專利名稱：一種對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法
技術(shù)領(lǐng)域：
本發(fā)明是一種在開放網(wǎng)絡(luò)環(huán)境中，主要用于解決基于P2P網(wǎng)絡(luò)的信任模型中的推 薦信任集成的策略性方法，本方法提供了一種更為合理有效的集成算法，屬于對(duì)等計(jì)算和 信息安全的交叉技術(shù)應(yīng)用領(lǐng)域。
背景技術(shù)：
P2P(Peer-to-Peer)網(wǎng)絡(luò)，也稱為對(duì)等網(wǎng)絡(luò)，它不是一個(gè)全新的概念，實(shí)際上它是 Internet本質(zhì)特征的反映，它既是一種信息資源傳遞交換的模式，也是一種網(wǎng)絡(luò)結(jié)構(gòu)的思 想。對(duì)等網(wǎng)絡(luò)直接將人們聯(lián)系起來，讓人們通過互聯(lián)網(wǎng)直接交互。P2P技術(shù)極大地提高對(duì) Internet中信息、帶寬和計(jì)算資源的利用率。P2P對(duì)等網(wǎng)絡(luò)打破了傳統(tǒng)的客戶機(jī)/服務(wù)器 模式，對(duì)等網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的單位都是相同的，每個(gè)節(jié)點(diǎn)既充當(dāng)服務(wù)器，為其他節(jié)點(diǎn)提供服 務(wù)，也同時(shí)充當(dāng)客戶機(jī)，享用其他節(jié)點(diǎn)提供的服務(wù)。 P2P網(wǎng)絡(luò)是基于節(jié)點(diǎn)愿意共享資源這一基本假設(shè)的，但實(shí)際的情況是節(jié)點(diǎn)的自 主行為使得節(jié)點(diǎn)能力表現(xiàn)出很大的異構(gòu)性，研究表明Gnutella網(wǎng)絡(luò)中70%的節(jié)點(diǎn)是 free-rider節(jié)點(diǎn)，這些節(jié)點(diǎn)只消費(fèi)其它節(jié)點(diǎn)貢獻(xiàn)的資源，而不共享自己的資源。此外，目前 P2P網(wǎng)絡(luò)中存在著大量不可靠的服務(wù)質(zhì)量以及欺詐行為。以眾多的文件共享應(yīng)用為例，25X 的文件是偽造文件(faked files)。節(jié)點(diǎn)的這種自主性造成的不合作性嚴(yán)重影響了 P2P服 務(wù)的質(zhì)量。 信任反映的是一個(gè)用戶對(duì)另一個(gè)用戶行為以及能力的綜合評(píng)價(jià)，目前對(duì)P2P網(wǎng)絡(luò) 中信任問題的研究主要是在系統(tǒng)中建立可靠的信任管理模型來解決。而在一個(gè)大型的P2P 網(wǎng)絡(luò)中，一個(gè)節(jié)點(diǎn)要獲得系統(tǒng)中其它所有節(jié)點(diǎn)的信息是非常困難的。當(dāng)需要和一個(gè)陌生的 節(jié)點(diǎn)交互時(shí)，必須先了解它的信譽(yù)，以此來決定是否進(jìn)行交互。而關(guān)于此陌生節(jié)點(diǎn)的信息可 以通過其它節(jié)點(diǎn)的推薦間接得到。即面對(duì)一個(gè)陌生的節(jié)點(diǎn)時(shí)，通過推薦信任的傳遞和集成， 就可以求得該節(jié)點(diǎn)的信譽(yù)。 事實(shí)上，在P2P網(wǎng)絡(luò)中，兩個(gè)對(duì)等節(jié)點(diǎn)之間進(jìn)行重復(fù)交互的幾率很低，在很多的情 況下，人們都只能夠與那些完全陌生的節(jié)點(diǎn)交互，以獲得他們需要的資源。在這種情況下， 通過推薦信任，可以讓一個(gè)節(jié)點(diǎn)和另一個(gè)節(jié)點(diǎn)在沒有直接交互時(shí)，也能夠?qū)α硪粋€(gè)節(jié)點(diǎn)的 信任程度做出評(píng)價(jià)，求得目標(biāo)節(jié)點(diǎn)的一種信譽(yù)參考，使人們得以規(guī)避風(fēng)險(xiǎn)，拒絕與那些不良 的節(jié)點(diǎn)交互。