CN111246385B - 攻防博弈模型下基于声誉激励的室内导航系统及方法 - Google Patents

攻防博弈模型下基于声誉激励的室内导航系统及方法 Download PDF

Info

Publication number
CN111246385B
CN111246385B CN202010024395.4A CN202010024395A CN111246385B CN 111246385 B CN111246385 B CN 111246385B CN 202010024395 A CN202010024395 A CN 202010024395A CN 111246385 B CN111246385 B CN 111246385B
Authority
CN
China
Prior art keywords
user
attack
platform
reputation
strategy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010024395.4A
Other languages
English (en)
Other versions
CN111246385A (zh
Inventor
苏洲
谢良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010024395.4A priority Critical patent/CN111246385B/zh
Publication of CN111246385A publication Critical patent/CN111246385A/zh
Application granted granted Critical
Publication of CN111246385B publication Critical patent/CN111246385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • H04W12/122—Counter-measures against attacks; Protection against rogue devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种攻防博弈模型下基于声誉激励的安全众包室内导航系统及方法，系统包括社交网络模块，恶意用户攻击模块，声誉激励模块，用户效用模块，平台效用模块，攻防博弈模块；社交网络模块连接恶意用户攻击模块；用户效用模块分别连接恶意用户攻击模块和声誉激励模块；平台效用模块连接用户效用模块；攻防博弈模块连接平台效用模块。方法包括根据用户的社交网络关系定义攻击模式和采集用户的特征信息；根据攻击模式和攻击的频率以及攻击程度，计算攻击能力；根据平台的效用函数以及用户的效用函数，模型化用户和平台之间的关系，采取攻防博弈模型和声誉激励机制将用户和平台的策略选择进行联合优化，保证系统的安全性与效率性。

Description

攻防博弈模型下基于声誉激励的室内导航系统及方法
技术领域
本发明属于物联网技术领域，尤其涉及一种攻防博弈模型下基于声誉激励的安全众包室内导航系统及方法。
背景技术
物联网(Internet of Things)是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集各类互联的物体信息，及其感知的声、光、热、电、力学、化学、生物、位置等各种信息，通过各类网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。因此如何准确和实时的收集和分析各种类型的数据信息，对更好地服务用户是非常重要的。
基于众包的室内导航系统包括雾平台，任务响应者和任务请求者。雾平台是系统中完全可信的平台，根据不同的请求去选择相应的任务响应者为任务请求者服务并且能够监督和检测任务响应者的策略选择；任务响应者作为导航服务的提供者，他们给任务请求者提供私人的导航服务；任务响应者作为导航服务的消费者，他们根据自身的需求向雾平台提供导航请求。由于依赖于众包数据的系统天生就容易受到恶意用户的攻击，并且网络个体都是自私性的。因此，为了防止系统被恶意用户攻击，需要设计相应的安全策略去提高系统的安全性；为了激励任务响应者选择积极的室内导航策略，需要设计相应的激励机制来激励任务响应者提供积极的导航服务。
发明内容
针对现有基于众包的室内导航系统中存在的缺陷，为了提高系统的安全性和高效性，本发明的目的是提供一种攻防博弈模型下基于声誉激励的安全众包室内导航系统及方法。
为达到上述目的，本发明采用如下技术方案：
一种攻防博弈模型下基于声誉激励的安全众包室内导航系统，包括社交网络模块，恶意用户攻击模块，声誉激励模块，用户效用模块，平台效用模块，攻防博弈模块；所述社交网络模块连接恶意用户攻击模块；所述用户效用模块分别连接恶意用户攻击模块和声誉激励模块；所述平台效用模块连接用户效用模块；所述攻防博弈模块连接平台效用模块。
具体地，根据网络中用户的社交关系定义不同类型的攻击模式且采集用户的特征信息；通过不同的攻击模式、攻击的频率和攻击程度，计算不同攻击模式的攻击能力；根据用户的特征信息以及声誉激励机制，用户进行策略的选择；根据用户的策略选择建立用户效用函数；根据用户策略的选择以及声誉激励机制来进行平台策略的选择，建立平台的效用函数；根据平台的效用函数以及用户的效用函数，采取攻防博弈模型将用户和平台的策略选择进行联合优化，保证系统的安全性与效率性。
其中社交网络模块，用于采集用户的特征信息和定义网络中用户与用户之间的关系；恶意用户攻击模块，用于根据用户的社交网络关系来确定恶意用户的攻击模式，计算不同模式的攻击能力；声誉激励模块，用于根据恶意用户的攻击能力，用户之间的社交关系和用户的策略集合来更新用户和平台的声誉值；用户效用模块，用于根据用户的特征信息以及声誉激励机制，用户进行策略选择，将用户的策略选择结合更新的声誉值来建立用户效用函数模型；平台效用模块，根据用户的策略选择和声誉激励作用进行平台策略的选择，通过平台的策略选择以及更新之后的声誉值，建立平台效用函数模型；攻防博弈模块，用于根据用户的效用函数和平台的效用函数，通过攻防博弈得到用户和平台的最优策略选择，保证系统的安全性与用户的积极性。
还可包括信息反馈模块，所述信息反馈模块分别与所述攻防博弈模块、声誉激励模块连接，组成闭环系统。具体地，在攻防博弈模块后，判断网络中用户的策略选择是否满足系统的安全性要求，是，则结束进程；否，则通过信息反馈模块调整声誉激励的激励系数，并重新计算用户效用，最终得到是系统安全的用户策略。
所述恶意用户攻击模块分为攻击模式单元，攻击频率单元，攻击程度单元和攻击能力单元；其中攻击模式单元，用于根据攻击者与响应者之间的社交关系来得到不同的攻击模式；攻击频率单元，用于根据攻击者的人数和发动攻击的次数来得到攻击频率；攻击程度单元，用于根据恶意用户提供的导航路径与准确路径的偏差程度来得到恶意用户的攻击程度；攻击能力单元，用于根据恶意用户的攻击频率、攻击模式单元以及攻击程度计算得到恶意用户的攻击能力。所述攻击模式单元与攻击频率单元连接，所述攻击频率单元与攻击程度单元连接，所述攻击程度单元与攻击能力单元连接。
