CN110324362B - 一种基于交互行为的区块链用户可信度评价方法 - Google Patents

Abstract

本发明公开了一种基于交互行为的区块链用户可信度评价方法，该方法首先根据历史交互信息计算目标用户的直接信任值，然后对共谋团体进行过滤后，计算目标用户的全局声誉；然后根据信任网络，计算目标用户的推荐信任值；接着结合直接信任值和推荐信任值计算得到目标用户的当前信任值；最后在新交互产生后，采用自适应的信任奖惩因子对评价结果进行更新。本发明从全局声誉、直接信任值、推荐信任值三个层级，综合量化评价区块链用户的可信度，通过对共谋团体的过滤可以提高评价结果的准确性，对信任网络采用选择性搜索方法可以减少推荐信任计算的时空消耗，通过信任奖惩因子能够对用户的投机行为进行约束。

Description

一种基于交互行为的区块链用户可信度评价方法

技术领域

本发明涉及一种基于交互行为的区块链用户可信度评价方法，该方法根据用户交互行为对区块链用户的可信度进行量化评价，属于分布式计算的应用领域。

背景技术

区块链是以比特币为代表的数字货币的核心支撑技术，它本质上是使用密码技术将共识确认的区块按顺序追加而形成的分布式账本(Decentralized shared ledger)，它的最大优势在于网络上的各参与者都能共享，但没有哪个单一实体能够完全控制。区块链将数据按照时间顺序以区块的形式进行打包，每一个区块都链接到前一个区块上，从而组成一个链式的共享分布式防篡改数据库。区块链技术具有去中心化、去信任、防篡改等突出优点，它是一种特色鲜明的分散式解决方案，不需要中心化的组织管理。在区块链中完成的每个事务的信息是共享的，并且对所有节点可用，此属性使区块链系统比涉及第三方的集中系统更透明。区块链系统的参与者群体可以共享该分布式数据库，所有参与者都可以提交纳入区块链的新记录。但是，这些记录只有获得共识(即该群组中的大多数人的同意)后，才能被合法地添加到数据库当中，并且一旦该记录被正式添加，就永远也不可能被修改或删除。通过这种方式，区块链可以记录数字信息并且能有效保护这些被记录的数字信息的安全。区块链可以有效解决在部分参与者不可信的不可靠网络环境，安全、可靠地交换信息的网络科学难题。区块链的高安全性在于，它一开始就假设在整个系统中存在不诚实的参与者，这些参与者不但可能制造虚假的数据，而且可能会试图操纵由诚实参与者传来的有效数据。因此，区块链安全模型设计出各种消息传送和共识技术，确保不但能够甄别和拒绝无效数据，并且防止有效数据被恶意修改或删除，从而保证记录在链的数据的完整性,可靠性以及不可抵赖性。在区块链系统中，对用户的可信度进行评价，对降低系统设计复杂度和提升系统处理性能有重要作用。现有的一些区块链应用主要借助区块链记录的用户历史操作评价数据，通过预置的分析计算模型进行挖掘运算，从而得到目标用户的当前综合可信度评价，并依据用户可信度评价判断用户访问控制和用户间交互的有效性。然而，研究界目前对区块链用户可信度评价的方法和手段还不够全面，现有的很多方法通常只停留于简单的直接可信度计算，而缺乏对信任关系的传递、演化影响以及有效检测恶意节点等方面的研究，并且现有方法在计算用户可信度时的计算开销也比较大。因此，本发明从充分挖掘区块链记录的用户历史操作评价数据以及用户交互行为入手，提出一种基于交互行为的区块链用户可信度评价方法，不但能够量化评价区块链用户在交互中的可信度，而且可以甄别具有恶意欺骗和投机行为的用户，提升区块链系统的处理效率。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提出一种基于交互行为的区块链用户可信度评价方法，它能够量化评价区块链用户在交互中的可信度，对具有恶意欺骗和投机行为的用户进行甄别和信任惩罚，为区块链系统中的用户行为决策提供依据。

技术方案：一种基于交互行为的区块链用户可信度评价方法，该方法将区块链中用户通过历史交互行为建立起的信任关系，联结成区块链用户信任网络，并根据用户交互行为和信任网络对目标用户的可信度进行量化评价。与已有方法不同的是，本发明从全局声誉、直接信任值和推荐信任值三个层次综合对目标用户的当前可信度进行评价，在用户信任度量化计算过程中，对共谋团体进行识别，对推荐信任值的计算方法进行优化，从而提高用户可信度评价的准确率和减少计算的时空开销。

