CN112417751A - 基于图演化博弈理论的抗干扰融合方法及装置 - Google Patents

基于图演化博弈理论的抗干扰融合方法及装置 Download PDF

Info

Publication number
CN112417751A
CN112417751A CN202011171028.3A CN202011171028A CN112417751A CN 112417751 A CN112417751 A CN 112417751A CN 202011171028 A CN202011171028 A CN 202011171028A CN 112417751 A CN112417751 A CN 112417751A
Authority
CN
China
Prior art keywords
users
probability
honest
user
error
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.)
Granted
Application number
CN202011171028.3A
Other languages
English (en)
Other versions
CN112417751B (zh
Inventor
赵虹
林依清
胡泓
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202011171028.3A priority Critical patent/CN112417751B/zh
Publication of CN112417751A publication Critical patent/CN112417751A/zh
Application granted granted Critical
Publication of CN112417751B publication Critical patent/CN112417751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)

Abstract

本发明实施例提供一种基于图演化博弈理论的抗干扰融合方法及装置，其中，该方法包括：基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。本发明实施例提供的基于图演化博弈理论的抗干扰融合方法及装置，考虑了诚实用户受恶意用户影响的情况，抗干扰性更强，能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。

Description

基于图演化博弈理论的抗干扰融合方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于图演化博弈理论的抗干扰融合方法及装置。
背景技术
社交网络时代让互联网上的信息发布变得容易、灵活、成本低、速度快。如果信息内容有害(如谣言)，则可能导致严重经济后果和不可估量的损失，因此，对社交网络上带有恶意用户的信息造假过程进行建模，分析恶意者如何误导信息并估计其对整个社交网络的影响至关重要。
目前，常常通过信息融合模型来解决网络中存在恶意用户的情况。具体来说，信息融合是指融合中心通过收集所有用户的观测报告进行分析，以推测真实的系统状态的方法。但现有信息融合方法主要为隔离法。隔离法的基本思想是即通过一段时间的观测，初步对所有用户根据一定规则的声誉值计算方式对其计算其声誉值，然后推断哪些用户是恶意用户，然后将其报告丢弃，然后仅依靠其余报告来确定系统状态。但隔离法在无法应用于诚实用户可受恶意用户影响的情况，且受观测过程中的系统误差影响较大，导致融合准确率较低。
发明内容
本发明实施例提供一种基于图演化博弈理论的抗干扰融合方法及装置，用以解决现有技术中融合准确率较低的缺陷，实现抗干扰性能好、融合错误率低的数据融合。
本发明实施例提供一种基于图演化博弈理论的抗干扰融合方法，包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；
根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；
根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体步骤包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态；
根据所述演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率的具体公式为
γ＝(1-ε)·ρ·Pmal+ε·(1-ρ·Pmal)
其中，γ表示诚实用户发送错误报告的概率；ε表示观测误差；Pmal表示恶意用户发送错误报告的概率；ρ表示诚实用户受恶意用户影响的概率。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列的具体公式为
Figure BDA0002747327050000031