所述用户效用模块分为策略选择单元，策略执行单元，用户未来效用单元和用户当前效用单元；其中策略选择单元，用于根据用户的特征信息和声誉激励机制来选择策略；策略执行单元，用于根据用户的攻击能力得到用户攻击的成功概率；用户未来效用单元，用于根据用户在激励机制下更新声誉值和用户策略的选择来得到用户的未来效用；用户当前效用单元，用于根据用户的策略选择和用户的攻击能力计算得到用户的当前效用。所述策略选择单元与策略执行单元连接，所述策略执行单元与用户未来效用单元连接，所述用户未来效用单元与用户当前效用单元连接。
所述平台效用模块分为平台当前效用单元和平台未来效用单元；其中平台当前效用单元，用于根据平台的策略选择和用户的攻击能力来构建平台的当前效用函数；平台未来效用单元，用于根据声誉激励和平台策略的选择来构建平台的未来效用函数。所述平台当前效用单元与平台未来效用单元连接。
一种攻防博弈模型下基于声誉激励的安全众包室内导航方法，包括如下步骤：
S100.通过社交网络模块采集用户的特征信息和定义网络中用户与用户之间的关系；
S200.根据步骤S100得到的用户之间的社交网络关系来确定恶意用户的攻击模式，计算不同攻击模式的攻击能力；
S300.根据步骤S200得到的恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来更新用户和平台的声誉值；
S400.根据用户的特征信息和声誉激励选择用户策略，通过用户的策略选择以及更新之后的声誉值，建立用户效用函数模型；
S500.根据用户的策略选择和声誉激励的作用来进行平台策略的选择，构建平台的效用函数模型；
S600.根据用户的效用函数以及平台的效用函数，通过攻防博弈，得到用户和平台的最优选择策略。
在步骤S600之后还可包括步骤S600A：判断网络中用户的策略选择是否满足系统的安全性要求，是，则结束进程；否，通过信息反馈模块调整声誉激励的激励系数，并重新计算用户效用，最终得到使系统安全的用户策略。
所述步骤S200的具体步骤为：
S210.根据攻击者与响应者之间的社交关系来得到不同的攻击模式；
S220.根据攻击者的人数和发动攻击的次数来得到攻击的频率；
S230.根据恶意用户攻击时提供的导航路径与准确路径的偏差程度来得到恶意用户的攻击程度；
S240.根据恶意用户的攻击模式、攻击频率以及攻击程度计算得到恶意用户的攻击能力。
所述步骤S400的具体步骤为：
S410.根据用户的特征信息和声誉激励来选择策略；
S420.根据用户的攻击能力得到用户攻击的成功概率；
S430.根据用户在激励机制下更新声誉值和用户策略的选择来得到用户的未来效用；
S440.根据用户的策略选择和用户的攻击能力计算用户的当前效用。
所述步骤S500的具体步骤为：
S510.根据平台的策略选择和用户的攻击能力来构建平台的当前效用函数；
S520.根据声誉激励和平台策略的选择来构建平台的未来效用函数。
与现有技术相比，本发明具有如下突出的实质性特点和显著的优点：
本发明攻防博弈模型下基于声誉激励的安全众包室内导航系统，利用攻防博弈以及声誉激励机制的方法，实现保障基于众包的室内导航系统的安全性与高效性，可以抵御不同的恶意用户的攻击。通过网络中用户的社交关系，定义了不同的攻击模式，且根据不同的攻击模式和攻击的频率以及攻击程度计算他们的攻击能力。同时，通过对声誉机制的建立，激励用户选择积极地策略。此外，通过建立用户的效用函数以及平台的效用函数，采用攻防博弈的方法，计算得到用户和平台的最优策略，提高了系统的安全性以及运行效率。
附图说明
图1为本发明开环的攻防博弈模型下基于声誉激励的安全众包室内导航系统的示意图。
图2为本发明闭环的攻防博弈模型下基于声誉激励的安全众包室内导航系统的示意图。
图3为图1或图2中恶意用户攻击模块的具体示意图。
图4为图1或图2中用户效用模块的具体示意图。
图5为图1或图2中平台效用模块的具体示意图。
图6为本发明开环的攻防博弈模型下基于声誉激励的安全众包室内导航方法的流程图。
图7为本发明闭环的攻防博弈模型下基于声誉激励的安全众包室内导航方法的流程图。
图8为图6或图7中步骤S200的具体流程图。
图9为图6或图7中步骤S400的具体流程图。
图10为图6或图7中步骤S500的具体流程图。
具体实施方式
下面结合附图，对本发明的具体实施例作进一步的说明。
在开环的攻防博弈模型下基于声誉激励的安全众包室内导航系统中，如图1所示，一种攻防博弈模型下基于声誉激励的室内导航系统，包括社交网络模块100，恶意用户攻击模块200，声誉激励模块300，用户效用模块400，平台效用模块500，攻防博弈模块600；所述社交网络模块100连接恶意用户攻击模块200；所述用户效用模块400分别连接声誉激励模块300和恶意用户攻击模块200；所述平台效用模块500连接用户效用模块400；所述攻防博弈模块600连接平台效用模块500。
社交网络模块100，用于定义网络中用户与用户之间的关系和采集用户的特征信息。具体地，在每个位置查询服务中，请求者ui选择相应的任务响应者vj来为自己提供导航服务，因为任务响应者的优劣直接影响到他们的服务水平，所以任务响应者的选择是非常关键的。根据网络中用户之间存在不同的关系以及用户节点之间的关系向量(关系向量为1表示节点之间有关系，关系向量为0表示节点之间没有关系)来定义网络中用户的社交关系模型。社交关系f(i,j)定义为：
Figure GDA0003155047640000051
其中，li＝[O1,…,Oi,…OI]表示社交关系向量。在这个等式中，我们定义一些特殊的关系，例如朋友，同事，亲人，同学等，当存在这些关系时，Oi＝1，否则的话为0，Oi＝{0,1}。考虑以下两种情形：
情形1：请求者ui和任务响应者vj的社交关系为陌生关系。
Figure GDA0003155047640000052
其中，HL为社交关系定义的界限值，f(i,j)∈[0,1]。
情形2：请求者ui和任务响应者vj的社交关系为亲密关系。
Figure GDA0003155047640000053
恶意用户攻击模块200，根据用户之间的社交网络关系来确定恶意用户的攻击模式，并且计算不同攻击模式的攻击能力。具体地，根据用户之间的社交关系，将攻击者划分为与社交关系亲密的人共谋以及与社交关系陌生的人共谋，再结合不同的攻击程度以及攻击频率，计算不同模式的攻击能力。
进一步，如图3所示，恶意用户攻击模块200包括攻击模式单元201，攻击频率单元202，攻击程度单元203和攻击能力单元204。所述攻击频率单元与攻击模式单元连接，所述攻击模式单元与攻击程度单元连接，所述攻击程度单元与攻击能力单元连接。
攻击模式单元201，用于根据攻击者与响应者之间的社交关系来得到不同的攻击模式。
具体地，将攻击模式分为如下两类：
情形1：攻击者与社会关系陌生的人攻击：将Ω定义为与攻击者社会关系陌生的合谋者。攻击者通过让Ω发布虚假任务请求，并且反馈给攻击者较高的声誉值，通过声誉攻击来影响在下一阶段正常的请求者的选择。