但是，推薦信任值并不一定就是推薦者對(duì)被推薦者節(jié)點(diǎn)信任度的真實(shí)反映，一 些推薦節(jié)點(diǎn)可能出于不同的目的而對(duì)被推薦節(jié)點(diǎn)的信任度進(jìn)行夸大和貶低。如何設(shè)計(jì)出一 種合理而有效的方法，使得推薦信任集成求得的信譽(yù)更加的準(zhǔn)確與可信，也是目前網(wǎng)絡(luò)安 全領(lǐng)域研究的熱點(diǎn)之一。

發(fā)明內(nèi)容
技術(shù)問題本發(fā)明的目的是提供一種對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法，來 解決P2P節(jié)點(diǎn)之間的信任問題，通過使用本發(fā)明提出的方法可以提高推薦信任的可信和有效程度，降低P2P網(wǎng)絡(luò)交互中的風(fēng)險(xiǎn)。 技術(shù)方案本發(fā)明的方法是一種策略性的方法，對(duì)第三方節(jié)點(diǎn)提供的推薦信任進(jìn) 行時(shí)間上的分類與信任值之間的比較，并通過合適的數(shù)值處理，使得推薦信任擁有了很高 的可信度，足以成為兩個(gè)陌生節(jié)點(diǎn)交互時(shí)的一個(gè)有效的憑證。
首先給出有關(guān)的概念和定義 域P2P網(wǎng)絡(luò)中的節(jié)點(diǎn)按照物理距離臨近度或者興趣等因素聚類成域。每個(gè)域中 都擁有中心節(jié)點(diǎn)，存放各類信息并作為域內(nèi)成員對(duì)外交互的接口。 中心節(jié)點(diǎn)存放了全部域內(nèi)節(jié)點(diǎn)的交互信息，交互信息以六元組表示(服務(wù)請(qǐng)求 者；服務(wù)提供者；提供者所在域；服務(wù)類型；交互時(shí)間；交互評(píng)價(jià))。 服務(wù)向量P2P網(wǎng)絡(luò)的交互中存在各式各樣的服務(wù)，將這些服務(wù)類型收集起來并 且按照一定的順序排列，就是服務(wù)向量。表示形式為S= (Sl，S2，，。。其中A到、為 P2P網(wǎng)絡(luò)中全部服務(wù)類型。下標(biāo)相鄰的元素都有著一定的聯(lián)系，比如"電影下載"、"小說下 載"、"科技文獻(xiàn)下載"，這些服務(wù)就會(huì)依序相鄰或是相隔很近。服務(wù)向量在本方法中使用廣 泛。其元素Si的值可以是0或1，表示服務(wù)存在與否，也可以是一定范圍內(nèi)的正整數(shù)，表示 服務(wù)的等級(jí)。 每個(gè)域都擁有一個(gè)服務(wù)向量，顯示該域的節(jié)點(diǎn)所能提供的服務(wù)的等級(jí)，該等級(jí)根 據(jù)該域節(jié)點(diǎn)的服務(wù)提供的數(shù)量和周期等產(chǎn)生，與信任反饋無關(guān)。 時(shí)間門限給定一個(gè)時(shí)間范圍T，將推薦信任分為兩部分，分別賦予不同的權(quán)值參 與信任集成。 當(dāng)前信譽(yù)與歷史信譽(yù)由時(shí)間門限內(nèi)的推薦信任集成獲得的信譽(yù)即為當(dāng)前信譽(yù)； 由時(shí)間門限之外的推薦信任集成獲得的信譽(yù)為歷史信譽(yù)。 本發(fā)明的對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法將網(wǎng)絡(luò)中收集得到的推薦信任
值，根據(jù)服務(wù)類型，交互時(shí)間的不同予以細(xì)分，并通過分析推薦信任值之間的數(shù)值關(guān)系和變
化趨勢以及不同的重要程度，使得信任集成的結(jié)果更加合理有效，具體步驟如下 步驟1).節(jié)點(diǎn)a將查詢請(qǐng)求發(fā)送給所在域A的中心節(jié)點(diǎn)，中心節(jié)點(diǎn)收到查詢請(qǐng)求，