其中，
Figure BDA0002747327050000032
表示融合后的报告序列；sm表示各用户发送的报告序列；α表示恶意用户在用户总数中的比例；meq(i)是对于第i个用户发送正确报告的数量；γ表示诚实用户发送错误报告的概率；δ表示融合结果错误的概率；m表示报告序列中报告的数量。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态的具体步骤包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的变化率为零时的用户系统状态作为所述演化稳态。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述根据所述演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体公式为
Figure BDA0002747327050000033
其中，Pn→l表示诚实用户受恶意用户影响的概率；ε表示观测误差；P1n→l表示诚实用户观测无错误时受恶意用户影响的概率；P2n→l表示诚实用户观测错误时受恶意用户影响的概率；kl表示造假用户的数量；kn表示诚实用户的数量；πl2、πn2、πl1、πn1分别表示用户观测错误时采用策略Sl和策略Sn的适应度，及观测无错误时采用策略Sl和策略Sn的适应度；策略Sl和策略Sn分别表示造假报告和诚实报告；用户的适应度是根据收益矩阵、恶意用户在用户总数中的比例和基础适应度获得的。
根据本发明一个实施例的基于图演化博弈理论的抗干扰融合方法，所述诚实用户受恶意用户影响的概率的变化率的计算公式为
Figure BDA0002747327050000041
其中，
Figure BDA0002747327050000042
表示诚实用户受恶意用户影响的概率的变化率；N表示用户的总数；pl表示诚实用户受恶意用户影响的概率；δ表示融合结果错误的概率。
本发明实施例还提供一种基于图演化博弈理论的抗干扰融合装置，包括：
影响获取模块，用于基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；
概率获取模块，用于根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；
数据融合模块，用于根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于图演化博弈理论的抗干扰融合方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图演化博弈理论的抗干扰融合方法的步骤。
本发明实施例提供的基于图演化博弈理论的抗干扰融合方法及装置，根据收益矩阵和观测误差等先验知识，获取诚实用户受恶意用户影响的概率，根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率，考虑了诚实用户受恶意用户影响的情况，使得抗干扰性更强，能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图演化博弈理论的抗干扰融合方法的流程示意图；
图2是本发明实施例提供的一种基于图演化博弈理论的抗干扰融合装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
为了克服现有技术的上述问题，本发明实施例提供一种基于图演化博弈理论的抗干扰融合方法及装置，其发明构思是，获取诚实用户受恶意用户影响的情况，根据诚实用户受恶意用户影响的情况，对各用户发送的报告序列进行数据融合，获取融合后的报告序列，可以应用于诚实用户可受恶意用户影响的情况，受观测过程中的系统误差影响较小，融合准确率较高。
图1是本发明实施例提供的一种基于图演化博弈理论的抗干扰融合方法的流程示意图。下面结合图1描述本发明实施例的基于图演化博弈理论的抗干扰融合方法。如图1所示，该方法包括：步骤S101、基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率。
具体地，每一时刻下每个用户都会对被观察系统的状态做出本地观测，并将其一bit位的报告发送给融合中心，融合中心必须依据这些报告在假设H0(系统处于状态S0)和假设H1(系统处于状态S1)之间进行决策。假设k个用户中恶意用户占比为α，恶意用户为了提高融合过程的错误率，通过以概率Pmal翻转一个时刻的本地观测报告来破坏融合过程。
在网络中共存在n个用户，每个用户在每个固定时刻对系统状态做一观测，得到自己的观测结果，表示为观测向量U。这一步中可能存在系统误差，即用户观测到了错误的状态(每个用户自身并不知道自己观察到的状态是否正确)；之后，每个用户直接向融合中心返回观测报告，表示为报告向量R。这一步中用户返回给中心的报告有可能被故意修改，即用户出于某种原因将返回值修改为与其自身观测到的系统状态不符的状态。这种改变的原因可能是该用户本身就是恶意攻击用户，也可能是诚实用户收到周围邻居用户影响做出了改变(如某一用户发现周围用户的报告与自己均不同，为了从众其修改了自己的报告)。在此情境下，融合中心需要根据收到的报告进行信息融合，从而尽可能地推断出真实的系统状态。