情形2：攻击者与社会关系亲密的人攻击：将定义Ω′为与攻击者社会关系亲密的合谋者。攻击者让Ω′发布任务请求，通过反馈虚假偏高的声誉值来非法拉高攻击者的声誉值，通过声誉攻击使得攻击者在下一阶段接受任务的概率增加，并且影响平台以及正常的请求者的选择。在这种情况下，攻击者的成本低于与陌生人勾结的成本。这是因为合谋的请求者与攻击者之间不仅存在雇佣关系，还存在亲密的社会关系。具体来说，我们假设声誉价值分为五个层次。当Ω和Ω′支付相同的费用时，Ω将获得3的评级，而Ω′将获得4的评级。
攻击频率单元202，用于根据攻击者的人数和发动攻击的次数来得到攻击的频率。具体地，攻击者通过选择不同的合谋者，得到相应的攻击模式。在选择相应的攻击模式之后，可以通过选择攻击的次数Nu和攻击的人数Cu得到攻击者发动攻击的频率g(Cu,Nu)：
g(Cu,Nu)＝σ1Cu+σ2Nu
其中，σ1代表攻击的人数在攻击频率中所占的权重，σ2代表攻击的次数在攻击频率中所占的权重，权重越大表明越重要。
攻击程度单元203，用于根据恶意用户提供的导航路径与准确路径的偏差程度来得到恶意用户的攻击程度。具体地，将用户提供的服务质量β来衡量恶意用户的攻击程度，当用户发起攻击时，会为了最大化自己的效用来选择提供相应的导航服务。攻击程度越大，用户提供的导航服务与正确目的地偏差越远；攻击程度越小，用户提供的导航服务与正确目的地偏差越近。
Figure GDA0003155047640000061
其中，A为路径的起点，B为路径的终点。
Figure GDA0003155047640000062
是最短路径距离即正常者提供路径的距离。正常用户的β值为1，因为正常者都是为了提高他的收益，所以他有足够的动机去选择最短路径。当共谋者选择错误的导航路径时，β值为βmin。
攻击能力单元204，用于根据恶意用户的攻击频率、攻击模式以及攻击程度计算得到恶意用户的攻击能力。具体地，根据如下公式，计算得到攻击者的共谋能力λ和攻击能力T：
Figure GDA0003155047640000071
T＝λβ
这里，ω表示用户为任务请求者服务时提供路径的准确性。
声誉激励模块300，根据恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来更新用户和平台的声誉值。具体地，在室内导航系统当中，平台是通过选择声誉值最高的任务响应者来给请求者提供服务，导致有些用户会选择攻击的策略，为了保障系统的安全性，将声誉值与未来收益联系在一起，并且从以下两种策略来更新用户和平台的声誉值：
情况1：当任务响应者提供积极的服务，这就意味着任务响应者提供最短，最快速的导航路径。因此，他们的声誉值将以下面的公式更新：
R＝(1+ε)R0
其中，R0为平台和任务响应者的初始声誉值，ε为平台和任务响应者声誉值的激励。
情况2：当任务响应者提供消极的服务即采取攻击的行为时，即任务响应者提供绕路或者错误路径的导航路径服务。因此，在他们的声誉值将以下面的公式更新：
R＝(1-λ)R0
我们定义Rmin为声誉值的阈值，当用户声誉值低于此声誉值时，平台将不会再采取该任务响应者提供的导航路径服务；当平台的声誉值低于此声誉值时，请求者将不会再使用此系统。
用户效用模块400，用于根据用户的特征信息和声誉激励选择用户策略，通过用户的策略选择以及更新之后的声誉值，建立用户效用函数模型。具体地，根据用户的策略选择，将用户分为正常用户以及攻击者，根据不同用户类型的特征信息以及更新的声誉值，建立不同用户的效用函数。
进一步，如图4所示，用户效用模块400包括策略选择单元401，策略执行单元402，用户未来效用单元403和用户当前效用单元404。所述策略选择单元与策略执行单元连接，所述策略执行单元与用户未来效用单元连接，所述用户未来效用单元与用户当前效用单元连接。
策略选择单元401，用于根据用户的特征信息以及声誉激励来选择策略。具体地，根据用户的特征信息以及不同的策略激励情况存在两种策略选择，分别为攻击和不攻击。选择攻击策略将导致用户的当前效用增加，但是对于声誉值会降低，以至于降低用户的未来效用；选择正常策略则相反。
执行单元402，用于根据用户的攻击能力，通过计算得到用户选择攻击策略之后的成功概率。具体地，假定用户选择的是攻击策略，根据用户选择策略的攻击能力以及所带来的声誉激励情况，得到用户选择攻击策略时的成功概率：P＝(1-λβ)。
当用户攻击成功时，平台认为攻击者选择的是正常策略。也就是说，用户可以通过改变攻击能力来伪装自己的身份，从而达到攻击成功的目的。
用户未来效用单元403，用于根据用户在激励下更新的声誉值和用户策略的选择来得到用户的未来效用。具体地，根据用户不同策略的选择通过声誉激励更新用户和平台的声誉值，通过更新的声誉值，计算用户的未来效用函数。
情况1：当用户选择的是攻击策略时，且攻击能力为λ。可得
Figure GDA0003155047640000081
R＝(1-λ)R0
其中，
Figure GDA0003155047640000082
表示用户的未来收益，
Figure GDA0003155047640000083
代表着声誉值与未来收益的正相关系数。
情况2：当用户选择的是正常策略时。我们有：
Figure GDA0003155047640000084
R＝(1+ε)R0
用户当前效用单元404，用于根据用户的策略选择，用户的攻击能力计算用户的当前效用。具体地，根据用户的策略集，可以将用户分为两类，对于不同类型的用户，根据他们的攻击能力，计算得到用户的当前效用函数。
(1)当用户选择的是攻击策略时，且提供导航路径的质量为β，攻击能力为λ时，用户效用函数为：
Figure GDA0003155047640000085
当平台选择的是监督策略时，其中的q1＝1，q2＝0，当平台选择的是不监督策略时，其中的q1＝0，q2＝1。S表示攻击成功时的收益，W表示攻击失败时所付出的代价。βλc1表示攻击时的成本。
(2)当用户选择的是正常策略时，用户效用函数为：
Figure GDA0003155047640000091
由于此时用户选择的是正常策略，所以无论平台选择的是监督策略还是非监督策略，都不影响用户的当前收益。c2表示不攻击时的成本。
平台效用模块500，根据用户的攻击能力和声誉激励选择平台策略，通过平台的策略选择以及更新之后的声誉值，建立平台效用函数模型。具体地，平台的策略集有两种策略，分别为监督和不监督。平台根据声誉激励以及用户的攻击能力来选择自己的策略，根据不同的策略选择，结合声誉激励下更新的声誉值，建立平台的效用函数模型。
进一步，如图5所示，平台效用模块500包括平台当前效用单元501，平台未来效用单元502。所述平台当前效用单元与平台未来效用单元连接。
平台当前效用单元501，用于根据平台的策略选择和用户的攻击能力来构建平台的当前效用函数。具体地，根据平台的策略集可以将平台分为两类，监督的平台和不监督的平台，根据不同类型的平台和此类型下更新的声誉值，计算得到平台的当前效用函数。
(1)当平台选择的是监督策略时。
Figure GDA0003155047640000092