將請(qǐng)求信息轉(zhuǎn)換為域?qū)τ虻牟樵冋?qǐng)求，并將該請(qǐng)求發(fā)送給網(wǎng)絡(luò)中的其它域， 步驟2).所有收到查詢請(qǐng)求的域，查看本域的數(shù)據(jù)庫，如果保存有與b節(jié)點(diǎn)的直接
交互后的評(píng)價(jià)結(jié)果，則將該條數(shù)據(jù)取出，作為信任證據(jù)， 步驟3).對(duì)步驟2中存放有b節(jié)點(diǎn)交互結(jié)果的任意域I，匯總域內(nèi)的全部信任證 據(jù)，并根據(jù)信任證據(jù)中的服務(wù)類型，對(duì)其進(jìn)行一次分類， 步驟4).對(duì)一次分類后的信任證據(jù)聚類，根據(jù)設(shè)定的時(shí)間門限，對(duì)其進(jìn)行二次分 類，分為最近的信任證據(jù)與以往的信任證據(jù)， 步驟5).根據(jù)相應(yīng)的公式，對(duì)最近的信任證據(jù)與以往的信任證據(jù)分別進(jìn)行集成， 由最近的信任證據(jù)計(jì)算出當(dāng)前信譽(yù)，而由以往的信任證據(jù)計(jì)算出歷史信譽(yù)， 步驟6).由當(dāng)前信譽(yù)CR與歷史信譽(yù)HR的值，由公式義=7^^計(jì)算集成權(quán)值入，
加權(quán)平均計(jì)算出初始推薦信任， 步驟7).域I對(duì)所有服務(wù)類型的初始推薦信任進(jìn)行集成，設(shè)k為查詢請(qǐng)求中 的指定服務(wù)，i為初始推薦信任對(duì)應(yīng)的服務(wù)類型，n為全部的服務(wù)類型的數(shù)量；根據(jù)公式十算出服務(wù)權(quán)值，加權(quán)平均計(jì)算出域內(nèi)推薦信任，
乂=1. 步驟8).所有計(jì)算出域內(nèi)推薦信任的域，將結(jié)果傳遞給域A，由域A通過海明貼近度公式，計(jì)算出各域的域相似度，加權(quán)平均計(jì)算出最終推薦信任，將結(jié)果傳遞給節(jié)點(diǎn)a，
步驟9).節(jié)點(diǎn)a獲得了關(guān)于節(jié)點(diǎn)b的推薦信任集成值，全過程結(jié)束。
在歷史信譽(yù)的計(jì)算過程中，
HR = BSD*V+ S *BRD (HR G
) 其中的V為歷史信任證據(jù)的包含時(shí)間衰減函數(shù)的加權(quán)平均值，BSD為行為穩(wěn)定度指標(biāo)，BRD為行為波動(dòng)度指標(biāo)， 通過設(shè)立參數(shù)S ，將擺動(dòng)型節(jié)點(diǎn)從一般型節(jié)點(diǎn)中區(qū)分出來，而通過行為趨勢BT與
參數(shù)e ，對(duì)s的取值做了有效的界定；具體為bt > e時(shí)，s = i ;i/ e < bt < e時(shí)s=o ;bt < 1/ e時(shí)s = -i， e為行為趨勢的有效性的門限值，e > i。 有益效果本發(fā)明提出了一種復(fù)合式的推薦信任值的集成方法，與以往的信任集
成方法不同，本發(fā)明將收集得到的推薦信任加以細(xì)分，先分后合，從而提高了信任集成的有
效性。下面做具體說明 首先，以往在P2P網(wǎng)絡(luò)中推薦信任的集成問題，都是以節(jié)點(diǎn)對(duì)節(jié)點(diǎn)的形式進(jìn)行的，在大規(guī)模的P2P網(wǎng)絡(luò)中，有著龐大的節(jié)點(diǎn)數(shù)量，導(dǎo)致了這種推薦信任的傳遞模式只能讓查詢的發(fā)起節(jié)點(diǎn)征詢臨近的小部分節(jié)點(diǎn)的意見，使得推薦信任的集成結(jié)果的可信度不高，若是延長推薦路徑，則會(huì)指數(shù)級(jí)地增加網(wǎng)絡(luò)的負(fù)載。在本方法中，將推薦信任的集成提高到了域的層次，各種信任數(shù)據(jù)都是以域?yàn)閱挝辉诰W(wǎng)絡(luò)中傳遞，增加了傳播的廣度，也降低了網(wǎng)絡(luò)的負(fù)載。 