CN111047173B - 基于改进d-s证据理论的社团可信度评估方法 - Google Patents

Abstract

本发明公开了一种基于改进的D‑S证据理论的社团可信度评估方法利用基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；其次，通过信任函数和似然函数构造区间数，得到每个社团的信任区间；然后，通过有序加权平均算子聚合得到各个社团区间数的降序排列；最后，通过对聚合的结果进行排序，获得各个社团可信度评估结果；该方法能够准确地对社团整体可信度进行评估，即使是在节点的数据类型或特征未知，节点遭受了不同程度的攻击或者数据伪造等情形下，该方法依然可以高效准确的对社团可信度进行评估；该方法根据证据对网络内节点进行融合，得到所有证据对各个社团的支持度，从而能够对社团可信度进行有效的评估。

Description

基于改进D-S证据理论的社团可信度评估方法

技术领域

本发明属于网络安全和可信度评估领域，具体涉及一种基于改进D-S证据理论的社团可信度评估方法。

背景技术

近几年来，随着计算机和网络技术的迅速发展与广泛应用，社会的信息化程度提高，使得计算机网络进行信息存储、通信和处理成为人们生活和工作中不可缺少的一部分。随着我国互联网的发展，网民数量爆发式增长，对网络的安全性和可信度要求也越来越严格。事实上，真实的社会网络也就是典型的复杂网络。因此，我们可以依据复杂网络分析的方法来分析网络的可信度。由于社团结构是复杂网络的一个主要特征，所以我们可以从社团可信度分析入手，从而确保网络可信度。对社团进行可信度评估的实质就是对社团内节点的可信度进行评估。在对社团内的节点进行评估时，会存在不同程度的测量误差、数据攻击和数据伪造等行为，因此，需要对社团整体可信度进行评估，以便后续更好地进行网络整体运行情况评估。

复杂网络中节点的特性使得社团可信度在提高网络效率、可靠性以及适应性方面显得尤为重要。近年来，已有很多学者在复杂网络社团可信度评估方面做出研究，提出了许多可信度评估方法；大多数这些社团可信度评估方法是通过探求信息发布者特征、内容特征、渠道特征来对信息来源可信度、内容可信度、渠道可信度进行分析研究，从而确定社团可信度。然而，这些社团评估方法通常要求较高的通信开销或计算开销，并且依赖于既定的规则或推理模型；同时它们忽略了节点系统参数间可能存在的关系，因此对于许多潜在且高度系统相关不可信内容，这些社团可信度评估方法将不适用。

中国发明专利CN201910082267.2公开了一种基于多任务学习的差异化特征挖掘的可信度评估方法；具体为：设定双标签数据集，并提取数据集中的文本和元数据特征作为输入特征；采用强化学习提供的激励计算动作期望值对抗网络中的生成器进行优化，得到公共特征抽取器，在公共特征抽取器中抽取输入特征中的公共特征；利用数据集中的真假二分类标签，将公共特征输入二分类判别器，得到判别损失；对得到的判别损失与上一次得到的判别损失相比较；采用私有特征抽取器，编译输入特征进行私有特征的抽取，得到私有特征；将得到的判别后的公共特征和得到的私有特征进行正交约束，得到独立化损失；判断判别后的公共特征与私有特征是否相互独立；采用负向的KL散度算法计算判别后的公共特征和私有特征之间的相似度，产生差异化损失；采用Softmax作为分类器，将得到的私有特征对数据集进行多可信度类型分类，得到多分类损失；对判别损失、独立化损失、差异化损失和多分类损失进行融合训练，使得多分类效果达到最优，从而提高可信度评估精确度；该方法是基于共享私有特征空间，利用强化学习指导对抗网络捕获更加纯净的公共特征，解决公共特征挖掘精确度不高与效能低下的问题；主要采取两种策略，分别是用于迫使私有特征与公共特征相互独立的正交约束策略和用于强化私有特征与公共特征差异性的差分策略；方案中的可信度评估方法，主要针对于差异化特征，因此，在应用过程中，首先要划分出私有特征和公共特征，然后对捕获的公共特征进行可信度分析，进而提高公共特征的可信度；如果私有特征与公共特征混杂严重或者与公共特征有很高的重合度，那么其方案中第一步——对私有特征和共有特征进行划分的准确度就大大降低，而使最终得到的可信度评估的精确度大大降低，因此此方案普适性不高；

