CN103634151B

CN103634151B - 一种基于多评价标准的信誉合成方法

Info

Publication number: CN103634151B
Application number: CN201310632618.5A
Authority: CN
Inventors: 王非
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2013-11-30
Filing date: 2013-11-30
Publication date: 2017-01-18
Anticipated expiration: 2033-11-30
Also published as: CN103634151A

Abstract

本发明公开了一种基于多评价标准的信誉合成方法，包括以下步骤：a.根据需要设置评分体系评分区间；b.设定每个节点需要保存的最近对其他节点评分记录数的上限N；c.选取节点x最近N个对其他节点的评分记录，计算节点x的信任倾向；d.当节点x接到另一节点y的交互请求时，节点x在所有推荐节点中任意选择最多M个与节点x具有相同信任倾向等级，并可以提供对节点y的评分的候选节点，并获取这些节点对节点y的最新评分；e.对步骤d中获取的评分进行评分计算，最终计算出对节点y的可信任度。本发明解决了在同一识别框架下不同评价标准对模型带来的影响。

Description

一种基于多评价标准的信誉合成方法

技术领域

本发明涉及互联网和信息安全技术领域，尤其涉及一种基于多评价标准的信誉合成方法。

背景技术

当前采用信誉模型的领域以互联网、对等网络（Peer-to-Peer）、自组织网络等为主，典型的计算方式有简单累加或求均值。累加信任模型将节点得到的所有评分之和作为该节点的总体信任度。这是最基本的信任证据合并方式，但是难以反映被评价节点的真实可信度。当一个节点得到两个截然相反的评价时，直接累加将导致两个评价互相抵消，出现中等的信任评分。平均值信任模型将节点获得的平均评分作为该节点的可信度，但这种模型存在的缺陷是对信任状况的区分能力不足，当节点得到两个较为极端的评价后，通过求平均值后获得的评分就处于中间状态，其他节点无法从这样的评分中获得有效信息。

以上处理方式未给予影响信任的相关因素以足够考虑，只对证据进行了单纯的数学叠加，由于不存在度量多评价的标准，导致给出的评分并不代表实际的被评价者的信誉情况。在实际生活中，节点自身信任倾向、对于评分标准的认知等因素都可能对评价产生影响，被评价节点获得的评分因为节点的不同信任倾向而代表不同意义，评分高低不能完全反映被评价节点的信誉。

发明内容

针对现有技术的不足，本发明所要解决的技术问题是消除在同一识别框架下不同评价标准对模型带来的影响。

为解决上述技术问题，本发明提供了一种基于多评价标准的信誉合成方法，包括以下步骤：

a.根据需要设置评分体系评分区间，区间的下限为S_S，上限为S_E，并将这一区间平均划分为m个子区间，[ζ₁,ξ₂)，[ζ₂,ζ₃)，…，[ζ_m,ζ_m+1]，对应的信任倾向等级为ω₁，ω₂，…，ω_m，其中ζ₁＝S_S，ζ_m+1＝S_E；

b.设定每个节点需要保存的最近对其他节点评分记录数的上限N；

c.选取节点x最近N个对其他节点的评分记录，计算节点x的信任倾向；

d.当节点x接到另一节点y的交互请求时，节点x在所有推荐节点中任意选择最多M个与节点x具有相同信任倾向等级的节点作为候选节点，获取这些候选节点对节点y的最新评分；