本发明涉及信任主体用户、信任目标用户、用户可信度等概念，其中信任主体用户为信任评价的发起节点，是信任评价过程中的主体，简称主体用户；而信任目标用户为主体用户进行可信度评价的具体对象，简称目标用户，主体用户所有的评价行为均针对目标用户；用户可信度为主体用户对目标用户的服务能力满足其要求(预期约定)的期望程度，它是对区块链用户间信任关系的量化表示，取值范围为[0,1]，其中0代表完全不信任，1代表完全信任，介于0和1之间的数值表示既非完全信任也非完全不信任，初始信任值设为0.5。本发明主要包括五个步骤，具体如下：

步骤1，目标用户的直接信任值计算，根据主体用户与目标用户的直接交互评价信息，从交互满意度和交互时间两个指标，计算主体用户对目标用户的直接信任值，该直接信任值是信任主体用户通过与信任目标用户直接交互产生的信任关系度量，根据区块链记录的用户U_a与用户U_b间的直接交互历史数据，计算用户U_a对用户U_b的直接信任值。

步骤2，目标用户的全局声誉计算，通过收集所有与目标用户有过直接交互历史的用户对目标用户的直接信任评价，过滤掉共谋团体的评价信息，计算出目标用户的全局声誉，它是区块链中所有与目标用户有过直接交互的用户，对目标用户可信度的综合期望程度。

步骤3，目标用户的推荐信任值计算，采用选择性路径搜索方法，在信任主体用户的信任网络中对信任目标用户进行搜索，计算搜索得到的所有推荐路径上的推荐信任值，并将其聚合得到对目标用户的最终推荐信任值。

考虑到当主体用户与目标用户之间的直接交互较少或没有时，基于主观经验的直接信任值不能充分反映用户实际信任度，因此需要借鉴其他用户对目标用户的可信度评价，来对目标用户可信度进行判定。以此原因引入的推荐信任值，即为通过第三方推荐得到的信任度。

步骤4，主体用户对目标用户的当前信任值计算，通过综合步骤1、步骤2和步骤3计算得到的直接信任值、全局声誉和推荐信任值，计算得到目标用户的当前信任值，它为综合考虑主体用户对目标用户直接信任值、全局声誉和推荐信任值的共同作用的结果。

步骤5，动态更新与信任惩罚机制，当产生新的交互评价后，对目标用户的信任评价进行动态更新，对用户的恶意行为进行信任惩罚。

作为优选，步骤1中，主体用户对目标用户的直接信任值计算公式为：

其中，DT^t(U_a,U_b)表示时间段t内用户U_a对用户U_b的直接信任值，h表示时间段t内用户U_a和用户U_b的交互次数，h＝0时，DT^t(U_a,U_b)设为初始直接信任值，e(U_a,U_b)^k表示时间段t内用户U_a和用户U_b第k个交互的满意度评价，

表示时间衰减因子，t_k表示第k个交互发生的时间，λ为时间衰减系数。

作为优选，步骤2中，共谋团体识别的方法为：

设与用户U_i有过直接交互的用户集合为N＝{N₁,N₂,...,N_m}，m为与用户U_i所有有过直接交互的用户的个数，其中用户N_k对用户U_i的直接信任值评价值为DT^t(N_k,U_i)，若用户N_k对用户U_i的直接信任值评价值满足公式：

则该用户N_k为异常评价用户；若系统的异常节点个数大于等于设定的阈值，则计算任意异常用户之间的相似度，再依据相似度对异常用户进行聚类，判断聚类后类簇的大小，若类簇内用户个数大于系统可以承受的异常节点个数，则该类簇为共谋团体。

作为优选，异常用户之间的相似度为用户共同评价过的节点的评分向量的余弦相似度。

作为优选，步骤2中，用户全局声誉的计算公式为：

其中，GR^t(U_b)表示时间段t内用户U_b的全局声誉，DT^t(N'_k,U_b)表示时间段t内用户N'_k对用户U_b的直接信任值，N'为排除掉共谋团体后与用户U_b有过直接交互的用户集合。