中国专利CN201910204538.7公开了一种基于网络拓扑路径的复杂仿真系统可信度评估方法，具体为：首先分析复杂仿真系统中组件模型之间的信息交互关系，依据客观指标计算节点间边的权重，将复杂仿真系统抽象成有向有权的可模型交互网络；计算模型交互网络中每个节点的出度，选定出度较大的节点为初始节点，从初始节点出发，得到不同的单条执行路径，并计算该单条执行路径的可信度，综合所有执行路径的可信度可得到仿真系统可信度；但是，该方法是在单模型节点可信度已知的条件下，量化整个复杂仿真系统的可信度；因此仿真系统的评估方法受限于单点模型节点的可信度，其需要具备前提条件即单模型节点可信度已知，以此模型为基准建模，存在计算复杂，过程繁琐的问题，且最终得到的结果是否准确依赖于最初选择的模型是否准确，因此该方法的可实施性不高；

中国专利CN200910079036.2公开了一种基于基尔霍夫定理的节点可信度评估算法；包括以下步骤：首先将网络中的多个节点中，具有信任关系的任意两个节点进行连线，形成电阻网络；然后应用基尔霍夫定理计算每个节点的电阻值，即该节点的信任度；之后根据每个节点计算后的电阻值重新计算每个节点的电阻值，该过程重复进行多次，并进行归一化处理，直至收敛至设定的阈值，从而得到社团可信度；但是，该方案中存在以下问题：一是信任关系的选择对于检测结果有重要影响，选择不同的信任关系可能使得检测结果不同；二是对有信任关系的节点进行连线，然后重复计算每个节点的可信度，运算量巨大，实施较为复杂；

目前，大多数已有的社团可信度评估方法通过划分具有信任关系的节点，探求节点组中各个节点的可信度，从而确定整个社团的可信度；这些方法依赖于既定的规则或推理模型，并且在面对如下情况时，无法很好地计算出社团可信度：(1)节点的类型或特征未知，且没有具有相关信任关系的节点；(2)节点可能遭受不同程度的攻击或者数据伪造等行为，造成可信度评估误差。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于改进D-S证据理论的社团可信度评估方法，该方法根据证据对网络内节点进行融合，得到所有证据对各个社团的支持度，从而能够对社团可信度进行准确有效的评估，以利于后续更好地进行网络整体运行情况评估。

为实现上述目的，本发明的技术方案如下：

为了清楚阐述本发明的方法，首先对基于改进D-S证据理论的社团可信度评估方法中使用的变量做出如下说明:

m:命题数目；

K_i:第i个命题；

θ:识别框架；

n：节点的个数；

E_j:第j个节点产生的证据；

m_j:证据Ej的基本概率分配；

由证据的基本概率分配m_j得到的命题的信任函数；

由证据的基本概率分配m_j得到的命题的似然函数；

BI:证据BPA的信任区间矩阵；

BI_ij:信任区间矩阵中第i行第j列的数据；

R:命题；

D_ij:BI_ij＝[Bel_mj(K_i),Plm_j(K_i)和[0,0]之间的距离；

Prod_i(j):各个区间数的乘积；

BI_i,w：综合各个社团的所有证据来源得出的结果；

BI_i,W的上限；

BI_i,w的下限；

D_i:区间数BI_i,W与[0,0]之间的距离；

π_(i):表示数据从大到小排列的第i个距离，i＝1,2,…,m；

W：数据的权重集合；

依据上述定义的变量，本发明基于改进D-S证据理论的社团可信度评估方法，具体包括以下步骤：

S1.根据基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；

S2.通过信任函数和似然函数构造区间数，得到每个社团的信任区间；

S3.通过有序加权平均算子聚合得到各个社团区间数的降序排列；

S4.通过对聚合的结果进行排序，获得各个社团可信度评估结果；

步骤S1具体包括：

S11.由证据的基本概率分配m_j给出各个命题的信任函数

和似然函数

即：

其中，m为命题数目；K_i为第i个命题；E_j为第j个节点产生的证据；m_j为证据E_j的基本概率分配；

为由证据的基本概率分配m_j得到的命题的信任函数；

为由证据的基本概率分配m_j得到的命题的似然函数；K_i和R是2^θ中的命题；……

步骤S2具体包括：

S21.对每个社团的每个节点进行计算，从而得到BPA信任区间矩阵，表示为BI：

其中，K_i和R是2^θ中的命题，n为节点的个数；命题K_i上证据E_j的BPA的信任区间

BI_ij为信任区间矩阵中第i行第j列的数据；

S22.对获得的信任区间按降序进行排列；其中，矩阵的第i行表示为BI_i:＝(BI_i1BI_i2 … BI_in)；BI_ij是证据E_j的BPA在K_i上的信任区间，BI_i:包括所有证据在社团K_i上的信任区间；

步骤S3具体包括：

S31.根据有序加权平均算子OWA，计算信任区间B_ij和[0,0]之间的距离D_ij，其中，

将D_i1～D_in的降序表示为

其中π_i(j)表示D_i1～D_in从大到小排列的第j个距离，j＝1,2,…n；显然，

由于D_ij越大，则证据E_j的BPA的信任区间数越大，由此得到BI_i的顺序；BI_i的排序结果表示为

并且

其中π_(i)为数据从大到小排列的第i个距离，i＝1,2,…,m；

S32.对排序后的区间数

进行聚合，计算各个区间数的乘积记为Prod_i(j)，

其中，Prod_i(j)是区间数，j＝1,2,…,n，其上界是

的第j大区间数上界的乘积，下界是

的第j大区间数的下界的乘积；

S33.使用OWA运算符权重赋值对各个区间数乘积Prod_i(j)进行加权聚合，综合各个社团的所有证据来源对其进行评估，记为BI_i,w，即：

其中W＝(w₁,w₂…w_n)，

W为数据的权重集合；

步骤S4具体包括：

S41.将各个社团的区间数BI_i,w(i＝1,2,…，m)根据OWA运算符计算距离并按降序排序，则可以得到社团可信度的降序排列；其中，BI_i,w的上限和下限分别表示为

和

区间数BI_i,w与[0,0]之间的距离为D_i，则：

将D₁～D_m的降序表示为D_π(1)～D_π(m)，其中π(i)表示D₁～D_m从大到小排列的第i个距离，i＝1,2,…，m；显然，D_π(1)>D_π(2)>BI_π(1),w>D_π(m)；由于D_i越大，则社团可信度区间数BI_i,w越大，由此得到BI_i,w的顺序：BI_π(1),W>BI_π(2),W>…>BI_π(m),W，从而得到按可信度对社团K_i的排序结果：K_π(1)>K_π(2)>…>K_π(m)。

优选地，步骤S33中使用OWA运算符权重赋值对各个区间数乘积Prod_i(j)进行加权聚合，综合各个社团的所有证据来源对其进行评估，记为BI_i,w，

当α＝0.5时，

本发明基于改进的D-S证据理论的社团可信度评估方法利用基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；其次，通过信任函数和似然函数构造区间数，得到每个社团的信任区间；然后，通过有序加权平均算子聚合得到各个社团区间数的降序排列；最后，通过对聚合的结果进行排序，获得各个社团可信度评估结果；具体流程如图1所示。