当用户选择的是攻击策略时，其中的q3＝1，q4＝0，当用户选择的是正常策略时，其中的q3＝0，q4＝1。J表示监督成功时的收益，B表示监督失败时所付出的代价。d1表示监督时的成本。
(2)当平台选择的是不监督策略时。
Figure GDA0003155047640000093
当用户选择的是攻击策略时，其中的q5＝1，q6＝0，当用户选择的是正常策略时，其中的q5＝0，q6＝1。d2表示不攻击时的成本。
平台未来效用单元502，用于根据声誉激励和平台策略的选择来构建平台的未来效用函数。具体地，平台的未来效用函数只与声誉激励以及用户的攻击能力有关。根据平台的策略集将平台分为监督平台和不监督平台，此时根据声誉激励来更新不同类型的声誉值，计算平台的未来效用函数。
(1)当平台选择的是监督策略时。
Figure GDA0003155047640000101
当用户选择的是攻击策略时，其中的q7＝1，q8＝0，当用户选择的是正常策略时，其中的q7＝0，q8＝1。
(2)当平台选择的是不监督策略时。
Figure GDA0003155047640000102
此时平台的未来效用函数与选择监督策略时一致。当用户选择的是攻击策略时，其中的q9＝1，qa＝0，当用户选择的是正常策略时，其中的q9＝0，qa＝1。
攻防博弈模块600，用于根据用户的效用函数和平台的效用函数，得到用户和平台的最优策略选择，保证系统的安全性与用户的积极性。具体地，通过用户和平台的效用函数模型化用户和平台之间的关系，通过攻防博弈得到用户和平台的最优选择策略。
基于用户的自私性，引入声誉激励机制来激励用户选择积极的策略以保证系统的安全性。假设用户选择的是攻击的策略，那么他此时的收益相比于其他选择正常用户的收益要高，但是会导致平台的声誉值会降低，而其他选择正常策略的用户使得平台的声誉值上升，这样在未来效用函数上，选择攻击策略的用户将低于选择正常策略的用户。
在博弈过程中存在两种参与者，一种是平台，另一种是用户群体。在用户群体中存在两类人群，一类是正常的用户，一类是攻击者。根据用户的攻击能力以及声誉激励机制，会有以下四种情形：
情形1：用户ui选择攻击策略，平台选择监督策略；在这种情况下，此时的用户为攻击者，因为平台选择的是监督策略，所以有概率检测出用户的攻击行为从而对用户进行处罚，此时用户会根据平台的监督策略和声誉激励机制来选择攻击能力。此时，两者的效用函数为：
Figure GDA0003155047640000103
Figure GDA0003155047640000104
情形2：用户ui选择攻击策略，平台选择不监督策略；在这种情况下，此时的用户为攻击者，因为平台不实行监督策略，所以用户可以不用担心被平台发现而付出代价，可以肆意的对平台进行攻击，此时他的攻击能力仅取决于声誉激励的作用，此时用户对系统造成的损害是最大的。这时，两者的效用函数为：
Figure GDA0003155047640000111
Figure GDA0003155047640000112
情形3：用户ui选择正常策略，平台选择监督策略；在这种情况下，此时的用户为正常者，不对平台发起攻击，由于平台此时对于用户的信任度不够，所以仍然执行监督策略。此时，两者的效用函数与声誉激励和自身的特征信息正相关。
Figure GDA0003155047640000113
Figure GDA0003155047640000114
情形4：用户ui选择正常策略，平台选择不监督策略；在这种情况下，用户和平台都是完全相信对方的。此时两者的效用函数取决于声誉激励机制以及自身的声誉值。
Figure GDA0003155047640000115
Figure GDA0003155047640000116
为了寻找稳定的用户和平台的策略以及实现系统的安全性，设计攻防博弈过程如下：
第1步，初始化每个用户的声誉值以及平台的声誉值；
第2步，重复以下过程：
第3步，根据用户和平台的策略选择计算两者的效用函数；
第4步，根据两者的效用函数计算两者的期望收益以及平均效用；
第5步，根据两者的期望收益以及平均效用建立复制动态方程，联立双方的复制动态方程求解用户和平台的均衡策略；
第6步，使用雅可比矩阵的稳定性分析法分析用户和平台的均衡解的稳定性和安全性，如不满足则调整系统的声誉激励机制系数，使得到的均衡策略满足系统的安全性；
第7步，返回第二步，直到形成稳定的攻防博弈结果。
基于上述攻防博弈模型下基于声誉激励的安全众包室内导航系统，提供了一种攻防博弈模型下基于声誉激励的安全众包室内导航方法。在开环的攻防博弈模型下基于声誉激励的安全导航系统中，如图6所示，具体步骤如下：
S100，通过采集用户的特征信息和定义网络中用户与用户之间的关系。具体地，根据网络中用户之间存在的关系以及用户节点之间的关系向量(关系向量为1表示节点之间有关系，关系向量为0表示节点之间没有关系)，来定义网络中用户的社交关系模型和采集用户的特征信息；
S200，定义恶意用户的攻击模式，计算不同攻击模式的攻击能力。具体地，根据用户之间的社交关系，将攻击者划分为与社交关系亲密的人共谋以及与社交关系陌生的人共谋，再结合不同的攻击程度以及攻击频率，计算不同模式的攻击能力。
进一步，结合图8，步骤S200包括如下步骤：
S210，得到攻击者的攻击模式。具体地，将攻击模式分为与社交关系亲密的人共谋以及与社交关系陌生的人共谋。
S220，计算攻击者的攻击频率。具体地，攻击者通过选择不同的合谋者，得到相应的攻击模式。在选择相应的攻击模式之后，可以通过选择攻击的次数Nu和攻击的人数Cu得到攻击者发动攻击的频率g(Cu,Nu)。
S230，计算恶意用户的攻击程度。具体地，将用户提供的服务质量β来衡量恶意用户的攻击程度，当用户发起攻击时，会为了最大化自己的效用来选择提供相应的导航服务。β表示为用户提供的导航服务与正确目的地的偏差程度；攻击程度越小，用户提供的导航服务与正确目的地偏差越近。反之则相反。
S240，计算恶意用户的攻击能力。具体地，结合考虑攻击者的攻击频率，攻击模式和攻击程度，使用归一化函数来计算得到攻击者的共谋能力λ和攻击能力T。
S300，计算用户和平台的声誉值。具体地，根据恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来从两个方面来更新用户和平台的声誉值，分别为用户选择攻击策略以及用户选择正常策略。
S400，建立用户效用函数模型。具体地，根据用户的策略选择，将用户分为正常用户以及攻击者，根据不同用户的类型的特征信息以及他们更新的声誉值，建立不同用户的效用函数。
进一步，结合图9，步骤S400包括如下步骤：
S410，用户选择策略。具体地，根据用户自身的特征信息以及不同的策略激励情况存在两种策略选择，分别为攻击和不攻击。选择攻击策略将导致用户的当前效用增加，但是对于声誉值会降低，以至于降低用户的未来效用；选择正常策略则相反。
S420，计算攻击成功概率。具体地，假定用户选择的是攻击策略，根据用户选择策略的攻击能力以及所带来的声誉激励情况，使用概率计算公式计算得到用户选择攻击策略时的成功概率。当用户攻击成功时，平台认为攻击者选择的是正常策略。也就是说，用户可以通过改变攻击能力来伪装自己的身份，从而达到攻击成功的目的。