作为优选，步骤3中，采用深度优先搜索方法在信任主体用户的信任网络中对信任目标用户进行搜索，在搜索中若用户全局声誉较低或直接信任值较低则放弃用户及所在路径。

作为优选，步骤3中，主体用户对目标用户的推荐信任值计算公式为：

其中，RT^t(U_a,U_b)表示时间段t内用户U_a对用户U_b的推荐信任值，|P|代表推荐路径的个数，RT_k ^t(U_a,U_b)表示时间段t内用户U_a对用户U_b的第k条路径的推荐信任值，

表示第k条路径的权重；某条路径的推荐信任值按照下面的公式计算：

其中，U_begin表示路径的起点，U_end表示路径的终点，η为距离因子。

作为优选，步骤4中，主体用户对目标用户的当前信任值计算公式为：

其中，PT^t(U_a,U_b)表示时间段t内用户U_a对用户U_b的直接信任值，h表示时间段t内用户U_a和用户U_b的交互次数，F为设定的交互数目阈值，w₁＝h/(F+L)，w₂＝|P|/(F+L)，w₃＝1-w₁-w₂，|P|是搜索到的主体用户到目标用户的信任路径条数，L为推荐路径数目阈值，GR^t(U_b)表示时间段t内用户U_b的全局声誉，RT^t(U_a,U_b)表示时间段t内用户U_a对用户U_b的推荐信任值。

作为优选，步骤5中，用户U_a对用户U_b的近期信任值ST^t(U_a,U_b)和长期信任值LT^t(U_a)的更新公式分别为：

ST^t(U_a,U_b)＝(1-ρ)ST^t-1(U_a,U_b)+ρPT^t(U_a,U_b)+δ

其中，ρ为历史信任遗忘率，δ为奖惩因子，两者都根据当前时间窗口内用户信任值的变化情况进行动态选择：

其中，ε为用户信任变化阈值，α∈[0,1]为目标用户当前信任值增加时的调节系数，β∈[0,1]为目标用户当前信任值降低时的调节系数，α＜β。

有益效果：与现有技术相比，本发明具有以下优点：

(1)本发明从全局声誉、直接信任值和推荐信任值三个层次综合对区块链目标用户的可信度进行评价，全局声誉从区块链整体用户角度对目标用户进行信任评价，直接信任值则强调特定主体节点对目标节点的信任评价，推荐信任值强度与主体用户信任关系较近的用户对目标用户的信任评价，三层次评价体系可以提高评价的准确性。

(2)本发明可以通过全局声誉计算识别并排除共谋团体的恶意评价，提高了信任评价的准确性，并且由于采用选择性路径搜索方法直接对主体用户信任网络进行搜索，因而可以大幅减少搜索的时空开销。

(3)本发明采用自适应的奖惩因子对用户的局部信任值进行更新，可以对振荡节点的恶意行为进行有效惩罚，对用户的投机行为进行约束。

附图说明

图1是本发明实施例的方法流程图；

图2是推荐链信任聚合过程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明实施例公开的一种基于交互行为的区块链用户可信度评价方法，通过全局声誉、直接信任值、推荐信任值的叠加来评估交互用户的可信度，从而进行交互决策，同时通过信任更新机制来激励诚信用户节点，惩罚欺骗用户节点，从而使用户可以及时了解目标用户的可信度，约束用户的交互行为，为用户决策提供判断依据。主要包括如下具体实施步骤：

步骤1，直接信任值计算。

区块链用户间的直接信任是由用户之间直接交互而累积产生的，本实施例根据历史交互信息从交互满意度和交互时间这两个指标对用户的直接信任值进行计算。假设信任评价主体节点为用户U_a，信任评价目标节点为用户U_b。该步骤实施过程分为2个子步骤：

子步骤1-1，基于交互满意度的直接信任值计算。

为了反映信任的动态变化，本文引入动态时间窗口，将交互按时间分段。设E^t(U_a,U_b)＝{e(U_a,U_b)¹,e(U_a,U_b)²,...,e(U_a,U_b)^h}为当前时间段t内为用户U_a和用户U_b最近h个交互满意度评价集合，集合E^t(U_a,U_b)中各个元素按交互时间先后顺序排序，e(U_a,U_b)^h是最近一次交互的满意度评价。用户U_a对用户U_b的直接信任值按公式(1)进行计算。