其次，本方法對(duì)信任證據(jù)加以分類，分為了三個(gè)層次，并層層細(xì)化。在域內(nèi)推薦信任集成和最終推薦信任集成的層次，我們設(shè)立了相應(yīng)的權(quán)值，使得每一組數(shù)據(jù)都能獲得它應(yīng)有的價(jià)值。其中，在最終推薦信任的集成中，采用了域間的相似程度作為權(quán)值的制定標(biāo)準(zhǔn)，可以使得那些與查詢發(fā)起域的相似程度高的域所提供的域內(nèi)推薦信任更加被重視。而在域內(nèi)推薦信任的集成中，以服務(wù)類型的臨近程度為區(qū)分設(shè)立了相應(yīng)的權(quán)值，使得信任集成的結(jié)果是以被查詢的特定服務(wù)的信任為主體，其他服務(wù)類型的信任為參考的模式?？梢宰畲蟪潭鹊捏w現(xiàn)目標(biāo)實(shí)體在特定服務(wù)中的信任狀況。 而在初始推薦信任的模式中，本方法首先在時(shí)間上將信任證據(jù)加以區(qū)分，以時(shí)域閥值T為界限將推薦信任一分為二，分為當(dāng)前推薦信任與歷史推薦信任。由于越新的推薦信任越能體現(xiàn)目標(biāo)節(jié)點(diǎn)現(xiàn)時(shí)的行為特征，因此這樣的分類能夠不受過往行為的影響而從當(dāng)前信譽(yù)值中清楚而直觀的觀察到目標(biāo)節(jié)點(diǎn)最近的行為的好壞。而歷史推薦信任就如一個(gè)人的檔案一般，記錄了目標(biāo)節(jié)點(diǎn)在過往的一段時(shí)間內(nèi)的行為。本方法不是單純的對(duì)這些信任證據(jù)進(jìn)行數(shù)學(xué)處理，而是力求從這些數(shù)據(jù)中找到目標(biāo)實(shí)體在以往交互過程中的行為規(guī)律，從行為的穩(wěn)定度，波動(dòng)度以及良莠行為的振蕩情況等多方面進(jìn)行了科學(xué)的計(jì)算和分析。從而能夠?qū)δ繕?biāo)節(jié)點(diǎn)的歷史行為作出客觀正確的評(píng)價(jià)。具體而言，在歷史推薦信任的集成中，如果推薦信任值隨時(shí)間逐漸降低，則集成結(jié)果會(huì)受到數(shù)值上的懲罰(BT<l/e的情況)，而對(duì)信任值隨時(shí)間升高的節(jié)點(diǎn)，集成結(jié)果會(huì)得到獎(jiǎng)勵(lì)(BT> e的情況)。對(duì)于那些推薦信任值忽高忽低，上下波動(dòng)的實(shí)體，他們的上升或下降趨勢并不明顯，因此不會(huì)單純的對(duì)他們進(jìn)行懲罰或者獎(jiǎng)勵(lì)，但是會(huì)將集成結(jié)果壓制在一個(gè)比推薦信任的平均值稍低的程度上(1/ e<bt< e的情況)。在求得當(dāng)前信譽(yù)和歷史信譽(yù)之后，本方法使用加權(quán)因子a對(duì)兩者進(jìn)行進(jìn)一步的集成。而加權(quán)因子a的設(shè)置，充分的考慮了當(dāng)前信譽(yù)與歷史信譽(yù)在推薦信任中的不同的重要程度。如果當(dāng)前信譽(yù)低，則我們可以在很大的程度上懷疑目標(biāo)節(jié)點(diǎn)當(dāng)前的行為情況。反之如果當(dāng)前信譽(yù)高，但歷史信譽(yù)低，我們也無法完全信任目標(biāo)節(jié)點(diǎn)的行為。因此，我們通過a的取值很好的處理了這個(gè)狀況，使得當(dāng)前信譽(yù)低的時(shí)候，初始推薦信任集成值趨近與當(dāng)前信譽(yù)，當(dāng)前信譽(yù)高時(shí)，初始推薦信任集成值趨近于歷史信譽(yù)。 本方法在以域?yàn)榛締挝坏男湃渭蛇^程中，也沒有喪失節(jié)點(diǎn)本身的獨(dú)立性與自
主性，推薦信任查詢的發(fā)起節(jié)點(diǎn)所在的域，也是作為一個(gè)普通域，與其他的域一起平等的參與信任集成，僅僅是集成時(shí)所獲得的權(quán)值較高，而沒有其他任何的特權(quán)。 本方法對(duì)推薦信任進(jìn)行了多方面的綜合考量，對(duì)信任證據(jù)進(jìn)行了合理與具體的劃