e.根据Demspter-Shafer合成法则对步骤d中获取的评分进行合成，最终计算出对节点y的可信任度。

进一步地，所述步骤c具体包括如下步骤：

c1，若节点x当前对其他节点的评分记录不足N个，选择该不足N个的评分记录并直接执行步骤c3，否则执行步骤c2；

c2，从节点x的所有评分记录中，选择最近的N个评分记录；

c3，计算所选择的评分记录在各个子区间的分布记录；

c4，选取占取比例最大的评分区间，若存在两个最大评分区间的占取比例一样，则执行步骤c5，否则执行步骤c6；

c5，选择这两个评分区间内与当前时间最接近的一次评分所在的评分区间对应等级作为节点x的信任倾向等级；

c6，将比例最大的评分区间对应等级作为节点x的信任倾向等级。

进一步地，所述步骤e具体包括以下步骤：

e1，任意选取最多M个与节点x处于相同信任倾向区间的节点，获取它们对节点y的评分记录；

e2，根据Demspter-Shafer合成法则将所述评分记录进行合成处理；

e3，计算出的结果即为其他与节点x具有相同信任倾向的节点给节点x提供的对节点y的可信任度。

进一步地，所述步骤e2具体包括以下步骤：

e21，从查询到的评分记录结果中取第1和第2条评分记录，抽取其中的{m(G)，m(B，G)，m(B)}部分，并按照如下公式进行合成：

\{\begin{matrix} m^{2} (G) = \frac{m_{1} (G) * m_{2} (G) + m_{1} (B, G) * m_{2} (G) + m_{1} (G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B, G) = \frac{m_{1} (B, G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B) = \frac{m_{1} (B) * m_{2} (B) + m_{1} (B, G) * m_{2} (B) + m_{1} (B) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) {+ m}_{1} (B) * m_{2} (G)]} \end{matrix}

其中，m(G)表示评分记录中与节点x处于相同信任倾向区间的节点对节点y的满意度，m(B)表示评分记录中与节点x处于相同信任倾向区间的节点对节点y的不满意度，m(B,G)表示评分记录中与节点x处于相同信任倾向区间的节点对节点y的不确定度，{m₁(G)，m₁(B，G)，m₁(B)}和{m₂(G)，m₂(B，G)，m₂(B)}分别属于第1和第2条评分记录，{m²(G)，m²(B，G)，m²(B)}为合成结果；

e22，从查询到的评分记录结果中逐一顺序抽取后续评分记录，抽取其中的{m(G)，m(B，G)，m(B)}部分，按照如下公式合式：

\{\begin{matrix} m^{i} (G) = \frac{m^{i - 1} (G) * m_{i} (G) + m^{i - 1} (B, G) * m_{i} (G) + m^{i - 1} (G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B, G) = \frac{m^{i} (B, G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B) = \frac{m^{i - 1} (B) * m_{i} (B) + m^{i - 1} (B, G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \end{matrix}

其中，{m^i-1(G)，m^i-1(B，G)，m^i-1(B)}为前i-1条评分记录的合成结果，{m_i(G)，m_i(B，G)，m_i(B)}来自第i条评分记录；

e23，重复步骤572，直到查询结果中最后一条评分记录与前次合成结果完成合成，得到最终的合成结果。

本发明完成了对节点评价标准的度量，解决了在同一识别框架下不同评价标准对模型带来的影响。此外，该度量方式不再受信任值表示方式的限制，无论是基于离散的评分，或基于概率的评分都可通过该方式对评价标准做出统一度量；同时，通过引入节点信任倾向与场景因素这两点，很好的解决了在同一个评分体系，即同一个判别框架下不同评判标准的量化。

附图说明

参照下面的说明，结合附图，可以对本发明有最佳的理解。在附图中，相同的部分可由相同的标号表示。

图1为各个节点对其他节点评分记录表；

图2为多评价标准信誉评估方法的初始化步骤；

图3为节点对其他节点的评分方法；

图4为节点的信任倾向的更新方法；

图5为多评价标准信誉合成方法的信誉评估过程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及示例性实施例，对本发明进行进一步详细说明。应当理解，此处所描述的示例性实施例仅用以解释本发明，并不用于限定本发明的适用范围。

