CN104009993A - 一种基于模糊过滤的信任评估方法 - Google Patents

Abstract

本发明涉及一种基于模糊过滤的信任评估方法，以Dirichlet信誉评估系统和模糊理论为基础，通过建立评价矩阵将用户评价细化、计算直接信任向量、评价过滤、评价汇聚、计算推荐信任向量、计算综合信任值，最后请求节点选择综合信任值高的相应节点进行交易，克服了现有技术中“针对P2P网络中节点存在信誉值过低则洗白和恶意哄抬信誉值现象”等技术难题，同时本发明通过更新Dirichlet先验基本率，实现了有效提高了节点提供优质服务的积极性，同时在一定程度上降低了节点发生洗白的概率，增加了信任模型的稳定性的有益效果。

Description

一种基于模糊过滤的信任评估方法

技术领域

本发明涉及信息安全中的可信计算技术领域，尤其涉及一种多元评价的信任评估系统的构建，更具体的说涉及一种基于模糊过滤的Dirichlet信任评估系统。

背景技术

伴随信息技术的飞速发展，网络用户间各种资源共享成为现实。P2P网络以其特有的共享的理念和便捷的结构特点成为现今学者研究的热点领域。考虑到P2P网络开放、匿名和动态的结构特点，共享交易的双方得不到现实世界中的安全保障。P2P网络中节点进入和退出是自由和随意的，缺乏相应的约束机制。这体现了P2P网络自由平等的创建理念，同时也为我们提高P2P节点间交互的成功率提出了挑战。因此建立综合有效的信任管理模型，对P2P网络的发展和成长是至关重要的。

在P2P网络交互的节点之间，由于事先缺乏对节点交互能力的认知，造成节点之间的交易具有易失败和不安全的特点。在建立综合有效的信任管理模型之前，。考虑到信任本身是一种人为的主观判断，是基于节点以前的知识认知和经验积累，具有主观性和模糊性的特点。国外学者对主观信任进行了研究探索，找到了适用于信任管理的二元Beta信誉评估模型和多元Dirichlet信誉评估模型。这两种信誉评估模型利用Beta分布和Dirichlet分布都是共轭分布的特点(即后验的交互结果可以直接加到先验交互里面)，用概率的形式描述信任，忽略了信任本身的模糊性。同时还在所建立的Beta信誉系统中，引入了一种不合理评价的过滤技术。该过滤技术利用不合理评价也符合Beta分布的特点，提出利用Beta分布的分位点去隔离不合理评价。还提出了基于Dirichlet分布的多元信誉评价系统。该系统有效反映了主观信任评价的多元性，使交易结果的评价更加细化，但是文中没有对不合理评价提出过滤方法。另一种是考虑到了信任本身的模糊性，利用模糊理论中的知识来进行信任的的模糊推理。国内学者唐文等提出基于模糊理论的信任评价模型，该模型为研究主观信任提出新的思路。文中对主观信任的模糊性进行研究，提出基于模糊理论的信任推理方法，但是没有考虑现实中个体信任推理的一般知识，缺乏实际的意义。

发明内容

针对相关技术领域文献和以上现有技术的不足，在大量现有文献研究和长期在相关领域研发实践的基础上，本发明提出“一种基于模糊过滤的信任评估方法”，以Dirichlet信誉评估系统和模糊理论为基础，克服了现有技术中“针对P2P网络中节点存在信誉值过低则洗白和恶意哄抬信誉值现象”等技术难题，实现了有效提高了节点提供优质服务的积极性，同时在一定程度上降低了节点发生洗白的概率，增加了信任模型的稳定性的有益效果。