在观测过程中，所有用户均有ε概率得到错误的观测，即假设在观测过程中的系统误差是ε。系统误差，即观测误差。
被观测的系统在每个时刻只有S0/S1两种状态，使用二进制值(0/1)来表示，即报告ri∈{0,1}。因此，观测错误和恶意修改均相当于对所观测到的二进制值进行翻转(Flip)，即S0→S1,S1→S0。
令kl′为实际报告错误的人数(即只造假或者只看错)，令kn′为实际报告正确的人数(即不造假也不看错或者既造假又看错)，则有：
k′l＝(1-ε)kl+εkn
k′n＝(1-ε)kn+εkl
由于系统误差的存在，用户的收益并不只取决于用户本身的决策Sl/Sn，还取决于观测过程中的误差，将收益矩阵U进行重新定义。对于诚实用户来说，收益主要取决于与周围人的报告是否相同，所以U′为：
Figure BDA0002747327050000071
其中，Ss代表邻居用户与中心用户提交了相同的报告，Sd代表着邻居用户与中心用户提交了相反的报告。uls的意义是当中心用户采用了决策Sl时且邻居与中心的报告相同时，中心用户所得到的收益。以此类推，uns的意义是当中心用户采用了决策Sn时且邻居与中心的报告相同时，中心用户所得到的收益。uld、und也是如此。
收益已在(0,1)区间内归一化，即0<ull,uln,unn<1。
收益的物理含义可以是用户在评价机制中报告的优质程度，也可以是报告的稿费，等等。在不同的应用场景下，收益矩阵的值可能不同。例如，如果网站比较注重评价的真实程度，则收益矩阵应具有以下特征：unn>uln>ull。另一方面，如果评价机制是通过流行程度或者点击率评价的，可能有一些用户为了迎合其他用户而采用造假的决策，则收益矩阵也将体现出来。
收益矩阵和观测误差，均属于先验知识。
大多数用户会有“群体效应”，即希望与周围人采用相同的策略，在Ss情况时中心用户获得的收益会比在Sd情况时的收益普遍偏高(Herd Effect，“羊群效应”，这代表着人们有时会在制定决策时忽略自己的信息/偏好而跟随他人)。
可以采用演化博弈论的方法，建立中心用户受邻居影响的演化动力学模型，根据该演化动力学模型，分析诚实用户受恶意用户影响的情况，获取诚实用户受恶意用户影响的概率。
建立演化动力学模型基于以下两个条件：(a)用户不知道其他用户的类型；(b)用户可以看到其他用户之前的报告。
步骤S102、根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率。
具体地，恶意用户以恶意用户发送错误报告的概率进行攻击，因而诚实用户发送错误报告的概率，与诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率有关。
因此，可以根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率。
步骤S103、根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
具体地，可以采用最大后验准则的思想，将诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率输入至预先建立的数据融合模型，根据最优化方法对数据融合模型进行求解，可以获取融合后的报告序列。
本发明实施例根据收益矩阵和观测误差等先验知识，获取诚实用户受恶意用户影响的概率，根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率，考虑了诚实用户受恶意用户影响的情况，使得抗干扰性更强，能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体步骤包括：基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态。
具体地，可以基于图演化博弈理论，建立中心用户受邻居影响的演化动力学模型。
图演化博弈理论(Graphical Evolutionary Game Theory，EGT)是使用演化博弈思想来对网络中个体的发展演变过程进行动力学分析的一门理论。其研究对象是随着时间变化的某一群体，其研究目的是为了理解群体演化的动态过程，并解释说明群体将达到的平衡状态以及如何达到的过程。
用户在最后总能达到ESS平稳(演化稳态)的情况，所以采用最后用户群体稳态时的状态(即群体中采用造假策略的比例)来对诚实用户的状态进行评估，忽略达到稳态之前的变化过程。
根据演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率。
具体地，在演化稳态下，根据该演化动力学模型，分析诚实用户受恶意用户影响的情况，获取诚实用户受恶意用户影响的概率。
本发明实施例基于图演化博弈理论，根据演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率，能获取更准确的诚实用户受恶意用户影响的概率，从而能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率的具体公式为