在图1中记录了各个节点对其他节点评分记录情况，其中S_S为0，S_E为10。表格第一行中表示节点x在t₁～t_N等时刻分别对节点x₁，…，x₇等交互节点的评分记录。根据应用场景设定节点x最近对其他节点评分次数N，若节点x最近对其他节点评分次数超过N次，则采用滑动窗口选取最近的N次评分纪录，若不足N次则以实际次数为准。

基于多评价标准的信誉合成方法的初始化步骤如图2所示，具体如下：

21，根据需要设置评分体系评分区间，区间的下限为S_S，上限为S_E，并将这一区间平均划分为m个子区间，[ζ₁,ξ₂)，[ζ₂,ζ₃)，…，[ζ_m,ζ_m+1]，对应的信任倾向等级为ω₁，ω₂，…，ω_m，其中ζ₁＝S_S，ζ_m+1＝S_E；

22，设定每个节点需要保存的最近对其他节点评分记录数的上限N；

23，设定每次信誉评估获取的评分数量上限M；

24，每个节点的初始信任倾向等级设置为中间等级，如果m为偶数，则设为ω_m/2;否则，设为ω_(m+1)/2；

25，更新每个节点的信任倾向。

任意节点对其他节点的评分方法如图3所示，具体步骤如下：

31，节点x与任一节点z的进行了一次交互；

32，节点x根据自身的信任倾向，对节点z在本次交互中的行为和交互结果进行评价，评分为E，评分值范围介于[S_E，S_S];

33，保存节点x对节点z的评分记录，具体的评分记录为：

{E，m(G)，m(B，G)，m(B)}

其中，m(G)表示节点x对节点z的满意度，m(B)表示节点x对节点z的不满意度，m(B,G)表示节点x对节点z的不确定度，其计算公式如下：

m(G)＝(E-S_S)/(S_E-S_S)

m(B，G)＝(S_E-E)/[2*(S_E-S_S)]

m(B)＝(S_E-E)/[2*(S_E-S_S)]

可见，m(G)、m(B)和m(B,G)的取值范围均介于[0,1]区间，且m(G)、m(B)和m(B,G)之和为1；

34，执行节点信任倾向更新步骤。

各节点的信任倾向的更新方法如图4所示，具体步骤如下：

41，判断节点x是否对其他节点进行了评分。如果是，执行步骤42，否则，继续等待节点x对其他节点进行评分；

42，判断节点x已经保存的对其他节点的评分记录数量是否达到初始化阶段设定的上限N。如果是，执行步骤43，否则，执行步骤44；

43，节点x删除保存的最旧的评分记录，并***最新的评分记录；

44，根据评分记录中的评分E，统计节点x所保存的所有评分记录对应在各个信任子区间的分布；

45，选取占取比例最大的评分区间；

46，判断是否存在两个最大评分区间的占取比例一样的情况。如果是，执行步骤47，否则执行步骤48；

47，选择这两个评分区间内与当前时间最接近的一次评分所在的评分区间作为节点x的信任倾向区间；

48，将比例最大的评分区间作为节点x的信任倾向区间。

基于多评价标准的信誉合成方法的信誉评估过程如图5所示，具体步骤如下：

51，当节点x接到另一节点y的交互请求时，节点x任意选择最多M个与节点x具有相同信任倾向等级的节点作为候选推荐节点，并获取这些推荐节点对节点y的最新评分；

52，判断查询到的评分记录数是否为0，如果是执行步骤53，否则执行步骤55；

53，节点x在更高一级和更低一级信任倾向等级的节点中，查询对节点y的评分记录；

54，判断查询到的评分记录数是否为0，如果是退出本过程，返回对节点y的信任评估失败，否则执行步骤55；

55，判断查询到的评分记录数是否超过上限M，如果是，执行步骤56，否则执行步骤57；

56，从查询到的评分记录中，随机选择M条评分记录；

57，利用Damspter-Shafer法则，将查询到的评分记录的{m(G),m(B,G),m(B)}部分进行合成，结果仍为(m(G),m(B,C),m(B)}三部分；