为实现上述目的，本发明是通过以下技术方案实现的：一种基于模糊过滤的信任评估方法，该方法包括以下步骤：步骤一、文件共享系统中的请求节点在经过一次交互后，对响应节点的服务给予评价，文件共享系统通过评价矩阵M(fq；ds；ss)将用户的评价细化，fq代表文件质量，ds代表文件下载速度，ss代表供源的稳定性，通过模糊综合评判法对评价矩阵M进行模糊综合评判后，R＝WοM得到评价向量R，表示在tr时刻u节点在接受v提供的服务后给予评价；表示在第t时刻汇聚评价时，评价经时间衰减后的有效值；步骤二、评价过滤，请求节点发起询问请求，在当前时间窗口内发生交易的节点提供各自的评价向量，请求节点将所有的评价向量组织成一个矩阵 $M=\left(\begin{array}{c}{\mathrm{RT}}_v^{x_1}\left(T_i\right)\\ ...\\ ...\\ {\mathrm{RT}}_v^{x_n}\left(T_i\right)\end{array}\right),$ n为在当前时间窗口T_i与响应节点发生交易并提供推荐评价的节点数目，在原始矩阵M的基础上建立与之对应的模糊相似矩阵R，在建好的模糊相似矩阵R的基础上，根据参数λ值进行聚类，参数λ值就是人为设定的聚类模糊程度，在相应模糊程度下选择与请求节点在同一类的评价作为合理评价，过滤不合理评价；如果请求节点不存在直接交互历史，那么选择含最多推荐评价的聚类作为可信的聚类评价团体；步骤三、评价汇聚，请求节点发起询问请求，在当前时间窗口内与响应节点发生交易的节点提供各自的评价向量，排除不实评价后，将剩余评价向量按照评价汇聚的时间进行衰减，再利用Dirichlet分布期望函数对推荐评价进行处理，得出推荐评价向量；步骤四、直接信任向量计算，请求节点再根据自身与响应节点的历史交易经验给出评价矩阵M再计算出直接信任向量步骤五、推荐信任向量计算，在请求响应节点服务时，请求节点询问所有与响应节点在当前时间窗口内有过交易的节点，将所有节点的推荐评价向量进行汇聚累加，进行归一化处理，再使用Dirichlet分布的期望函数来计算推荐信任向量S是提供推荐评价的节点集合，0<λ<1为衰减因子；表示所有评价时刻落在第T_i个时间窗口内的u对v的评价的汇聚，节点保存响应节点的先验基本率和当前时间窗口的评价汇聚；步骤六、综合信任值的计算，先对推荐信任向量和直接信任向量进行归一化运算，然后计算和的余弦相似度α：α∈[0,1]，则目标节点的服务信任向量T：0<α<1，来为服务请求者给出合理推荐，信任值T′：T′＝T*a；步骤七、更新Dirichlet先验基本率，利用计算推荐信任向量和原Dirichlet先验基本率的模糊贴近度，选择合适的更新因子对原Dirichlet先验基本率进行更新，更新后的Dirichlet先验基本率值用于下次请求节点计算响应节点综合信任值；步骤八、请求节点选择综合信任值高的响应节点进行交易。

所述步骤一中，文件质量、文件下载速度和文件供源的稳定性三者在模糊评判时的权重为W(0.4,0.4,0.2)。所述步骤一中交互的评价的文件质量(fq)、文件下载速度(ds)、供源稳定性(ss)三个属性分为非常满意、满意、一般、不满意、差五个等级。

所述步骤五中将先验基本率初始化为(0.2,0.2,0.2,0.2,0.2)。

所述步骤六中所述服务信任向量T的权值a为(1,0.75,0.5,0.25,0)。(具体的值放在从属权利要求比较好，这样权利要求1的范围更大点)

所述步骤五和步骤六中的归一化通过以下公式计算，假设有两个信任向量A＝(a₁,a₂...,a_n),B＝(b₁,b₂...,b_n)分别进行归一化运算，即

$A^{\text{'}}=({a_1}^{\text{'}},{a_2}^{\text{'}}...,{a_n}^{\text{'}})=(\frac{a_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},\frac{a_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},...,\frac{a_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i});B^{\text{'}}=({b_1}^{\text{'}},{b_2}^{\text{'}}...,{b_n}^{\text{'}})=(\frac{b_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},\frac{b_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},...,\frac{b_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i})$

本发明具备的有益效果是：该模型考虑到信任本身具有模糊性，将模糊过滤理论应用到Dirichlet分布先验基本率更新，有效提高了节点提供优质服务的积极性，同时在一定程度上降低了节点发生洗白的概率，增加了信任模型的稳定性。

附图说明

图1为本发明具体实施例的一种基于模糊过滤的Dirichlet信任评估系统构建方法流程图；

图2是本发明具体实施例的推荐评价模糊过滤的示意图；

具体实施方式

下面对照附图，通过对实施例的描述，对本发明的具体实施方式如所涉及的控制系统，相互间的连接关系，及实施方法，作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

基于模糊过滤的Dirichlet信任评估系统的构建方法，在实际应用中，利用该模型能全面地、准确地、客观地反映服务请求者与服务响应者之间的信任关系，提高服务请求者与服务响应者的交互成功率。该评估方法用到的模糊综合评判分为以下五个步骤：