分，有效的提高了推薦信任值的可信與有效程度。


圖1是參考體系結(jié)構(gòu)示意圖。表示本發(fā)明方法基于的信任網(wǎng)絡(luò)結(jié)構(gòu)。
圖2是流程示意圖。表示本發(fā)明方法的流程示意。
具體實(shí)施例方式
—.體系結(jié)構(gòu) 圖一給出了使用本方法進(jìn)行推薦信任集成的組成結(jié)構(gòu)。與一般的信任集成方法不同，本方法不使用節(jié)點(diǎn)作為推薦信任的傳遞載體，而是將推薦信任的集成提升到了域間的層次，以域?yàn)閱挝粊硗瓿赏扑]信任的傳遞與集成過程。并通過域和域之間的相似程度以及信任證據(jù)所基于的不同交易類型，對(duì)推薦信任值進(jìn)行劃分并設(shè)立的相應(yīng)的權(quán)值。同時(shí)也考慮了信任證據(jù)本身的質(zhì)量，時(shí)間越近的信任證據(jù)被認(rèn)為質(zhì)量越高。推薦信任的集成過程按順序分為三個(gè)部分基于不同交易類型劃分的初始推薦信任、將初始推薦信任按交易權(quán)值集成獲得的域內(nèi)推薦信任、通過域間的信任集成獲得的最終推薦信任。
下面我們給出幾個(gè)具體部分的說明
1.初始推薦信任 初始推薦信任是收集了域內(nèi)節(jié)點(diǎn)關(guān)于目標(biāo)節(jié)點(diǎn)的同一服務(wù)的全部信任證據(jù)后，對(duì)其進(jìn)行科學(xué)集成獲得的結(jié)果。其算法流程主要分為三個(gè)部分當(dāng)前信譽(yù)計(jì)算，歷史信譽(yù)計(jì)算以及兩者的合成。 當(dāng)前信譽(yù)(Current R印utation)計(jì)算由時(shí)間門限劃分，距離當(dāng)前時(shí)刻的時(shí)間小于T的推薦信任值，為當(dāng)前推薦信任，它們的集成結(jié)果，即為當(dāng)前信譽(yù)。 當(dāng)前推薦信任的特點(diǎn)是數(shù)目較少，但是能夠反映目標(biāo)節(jié)點(diǎn)的最近的行為特征，參考價(jià)值高。 我們使用符號(hào)Vi(Ti)表示第i個(gè)第三方節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)在時(shí)間t的信任值為V，其中t的數(shù)值為當(dāng)前時(shí)刻與該推薦信任給評(píng)時(shí)刻的差值。給出當(dāng)前信譽(yù)的計(jì)算公式如下
6
C7 = - (x < r)
l;竭 其中n為落入觀察窗口的推薦信任的總數(shù)。T為觀察窗口的時(shí)間閥值。D(t)為時(shí)間衰減函數(shù)，公式為 D(o = e-^ "<r) 歷史信譽(yù)(Historical R印utation)計(jì)算由于時(shí)間門限T的存在，使得大部分的推薦信任都被劃入歷史信譽(yù)計(jì)算，因此算法相對(duì)與當(dāng)前信譽(yù)要較為復(fù)雜。首先給出如下定義 行為穩(wěn)定度(Behavior Steady Degree):行為穩(wěn)定度度量了目標(biāo)節(jié)點(diǎn)在以往歷史中整體的行為穩(wěn)定程度。其值越大，表示目標(biāo)節(jié)點(diǎn)的交互行為越穩(wěn)定。其值使用海明貼近度進(jìn)行度量，公式如下 腳=1-~^rl> ("_K(,,)| 行為波動(dòng)度(Behavior Rolling Degree):行為波動(dòng)度反映了歷史推薦信任值的平均波動(dòng)程度。它的數(shù)值表示了目標(biāo)節(jié)點(diǎn)行為的不穩(wěn)定程度，值越大，行為越不穩(wěn)定。公式如下 行為趨勢(Behavior Trend):行為趨勢反映了目標(biāo)節(jié)點(diǎn)行為變好或變壞的趨勢變化。設(shè)后一時(shí)間段的評(píng)價(jià)值大于前一時(shí)間段評(píng)價(jià)值的總次數(shù)為P，后一時(shí)間段評(píng)價(jià)值小于前一時(shí)間段評(píng)價(jià)值的總次數(shù)為n。則行為趨勢公式如下