子步骤1-2，直接信任影响因子调节。交互的信任度随着时间的增长会逐进行计算渐衰减，时间衰减因子用来表示信任随时间的衰减程度，时间衰减因子按公式(2)进行计算。

公式(2)中t_k表示第k个交互发生的时间，λ为时间衰减系数，λ根据用户交互频率自行设定。

综上，用户U_a对用户U_b的直接信任值的综合评价函数按公式(3)所示。

步骤2，全局声誉计算。用户的全局声誉值是所有和其有过直接交互的节点对其信任评价的综合。该步骤实施过程分为2个子步骤：

步骤2-1，共谋团体识别。为了防止恶意节点协同作恶，对某个用户的信任度恶意的夸大或者诋毁，在计算全局信任度时需要识别这些异常推荐信息。

假设与用户U_i有过直接交互的用户集合为N＝{N₁,N₂,...,N_m}，m为与用户U_i所有有过直接交互的用户的个数。其中用户N_k对用户U_i的直接信任值评价值为DT^t(N_k,U_i)。对每个用户的评价值按公式(4)进行评价异常值计算。

其中θ为设定的评价偏差。若计算结果满足公式(4)，则该用户为异常评价用户。所有异常评价用户集合为E＝{E₁,E₂,...,E_l}，l为异常用户的个数。设系统可以承受的异常节点个数为n_e，若l≥n_e，则需要对异常节点进行处理，判断是否有共谋团体。若l＜n_e则不处理，以免产生误判。

当若l≥n_e时，首先计算任意异常用户之间的相似度。设I＝{U₁,U₂,...,U_p}为E_i和E_j共同评价过得用户集合。E_i和E_j对集合I中节点的评分向量分别表示为公式5和公式6。

T_Ej＝[DT^t(E_j,U₁),DT^t(E_j,U₂),...,DT^t(E_j,U_p)] (6)

通过调整余弦相似度计算两个评分向量之间的相似度，计算公式如公式(7)所示。

分别为评分向量

的均值。然后依据节点之间的评价相似度采用ddCRP(distance dependent Chinese Restaurant Process)算法对异常用户进行聚类，判断聚类后类簇的大小，类簇内用户个数大于系统可以承受的异常节点个数n_e，则该类簇为共谋团体。

步骤2-2，过滤虚假推荐的全局声誉计算。

排除掉共谋团体后与用户U_b有过直接交互的用户集合为N'，最后根据集合N'内所有用户对用户U_b的直接信任评价计算用户U_b的全局声誉，计算公式如8所示。

步骤3，推荐信任值计算。当用户之间直接交互较少时，直接信任值不能准确地衡量目标用户的可信度，为此需要其他用户的推荐信任值。但并不是区块链中所有用户的推荐信息都是可靠的，用户通常更愿意信任来自与自己交往密切且可信度高的用户的推荐信息。为此本实施例通过信任网络对目标用户的推荐信任进行搜索并将所有推荐信任值聚合计算最终的推荐信任值。该步骤具体又可分为以下2个子步骤：

步骤3-1，选择性信任路径搜索。假设主体用户U_a的直接信任网络表示为G＝(N,A,E)，其中N是该主体节点信任网络中的节点集合，A为节点间的边{(U_a,U_b)∈A|U_a,U_b∈N}，E是边的权重。如果在用户U_a对用户U_b之间发生了多次成功的交互，则认为U_a和U_b之间存在信任关系，边的权重是它们之间的信任程度。区块链中信任网络是有向图，这意味着U_a信任U_b，但U_b可能不信任U_a。在主体用户的信任网络中直接搜索目标节点开销较大，本发明采用深度优先搜索方法，并在搜索中考虑以下因素，对搜索路径进行选择。

因素1全局声誉，若搜索到用户全局声誉小于0.5，代表该用户整体信任度较低，则放弃该用户所在的路径。

因素2路径长度，由于信任在传递过程中具有衰减性，推荐路径越长，推荐信任可信度降低，且搜索代价也增大。根据六度分离理论，即每个人最多通过5个人就能认识世界上任何一个人，设置路径搜索最大长度为6。

因素3路径回路，信任网络可能会出现回路，在推荐路径搜索中可能会陷入循环，因此在路径搜索时要注意需要消除信任网络中的回路。在路径搜索中，要实时关注是否产生了回路，及时进行处理，消除不必要的推荐路径。