(1)确定模糊综合评判的因素集X＝{fq,ds,sr}；

(2)评语集Y＝{非常满意、满意、一般、不满意、差}；

(3)节点根据交互过程，对每个等级取相应的模糊隶属度，表示相应等级所占的比重，得到评价矩阵M＝(r_ij)_n*m∈F(X*Y)；

(4)根据具体情形确定各因素权重:

(5)使用模糊综合评判方法对评价矩阵进行处理得到R＝WoM。

最后得到的R即为反映文件交互过程的评价向量。

本发明基于模糊过滤的Dirichlet信任评估系统的构建方法的流程如图1所示，包括：

步骤S11、文件共享系统中的请求节点在经过一次交互后，要对响应节点的服务给予评价。本文考虑到二元评价的单调性和主观信任模糊性的特点，提出通过评价矩阵M(fq；ds；ss)将用户的评价细化，fq代表文件质量，ds代表文件下载速度，ss代表供源的稳定性，每个属性分为五个等级。这样很好地适应了主观评价的模糊性，同时也为选择服务节点提供了更为细致的信息。为了体现每个属性对于最后评价向量的综合影响，本文通过模糊综合评判法对评价矩阵M进行模糊综合评判后(即R＝WοM)得到评价向量R，能直观反映推荐节点对响应节点的信任情况。本文模型文件质量、文件下载速度和文件供源的稳定性三者在模糊评本系统评价向量R的可信程度随着时间的推移会有衰减，评价向量的汇聚是基于交易发生的完成时刻的。为了方便理解，本系统作出如下相关定义：

(1)表示在tr时刻u节点在接受v提供的服务后给予评价。

(2)表示在第t时刻汇聚评价时，评价经时间衰减后的有效值。0<λ<1为衰减因子。

(3)表示所有评价时刻落在第T_i个时间窗口内的u对v的评价的汇聚，节点不需要保存每次交易过后的评价向量，只需要保存响应节点的先验基本率和当前时间窗口的评价汇聚。评判时的权重为W(0.4,0.4,0.2)，也可根据实际情况予以调整。

步骤S12、评价过滤的步骤如下：

(1)请求节点发起询问请求，在当前时间窗口内发生交易的节点提供各自的评价向量。请求节点将所有的评价向量组织成一个矩阵 $M=\left(\begin{array}{c}{\mathrm{RT}}_v^{x_1}\left(T_i\right)\\ ...\\ ...\\ {\mathrm{RT}}_v^{x_n}\left(T_i\right)\end{array}\right),$ n为在当前时间窗口T_i与响应节点发生交易并提供推荐评价的节点数目。

(2)在原始矩阵M的基础上建立与之对应的模糊相似矩阵R。建立模糊相似矩阵的方法有很多种，本文采用绝对值距离。设聚类对象的集合为X＝{x₁,x₂,...,x_n}，每个元素x_i有一组评价等级x_i＝(x_i1,x_i2,...x_i5)，(i＝1,2,…n)来描述。绝对值距离法：

$d_{\mathrm{ij}}=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|,r_{\mathrm{ij}}\&Element;\left[\mathrm{0,1}\right].$

(3)在建好的模糊相似矩阵R的基础上，根据参数λ值进行聚类。参数λ值就是人为设定的聚类模糊程度。

(4)在相应模糊程度下选择与请求节点在同一类的评价作为合理评价，过滤其他不合理评价。如果请求节点不存在直接交互历史，那么选择含最多推荐评价的聚类作为可信的聚类评价团体(默认真实评价的节点占半数以上)。

在相应模糊程度下选择与请求节点在同一类的评价作为合理评价，过滤其他不合理评价。如果请求节点不存在直接交互历史，那么选择含最多推荐评价的聚类作为可信的聚类评价团体(默认真实评价的节点占半数以上)。

步骤S13、直接信任向量计算。请求节点再根据自身与响应节点的历史交易经验给出评价矩阵M再计算出直接信任向量

步骤S14、推荐信任向量计算。在请求目标节点服务时，请求节点询问所有与响应节点在当前时间窗口内有过交易的节点。将所有节点的评价向量进行汇聚累加，进行归一化处理，再使用Dirichlet分布的期望函数来计算推荐信任向量S是提供推荐评价的节点集合，公式(2)中的w设为2，基础评价向量初始化为(0.2,0.2,0.2,0.2,0.2)。