γ＝(1-ε)·ρ·Pmal+ε·(1-ρ·Pmal)
其中，γ表示诚实用户发送错误报告的概率；ε表示观测误差；Pmal表示恶意用户发送错误报告的概率；ρ表示诚实用户受恶意用户影响的概率。
具体地，由于用户在观测过程中的系统误差，在该情况下，诚实用户均有两类情况，一类是自身决策，即是否对所观测的结果进行恶意修改；第二类是非用户自身所控制的误差错误。
根据诚实用户受恶意用户影响的概率ρ、观测误差ε和恶意用户发送错误报告的概率Pmal，可以通过以下公式计算得到诚实用户发送错误报告的概率γ
γ＝(1-ε)·ρ·Pmal+ε·(1-ρ·Pmal)
本发明实施例根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率，能获得更准确的诚实用户发送错误报告的概率，从而能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列的具体公式为
Figure BDA0002747327050000101
其中，
Figure BDA0002747327050000111
表示融合后的报告序列；sm表示各用户发送的报告序列；α表示恶意用户在用户总数中的比例；meq(i)是对于第i个用户发送正确报告的次数；γ表示诚实用户发送错误报告的概率；δ表示融合结果错误的概率；m表示报告序列中报告的数量。
具体地，Sm＝(S1，S2,...,Sm)表示一系列独立同分布(i.i.d.)的随机变量，用来表示系统的状态。Sm即sm。
所有状态都是等概率的，即
Figure BDA0002747327050000112
用Uij∈{0，1}表示用户i关于Sj的本地观测结果。在观测过程中排除了用户之间的任何交互，且Uij对于系统的固定状态在条件上是独立的。
对于恶意用户，融合中心收到错误报告的概率为：
δ＝ε(1-Pmal)+(1-ε)Pmal
恶意用户一般会选用Pmal＝1的攻击策略。
关于恶意用户的位置，令An＝(A1...An)是二进制随机序列，若用户i是诚实的(是恶意的)，则Ai＝0(反之Ai＝1)。用户类型的分布概率可由
Figure BDA0002747327050000113
表示或简单地由P(an)表示。
用R＝{Rij},i＝1…n,j＝1…m，表示融合中心收到的所有报告，用r＝{rij}表示R的特定实例。对于诚实用户，在不考虑诚实用户会摇摆的情况下Rij＝Uij，对于恶意用户，P(Rij≠Uij)＝Pmal。恶意用户以相等的概率彼此独立地翻转局部决策Uij，因此它们的动作可以建模为具有翻转概率Pmal的多个独立二进制对称通道。
给定收到的报告r并使用采用最大后验概率准则，将使错误概率最小化的最佳决策规则写为：
Figure BDA0002747327050000114
应用贝叶斯准则，并且考虑到所有状态都是等概率的，可以得到:
Figure BDA0002747327050000121
考虑到恶意用户分布an的先验知识并对所有可能的an求平均得：
Figure BDA0002747327050000122
其中，ri表示r的第i行，即第i个用户发送的报告。
在给定an和sm的情况下，用户发送的报告是彼此独立的，因为每个报告仅取决于状态序列的相应状态。
进一步化简，可以得到融合后的报告序列的计算公式为
Figure BDA0002747327050000123
本发明实施例通过诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列，考虑了诚实用户受恶意用户影响的情况，抗干扰性更强，能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态的具体步骤包括：基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的变化率为零时的用户系统状态作为演化稳态。
具体地，诚实用户受恶意用户影响的概率的变化率为零，表示用户系统状态达到演化稳态。
令
Figure BDA0002747327050000131
可以求得ESS时的网络系统状态。
本发明实施例通过基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的变化率为零时的用户系统状态作为演化稳态，从而能获取演化稳态下诚实用户受影响的情况，进而能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，根据演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体公式为
Figure BDA0002747327050000132
其中，Pn→l表示诚实用户受恶意用户影响的概率；ε表示观测误差；P1n→l表示诚实用户观测无错误时受恶意用户影响的概率；P2n→l表示诚实用户观测错误时受恶意用户影响的概率；kl表示造假用户的数量；kn表示诚实用户的数量；πl2、πn2、πl1、πn1分别表示用户观测错误时采用策略Sl和策略Sn的适应度，及观测无错误时采用策略Sl和策略Sn的适应度；策略Sl和策略Sn分别表示造假报告和诚实报告；用户的适应度是根据收益矩阵、恶意用户在用户总数中的比例和基础适应度获得的。
具体地，在图演化博弈理论中，用户在每次决策前得到的适应度(Fitness)一般表示为：
π＝(1-α)·B+α·U
其中，B一般表示每个决策者的基本适应度(Baseline)。如在社交网络中一般为用户对传播信息的兴趣程度，很多时候经归一化后即可设为1。U表示决策者得到的收益，由决策矩阵和邻居间的相互影响决定。α表示策略的选择强度，也可理解为相互博弈过程对最终适应度的贡献程度。当α→0表示个人偏好占个人适应度的主导地位，相互决策过程得到的收益可忽略不计，反之α→1则表示博弈贡献度极高。除此之外，也可设选择强度随演化时间逐渐降低，如α(t)＝βe-εt。
本发明实施例中，α表示恶意用户在用户总数中的比例。
根据重新定义的收益矩阵，即得：
πl(k,ks)＝(1-α)+α[ksuls+(k-ks)uld]
πn(k,ks)＝(1-α)+α[ksuls+(k-ks)und]
其中，ks代表着与中心用户做出相同报告的人数。
中心用户的适应度π可以分为四种情况：
(1)无观测误差：
πl1＝1-α+α[k′luls+(k-k′l)uld]
πn1＝1-α+α[k′nuns+(k-k′n)und]
(2)有观测误差：
πl2＝1-α+α[k′nuls+(k-k′n)uld]
πn2＝1-α+α[k′luns+(k-k′l)und]
其中k′n＝k-k′l。
根据DB更新规则，中心用户将采用其邻居的一种策略，采取的概率与该策略用户适应度成正比。但是，由于用户不知道自己是否存在观测错误，也无从知晓邻居是否存在观测错误。所以，中心用户只能从自己的角度出发，观察邻居的报告是否与自己的观测一致。即中心用户更新策略的概率取决于在中心用户看来采用Sl的用户的适应度(如果自己无观测错误，则采用Sl的用户则为那些报告与实际系统有错误的用户；如果自己存在观测误差，则在它看来采用Sl的用户反而则为那些报告与系统实际相一致的用户)。
中心用户将其策略从Sn更改为Sl的概率由下式给出：
(1)中心用户无观测错误情况
Figure BDA0002747327050000141
Figure BDA0002747327050000151
(2)中心用户存在观测错误情况
Figure BDA0002747327050000152
结合公式可得：
Figure BDA0002747327050000153
本发明实施例根据演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率，能获取更准确的诚实用户受恶意用户影响的概率，从而能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
基于上述各实施例的内容，诚实用户受恶意用户影响的概率的变化率的计算公式为
Figure BDA0002747327050000154
其中，
Figure BDA0002747327050000155
表示诚实用户受恶意用户影响的概率的变化率；N表示用户的总数；pl表示诚实用户受恶意用户影响的概率；δ表示融合结果错误的概率。
具体地，用户策略从Sn到Sl的概率如下：
Figure BDA0002747327050000156
用户策略从Sl到Sn的概率如下：
Figure BDA0002747327050000157
其中，δ表示增量，即融合结果错误的概率。因此，
Figure BDA0002747327050000158
本发明实施例通过获取诚实用户受恶意用户影响的概率的变化率的期望，从而能获取诚实用户受恶意用户影响的概率的变化率为零时的用户系统状态作为演化稳态，能获取演化稳态下诚实用户受影响的情况，进而能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
为了便于对本发明上述各实施例的理解，下面通过一个实例对比本发明上述各实施例提供的基于图演化博弈理论的抗干扰融合方法和传统的隔离法。
网络用户规模为1000，常规网络的度数和随机网络的平均度数k＝10，弱选择系数α＝0.0001，基本适应度B＝1。收益矩阵设置为uns＝0.8，unn＝0.6，uls＝0.6，uln＝0.4。初始比例为pl＝0.2。
对于每种类型的网络，将随机生成5个图，并对每个图进行96次仿真运行。此外，图形EGT的代数设置为300。
其中所有用户都使用DB更新规则。仿真结果表明，网络结构不会影响pl上的仿真结果。
采用S1策略的诚实用户数量随时间逐渐增加到稳定值(ESS)。
使用随机统一网络进行融合实验。每次都运行300次仿真，但是融合时间窗口t是10，并且通过在Monte Carlo方法中重复进行1000次试验来获得融合准确率的平均值。设置参数Pmal＝1。
在情况1(SC1)中，诚实用户将仅提交诚实的报告，而情况2(SC2)是本文的主要研究对象，在此情况下，诚实用户将受到拜占庭用户的影响而翻转报告。
两种情况下的两次实验的融合准确率分别如表1和表2所示。其中，β表示恶意用户与诚实用户的比值。
表1融合准确率表1
Figure BDA0002747327050000171
表2融合准确率表2
Figure BDA0002747327050000172
从表1和表2可以看出，原始方法(OPT)在诚实用户不受他人影响的情况下具有显着的融合精度，在场景(SC1)中独立提交他们的观察结果，但是当用户可以看到其他人的报告值以及他们影响彼此的决定时，它无法获得对系统状态的准确估计。本发明实施例所提出的融合策略(EGT-DFB)仍然可以实现较高的估计精度，即使拜占庭可能会极大地影响其他人的决定。在诚实用户受到影响的情况下，当观测误差ε＝0.1，原始方法融合准确率为最差情况时，融合正确率仅为3.3e-3。当表2中的观测误差ε较大时，当β＝0.9时，EGT-DFB模型甚至比原始场景中的原始模型具有更高的融合精度。结果表明，尽管拜占庭人可能会利用群体效应对网络造成很大损害，但仍可以通过EGT模型预测网络的动态变化，并获得更好的决策融合结果。
不同系统误差下的融合准确率如表3所示。
表3融合准确率表3
Figure BDA0002747327050000181
从表3可以看出，系统误差对EGT-DFB融合策略的融合精度几乎没有影响，说明在存在系统误差的情况下，本发明上述各实施例提供的基于图演化博弈理论的抗干扰融合方法均具有非常高的融合准确率。
下面对本发明实施例提供的基于图演化博弈理论的抗干扰融合装置进行描述，下文描述的基于图演化博弈理论的抗干扰融合装置与上文描述的基于图演化博弈理论的抗干扰融合方法可相互对应参照。
图2是根据本发明实施例提供的基于图演化博弈理论的抗干扰融合装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括影响获取模块201、概率获取模块202和数据融合模块203，其中：
影响获取模块201，用于基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；
概率获取模块202，用于根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；
数据融合模块203，用于根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
具体地，影响获取模块201、概率获取模块202和数据融合模块203依次电连接。
影响获取模块201可以采用演化博弈论的方法，建立中心用户受邻居影响的演化动力学模型，根据该演化动力学模型，分析诚实用户受恶意用户影响的情况，获取诚实用户受恶意用户影响的概率。
概率获取模块202可以根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率。
数据融合模块203可以采用最大后验准则的思想，将诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率输入至预先建立的数据融合模型，根据最优化方法对数据融合模型进行求解，可以获取融合后的报告序列。
本发明实施例提供的基于图演化博弈理论的抗干扰融合装置，用于执行本发明上述各实施例提供的基于图演化博弈理论的抗干扰融合方法，该基于图演化博弈理论的抗干扰融合装置包括的各模块实现相应功能的具体方法和流程详见上述基于图演化博弈理论的抗干扰融合方法的实施例，此处不再赘述。
该基于图演化博弈理论的抗干扰融合装置用于前述各实施例的基于图演化博弈理论的抗干扰融合方法。因此，在前述各实施例中的基于图演化博弈理论的抗干扰融合方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例根据收益矩阵和观测误差等先验知识，获取诚实用户受恶意用户影响的概率，根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率，考虑了诚实用户受恶意用户影响的情况，使得抗干扰性更强，能在诚实用户受恶意用户影响的情况下获得融合准确率更高的融合结果。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例提供的基于图演化博弈理论的抗干扰融合方法，该方法包括：根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于图演化博弈理论的抗干扰融合方法，该方法包括：根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于图演化博弈理论的抗干扰融合方法，该方法包括：根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；根据诚实用户受恶意用户影响的概率、观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；根据诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图演化博弈理论的抗干扰融合方法，其特征在于，包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；