S430，计算用户的未来效用函数。具体地，根据用户不同策略的选择通过声誉激励更新用户和平台的声誉值，通过更新的声誉值，使用声誉激励模型来计算用户的未来效用函数。
S440，计算用户的当前效用函数。具体地，根据用户的策略集，可以将用户分为两类，对于不同类型的用户，根据他们的攻击能力以及声誉激励，进行计算得到用户的当前效用函数。
S500，构建平台的效用函数模型。具体地，平台的策略集有两种策略，分别为监督和不监督。平台根据声誉激励以及用户的攻击能力来选择自己的策略，根据不同的策略选择，结合声誉激励下更新的声誉值，建立平台的效用函数模型。
进一步，结合图10，步骤S500包括如下步骤：
S510，计算用户的当前效用函数。具体地，根据平台的策略集可以将平台分为两类，监督的平台和不监督的平台，根据不同类型的平台和更新的声誉值，计算平台的当前效用函数。
S520，计算用户的未来效用函数。具体地，平台的未来效用函数只与声誉激励以及用户的攻击能力有关。根据平台的策略集将平台分为监督平台和不监督平台，此时根据声誉激励来更新不同类型的声誉值，计算平台的未来效用函数。
S600，得到用户和平台的最优选择策略。具体地，根据平台的效用函数和用户的效用函数模型来模型化用户和平台之间的关系，通过攻防博弈得到用户和平台的最优选择策略，利用声誉激励机制保证系统的安全性。
在闭环的攻防博弈模型下基于声誉激励的安全众包室内导航系统中，如图7所示，与开环攻攻防博弈模型下基于声誉激励的安全室内导航方法的区别在于，步骤S600之后还包括：
S600A：判断网络中用户的策略选择是否满足系统的安全性要求，是，则结束进程；否，通过信息反馈模块调整声誉激励的激励系数，并重新计算用户效用，最终得到使系统安全的用户策略。
可见，通过攻防博弈模型下基于声誉激励的安全众包室内导航系统中信息反馈模块的作用，用户与平台之间可以进行更多的互动，使得声誉激励模型可以更好更快的调整声誉激励参数，从而降低系统被攻击的可能性同时提高系统的安全性以及运行效率。

Claims (10)

1.一种攻防博弈模型下基于声誉激励的室内导航系统，其特征在于，包括社交网络模块(100)，恶意用户攻击模块(200)，声誉激励模块(300)，用户效用模块(400)，平台效用模块(500)，攻防博弈模块(600)；所述社交网络模块(100)连接恶意用户攻击模块(200)；所述用户效用模块(400)分别连接恶意用户攻击模块(200)和声誉激励模块(300)；所述平台效用模块(500)连接用户效用模块(400)；所述攻防博弈模块(600)连接平台效用模块(500)；
社交网络模块(100)，用于定义网络中用户与用户之间的关系和采集用户的特征信息；在每个位置查询服务中，请求者ui选择相应的任务响应者vj来为自己提供导航服务；根据网络中用户之间存在不同的关系以及用户节点之间的关系向量，即关系向量为1表示节点之间有关系，关系向量为0表示节点之间没有关系，来定义网络中用户的社交关系模型；社交关系f(i,j)定义为：
Figure FDA0003155047630000011
其中，
Figure FDA0003155047630000012
表示社交关系向量；在这个等式中，定义一些特殊的关系，包括朋友，同事，亲人，同学，当存在这些关系时，Oi＝1，否则的话为0，Oi＝{0,1}；考虑以下两种情形：
情形1：请求者ui和任务响应者vj的社交关系为陌生关系；
Figure FDA0003155047630000013
其中，HL为社交关系定义的界限值，f(i,j)∈[0,1]；
情形2：请求者ui和任务响应者vj的社交关系为亲密关系；
Figure FDA0003155047630000014
恶意用户攻击模块(200)，根据用户之间的社交网络关系来确定恶意用户的攻击模式，并且计算不同攻击模式的攻击能力；具体地，根据用户之间的社交关系，将攻击者划分为与社交关系亲密的人共谋以及与社交关系陌生的人共谋，再结合不同的攻击程度以及攻击频率，计算不同模式的攻击能力；
声誉激励模块(300)，根据恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来更新用户和平台的声誉值；在室内导航系统当中，平台是通过选择声誉值最高的任务响应者来给请求者提供服务，导致有些用户会选择攻击的策略，为了保障系统的安全性，将声誉值与未来收益联系在一起，并且从以下两种策略来更新用户和平台的声誉值：
情况1：当任务响应者提供积极的服务，这就意味着任务响应者提供最短，最快速的导航路径；声誉值将以下面的公式更新：
R＝(1+ε)R0
其中，R0为平台和任务响应者的初始声誉值，ε为平台和任务响应者声誉值的激励；
情况2：当任务响应者提供消极的服务即采取攻击的行为时，即任务响应者提供绕路或者错误路径的导航路径服务；声誉值将以下面的公式更新：
R＝(1-λ)R0
我们定义Rmin为声誉值的阈值，当用户声誉值低于此声誉值时，平台将不会再采取该任务响应者提供的导航路径服务；当平台的声誉值低于此声誉值时，请求者将不会再使用此系统；
用户效用模块(400)，用于根据用户的特征信息和声誉激励选择用户策略，通过用户的策略选择以及更新之后的声誉值，建立用户效用函数模型；根据用户的策略选择，将用户分为正常用户以及攻击者，根据不同用户类型的特征信息以及更新的声誉值，建立不同用户的效用函数；
平台效用模块(500)，根据用户的攻击能力和声誉激励选择平台策略，通过平台的策略选择以及更新之后的声誉值，建立平台效用函数模型；平台的策略集有两种策略，分别为监督和不监督；平台根据声誉激励以及用户的攻击能力来选择自己的策略，根据不同的策略选择，结合声誉激励下更新的声誉值，建立平台的效用函数模型；
攻防博弈模块(600)，用于根据用户的效用函数和平台的效用函数，得到用户和平台的最优策略选择，保证系统的安全性与用户的积极性；通过用户和平台的效用函数模型化用户和平台之间的关系，通过攻防博弈得到用户和平台的最优选择策略。
2.根据权利要求1所述的攻防博弈模型下基于声誉激励的室内导航系统，其特征在于，还包括信息反馈模块(700)；所述信息反馈模块(700)分别与所述攻防博弈模块(600)、声誉激励模块(300)连接，组成闭环系统；在攻防博弈模块(600)后，判断网络中用户的策略选择是否满足系统的安全性要求；是，则结束进程；否，则通过信息反馈模块(700)调整声誉激励的激励系数，并重新计算用户效用，最终得到是系统安全的用户策略。
3.根据权利要求1或2所述的攻防博弈模型下基于声誉激励的室内导航系统，其特征在于，所述恶意用户攻击模块(200)包括攻击模式单元(201)，攻击频率单元(202)，攻击程度单元(203)和攻击能力单元(204)，所述攻击模式单元(201)与攻击频率单元(202)连接，所述攻击程度单元(203)与攻击频率单元(202)连接，所述攻击能力单元(204)与攻击程度单元(203)连接；
攻击模式单元(201)，用于根据攻击者与响应者之间的社交关系来得到不同的攻击模式；将攻击模式分为如下两类：