因素4直接信任值。如当前边的权重即当前搜索用户直接信任值小于0.5，则放弃搜索该用户。

步骤3-2，推荐路径聚合

推荐链搜索完成后，如果存在多条推荐链，需要对多条推荐路径上的信息进行聚合，推荐路径的聚合过程如图2所示。

第k条信任路径表示为

其中|P_k|为第k条推荐路径的长度，则第k条信任链的推荐信任值则为

按照公式(9)进行计算。

公式(9)中η为距离因子(η＞1)，U_begin表示路径的起点，U_end表示路径的终点。

对于每条推荐链的信任度，需要将其进行聚合得到最终的推荐信任值。本方法通过路径长度和用户信任度综合计算出每条路径的权重

用来表示不同的推荐路径对综合的推荐信任值的影响程度，按公式(10)进行计算。

公式(10)中

表示路径p_k中第j个用户与第j+1个用户间信任值。

最终按公式(11)计算得到总的推荐信任值。

公式(11)中|P|代表推荐路径的个数。

步骤4，当前信任值计算。

根据步骤1、步骤2和步骤3计算得到的直接信任值、全局声誉和推荐信任值综合一起衡量目标节点的当前信任值，其计算公式如公式(12)所示。

公式(12)中h为当前时间段用户交互次数，F为设定的交互数目阈值，w₁＝h/(F+L)，w₂＝|P|/(F+L)，w₃＝1-w₁-w₂，|P|是当前搜索到的主体节点到目标节点的信任路径条数，L为推荐路径数目阈值。用户之间交互越多，主体用户对目标用户信任度越了解，不再需要第三方推荐。当主体用户与目标用户之间直接交互较少但推荐路径较多时，主体用户根据直接交互和推荐信任就可以较为准确的计算目标用户的信任值。当主体用户与目标用户之间直接交互较少且推荐路径较少时，还需要将全局声誉纳入当前信任计算中。

步骤5，信任度的更新。新的交互评价产生后需要对用户的信任评价进行更新，对用户的恶意行为进行信任惩罚。

根据信任更新时对时间的敏感性将当前信任值分为近期信任值ST和长期信任值LT。近期信任值按公式(14)进行更新。

ST^t(U_a,U_b)＝(1-ρ)ST^t-1(U_a,U_b)+ρPT^t(U_a,U_b)+δ (14)

公式(15)中ρ为历史信任遗忘率，δ为奖惩因子，两者都根据当前时间窗口内用户信任值的变化情况进行动态选择。

公式(15)和(16)为历史信任遗忘率和奖惩因子的自适应学习方法。ε为用户信任变化阈值。一般α＜β，α∈[0,1],β∈[0,1]，α为目标用户当前信任值增加时的调节系数、β为目标用户当前信任值降低时的调节系数，这样信任下降速度比上升速度快，以此对振荡节点的恶意行为进行惩罚。长期信任值按公式(17)进行更新计算。

用户进行交互判断前可以综合考虑两个信任值，若主体用户更看中目标用户近期交互的可信度则着重考虑近期信任值，若主体用户看中目标用户长期以来行为的可信度可着重考虑长期信任值。

Claims (6)

1.一种基于交互行为的区块链用户可信度评价方法，其特征在于，该方法将区块链中用户通过历史交互行为建立起的信任关系，联结成区块链用户信任网络，并根据用户交互行为和信任网络从全局声誉、直接信任值和推荐信任值三个层次综合对目标用户的可信度进行量化评价；具体包括如下步骤：

步骤1，目标用户的直接信任值计算：根据主体用户与目标用户的直接交互评价信息，计算主体用户对目标用户的直接信任值，在计算直接信任值时引入时间衰减因子表示信任随时间的衰减程度；直接信任值计算公式为：

其中，DT^t(U_a，U_b)表示时间段t内用户U_a对用户U_b的直接信任值，h表示时间段t内用户U_a和用户U_b的交互次数，h＝0时，DT^t(U_a，U_b)设为初始直接信任值，e(U_a，U_b)^k表示时间段t内用户U_a和用户U_b第k个交互的满意度评价，

表示时间衰减因子，t_k表示第k个交互发生的时间，λ为时间衰减系数；

步骤2，目标用户的全局声誉计算：通过收集所有与目标用户有过直接交互历史的用户对目标用户的直接信任评价，过滤掉共谋团体的评价信息，计算出目标用户的全局声誉；用户全局声誉的计算公式为：

其中，GR^t(U_b)表示时间段t内用户U_b的全局声誉，DT^t(N′_k，U_b)表示时间段t内用户N′_k对用户U_b的直接信任值，N′为排除掉共谋团体后与用户U_b有过直接交互的用户集合；