步骤S15、综合信任值计算。

定义(向量归一化)：假设有两个信任向量A＝(a₁,a₂...,a_n),B＝(b₁,b₂...,b_n)分别进行归一化运算，即

$A^{\text{'}}=({a_1}^{\text{'}},{a_2}^{\text{'}}...,{a_n}^{\text{'}})=(\frac{a_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},\frac{a_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},...,\frac{a_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i}),$

$B^{\text{'}}=({b_1}^{\text{'}},{b_2}^{\text{'}}...,{b_n}^{\text{'}})=(\frac{b_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},\frac{b_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},...,\frac{b_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i}),$

本系统中，Dirichlet分布的先验基本率初始化为(0.2,0.2,0.2,0.2,0.2)，先对和进行归一化运算，然后计算和的余弦相似度α：

$\mathrm{\&alpha;}=\frac{\left|\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{RT}}_v^x\left(i\right){\mathrm{DT}}_v^u\left(i\right)\right|}{\sqrt{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\left({\mathrm{RT}}_v^x\left(i\right)\right)}^2}\sqrt{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\left({\mathrm{DT}}_v^u\left(i\right)\right)}^2}},\mathrm{\&alpha;}\&Element;\left[\mathrm{0,1}\right].$

则目标节点的服务信任向量T：

$T=\mathrm{\&alpha;}{\mathrm{RT}}_v^x+(1-\mathrm{\&alpha;}){\mathrm{DT}}_v^u,0<\mathrm{\&alpha;}<1.$

这个计算公式能够有效利用评价团体交易推荐评价更加实时的特点，来为服务请求者给出合理推荐。本文设定服务信任向量T的权值a为(1,0.75,0.5,0.25,0).

步骤S16、假设有两个信任向量A＝(a₁,a₂...,a_n),B＝(b₁,b₂...,b_n)分别进行归一化运算，即

$A^{\text{'}}=({a_1}^{\text{'}},{a_2}^{\text{'}}...,{a_n}^{\text{'}})=(\frac{a_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},\frac{a_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i},...,\frac{a_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i}),$

$B^{\text{'}}=({b_1}^{\text{'}},{b_2}^{\text{'}}...,{b_n}^{\text{'}})=(\frac{b_1}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},\frac{b_2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i},...,\frac{b_n}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_i}),$

则A和B的贴进度函数M(A,B)为：

由定义可知：0<M≤1,当M越趋近于1时，说明A和B向量越接近，现将其应用与Dirichlet分布先验基本率的模糊更新，使提供有效服务的响应节点在计算信任值向量时，获得计算上的优势。

模糊更新机制的处理步骤如下：

(1)请求服务的请求节点在接受评价团体给予的推荐评价后，通过模糊聚类算法，排除推荐评价中不合理的评价得到相应的真实推荐。

(2)计算真实推荐的Dirichlet分布期望向量，将该向量与Dirichlet分布先验基本率计算贴进度。

(3)如果贴进度0<M≤0.5说明两者差异较大，选择Dirichlet分布先验基本率的比重大一点，防止节点信任值升高过快，起到监督作用。

(4)如果贴进度0.5<M≤1说明两者差异较小，选择一定的更新参数α对Dirichlet分布先验基本率进行更新，使相应响应节点在下次计算信誉值时占有优势，起到激励作用。

步骤S17、选择综合信任值高的响应节点进行交易。

本发明中，本系统以Dirichlet信誉评估系统和模糊理论为基础，研究提出基于P2P网络环境中的主观信任模型。该模型前人所做工作的基础上，从主观信任的多属性和属性评价的多等级出发，利用模糊综合评判和Dirichlet分布来统计更新节点的信任值。为了解决节点评价存在恶意诋毁、哄抬的问题，提出一种基于模糊聚类的内生式评价过滤技术，在一定程度上降低了不合理评价的影响，抑制了节点歧视区别服务的可能性。针对P2P系统中缺乏有效激励机制的问题，本系统又提出了一种基于Dirichlet先验基本率的模糊信任更新机制，有效解决了上述问题。