情形1：攻击者与社会关系陌生的人攻击：将Ω定义为与攻击者社会关系陌生的合谋者；攻击者通过让Ω发布虚假任务请求，并且反馈给攻击者较高的声誉值，通过声誉攻击来影响在下一阶段正常的请求者的选择；
情形2：攻击者与社会关系亲密的人攻击：将定义Ω′为与攻击者社会关系亲密的合谋者；攻击者让Ω′发布任务请求，通过反馈虚假偏高的声誉值来非法拉高攻击者的声誉值，通过声誉攻击使得攻击者在下一阶段接受任务的概率增加，并且影响平台以及正常的请求者的选择；在这种情况下，攻击者的成本低于与陌生人勾结的成本；这是因为合谋的请求者与攻击者之间不仅存在雇佣关系，还存在亲密的社会关系；假设声誉价值分为五个层次，当Ω和Ω′支付相同的费用时，Ω将获得3的评级，而Ω′将获得4的评级；
攻击频率单元(202)，用于根据攻击者的人数和发动攻击的次数来得到攻击的频率；攻击者通过选择不同的合谋者，得到相应的攻击模式；在选择相应的攻击模式之后，通过选择攻击的次数Nu和攻击的人数Cu得到攻击者发动攻击的频率g(Cu,Nu)：
g(Cu,Nu)＝σ1Cu+σ2Nu
其中，σ1代表攻击的人数在攻击频率中所占的权重，σ2代表攻击的次数在攻击频率中所占的权重，权重越大表明越重要；
攻击程度单元(203)，用于根据恶意用户提供的导航路径与准确路径的偏差程度来得到恶意用户的攻击程度；将用户提供的服务质量β来衡量恶意用户的攻击程度，当用户发起攻击时，会为了最大化自己的效用来选择提供相应的导航服务；攻击程度越大，用户提供的导航服务与正确目的地偏差越远；攻击程度越小，用户提供的导航服务与正确目的地偏差越近；
Figure FDA0003155047630000041
其中，A为路径的起点，B为路径的终点；
Figure FDA0003155047630000042
是最短路径距离即正常者提供路径的距离；正常用户的β值为1，因为正常者都是为了提高他的收益，所以他有足够的动机去选择最短路径；当共谋者选择错误的导航路径时，β值为βmin；
攻击能力单元(204)，用于根据恶意用户的攻击频率、攻击模式以及攻击程度计算得到恶意用户的攻击能力；根据如下公式，计算得到攻击者的共谋能力λ和攻击能力T：
Figure FDA0003155047630000043
T＝λβ
这里，ω表示用户为任务请求者服务时提供路径的准确性。
4.根据权利要求1或2所述的攻防博弈模型下基于声誉激励的室内导航系统，其特征在于，所述用户效用模块(400)包括策略选择单元(401)，策略执行单元(402)，用户未来效用单元(403)和用户当前效用单元(404)，所述策略选择单元(401)与策略执行单元(402)连接，所述策略执行单元(402)与用户未来效用单元(403)连接，所述用户当前效用单元(404)与用户未来效用单元(403)连接；
策略选择单元(401)，用于根据用户的特征信息以及声誉激励来选择策略；根据用户的特征信息以及不同的策略激励情况存在两种策略选择，分别为攻击和不攻击；选择攻击策略将导致用户的当前效用增加，但是对于声誉值会降低，以至于降低用户的未来效用；选择正常策略则相反；
策略执行单元(402)，用于根据用户的攻击能力，通过计算得到用户选择攻击策略之后的成功概率；假定用户选择的是攻击策略，根据用户选择策略的攻击能力以及所带来的声誉激励情况，得到用户选择攻击策略时的成功概率：P＝(1-λβ)；
当用户攻击成功时，平台认为攻击者选择的是正常策略；用户通过改变攻击能力来伪装自己的身份，从而达到攻击成功的目的；
用户未来效用单元(403)，用于根据用户在激励下更新的声誉值和用户策略的选择来得到用户的未来效用；根据用户不同策略的选择通过声誉激励更新用户和平台的声誉值，通过更新的声誉值，计算用户的未来效用函数；
情况1：当用户选择的是攻击策略时，且攻击能力为λ；可得
Figure FDA0003155047630000051
R＝(1-λ)R0
其中，
Figure FDA0003155047630000052
表示用户的未来收益，
Figure FDA0003155047630000053
代表着声誉值与未来收益的正相关系数；
情况2：当用户选择的是正常策略时；有：
Figure FDA0003155047630000054
R＝(1+ε)R0
用户当前效用单元(404)，用于根据用户的策略选择，用户的攻击能力计算用户的当前效用；根据用户的策略集，将用户分为两类，对于不同类型的用户，根据攻击能力，计算得到用户的当前效用函；
(1)当用户选择的是攻击策略时，且提供导航路径的质量为β，攻击能力为λ时，用户效用函数为：
Figure FDA0003155047630000055
当平台选择的是监督策略时，其中的q1＝1，q2＝0，当平台选择的是不监督策略时，其中的q1＝0，q2＝1；S表示攻击成功时的收益，W表示攻击失败时所付出的代价；βλc1表示攻击时的成本；
(2)当用户选择的是正常策略时，用户效用函数为：
Figure FDA0003155047630000056
由于此时用户选择的是正常策略，无论平台选择的是监督策略还是非监督策略，都不影响用户的当前收益，c2表示不攻击时的成本。
5.根据权利要求1或2所述的攻防博弈模型下基于声誉激励的室内导航系统，其特征在于，所述平台效用模块(500)包括平台当前效用单元(501)和平台未来效用单元(502)，所述平台当前效用单元(501)与平台未来效用单元(502)连接；
平台当前效用单元(501)，用于根据平台的策略选择和用户的攻击能力来构建平台的当前效用函数；根据平台的策略集可以将平台分为两类，监督的平台和不监督的平台，根据不同类型的平台和此类型下更新的声誉值，计算得到平台的当前效用函数；
(1)当平台选择的是监督策略时，
Figure FDA0003155047630000061
当用户选择的是攻击策略时，其中的q3＝1，q4＝0，当用户选择的是正常策略时，其中的q3＝0，q4＝1；J表示监督成功时的收益，B表示监督失败时所付出的代价；d1表示监督时的成本；
(2)当平台选择的是不监督策略时，
Figure FDA0003155047630000062
当用户选择的是攻击策略时，其中的q5＝1，q6＝0，当用户选择的是正常策略时，其中的q5＝0，q6＝1；d2表示不攻击时的成本；
平台未来效用单元(502)，用于根据声誉激励和平台策略的选择来构建平台的未来效用函数；平台的未来效用函数只与声誉激励以及用户的攻击能力有关；根据平台的策略集将平台分为监督平台和不监督平台，此时根据声誉激励来更新不同类型的声誉值，计算平台的未来效用函数；
(1)当平台选择的是监督策略时，
Figure FDA0003155047630000063
当用户选择的是攻击策略时，其中的q7＝1，q8＝0，当用户选择的是正常策略时，其中的q7＝0，q8＝1；
(2)当平台选择的是不监督策略时，
Figure FDA0003155047630000064
此时平台的未来效用函数与选择监督策略时一致；当用户选择的是攻击策略时，其中的q9＝1，qa＝0，当用户选择的是正常策略时，其中的q9＝0，qa＝1。