本发明基于改进D-S证据理论的社团可信度评估方法，能够准确地对社团整体可信度进行评估，即使是在节点的数据类型或特征未知，节点遭受了不同程度的攻击或者数据伪造等情形下，该方法依然可以高效准确的对社团可信度进行评估；该方法根据证据对网络内节点进行融合，得到所有证据对各个社团的支持度，从而能够对社团可信度进行有效的评估。

本发明提供的基于改进D-S证据理论的社团可信度评估方法，与现有技术相比，具有以下优势：

(1)本发明提供的可信度评估方法结合改进的D-S证据理论，具有处理不确定性信息的能力，并且不受限于既定的规则和推理模型；

(2)本发明根据对网络内节点进行融合，得到所有证据对各个社团的支持度，从而能够对社团可信度进行有效的评估；

(3)本发明提供了一种使用OWA运算符权重赋值对各个区间数乘积进行加权聚合，综合各个社团的所有证据来源对其进行评估，从而可以高效准确的对社团可信度进行评估。

附图说明

图1是本发明基于改进D-S证据理论的社团可信度评估方法流程图。

具体实施方式

下面结合具体实施例对本发明的技术方案作进一步的描述；

实施例1

首先选择通信网络包含有100个运行节点，经过社团划分后，节点被划分至3个社团，并存在交叉社团即一个节点同属于多社团；经过相关性计算后，得到一个大小为100*100的二维相关性矩阵，分别计算每个节点对社团的支持度，对其进行修正，得到识别框架θ＝{K₁,K₂,K₃}上的100个证据；

为示例演示方便，本发明随机选择5条证据，其BPA表示如下：

利用本发明提供的基于改进D-S证据理论的社团可信度评估方法，根据证据进行社团可信度评估的步骤如下：

S1.根据基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；

S11.计算出各个命题的信任函数

和似然函数

即：

同理依次计算得到信任函数和似然函数如下：

S2.通过信任函数和似然函数构造区间数，得到每个社团的信任区间；

S21.根据各个命题的信任函数

和似然函数

计算证据的信任区间矩阵BI；

首先计算证据E₁在社团K₁上的信任区间

同理计算各证据在各个社团上的信任区间，则得到矩阵BI如下：

S3.通过有序加权平均算子聚合得到各个社团区间数的降序排列；

S31.根据有序加权平均算子OWA，计算信任区间

和[0,0]之间的距离D_ij，即：

同理计算得到D_ij的数据如下：

D₁₂＝0.2，D₁₃＝0.4381，D₁₄＝0.11，D₁₅＝0.24，D₂₁＝0.7177，D₂₂＝0.68，D₂₃＝0.52，D₂₄＝0.8025，D₂₅＝0.61，D₃₁＝0.2368，D₃₂＝0.12，D₃₃＝0.0687，D₃₄＝0.1451，D₃₅＝0.15；

S32.对D_ij进行排序，排序后的结果为：

D₁₃>D₁₅>D₁₂>D₁₁>D₁₄

D₂₄>D₂₁>D₂₂>D₂₅>D₂₃

D₃₁>D₃₅>D₃₄>D₃₂>D₃₃

S33.根据D_ij排列B_ij，并计算Prod_i(j)和BI_i,w

Prod₁(1)＝[0.39,0.48]

Prod₁(2)＝[0.39*0.24,0.48*0.24]＝[0.0936,0.1152]

Prod₁(4)＝[0.002808,0.003456]

Prod₁(5)＝[0.000309,0.000380]则BI_1,w＝[0.10109,0.12442]，同理计算得到：BI_2,w＝[0.31467,0.52758]BI_3,w＝[0,0.07330]；

S4.通过对聚合的结果进行排序，获得各个社团可信度评估结果；

S41.根据BI_i,w计算D_i，并按降序进行排列；

D₁＝d²(BI_1,W,[0,0])＝0.113557

D₂＝d²(BI_2,W,[0,0])＝0.438699

D₃＝d²(BI_3,W,[0,0])＝0.055984

可得D₂>D₁>D₃，从而可得社团可信度评估降序结果为：K₂>K₁>K₃。

最后说明的是以上实施例仅用以说明本发明的技术方案而非限制，本领域的技术人员对本发明的技术方案所做的其他修改或等同替换，只要不脱离本发明的技术方案的精神和范围，均应涵盖在本发明的权利要求范围内。