这种信任模型的构建方法也可以应用在其他网络环境中如电子商务等。模型中的相应参数，可以根据具体实际环境设定。在实际应用中，可通过这种信任模型的构建方法来分析服务请求者与服务响应者之间的信任关系，服务请求者根据综合信任值的高低选择符合实际要求的服务响应者，提高服务请求者与服务响应者之间的交互成功率。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的执行步骤，能够以电子硬件、计算机软件或者二者的结合来实现，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本发明并不局限于上述特定实施例，在不脱离本发明精神及其实质情况下，本领域的普通技术人员可根据本发明做出各种相应改变和变形，这些相应对本发明进行的修改或者等同替换，其均应涵盖在本发明的权利要求保护的范围当中。

Claims (6)

1.一种基于模糊过滤的信任评估方法，其特征在于，该方法包括以下步骤： 

步骤一、文件共享系统中的请求节点在经过一次交互后，对响应节点的服务给予评价，文件共享系统通过评价矩阵M(fq；ds；ss)将用户的评价细化，fq代表文件质量，ds代表文件下载速度，ss代表供源的稳定性，通过模糊综合评判法对评价矩阵M进行模糊综合评判后，R＝WοM得到评价向量R，表示在tr时刻u节点在接受v提供的服务后给予评价；表示在第t时刻汇聚评价时，评价经时间衰减后的有效值； 

步骤二、评价过滤，请求节点发起询问请求，在当前时间窗口内发生交易的节点提供各自的评价向量，请求节点将所有的评价向量组织成一个矩阵n为在当前时间窗口T_i与响应节点发生交易并提供推荐评价的节点数目，在原始矩阵M的基础上建立与之对应的模糊相似矩阵R，在建好的模糊相似矩阵R的基础上，根据参数λ值进行聚类，参数λ值就是人为设定的聚类模糊程度，在相应模糊程度下选择与请求节点在同一类的评价作为合理评价，过滤不合理评价；如果请求节点不存在直接交互历史，那么选择含最多推荐评价的聚类作为可信的聚类评价团体； 

步骤三、评价汇聚，请求节点发起询问请求，在当前时间窗口内与响应节点发生交易的节点提供各自的评价向量，排除不实评价后，将剩余评价向量按照评价汇聚的时间进行衰减，再利用Dirichlet分布期望函数对推荐评价进行处理，得出推荐评价向量； 

步骤四、直接信任向量计算，请求节点再根据自身与响应节点的历史交易经验给出评价矩阵M再计算出直接信任向量

步骤五、推荐信任向量计算，在请求响应节点服务时，请求节点询问所有与响应节点在当前时间窗口内有过交易的节点，将所有节点的推荐评价向量进行汇聚累加，进行归一化处理，再使用Dirichlet分布的期望函数来计算推荐信任向量S是提供推荐评价的节点集合，0<λ<1为衰减因子；表示所有评价时刻落在第T_i个时间窗口内的u对v的评价的汇聚，节点保存响应节点的先 验基本率和当前时间窗口的评价汇聚； 

步骤六、综合信任值的计算，先对推荐信任向量和直接信任向量进行归一化运算，然后计算和的余弦相似度α：α∈[0,1]，则目标节点的服务信任向量T：0<α<1，来为服务请求者给出合理推荐，信任值T′：T′＝T*a； 

步骤七、更新Dirichlet先验基本率，利用计算推荐信任向量和原Dirichlet先验基本率的模糊贴近度，选择合适的更新因子对原Dirichlet先验基本率进行更新，更新后的Dirichlet先验基本率值用于下次请求节点计算响应节点综合信任值； 

步骤八、请求节点选择综合信任值高的响应节点进行交易。 

2.根据权利要求1所述的评价方法,其特在在于：所述步骤一中，文件质量、文件下载速度和文件供源的稳定性三者在模糊评判时的权重为W(0.4,0.4,0.2)。 

3.根据权利要求1所述的评价方法,其特在在于：所述步骤一中交互的评价的文件质量(fq)、文件下载速度(ds)、供源稳定性(ss)三个属性分为非常满意、满意、一般、不满意、差五个等级。 

4.根据权利要求1所述的评价方法,其特在在于：所述步骤五中将先验基本率初始化为(0.2,0.2,0.2,0.2,0.2)。 

5.根据权利要求1所述的评价方法,其特在在于：所述步骤六中所述服务信任向量T的权值a为(1,0.75,0.5,0.25,0)。(具体的值放在从属权利要求比较好，这样权利要求1的范围更大点)。 

6.根据权利要求1所述的评价方法,其特在在于：所述步骤五和步骤六中的归一化通过以下公式计算，假设有两个信任向量A＝(a₁,a₂...,a_n),B＝(b₁,b₂...,b_n)分别进行归一化运算，即