6.一种攻防博弈模型下基于声誉激励的室内导航方法，其特征在于，采用攻防博弈模型下基于声誉激励的室内导航系统，包括社交网络模块(100)，恶意用户攻击模块(200)，声誉激励模块(300)，用户效用模块(400)，平台效用模块(500)，攻防博弈模块(600)；所述社交网络模块(100)连接恶意用户攻击模块(200)；所述用户效用模块(400)分别连接恶意用户攻击模块(200)和声誉激励模块(300)；所述平台效用模块(500)连接用户效用模块(400)；所述攻防博弈模块(600)连接平台效用模块(500)；所述攻防博弈模型下基于声誉激励的室内导航方法包括如下步骤：
S100.通过社交网络模块(100)采集用户的特征信息和定义网络中用户与用户之间的关系；
S200.根据步骤S100得到的用户之间的社交网络关系来确定恶意用户的攻击模式，计算不同攻击模式的攻击能力；
S300.根据步骤S200得到的恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来更新用户和平台的声誉值；
S400.根据用户的特征信息和声誉激励选择用户策略，通过用户的策略选择以及更新之后的声誉值，建立用户效用函数模型；
S500.根据用户的策略选择和声誉激励的作用来进行平台策略的选择，构建平台的效用函数模型；
S600.根据用户的效用函数以及平台的效用函数，通过攻防博弈，得到用户和平台的最优选择策略；
社交网络模块(100)，用于定义网络中用户与用户之间的关系和采集用户的特征信息；在每个位置查询服务中，请求者ui选择相应的任务响应者vj来为自己提供导航服务；根据网络中用户之间存在不同的关系以及用户节点之间的关系向量，即关系向量为1表示节点之间有关系，关系向量为0表示节点之间没有关系，来定义网络中用户的社交关系模型；社交关系f(i,j)定义为：
Figure FDA0003155047630000071
其中，
Figure FDA0003155047630000072
表示社交关系向量；在这个等式中，定义一些特殊的关系，包括朋友，同事，亲人，同学，当存在这些关系时，Oi＝1，否则的话为0，Oi＝{0,1}；考虑以下两种情形：
情形1：请求者ui和任务响应者vj的社交关系为陌生关系；
Figure FDA0003155047630000081
其中，HL为社交关系定义的界限值，f(i,j)∈[0,1]；
情形2：请求者ui和任务响应者vj的社交关系为亲密关系；
Figure FDA0003155047630000082
恶意用户攻击模块(200)，根据用户之间的社交网络关系来确定恶意用户的攻击模式，并且计算不同攻击模式的攻击能力；具体地，根据用户之间的社交关系，将攻击者划分为与社交关系亲密的人共谋以及与社交关系陌生的人共谋，再结合不同的攻击程度以及攻击频率，计算不同模式的攻击能力；
声誉激励模块(300)，根据恶意用户的攻击能力，用户之间的社交关系和用户的策略集合使用声誉激励模型来更新用户和平台的声誉值；在室内导航系统当中，平台是通过选择声誉值最高的任务响应者来给请求者提供服务，导致有些用户会选择攻击的策略，为了保障系统的安全性，将声誉值与未来收益联系在一起，并且从以下两种策略来更新用户和平台的声誉值：
情况1：当任务响应者提供积极的服务，这就意味着任务响应者提供最短，最快速的导航路径；声誉值将以下面的公式更新：
R＝(1+ε)R0
其中，R0为平台和任务响应者的初始声誉值，ε为平台和任务响应者声誉值的激励；
情况2：当任务响应者提供消极的服务即采取攻击的行为时，即任务响应者提供绕路或者错误路径的导航路径服务；声誉值将以下面的公式更新：
R＝(1-λ)R0
我们定义Rmin为声誉值的阈值，当用户声誉值低于此声誉值时，平台将不会再采取该任务响应者提供的导航路径服务；当平台的声誉值低于此声誉值时，请求者将不会再使用此系统；
用户效用模块(400)，用于根据用户的特征信息和声誉激励选择用户策略，通过用户的策略选择以及更新之后的声誉值，建立用户效用函数模型；根据用户的策略选择，将用户分为正常用户以及攻击者，根据不同用户类型的特征信息以及更新的声誉值，建立不同用户的效用函数；
平台效用模块(500)，根据用户的攻击能力和声誉激励选择平台策略，通过平台的策略选择以及更新之后的声誉值，建立平台效用函数模型；平台的策略集有两种策略，分别为监督和不监督；平台根据声誉激励以及用户的攻击能力来选择自己的策略，根据不同的策略选择，结合声誉激励下更新的声誉值，建立平台的效用函数模型；
攻防博弈模块(600)，用于根据用户的效用函数和平台的效用函数，得到用户和平台的最优策略选择，保证系统的安全性与用户的积极性；通过用户和平台的效用函数模型化用户和平台之间的关系，通过攻防博弈得到用户和平台的最优选择策略。
7.根据权利要求6所述的攻防博弈模型下基于声誉激励的室内导航方法，其特征在于，在步骤S600之后还包括步骤S600A：判断网络中用户的策略选择是否满足系统的安全性要求，是，则结束进程；否，通过信息反馈模块(700)调整声誉激励模块(300)的激励系数，并重新计算用户效用，最终得到使系统安全的用户策略。
8.根据权利要求6或7所述的攻防博弈模型下基于声誉激励的室内导航方法，其特征在于，所述步骤S200的具体步骤为：
S210.根据攻击者与响应者之间的社交关系来得到不同的攻击模式；
S220.根据攻击者的人数和发动攻击的次数来得到攻击频率；
S230.根据恶意用户攻击时提供的导航路径与准确路径的偏差程度来得到恶意用户的攻击程度；
S240.根据恶意用户的攻击模式、攻击频率以及攻击程度计算得到恶意用户的攻击能力。
9.根据权利要求6或7所述的攻防博弈模型下基于声誉激励的室内导航方法，其特征在于，所述步骤S400的具体步骤为：
S410.根据用户的特征信息和声誉激励机制来选择策略；
S420.根据用户的攻击能力得到用户攻击的成功概率；
S430.根据用户在激励机制下更新声誉值和用户策略的选择来得到用户的未来效用；
S440.根据用户的策略选择和用户的攻击能力计算得到用户的当前效用。
10.根据权利要求6或7所述的攻防博弈模型下基于声誉激励的室内导航方法，其特征在于，所述步骤S500的具体步骤为：
S510.根据平台的策略选择和用户的攻击能力来构建平台的当前效用函数；
S520.根据声誉激励和平台策略的选择来构建平台的未来效用函数。
CN202010024395.4A 2020-01-10 2020-01-10 攻防博弈模型下基于声誉激励的室内导航系统及方法 Active CN111246385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010024395.4A CN111246385B (zh) 2020-01-10 2020-01-10 攻防博弈模型下基于声誉激励的室内导航系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010024395.4A CN111246385B (zh) 2020-01-10 2020-01-10 攻防博弈模型下基于声誉激励的室内导航系统及方法

Publications (2)