BT = p/n 利用以上的定義，則可以獲得歷史信譽(yù)的計(jì)算公式如下
HR = BSD*V+ S *BRD (HR G
) 其中的V為歷史信任證據(jù)的包含時(shí)間衰減函數(shù)的加權(quán)平均值，計(jì)算公式同當(dāng)前信譽(yù)公式。s的取值與BT有關(guān)，BT > e時(shí)，S = 1 ;1/ e < BT < e時(shí)S = o ;BT < 1/ e時(shí)s = 4。 e (e > i)為行為趨勢的有效性的門限值，用以預(yù)防擺動(dòng)型節(jié)點(diǎn)在本方法中
所獲得的不正常的信譽(yù)獎(jiǎng)勵(lì)。當(dāng)服> 1，或者服<0時(shí)，服取1或0。
當(dāng)前信譽(yù)與歷史信譽(yù)的集成在獲得了當(dāng)前信譽(yù)與歷史信譽(yù)這兩個(gè)數(shù)值之后，將他們兩者加以集成，得到第k種交易類型的初始推薦信任公式為
Rk〃 =入*CR+(1-A )*HR 其中的A為集成權(quán)值。其值為A: 2.域內(nèi)推薦信任 服務(wù)權(quán)值的計(jì)算每一個(gè)初始推薦信任都對(duì)應(yīng)了一種服務(wù)類型，而推薦信任的查詢請(qǐng)求也對(duì)應(yīng)了一種特定的服務(wù)，即查詢請(qǐng)求節(jié)點(diǎn)準(zhǔn)備與目標(biāo)節(jié)點(diǎn)進(jìn)行交互的服務(wù)。服務(wù)權(quán)值反應(yīng)了不同的服務(wù)類型與查詢請(qǐng)求中的指定服務(wù)的權(quán)值比例，由于服務(wù)類型與服務(wù)向
7量5:(、^,…,^)中的元素一一對(duì)應(yīng)，服務(wù)權(quán)值的計(jì)算公式為 / =卜t 其中的k為查詢請(qǐng)求中的指定服務(wù)，i為初始推薦信任對(duì)應(yīng)的服務(wù)類型，n為全部的服務(wù)類型的數(shù)量。由此給出域j的域內(nèi)推薦信任的公式如下
「 ， ^.' = _
/=0 3.最終推薦信任 域相似度的計(jì)算每個(gè)域都擁有一個(gè)服務(wù)向量，顯示該域的節(jié)點(diǎn)所能提供的服務(wù)的等級(jí)，將查詢發(fā)起域的服務(wù)向量5。與某個(gè)域k的服務(wù)向量&做貼近度的計(jì)算，結(jié)果即為域相似度，公式為 鄉(xiāng)* =1 - ~力5。 (/) - & (/) 由域相似度與域內(nèi)推薦信任，可得最終推薦信任公式如下 A = i=^- 二.算法流程 1.收到查詢請(qǐng)求的域?qū)⒂騼?nèi)關(guān)于目標(biāo)節(jié)點(diǎn)的交互結(jié)果取出作為信任證據(jù)，根據(jù)不同的服務(wù)類型，進(jìn)行分類。 2.對(duì)不同服務(wù)類型的信任證據(jù)，分別根據(jù)時(shí)域閥值進(jìn)行劃分，分為當(dāng)前信譽(yù)和歷
史信譽(yù)。 3.根據(jù)相應(yīng)的公式計(jì)算出當(dāng)前信譽(yù)與歷史推薦信譽(yù)。再將兩者集成，求出初始推薦信任值。 4.計(jì)算初始推薦信任所對(duì)應(yīng)的服務(wù)類型相對(duì)應(yīng)被查詢的服務(wù)類型的服務(wù)權(quán)值。根
據(jù)此服務(wù)權(quán)值，對(duì)不同服務(wù)類型的初始推薦信任進(jìn)行二次集成，求得域內(nèi)推薦信任。 5.計(jì)算擁有本次查詢的域內(nèi)推薦信任的域相對(duì)于查詢的發(fā)起域的域相似度。根據(jù)