58，根据步骤57的合成结果，计算节点y的可信任度T，计算公式如下：

T = \{\begin{matrix} m (G) - m (B), & m (G) &GreaterEqual; m (B) \\ 0, & m (G) < m (B) \end{matrix}

其中，所述步骤57中对查询到的评分记录利用Damspter-Shafer法则进行合成，其具体合成的步骤如下：

571，从查询到的评分记录结果中取第1和第2条评分记录，抽取其中的{m(G)，m(B，G)，m(B)}部分，并按照如下公式进行合成：

\{\begin{matrix} m^{2} (G) = \frac{m_{1} (G) * m_{2} (G) + m_{1} (B, G) * m_{2} (G) + m_{1} (G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B, G) = \frac{m_{1} (B, G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B) = \frac{m_{1} (B) * m_{2} (B) + m_{1} (B, G) * m_{2} (B) + m_{1} (B) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) {+ m}_{1} (B) * m_{2} (G)]} \end{matrix}

其中，{m₁(G),m₁(B,G),m₁(B)}和{m₂(G),m₂(B,G),m₂(B)}分别属于第1和第2条评分记录，{m²(G),m²(B,G),m²(B)}为合成结果；

572，从查询到的评分记录结果中逐一顺序抽取后续评分记录，抽取其中的{m(G)，m(B，G)，m(B)}部分，按照如下公式合成：

\{\begin{matrix} m^{i} (G) = \frac{m^{i - 1} (G) * m_{i} (G) + m^{i - 1} (B, G) * m_{i} (G) + m^{i - 1} (G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B, G) = \frac{m^{i} (B, G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B) = \frac{m^{i - 1} (B) * m_{i} (B) + m^{i - 1} (B, G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \end{matrix}

其中，{m^i-1(G),m^i-1(B,G),m^i-1(B)}为前i-1条评分记录的合成结果，{m_i(G),m_i(B,G),m_i(B)}来自第i条评分记录；

573，重复步骤572，直到查询结果中最后一条评分记录与前次合成结果完成合成，得到最终的合成结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于多评价标准的信誉合成方法，包括以下步骤：

2.根据权利要求1所述的信誉合成方法，所述步骤c具体包括如下步骤：

c2，从节点x的所有评分记录中，选择最近的N个评分记录；

c3，计算所选择的评分记录在各个子区间的分布记录；

3.根据权利要求1所述的信誉合成方法，所述步骤e具体包括以下步骤：

4.根据权利要求1所述的信誉合成方法，其中，所述步骤e2具体包括以下步骤：

\{\begin{matrix} m^{2} (G) = \frac{m_{1} (G) * m_{2} (G) + m_{1} (B, G) * m_{2} (G) + m_{1} (G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B, G) = \frac{m_{1} (B, G) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \\ m^{2} (B) = \frac{m_{1} (B) * m_{2} (B) + m_{1} (B, G) * m_{2} (B) + m_{1} (B) * m_{2} (B, G)}{1 - [m_{1} (G) * m_{2} (B) + m_{1} (B) * m_{2} (G)]} \end{matrix}

e22，从查询到的评分记录结果中逐一顺序抽取后续评分记录，抽取其中的{m(G)，m(B，G)，m(B)}部分，按照如下公式合成：

\{\begin{matrix} m^{i} (G) = \frac{m^{i - 1} (G) * m_{i} (G) + m^{i - 1} (B, G) * m_{i} (G) + m^{i - 1} (G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B, G) = \frac{m^{i} (B, G) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \\ m^{i} (B) = \frac{m^{i - 1} (B) * m_{i} (B) + m^{i - 1} (B, G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (B, G)}{1 - [m^{i - 1} (G) * m_{i} (B) + m^{i - 1} (B) * m_{i} (G)]} \end{matrix}

e23，重复步骤e22，直到查询结果中最后一条评分记录与前次合成结果完成合成，得到最终的合成结果。