Publication Number Publication Date
CN111246385A CN111246385A (zh) 2020-06-05
CN111246385B true CN111246385B (zh) 2021-11-05

Family

ID=70865541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010024395.4A Active CN111246385B (zh) 2020-01-10 2020-01-10 攻防博弈模型下基于声誉激励的室内导航系统及方法

Country Status (1)

Country Link
CN (1) CN111246385B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113163362A (zh) * 2021-02-02 2021-07-23 上海大学 一种基于车辆编队的数据包转发系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109297489A (zh) * 2018-07-06 2019-02-01 广东数相智能科技有限公司 一种基于用户特征的室内导航方法、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408663B (zh) * 2014-09-03 2018-08-07 上海大学 智能电网用户需求响应调度系统及方法
CN107563616A (zh) * 2017-08-17 2018-01-09 上海大学 一种用户任务分配和激励策略的群体感知系统和方法
CN107566387B (zh) * 2017-09-14 2020-01-10 中国人民解放军信息工程大学 基于攻防演化博弈分析的网络防御行动决策方法
CN110069940B (zh) * 2019-03-15 2023-12-12 上海大学 移动群感知网络中基于激励机制的隐私保护系统和方法
CN110060042A (zh) * 2019-03-15 2019-07-26 上海大学 基于能源区块链的私有充电桩安全共享与电动汽车充电优化的系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109297489A (zh) * 2018-07-06 2019-02-01 广东数相智能科技有限公司 一种基于用户特征的室内导航方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN111246385A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Huo et al. Privacy-preserving point-of-interest recommendation based on geographical and social influence
CN108055119B (zh) 一种群智感知应用中基于区块链的安全激励方法和系统
CN108600271B (zh) 一种信任状态评估的隐私保护方法
US20140289822A1 (en) System and method for confirming location using supplemental sensor and/or location data
Chen et al. On blockchain integration into mobile crowdsensing via smart embedded devices: A comprehensive survey
CN110493182B (zh) 基于区块链位置隐私保护的群智感知工人选择机制及系统
US10721079B2 (en) Detection of anomalous key material
Wang et al. A cloud service trust evaluation model based on combining weights and gray correlation analysis
CN111246385B (zh) 攻防博弈模型下基于声誉激励的室内导航系统及方法
CN107508792B (zh) 一种移动云计算中的数据可信感知方法
CN106507312B (zh) 一种基于路网环境下个性化位置隐私保护方法
US11818138B2 (en) Preventing unauthorized account access based on location and time
Udhaya Sankar et al. Fuzzy ELECTRE multi-criteria decision-making technique for achieving reliable data dissemination in MANETs
CN111797433B (zh) 一种基于差分隐私的lbs服务隐私保护方法
CN109858279B (zh) 基于信任激励和位置隐私保护的k近邻查询方法
Wang et al. The truthful evolution and incentive for large-scale mobile crowd sensing networks
CN110034958B (zh) 基于sgum理论的车联网假名变更激励算法及变更方法
Jin et al. DPDA: A differentially private double auction scheme for mobile crowd sensing
Huang et al. Using reputation measurement to defend mobile social networks against malicious feedback ratings
Alrubei et al. HDPoA: Honesty-based distributed proof of authority via scalable work consensus protocol for IoT-blockchain applications
CN107070954B (zh) 基于匿名的信任评价方法
Yang et al. Participant selection strategy with privacy protection for internet of things search
CN113177793A (zh) 嵌入从拒绝数据推断的反应对应
CN113269428B (zh) 一种智能合约去摇摆位置隐私保护方法
Guo et al. A k‐nearest neighbor query method based on trust and location privacy protection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant