CN102395217B - 移动自组网基于信誉的区分服务激励机制构造方法 - Google Patents

Abstract

本发明是一种移动自组网基于信誉的区分服务激励机制构造方法，包括步骤：S101：初始化；S102：服务请求者向各簇头发起服务查询请求；S103：各簇头协同工作，根据服务请求者的全局信誉按照预先设定的服务与信誉关联规则返回其可使用的服务列表；S104：服务请求者根据自己的意愿选择服务列表中的某项服务；S105：服务请求者对所选择的服务提供者进行信誉评估；S106：服务请求者根据信誉评估中获得的服务提供者的综合信誉值与信誉阈值R_h进行比较，满足条件则发出服务请求转入S107，不满足条件则回到S104重新进行服务选择；S107：服务提供阶段，服务提供者所在簇的簇头通过监控获得服务提供者的剩余电量和服务提供的完成情况；S108：服务结束后，信誉更新。

Description

移动自组网基于信誉的区分服务激励机制构造方法

技术领域

本发明涉及无线网络应用领域，具体涉及一种移动自组网基于信誉的区分服务激励机制构造方法。 

背景技术

泛在环境下，用户基于兴趣或目的，可利用临时快速组成一个有共同目标，拓扑相对稳定的移动自组网，通过设备协调和资源、服务共享，使用户各取所需，实现双赢，网络也可实现移动商务、移动会议、自然或人为灾难营救过程中的信息交换等应用。但是上述应用是基于理想模式中移动终端都积极地贡献出自己的资源和各种服务，现实中移动终端往往受到各种资源的限制，比如：电池能量、无线带宽、计算能力、存储空间(其中电池能量的限制表现尤为明显)，表现出自私行为，不愿进行路由转发以及打印、扫描、存储、数据处理等服务的提供，只想搭便车享受其他节点的资源和服务。搭便车的恶劣行为随着时间的推移，最终会导致愿意共享资源的节点越来越少，极大影响网络的性能。因此，设计一种有效的激励机制使移动自组网中的节点积极提供服务是非常有必要的。 

下面介绍两种现有技术中的激励方案。 

技术方案1：专利号为200510086497.4的中国发明专利，涉及一种应用于ad hoc网络的合作增强机制的方法，它引入了中心服务器，提供鉴权能力并保存每个节点的身份，存储每个用户相应的自私记录。方法包括：声望初值设定，用来确定新加入网络的节点声望初值；邻居合作监测和声望评价，监视网络中每个节点行为并检测来自不良节点的攻击，并根据邻居监测得到的声望值经评价***计算得出节点的最终综合声望；对自私节点的反应机制，根据声望评价确定节点的 可信度，当节点声望值低于门限值时，则认定其为自私节点，将其隔离在网络之外，并通知邻居节点或可信任中心服务器；自私节点的激励机制，自私节点应能通过合作以增加综合声望评价值，并重新加入到移动Ad hoc网络中。 

技术方案2：申请号为201010572226.0的中国发明专利申请，涉及一种抗节点自私行为的合作增强方法，通过建立可靠的声誉评价机制和激励机制来保证网络的公平性。该方法有四大步骤，步骤一：声誉初值设定；步骤二：邻居检测和声誉评价；步骤三：对自私节点的反应机制；步骤四：自私节点的激励机制。本发明是一种无中心化的声誉值管理，它直接通过邻居检测，尽可能多的利用邻居之间的信息来建立节点的声誉值和可靠的节点声誉评价机制，并采用了激励机制来鼓励自私节点通过合作获得其他节点的信任。 

技术方案1，2都是针对移动自组网中节点在网络层中数据路由转发时表现出的自私行为，提出合作增强机制，激励节点协作通信保障网络的正常通信。方案1中引入了中心服务器，不适用于自组织，无中心的移动自组网组网场景，且容易出现单点失效问题；最重要的是方案1和2都没有应用层中的服务进行关联，无法达到激励移动自组网中节点积极进行可靠服务提供的效果。 

发明内容

(一)要解决的技术问题 

本发明目的在于提供一种移动自组网基于信誉的区分服务激励机制构造方法，有效解决移动自组网节点在自觉提供服务方面的自私行为问题。 

(二)技术方案 

为了解决上述技术问题，本发明提供一种移动自组网基于信誉的区分服务激励机制构造方法，包括步骤： 

S101：初始化，包括初始化信誉阈值R_h、电量阈值E_h、以及设 置服务与信誉间的关联规则； 

S102：服务请求者向各簇头发起服务查询请求； 

S103：各簇头协同工作，根据服务请求者的全局信誉按照预先设定的服务与信誉关联规则返回其可使用的服务列表； 

S104：服务请求者根据自己的意愿选择服务列表中的某项服务； 

S105：服务请求者对所选择的服务提供者进行信誉评估； 

S106：服务请求者根据信誉评估中获得的服务提供者的综合信誉值与信誉阈值R_h进行比较，满足条件则发出服务请求转入S107，不满足条件则回到S104重新进行服务选择； 

S107：服务提供阶段，服务提供者所在簇的簇头通过监控获得服务提供者的剩余电量和服务提供的完成情况； 

S108：服务结束后，服务请求者更新对服务提供者的服务记录评价，服务请求者所在簇的簇头更新服务请求者的全局信誉并保存；服务提供者所在簇的簇头更新服务提供者的全局信誉并保存。 

优选地，所述步骤S107中，当簇头节点检测到服务提供者的剩余电量E_left低于电量阈值E_h时，服务提供者可以拒绝提供服务，但是如果其继续提供服务，他所得到的信誉增量将有加成，加成系数为E_left/E_h；当簇头节点检测到服务提供者的剩余电量E_left高于电量阈值E_h时，服务提供者理应提供服务，但是如果其故意不提供服务，他所得到的信誉减量将有加成，加成系数为E_h/E_left，这样可刺激节点积极进行服务提供，并且可加速检验出自私节点。 

优选地，所述步骤S101中设置关联规则包括以下两个步骤： 

服务效益计算：服务指网络节点提供的可被其他节点利用的软件或硬件资源；服务效益Su表示根据节点能力提供服务后对节点信誉带来的效益，Su由其消耗的资源决定： 

$\left\{\begin{array}{c}\mathrm{Su}=\mathrm{\α}\frac{C_{\mathrm{Used}}}{\mathrm{Max}\left(C\right)}+\mathrm{\β}\frac{M_{\mathrm{Used}}}{\mathrm{Max}\left(M\right)}+\mathrm{\σ}\frac{S_{\mathrm{Used}}}{\mathrm{Max}\left(S\right)}+\mathrm{\ζ}\frac{B_{\mathrm{Used}}}{\mathrm{Max}\left(B\right)}\\ \mathrm{\α}+\mathrm{\β}+\mathrm{\σ}+\mathrm{\ζ}=1,\mathrm{\α},\mathrm{\β},\mathrm{\σ},\mathrm{\ζ},\∈\left(\mathrm{0,1}\right)\end{array}\right.$

其中：C_Used为服务消耗的节点CPU的值，M_Used为服务消耗的节点内存的值，S_Used为服务消耗的节点磁盘空间的值，B_Used为服务消耗的节点带宽的值，Max(C)为CPU最大值，Max(M)为内存最大值，Max(S)为磁盘空间最大值，Max(B)为物理带宽最大值，α，β，σ，ζ为相应的权值系数；和 

设置服务与信誉关联规则：通过上述计算服务效益Su的值处于(0，1]之间，根据Su的值将服务分为四级：最高级Su∈(0.9-1]，高级Su∈(0.7-0.9]，标准级Su∈(0.4-0.7]和普通级Su∈(0.0-0.4]；服务请求者使用服务将减少信誉，而服务提供者则可相应增加信誉；对应于服务，根据节点的全局信誉Rg将节点分为五类：完全可信节点-Rg∈(0.9，1]，相当可信节点-Rg∈(0.7，0.9]，可信节点-Rg∈(0.4，0.7]，中立节点-Rg∈(0.1，0.4]，自私节点-Rg∈[0，0.1)；完全可信节点可使用全部服务，相当可信节点可使用除最高级外的服务，可信节点可使用标准级和普通级服务，中立节点只能使用普通级服务；对自私节点采取劳改措施，对该节点在一定期限内进行不提供服务惩罚，且要求强制提供无偿服务，否则将被排除出网络。 

优选地，所述步骤S105中信誉评估的方法为：利用节点自身的交易记录和其他节点的推荐信息，从本地信誉和全局推荐信誉得出节点的综合信誉。 

优选地，在计算本地信誉时，根据服务实体诚实度、服务能力和服务意愿三个维度，具体计算如下： 

从节点i角度对节点j提供服务的诚实度Rh_ij进行评价： 

${\mathrm{Rh}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{P}\underset{M=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{Rh}}_{\mathrm{ij}}{e}^{-(P-M)},P>0\\ 0,P=0\end{array}\right.$

其中，e^-(P-M)为时间衰减函数，P为节点i加入网络后节点j对其 提供服务的总次数，M为服务完成的序数； 

利用节点的CPU，Memory，Storage，Bandwidth进行归一化处理计算出j的总体服务能力Rs_j： 

$\left\{\begin{array}{c}{\mathrm{Rs}}_j=\mathrm{\α}\frac{C_j}{\mathrm{Max}\left(C\right)}+\mathrm{\β}\frac{M_j}{\mathrm{Max}\left(M\right)}+\mathrm{\σ}\frac{S_j}{\mathrm{Max}\left(S\right)}+\mathrm{\ζ}\frac{B_j}{\mathrm{Max}\left(B\right)}\\ \mathrm{\α}+\mathrm{\β}+\mathrm{\σ}+\mathrm{\ζ}=1,\mathrm{\α},\mathrm{\β},\mathrm{\σ},\mathrm{\ζ},\∈\left(\mathrm{0,1}\right)\end{array}\right.$

其中，α，β，σ，ζ的含义与服务效益计算中一致； 

利用节点i关于节点j的服务提供自愿程度的评价计算得到服务意愿Rw_ij： 

${\mathrm{Rw}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{K}\underset{L=1}{\overset{K}{\mathrm{\Σ}}}\frac{{\mathrm{SL}}_{\mathrm{ij}}-{\mathrm{FL}}_{\mathrm{ij}}}{{\mathrm{SL}}_{\mathrm{ij}}+{\mathrm{FL}}_{\mathrm{ij}}}{e}^{-(K-L)},K>0\\ 0,K=0\end{array}\right.$

其中，K为i向j请求服务总次数，L为请求序数，SL_ij为j为i提供服务次数，FL_ij为j拒绝向i提供服务次数； 

本地信誉Rl_ij通过节点间直接服务交易的历史经验来获得，代表节点i对节点j的局部看法，由节点i对节点j的服务实体诚实度Rh_ij，节点i观察到的节点j服务意愿Rw_ij，节点j的服务能力Rs_j决定； 

$\left\{\begin{array}{c}{\mathrm{Rl}}_{\mathrm{ij}}={\mathrm{\γRh}}_{\mathrm{ij}}+\mathrm{\η}{\mathrm{Rs}}_j+\mathrm{\μ}{\mathrm{Rw}}_{\mathrm{ij}}\\ \mathrm{\γ}+\mathrm{\η}+\mathrm{\μ}=1,\mathrm{\γ},\mathrm{\η},\mathrm{\μ}\∈\left(\mathrm{0,1}\right)\end{array}\right.$

综合所有从节点j获取服务的节点的信誉评价计算出节点j的全局推荐信誉Rgr_j： 

$\left\{\begin{array}{c}{R}_{C_i}^j=\left\{\begin{array}{c}\frac{1}{\mathrm{Cn}-2}\underset{k=1}{\overset{\mathrm{Cn}-2}{\mathrm{\Σ}}}{\mathrm{Rl}}_{\mathrm{kj}},\mathrm{Cn}>2\\ 0,\mathrm{else}\end{array}\right.\\ {\mathrm{Rgr}}_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_{C_i}^j\end{array}\right.$

其中， 表示簇i对节点j的信誉；首先通过网络中簇内节点与节点j有过交易记录的N个簇头C_i收集簇内与节点j有过交易记录的共Cn个节点对节点j的信誉计算得到 其中为了防止恶意评价和 合谋攻击，先对收集到信誉进行排序处理，然后去掉一个最高值和一个最低值后再取平均；接着节点i根据N个簇头返回的 计算得到节点j的全局推荐信誉Rgr_j； 

综合本地信誉Rl_ij和全局推荐信誉Rgr_j计算出节点i对节点j的综合信誉R_ij： 

R_ij＝λRl_ij+(1-λ)Rgr_j，λ∈(0，1) 

其中，λ为置信因子，用来表示i对其本身判断的自信程度。 

(三)有益效果 

本发明通过建立一种分簇全局信誉模型，并结合节点能力将服务与信誉进行等级关联，根据节点的全局信誉提供差异化服务，越高等级信誉的节点可使用越高等级服务，使用服务或故意不提供服务会减少其信誉，以此激励节点通过积极提供可靠服务提高信誉才能保障服务使用；并且针对节点受限于电池能量时，自私行为表现得尤为明显的情况，在服务提供阶段根据节点剩余电量引入信誉加成系数进一步激励服务提供者抵制自私行为，积极进行可靠服务提供；所有节点都积极参与服务提供，可避免出现信誉高的节点超负载工作的情况，保障移动自组网中业务性能。 

附图说明

图1为本发明方法的流程图； 

图2为本发明一实施例中的服务信息示例图； 

图3为本发明一实施例中若干次交易后节点的信誉信息示例图； 

图4为本发明一实施例中返回可使用的服务列表示例图。 

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不是限制本发明的范围。 

前提条件：能力差距不大的移动终端(不会出现部分移动终端能力太低以致不能提供服务或提供的服务不被使用的情况)按照现有分 簇算法组成一个具有共同目标的分簇移动自组网，簇内节点向簇头注册自身的能力和服务： 

能力表示为：Na＝{NodeId，ClusterId，CPU，Memory，Storage，Bandwidth}；各因素分别表示节点的编号、所在簇编号、CPU、内存、存储空间和带宽。 

服务表示为：Ns＝{NodeId，ClusterId，CUsed，MUsed，SUsed，BUsed}；其中，CUsed为服务消耗的节点CPU的值，M_Used为服务消耗的节点内存的值，S_Used为服务消耗的节点磁盘空间的值，B_Used为服务消耗的节点带宽的值。 

同时各簇头周期性相互交互后保存网络中节点各项能力的最大值：即CPU最大值Max(C)，内存最大值Max(M)，磁盘空间最大值Max(S)，物理带宽最大值Max(B)，以备下面的计算使用；簇头需要维护簇内节点的全局信誉信息，并提供全局信誉查询功能： 

全局信誉信息表示为Nr＝{NodeId，ClusterId，Rg，ispunlish，deadline}，其中，Rg为节点全局信誉值，ispunlish用于标识节点是否成为被惩罚的自私节点，deadline表示节点的惩罚期限时间。 

下面结合图1详细阐述本发明的方案： 

各步骤描述如下： 

步骤101：初始化，包括：初始化信誉阈值R_h、电量阈值E_h、以及设置服务与信誉间的关联规则； 

其中设置关联规则包括以下两个步骤： 

首先，服务效益计算：服务指网络节点提供的可被其他节点利用的软件或硬件资源，例如打印、扫描、存储、数据处理、应用程序等。服务要与信誉关联，实现信誉等级越高的节点可享用越高等级服务的目标。服务效益Su表示根据节点能力提供服务后对节点信誉带来的效益，Su由其消耗的资源决定： 

$\left\{\begin{array}{c}\mathrm{Su}=\mathrm{\α}\frac{C_{\mathrm{Used}}}{\mathrm{Max}\left(C\right)}+\mathrm{\β}\frac{M_{\mathrm{Used}}}{\mathrm{Max}\left(M\right)}+\mathrm{\σ}\frac{S_{\mathrm{Used}}}{\mathrm{Max}\left(S\right)}+\mathrm{\ζ}\frac{B_{\mathrm{Used}}}{\mathrm{Max}\left(B\right)}\\ \mathrm{\α}+\mathrm{\β}+\mathrm{\σ}+\mathrm{\ζ}=1,\mathrm{\α},\mathrm{\β},\mathrm{\σ},\mathrm{\ζ},\∈\left(\mathrm{0,1}\right)\end{array}\right.$

其中：α，β，σ，ζ为相应的权值系数，本发明中根据功能将服务分为 数据处理，数据储存，文件下载三类，它们对节点的资源各有偏重，如数据处理偏重CPU和内存性能，数据储存则偏重磁盘空间，文件下载则更偏重带宽，这种偏重使α，β，σ，ζ的取值动态变化。 

然后，设置服务与信誉关联规则：通过计算可使服务效益Su的值处于(0，1]之间，根据Su的值我们将服务分为四级：最高级Su∈(0.9-1]，高级Su∈(0.7-0.9]，标准级Su∈(0.4-0.7]和普通级Su∈(0.0-0.4]，服务请求者使用服务将减少信誉，而服务提供者则可相应增加信誉。对应于服务，根据节点的全局信誉Rg将节点分为五类：完全可信节点-Rg∈(0.9，1]，相当可信节点-Rg∈(0.7，0.9]，可信节点-Rg∈(0.4，0.7]，中立节点-Rg∈(0.1，0.4]，自私节点-Rg∈[0，0.1)。完全可信节点可使用全部服务，相当可信节点可使用除最高级外的服务，可信节点可使用标准级和普通级服务，中立节点只能使用普通级服务。对自私节点采取劳改措施，对该节点在一定期限内进行不提供服务惩罚，且要求强制提供无偿服务，否则将被排除出网络，这种惩罚措施可在节点加入网络时给予通告。 

步骤102：服务请求者向各簇头发起服务查询请求； 

步骤103：各簇头协同工作，根据服务请求者的全局信誉按照预先设定的服务与信誉关联规则返回其可使用的服务列表； 

步骤104：服务请求者根据自己的意愿选择服务列表中的某项服务。 

步骤105：出于对服务的可靠性考虑，服务请求者会对所选择的服务提供者进行信誉评估来决策是否进行服务请求。 

信誉是对节点积极提供诚实可靠服务的行为的度量。信誉评估中利用节点自身的交易记录和其他节点的推荐信息，从本地信誉和全局推荐信誉方面考虑，得出节点的综合信誉。在计算本地信誉时，模型面向服务考虑了服务实体诚实度、服务能力，服务意愿三个维度，使节点能更准确、客观地计算关于对方节点的本地信誉。具体计算如下： 

(1)从节点i角度对节点j提供服务的诚实度Rh_ij进行评价， 评价公式如下： 

${\mathrm{Rh}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{P}\underset{M=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{Rh}}_{\mathrm{ij}}{e}^{-(P-M)},P>0\\ 0,P=0\end{array}\right.$

其中，e^-(P-M)为时间衰减函数，P为节点i加入网络后节点j对其提供服务的总次数，M为服务完成的序数。 

(2)利用节点的CPU，Memory，Storage，Bandwidth进行归一化处理计算出j的总体服务能力Rs_j： 

$\left\{\begin{array}{c}{\mathrm{Rs}}_j=\mathrm{\α}\frac{C_j}{\mathrm{Max}\left(C\right)}+\mathrm{\β}\frac{M_j}{\mathrm{Max}\left(M\right)}+\mathrm{\σ}\frac{S_j}{\mathrm{Max}\left(S\right)}+\mathrm{\ζ}\frac{B_j}{\mathrm{Max}\left(B\right)}\\ \mathrm{\α}+\mathrm{\β}+\mathrm{\σ}+\mathrm{\ζ}=1,\mathrm{\α},\mathrm{\β},\mathrm{\σ},\mathrm{\ζ},\∈\left(\mathrm{0,1}\right)\end{array}\right.$

其中，α，β，σ，ζ的含义与服务效益计算中一致。 

(3)利用节点i关于节点j的服务提供自愿程度的评价计算得到服务意愿Rw_ij： 

${\mathrm{Rw}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{K}\underset{L=1}{\overset{K}{\mathrm{\Σ}}}\frac{{\mathrm{SL}}_{\mathrm{ij}}-{\mathrm{FL}}_{\mathrm{ij}}}{{\mathrm{SL}}_{\mathrm{ij}}+{\mathrm{FL}}_{\mathrm{ij}}}{e}^{-(K-L)},K>0\\ 0,K=0\end{array}\right.$

其中，K为i向j请求服务总次数，L为请求序数，SL_ij为j为i提供服务次数，FL_ij为j拒绝向i提供服务次数。 

(4)本地信誉Rl_ij通过节点间直接服务交易的历史经验来获得，代表节点i对节点j的局部看法，由节点i对节点j的服务实体诚实度Rh_ij，节点i观察到的节点j服务意愿Rw_ij，节点j的客观服务能力Rs_j决定。 

$\left\{\begin{array}{c}{\mathrm{Rl}}_{\mathrm{ij}}={\mathrm{\γRh}}_{\mathrm{ij}}+\mathrm{\η}{\mathrm{Rs}}_j+\mathrm{\μ}{\mathrm{Rw}}_{\mathrm{ij}}\\ \mathrm{\γ}+\mathrm{\η}+\mathrm{\μ}=1,\mathrm{\γ},\mathrm{\η},\mathrm{\μ}\∈\left(\mathrm{0,1}\right)\end{array}\right.$

(5)综合所有从节点j获取服务的节点的信誉评价计算出节点j的全局推荐信誉Rgr_j： 

$\left\{\begin{array}{c}{R}_{C_i}^j=\left\{\begin{array}{c}\frac{1}{\mathrm{Cn}-2}\underset{k=1}{\overset{\mathrm{Cn}-2}{\mathrm{\Σ}}}{\mathrm{Rl}}_{\mathrm{kj}},\mathrm{Cn}>2\\ 0,\mathrm{else}\end{array}\right.\\ {\mathrm{Rgr}}_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_{C_i}^j\end{array}\right.$

其中， 表示簇i对节点j的信誉。首先通过网络中簇内节点与节点j有过交易记录的N个簇头C_i收集簇内与节点j有过交易记录的共Cn个节点对节点j的信誉计算得到 其中为了防止恶意评价和合谋攻击，先对收集到信誉进行排序处理，然后去掉一个最高值和一个最低值后再取平均；接着节点i根据N个簇头返回的 计算得到节点j的全局推荐信誉Rgr_j。这样减少了计算代价，同时也减少了通信开销。 

(6)综合本地信誉Rl_ij和全局推荐信誉Rgr_j计算出节点i对节点j的综合信誉R_ij： 

R_ij＝λRl_ij+(1-λ)Rgr_j，λ∈(0，1) 

其中，λ为置信因子，用来表示i对其本身判断的自信程度。 

步骤106：服务请求者根据信誉评估中获得的服务提供者的综合信誉值与信誉阈值R_h进行比较，满足条件则发出服务请求转入步骤107，不满足条件则回到步骤104重新进行服务选择。 

步骤107：服务提供阶段，服务提供者所在簇的簇头通过监控获得服务提供者的剩余电量和服务提供的完成情况。 

步骤108：服务结束后，服务请求者更新对服务提供者的服务记录评价，服务请求者所在簇的簇头更新服务请求者的全局信誉并保存；服务提供者所在簇的簇头更新服务提供者的全局信誉Rg_j并保存； 

服务结束后，如果服务提供完成，节点i所在的簇头会更新节点i的全局信誉Rg_i： 

${\mathrm{Rg}}_i=\max \{{\mathrm{Rhg}}_i-\frac{s_u}{5},0\}$

其中，Rhg_i为节点i的全局信誉历史值，初始值等于其服务能力Rs_i，计算时服务权重系数α,β,σ,ζ分别取值为1/6,1/6,1/3,1/3其他节点同理。

同时相应地节点j所在的簇头会更新节点j的全局信誉Rg_j： 

其中,考虑到节点自私行为受限于电池能量时,表现得尤为明显,为此在本方案中会设置一个电量的阀值E_h,当簇头节点检测到服务提供者的电量E_left低于E_h时,服务提供者可以拒绝提供服务,但是如果其继续提供服务,他所得到的信誉增量将有加成,加成系数为E_h/E_left；同理,当簇头节点检测到服务提供者的电量E_left高于E_h时,服务提供者理应提供服务,但是如果其故意不提供服务,他所得到的信誉减量将有加成,加成系数为E_left/E_h,这样可刺激节点积极进行服务提供,并且可加速检验出自私节点。 

下面结合实施例例说明： 

在10m x10m范围内的10个移动终端节点,组成一个拥有2个簇（簇1和簇2）,每个簇中有4个普通成员的分簇移动自组网中。各节点初始剩余电量均为100%,平均可提供2种服务，节点有50%的概率成为服务请求者。信誉阀值设为0.10，电量阀值设为20%。 

它们的服务信息如图2所示。 

若干次交易后节点的信誉信息如图3所示。 

以簇1中服务请求者节点4一次服务交易为例来介绍本发明的算法流程： 

1）节点4发出服务查询请求； 

2）簇头节点CH1和CH2协同工作，按照设置的服务与信誉关联规则根据节点4的信誉0.65返回其可使用的服务列表，如图4所示。 

3)节点4根据自己的需要选择节点8提供的服务15，服务效益为0.60； 

4)节点4对服务提供者节点8进行信誉评估计算获得节点8综合信誉R_ij为0.35大于信誉阀值0.10，决定请求服务； 

5)服务提供阶段，CH2通过监控获得节点8的剩余电量为95％和服务提供的完成情况。节点8需要抉择：1、拒绝提供服务，根据相应公式它的全局信誉会减少(95％*0.60)/(20％*5)＝0.57，最终其全局信誉为max(0.35-0.57，0)＝0，会被标记为自私节点，受到劳改惩罚：在一定期限内进行不提供服务惩罚，且要求强制提供无偿服务，否则将被排除出网络。2、积极提供服务，根据相应公式其全局信誉会增长0.60/5＝0.12。节点8选择后者。 

6)服务结束后，节点6更新对节点8的服务记录评价，CH1根据相应公式计算更新节点4的最新全局信誉Rg₄(0.65-0.60/5＝0.53)并保存；CH2根据相应公式计算更新节点8的最新全局信誉Rg₈(0.26+0.60/5＝0.38)并保存。 

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。 

Claims (2)

1.一种移动自组网基于信誉的区分服务激励机制构造方法，其特征在于，包括步骤：

S101：初始化，包括初始化信誉阈值R_h、电量阈值E_h、以及设置服务与信誉间的关联规则；

S102：服务请求者向各簇头发起服务查询请求；

S103：各簇头协同工作，根据服务请求者的全局信誉按照预先设定的服务与信誉关联规则返回其可使用的服务列表；

S104：服务请求者根据自己的意愿选择服务列表中的某项服务；

S105：服务请求者对所选择的服务提供者进行信誉评估；

S106：服务请求者根据信誉评估中获得的服务提供者的综合信誉值与信誉阈值R_h进行比较，满足条件则发出服务请求转入S107，不满足条件则回到S104重新进行服务选择；

S107：服务提供阶段，服务提供者所在簇的簇头通过监控获得服务提供者的剩余电量和服务提供的完成情况；

S108：服务结束后，服务请求者更新对服务提供者的服务记录评价，服务请求者所在簇的簇头更新服务请求者的全局信誉并保存；服务提供者所在簇的簇头更新服务提供者的全局信誉并保存；

其中，所述步骤S101中设置关联规则包括以下两个步骤：

服务效益计算：服务指网络节点提供的可被其他节点利用的软件或硬件资源；服务效益Su表示根据节点能力提供服务后对节点信誉带来的效益，Su由其消耗的资源决定：

其中：C_Used为服务消耗的节点CPU的值,M_Used为服务消耗的节点内存的值,S_Used为服务消耗的节点磁盘空间的值,B_Used为服务消耗的节点带宽的值，Max(C)为CPU最大值，Max(M)为内存最大值，Max(S)为磁盘空间最大值，Max(B)为物理带宽最大值，为相应的权值系数；和

设置服务与信誉关联规则：通过上述计算服务效益Su的值处于(0,1]之间，根据Su的值将服务分为四级：最高级Su∈(0.9-1]，高级Su∈(0.7-0.9]，标准级Su∈(0.4-0.7]和普通级Su∈(0.0-0.4]；服务请求者使用服务将减少信誉，而服务提供者则可相应增加信誉；对应于服务，根据节点的全局信誉Rg将节点分为五类：完全可信节点-Rg∈(0.9,1],相当可信节点-Rg∈(0.7,0.9]，可信节点-Rg∈(0.4,0.7]，中立节点-Rg∈(0.1,0.4]，自私节点-Rg∈[0,0.1)；完全可信节点可使用全部服务，相当可信节点可使用除最高级外的服务，可信节点可使用标准级和普通级服务，中立节点只能使用普通级服务；对自私节点采取劳改措施，对该节点在一定期限内进行不提供服务惩罚，且要求强制提供无偿服务，否则将被排除出网络；

其中，所述步骤S105中信誉评估的方法为：利用节点自身的交易记录和其他节点的推荐信息,从本地信誉和全局推荐信誉得出节点的综合信誉；

其中，在计算本地信誉时，根据服务实体诚实度、服务能力和服务意愿三个维度，具体计算如下：

从节点i角度对节点j提供服务的诚实度Rhi_j进行评价:

${\mathrm{Rh}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{P}\underset{M=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{Rh}}_{\mathrm{ij}}{e}^{-(P-M)},P>0\\ 0,P=0\end{array}\right.$

其中，e^-(P-M)为时间衰减函数，P为节点i加入网络后节点j对其提供服务的总次数，M为服务完成的序数；

利用节点的CPU,Memory,Storage,Bandwidth进行归一化处理计算出j的总体服务能力Rs_j：

其中,的含义与服务效益计算中一致；

利用节点i关于节点j的服务提供自愿程度的评价计算得到服务意愿Rw_ij：

${\mathrm{Rw}}_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{1}{K}\underset{L=1}{\overset{K}{\mathrm{\Σ}}}\frac{{\mathrm{SL}}_{\mathrm{ij}}-{\mathrm{FL}}_{\mathrm{ij}}}{{\mathrm{SL}}_{\mathrm{ij}}+{\mathrm{FL}}_{\mathrm{ij}}}{e}^{-(K-L)},K>0\\ 0,K=0\end{array}\right.$

其中，K为i向j请求服务总次数，L为请求序数，SL_ij为j为i提供服务次数，FLi_j为j拒绝向i提供服务次数；

本地信誉Rli_j通过节点间直接服务交易的历史经验来获得,代表节点i对节点j的局部看法,由节点i对节点j的服务实体诚实度Rhi_j，节点i观察到的节点j服务意愿Rwi_j，节点j的服务能力Rs_j决定；

$\left\{\begin{array}{c}{\mathrm{Rl}}_{\mathrm{ij}}=\mathrm{\γ}{\mathrm{Rh}}_{\mathrm{ij}}+{\mathrm{\ηRs}}_j+\mathrm{\μ}{\mathrm{Rw}}_{\mathrm{ij}}\\ \mathrm{\γ}+\mathrm{\η}+\mathrm{\μ}=1,\mathrm{\γ},\mathrm{\η},\mathrm{\μ}\∈\left(\mathrm{0,1}\right)\end{array}\right.$

综合所有从节点j获取服务的节点的信誉评价计算出节点j的全局推荐信誉Rgr_j：

$\left\{\begin{array}{c}{R}_{\mathrm{Ci}}^j=\left\{\begin{array}{c}\frac{1}{\mathrm{Cn}-2}\underset{k=1}{\overset{\mathrm{Cn}-2}{\mathrm{\Σ}}}{\mathrm{Rl}}_{\mathrm{kj}},\mathrm{Cn}>2\\ 0,\mathrm{else}\end{array}\right.\\ {\mathrm{Rgr}}_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_{\mathrm{Ci}}^j\end{array}\right.$

其中，表示簇i对节点j的信誉；首先通过网络中簇内节点与节点j有过交易记录的N个簇头C_i收集簇内与节点j有过交易记录的共Cn个节点对节点j的信誉计算得到其中为了防止恶意评价和合谋攻击，先对收集到信誉进行排序处理，然后去掉一个最高值和一个最低值后再取平均；接着节点i根据N个簇头返回的计算得到节点j的全局推荐信誉Rgr_j；

综合本地信誉Rli_j和全局推荐信誉Rgr_j计算出节点i对节点j的综合信誉Ri_j：

R_ij＝λRl_ij+(1-λ)Rgr_j,λ∈(0,1)

其中，λ为置信因子，用来表示i对其本身判断的自信程度；

其中，所述步骤S108中，服务结束后,如果服务提供完成,节点i所在的簇头会更新节点i的全局信誉Rg_i：

${\mathrm{Rg}}_i=\max \{{\mathrm{Rhg}}_i-\frac{s_u}{5},0\}$

其中,Rhg_i为节点i的全局信誉历史值,初始值等于其服务能力Rs_i,计算时服务权重系数分别取值为1/6,1/6,1/3,1/3；

同时相应地节点j所在的簇头会更新节点j的全局信誉Rg_j：

2.如权利要求1所述的方法，其特征在于，所述步骤S107中，当簇头节点检测到服务提供者的剩余电量E_left低于电量阈值E_h时,服务提供者可以拒绝提供服务，但是如果其继续提供服务，他所得到的信誉增量将有加成，加成系数为E_h/E_left；当簇头节点检测到服务提供者的剩余电量E_left高于电量阈值E_h时，服务提供者理应提供服务，但是如果其故意不提供服务，他所得到的信誉减量将有加成，加成系数为E_left/E_h，这样可刺激节点积极进行服务提供，并且可加速检验出自私节点。