部分，α为这两部分信任度的权重，当T_i ^A不存在的时候α取值1；

步骤5)将与WS_i有过交互的其他服务使用者，作为推荐者向服务提供者进行服务推荐，分别获取每一个服务推荐者对WS_iQoS属性的偏好、直接信任度、以及服务请求者A对推荐者的推荐声誉评价，

推荐信任度计算中，引入推荐者声誉评价机制：服务使用者根据使用服务的感受对推荐者进行信任评价，该信任评价称为推荐者的推荐声誉，保存在服务使用者的本地数据库中，以此建立起服务使用者间的信任关系；当推荐者对服务使用者进行服务推荐时，调用本地数据库中，对推荐者的历史信任评价；服务请求者和推荐者间存在历史信任评价的称为熟人推荐者，不存在的称为陌生人推荐者，服务请求者A对WS_i的推荐信任度为熟人推荐信任和陌生人推荐信任的加权和；对推荐者的分类，使推荐信任度的评估更加完整全面，依据服务使用者的历史评价来评估推荐者的可信性，准确性也更高；

步骤6)对每一个服务推荐者，判断是否存在服务请求者A对推荐者推荐声誉的评价，如果存在，执行步骤7)，反之执行步骤8)，

步骤7)计算熟人推荐者B＝{B₁,B₂,…B_n}的推荐信任度；

熟人推荐者，表示该推荐者B_j对服务使用者A有过推荐历史，那么再次向A进行推荐的时候，服务使用者A需要考虑推荐者B_j的推荐声誉同时也要考虑服务使用者A和推荐者B_j间的偏好相似度Sim(A,Bj)，以及推荐者B_j对WS_i的信任度T_i ^Bj，B_j∈B，j∈[1,n]，

计算式如下：

$T_{Rfri}=\frac{\underset{j=1}{\overset{n}{\Σ}}\[T_{Bj}^A\·{T_i}^{Bj}\·Sim(A,Bj)\]}{n};$

其中T_Rfri表示熟人推荐信任，表示A对第j个熟人推荐者B_j的信任，T_i ^Bj表示第j个熟人推荐者B_j对服务i的直接信任度；

步骤8)计算陌生人推荐者C＝{C₁,C₂,…C_n}的推荐信任度；

陌生推荐者，表示该推荐者C_j对服务使用者A没有过推荐历史，那么该信任度评估需要考虑推荐者C_j与服务使用者A间的偏好相似度Sim(A,C_j)以及推荐者对服务的信任度T_i ^Cj，

计算式如下：

$T_{Rstr}=\frac{\underset{j=1}{\overset{n}{\Σ}}{T_i}^{Cj}\·Sim(A,Cj)}{n};$

其中T_Rstr表示陌生人推荐信任，T_i ^Cj表示第j个陌生推荐者C_j对服务i的直接信任度，C_j∈C；

步骤9)计算服务请求者A对候选服务WS_i的推荐信任度

计算式如下：

$T_R^i=\mathrm{\β}\·T_{Rfri}+(1-\mathrm{\β})\·T_{Rstr},$ β∈(0,1)为权重，当T_Rfri不存在时，β取0；

步骤10)计算候选服务WS_i的服务提供商可信度T_Ci：

为了验证调用候选服务WS_i时其每一个QoS属性是否可以达到服务提供商提供的值，启用QoS监控机制，记录每次调用时WS_i的QoS属性Q＝{q_d1,q_d2…q_dn}与服务提供商提供的WS_iQoS属性Q’＝{q_p1,q_p2…q_pn}的一致性，以此作为服务提供商的可信度值T_Ci；q_dj表示交付时第j个QoS属性的值，j∈[1,n]，q_pj表示初始时第j个QoS属性的值；

服务提供商可信度计算式如下：

$T_{Ci}=1-\underset{j=1}{\overset{n}{\Σ}}\frac{|q_{dj}-q_{pj}|}{q_{pj}};$

步骤11)计算候选服务WS_i的综合信任度T_i：

由直接信任度推荐信任度和服务提供商可信度T_Ci，计算服务i的综合信任度T_i，计算式如下：

$T_i={\mathrm{\γ}}_1\·T_D^i+{\mathrm{\γ}}_2\·T_R^i+{\mathrm{\γ}}_3\·T_{Ci},$ 其中γ_i∈(0,1)为权重，i∈[1,3]， $\underset{i}{\Σ}{\mathrm{\γ}}_i=1$

由于信任度评估模型中分别采取措施保证直接信任度、推荐信任度的有效性和可信性，因此综合信任度评估的准确性也进一步提高；

步骤12)判断WSi是否是候选服务集合中的最后一个服务，如果不是，执行步骤3)；

步骤13)将候选服务按照综合信任度进行排名。