步骤3，目标用户的推荐信任值计算：采用选择性路径搜索方法，在信任主体用户的信任网络中对信任目标用户进行搜索，计算搜索得到的所有推荐路径上的推荐信任值，并将其聚合得到对目标用户的最终推荐信任值；推荐信任值计算公式为：

其中，RT^t(U_a，U_b)表示时间段t内用户U_a对用户U_b的推荐信任值，|P|代表推荐路径的个数，

表示时间段t内用户U_a对用户U_b的第k条路径的推荐信任值，

表示第k条路径的权重；某条路径的推荐信任值按照下面的公式计算：

其中，U_begin表示路径的起点，U_end表示路径的终点，η为距离因子

步骤4，主体用户对目标用户的当前信任值计算：通过综合步骤1、步骤2和步骤3计算得到的直接信任值、全局声誉和推荐信任值，计算得到目标用户的当前信任值；当主体用户与目标用户在当前时间段的交互大于等于设定阈值时，当前信任值取值为直接信任值；当主体用户与目标用户之间直接交互小于设定阈值但推荐路径大于等于设定阈值时，当前信任值取值由直接信任值与推荐信任值加权计算得到；当主体用户与目标用户之间直接交互小于设定阈值且推荐路径小于设定阈值时，当前信任值由直接信任值、全局声誉和推荐信任值加权计算得到；

步骤5，信任度的更新：当产生新的交互评价后，对用户的信任评价进行更新，对用户的恶意行为进行信任惩罚。

2.根据权利要求1所述的一种基于交互行为的区块链用户可信度评价方法，其特征在于，步骤2中，共谋团体识别的方法为：

设与用户U_i有过直接交互的用户集合为N＝{N₁，N₂，...，N_m}，m为与用户U_i所有有过直接交互的用户的个数，其中用户N_k对用户U_i的直接信任值评价值为DT^t(N_k，U_i)，若用户N_k对用户U_i的直接信任值评价值满足公式：

则该用户N_k为异常评价用户；若系统的异常节点个数大于等于设定的阈值，则计算任意异常用户之间的相似度，再依据相似度对异常用户进行聚类，判断聚类后类簇的大小，若类簇内用户个数大于系统可以承受的异常节点个数，则该类簇为共谋团体。

3.根据权利要求2所述的一种基于交互行为的区块链用户可信度评价方法，其特征在于，异常用户之间的相似度为用户共同评价过的节点的评分向量的余弦相似度。

4.根据权利要求1所述的一种基于交互行为的区块链用户可信度评价方法，其特征在于，步骤3中，采用深度优先搜索方法在信任主体用户的信任网络中对信任目标用户进行搜索，在搜索中若用户全局声誉小于设定阈值或直接信任值小于设定阈值则放弃用户及所在路径。

5.根据权利要求1所述的一种基于交互行为的区块链用户可信度评价方法，其特征在于，步骤4中，主体用户对目标用户的当前信任值计算公式为：

其中，PT^t(U_a，U_b)表示时间段t内用户U_a对用户U_b的直接信任值，h表示时间段t内用户U_a和用户U_b的交互次数，F为设定的交互数目阈值，w₁＝h/(F+L)，w₂＝|P|/(F+L)，w₃＝1-w₁-w₂，|P|是搜索到的主体用户到目标用户的信任路径条数，L为推荐路径数目阈值，GR^t(U_b)表示时间段t内用户U_b的全局声誉，RT^t(U_a，U_b)表示时间段t内用户U_a对用户U_b的推荐信任值。

6.根据权利要求1所述的一种基于交互行为的区块链用户可信度评价方法，其特征在于，步骤5中，用户U_a对用户U_b的近期信任值ST^t(U_a，U_b)和长期信任值LT^t(U_a)的更新公式分别为：

ST^t(U_a，U_b)＝(1-ρ)ST^t-1(U_a，U_b)+ρPT^t(U_a，U_b)+δ

其中，ρ为历史信任遗忘率，δ为奖惩因子，两者都根据当前时间窗口内用户信任值的变化情况进行动态选择：

其中，ε为用户信任变化阈值，α∈[0，1]为目标用户当前信任值增加时的调节系数，β∈[0，1]为目标用户当前信任值降低时的调节系数，α＜β。

Images