Claims (2)

1.一种基于改进D-S证据理论的社团可信度评估方法，其特征在于，具体包括以下步骤：

S1.根据基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；

S2.通过信任函数和似然函数构造区间数，得到每个社团的信任区间；

S3.通过有序加权平均算子聚合得到各个社团区间数的降序排列；

S4.通过对聚合的结果进行排序，获得各个社团可信度评估结果；

步骤S1具体包括：

S11.由证据的基本概率分配m_j给出各个命题的信任函数

和似然函数

即：

其中，m为命题数目；K_i为第i个命题；E_j为第j个节点产生的证据；m_j为证据E_j的基本概率分配；

为由证据的基本概率分配m_j得到的命题的信任函数；

为由证据的基本概率分配m_j得到的命题的似然函数；K_i和R是2^θ中的命题；

步骤S2具体包括：

S21.对每个社团的每个节点进行计算，从而得到BPA信任区间矩阵，表示为BI：

其中，K_i和R是2^θ中的命题，n为节点的个数；命题K_i上证据E_j的BPA的信任区间

BI_ij为信任区间矩阵中第i行第j列的数据；

S22.对获得的信任区间按降序进行排列；

其中，矩阵的第i行表示为BI_i:＝(BI_i1 BI_i2…BI_in)；BI_ij是证据E_j的BPA在K_i上的信任区间，BI_i:包括所有证据在社团K_i上的信任区间；

步骤S3具体包括：

S31.根据有序加权平均算子OWA，计算信任区间B_ij和[0,0]之间的距离D_ij，其中，

将D_i1～D_in的降序表示为

其中π_i(j)表示D_i1～D_in从大到小排列的第j个距离，j＝1,2,…n；显然，

由于D_ij越大，则证据E_j的BPA的信任区间数越大，由此得到BI_i的顺序；BI_i的排序结果表示为

并且

其中π_(i)为数据从大到小排列的第i个距离，i＝1,2,…,m；

S32.对排序后的区间数

进行聚合，计算各个区间数的乘积记为Prod_i(j)，

其中，Prod_i(j)是区间数，j＝1,2,…,n，其上界是

的第j大区间数上界的乘积，下界是

的第j大区间数的下界的乘积；

S33.使用OWA运算符权重赋值对各个区间数乘积Prod_i(j)进行加权聚合，综合各个社团的所有证据来源对其进行评估，记为BI_i,w，即：

其中W＝(W₁,W₂…W_n)，

W为数据的权重集合；

步骤S4具体包括：

S41.将各个社团的区间数BI_i,w(i＝1,2,…，m)根据OWA运算符计算距离并按降序排序，则可以得到社团可信度的降序排列；其中，BI_i,w的上限和下限分别表示为

和

区间数BI_i,w与[0,0]之间的距离为D_i，则：

将D₁～D_m的降序表示为D_π(1)～D_π(m)，其中π(i)表示D₁～D_m从大到小排列的第i个距离，i＝1,2,…，m；显然，D_π(1)>D_π(2)>BI_π(1),w>D_π(m)；由于D_i越大，则社团可信度区间数BI_i,w越大，由此得到BI_i,w的顺序：BI_π(1),W>BI_π(2),W>…>BI_π(m),W，从而得到按可信度对社团K_i的排序结果：K_π(1)>K_π(2)>…>K_π(m)。

2.如权利要求1所述的一种基于改进D-S证据理论的社团可信度评估方法，其特征在于，步骤S33中使用OWA运算符权重赋值对各个区间数乘积Prod_i(j)进行加权聚合，综合各个社团的所有证据来源对其进行评估，记为BI_i,w，

当α＝0.5时，

Images