根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；
根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
2.根据权利要求1所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体步骤包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态；
根据所述演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率。
3.根据权利要求1所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率的具体公式为
γ＝(1-ε)·ρ·Pmal+ε·(1-ρ·Pmal)
其中，γ表示诚实用户发送错误报告的概率；ε表示观测误差；Pmal表示恶意用户发送错误报告的概率；ρ表示诚实用户受恶意用户影响的概率。
4.根据权利要求1至3任一所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列的具体公式为
Figure FDA0002747327040000021
其中，sm，*表示融合后的报告序列；sm表示各用户发送的报告序列；α表示恶意用户在用户总数中的比例；meq(i)是对于第i个用户发送正确报告的数量；γ表示诚实用户发送错误报告的概率；δ表示融合结果错误的概率；m表示报告序列中报告的数量。
5.根据权利要求2所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述基于图演化博弈理论，根据收益矩阵和观测误差，获取演化稳态的具体步骤包括：
基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的变化率为零时的用户系统状态作为所述演化稳态。
6.根据权利要求2所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述根据所述演化稳态、收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率的具体公式为
Figure FDA0002747327040000022
其中，Pn→l表示诚实用户受恶意用户影响的概率；ε表示观测误差；P1n→l表示诚实用户观测无错误时受恶意用户影响的概率；P2n→l表示诚实用户观测错误时受恶意用户影响的概率；kl表示造假用户的数量；kn表示诚实用户的数量；πl2、πn2、πl1、πn1分别表示用户观测错误时采用策略Sl和策略Sn的适应度，及观测无错误时采用策略Sl和策略Sn的适应度；策略Sl和策略Sn分别表示造假报告和诚实报告；用户的适应度是根据收益矩阵、恶意用户在用户总数中的比例和基础适应度获得的。
7.根据权利要求5所述的基于图演化博弈理论的抗干扰融合方法，其特征在于，所述诚实用户受恶意用户影响的概率的变化率的计算公式为
Figure FDA0002747327040000031
其中，
Figure FDA0002747327040000032
表示诚实用户受恶意用户影响的概率的变化率；N表示用户的总数；pl表示诚实用户受恶意用户影响的概率；δ表示融合结果错误的概率。
8.一种基于图演化博弈理论的抗干扰融合装置，其特征在于，包括：
影响获取模块，用于基于图演化博弈理论，根据收益矩阵和观测误差，获取诚实用户受恶意用户影响的概率；
概率获取模块，用于根据诚实用户受恶意用户影响的概率、所述观测误差和恶意用户发送错误报告的概率，获取诚实用户发送错误报告的概率；
数据融合模块，用于根据所述诚实用户发送错误报告的概率和各用户发送的报告序列，获取融合后的报告序列。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于图演化博弈理论的抗干扰融合方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于图演化博弈理论的抗干扰融合方法的步骤。
CN202011171028.3A 2020-10-28 2020-10-28 基于图演化博弈理论的抗干扰融合方法及装置 Active CN112417751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171028.3A CN112417751B (zh) 2020-10-28 2020-10-28 基于图演化博弈理论的抗干扰融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171028.3A CN112417751B (zh) 2020-10-28 2020-10-28 基于图演化博弈理论的抗干扰融合方法及装置

Publications (2)

Publication Number Publication Date
CN112417751A true CN112417751A (zh) 2021-02-26
CN112417751B CN112417751B (zh) 2024-03-29

Family

ID=74841234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171028.3A Active CN112417751B (zh) 2020-10-28 2020-10-28 基于图演化博弈理论的抗干扰融合方法及装置

Country Status (1)

Country Link
CN (1) CN112417751B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140157415A1 (en) * 2012-12-05 2014-06-05 Ut-Battelle, Llc Information security analysis using game theory and simulation
CN107135224A (zh) * 2017-05-12 2017-09-05 中国人民解放军信息工程大学 基于Markov演化博弈的网络防御策略选取方法及其装置
CN107808067A (zh) * 2017-10-19 2018-03-16 重庆邮电大学 基于网络结构与用户心理特质的信息传播预测系统及方法
CN108229731A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 一种热点话题下多消息互影响的用户行为预测系统及方法
CN110309430A (zh) * 2019-07-04 2019-10-08 电子科技大学 一种基于演化博弈论的社交网络舆情发展分析方法
CN110417733A (zh) * 2019-06-24 2019-11-05 中国人民解放军战略支援部队信息工程大学 基于qbd攻防随机演化博弈模型的攻击预测方法、装置及系统
CN110991742A (zh) * 2019-12-04 2020-04-10 清华大学 一种社交网络信息转发概率预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140157415A1 (en) * 2012-12-05 2014-06-05 Ut-Battelle, Llc Information security analysis using game theory and simulation
CN107135224A (zh) * 2017-05-12 2017-09-05 中国人民解放军信息工程大学 基于Markov演化博弈的网络防御策略选取方法及其装置
CN107808067A (zh) * 2017-10-19 2018-03-16 重庆邮电大学 基于网络结构与用户心理特质的信息传播预测系统及方法
CN108229731A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 一种热点话题下多消息互影响的用户行为预测系统及方法
CN110417733A (zh) * 2019-06-24 2019-11-05 中国人民解放军战略支援部队信息工程大学 基于qbd攻防随机演化博弈模型的攻击预测方法、装置及系统
CN110309430A (zh) * 2019-07-04 2019-10-08 电子科技大学 一种基于演化博弈论的社交网络舆情发展分析方法
CN110991742A (zh) * 2019-12-04 2020-04-10 清华大学 一种社交网络信息转发概率预测方法及系统

Also Published As

Publication number Publication date
CN112417751B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
WO2021179834A1 (zh) 基于异构图进行业务处理的方法及装置
US10708291B2 (en) Security threat information gathering and incident reporting systems and methods
Bell et al. Network growth models: A behavioural basis for attachment proportional to fitness
US9529863B1 (en) Normalizing ingested data sets based on fuzzy comparisons to known data sets
US20230231871A1 (en) Training Method for Detection Model, System, Device, and Storage Medium
KR102121360B1 (ko) 사용자 신용 점수를 최적화하기 위한 방법 및 장치
CN107864695A (zh) 对等组警戒
WO2019245763A1 (en) System for classification based on user actions
JP2020178338A (ja) ブロックチェーンネットワークをチェックする装置
Wang et al. A game theory-based trust measurement model for social networks
CN110929041A (zh) 基于分层注意力机制的实体对齐方法及系统
CN114021188A (zh) 一种联邦学习协议交互安全验证方法、装置及电子设备
US20160315944A1 (en) System and method for dynamic network data validation
CN109450844A (zh) 触发漏洞检测的方法及装置
US9594756B2 (en) Automated ranking of contributors to a knowledge base
De et al. Differentially private link prediction with protected connections
CN112052399B (zh) 一种数据处理方法、装置和计算机可读存储介质
CN112417751A (zh) 基于图演化博弈理论的抗干扰融合方法及装置
CN116484113B (zh) 一种基于动态信任感知的群体观点预测方法及系统
CN114553517B (zh) 非线性加权的网络安全评估方法、装置、设备和存储介质
CN116307078A (zh) 账户标签预测方法、装置、存储介质及电子设备
CN110765303A (zh) 一种更新数据库的方法及系统
TWI767161B (zh) 評估交易對象的方法
CN112465408A (zh) 基于未来共同邻居相似性的合作伙伴推荐方法
Lin et al. An Evolutionary Game Theoretical Framework for Decision Fusion in the Presence of Byzantines

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