域相似度，對(duì)域內(nèi)推薦信任進(jìn)行三次集成，求得最終推薦信任。 為了方便描述，我們假定有如下應(yīng)用實(shí)例 P2P網(wǎng)絡(luò)中，節(jié)點(diǎn)a屬于域A，他想與域B中的節(jié)點(diǎn)b進(jìn)行服務(wù)類型為Si的交互，于是發(fā)起對(duì)節(jié)點(diǎn)b的推薦信任查詢。執(zhí)行步驟如下 1.節(jié)點(diǎn)a將查詢請(qǐng)求發(fā)送給所在域A的中心節(jié)點(diǎn)。中心節(jié)點(diǎn)受到查詢請(qǐng)求，將請(qǐng)求信息轉(zhuǎn)換為域?qū)τ虻牟樵冋?qǐng)求，并將該請(qǐng)求發(fā)送給網(wǎng)絡(luò)中的其他域。 2.所有受到查詢請(qǐng)求的域，查看本域的數(shù)據(jù)庫，如果保存有與b節(jié)點(diǎn)的直接交互后的評(píng)價(jià)結(jié)果，則將該條數(shù)據(jù)取出，作為信任證據(jù)。 3.對(duì)步驟2中存放有b節(jié)點(diǎn)交互結(jié)果的任意域l，匯總域內(nèi)的全部信任證據(jù)，并根
8據(jù)信任證據(jù)中的服務(wù)類型，對(duì)其進(jìn)行一次分類。 4.對(duì)一次分類后的信任證據(jù)聚類，根據(jù)設(shè)定的時(shí)域閥值，對(duì)其進(jìn)行二次分類。分為最近的信任證據(jù)與以往的信任證據(jù)。 5.根據(jù)相應(yīng)的公式，對(duì)最近的信任證據(jù)與以往的信任證據(jù)分別進(jìn)行集成，由最近的信任證據(jù)計(jì)算出當(dāng)前信譽(yù)，而由以往的信任證據(jù)計(jì)算出歷史信譽(yù)。 6.由當(dāng)前信譽(yù)與歷史信譽(yù)的值，計(jì)算集成權(quán)值入，根據(jù)相應(yīng)的公式，計(jì)算出初始推薦信任。 7.域I對(duì)所有服務(wù)類型的初始推薦信任進(jìn)行集成，根據(jù)相應(yīng)公式計(jì)算出域內(nèi)推薦信任。 8.所有計(jì)算出域內(nèi)推薦信任的域，將結(jié)果傳遞給域A，由域A通過考量各域的域相似度，根據(jù)相應(yīng)公式，計(jì)算出最終推薦信任，將結(jié)果傳遞給節(jié)點(diǎn)a。 9.節(jié)點(diǎn)a獲得了關(guān)于節(jié)點(diǎn)b的推薦信任集成值，結(jié)合其他方面的考量，判斷是否與b交互。
權(quán)利要求
一種對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法，其特征在于該方法將網(wǎng)絡(luò)中收集得到的推薦信任值，根據(jù)服務(wù)類型，交互時(shí)間的不同予以細(xì)分，并通過分析推薦信任值之間的數(shù)值關(guān)系和變化趨勢以及不同的重要程度，使得信任集成的結(jié)果更加合理有效，具體步驟如下步驟1).節(jié)點(diǎn)a將查詢請(qǐng)求發(fā)送給所在域A的中心節(jié)點(diǎn)，中心節(jié)點(diǎn)收到查詢請(qǐng)求，將請(qǐng)求信息轉(zhuǎn)換為域?qū)τ虻牟樵冋?qǐng)求，并將該請(qǐng)求發(fā)送給網(wǎng)絡(luò)中的其它域，步驟2).所有收到查詢請(qǐng)求的域，查看本域的數(shù)據(jù)庫，如果保存有與b節(jié)點(diǎn)的直接交互后的評(píng)價(jià)結(jié)果，則將該條數(shù)據(jù)取出，作為信任證據(jù)，步驟3).對(duì)步驟2中存放有b節(jié)點(diǎn)交互結(jié)果的任意域I，匯總域內(nèi)的全部信任證據(jù)，并根據(jù)信任證據(jù)中的服務(wù)類型，對(duì)其進(jìn)行一次分類，步驟4).對(duì)一次分類后的信任證據(jù)聚類，根據(jù)設(shè)定的時(shí)間門限，對(duì)其進(jìn)行二次分類，分為最近的信任證據(jù)與以往的信任證據(jù)，步驟5).根據(jù)相應(yīng)的公式，對(duì)最近的信任證據(jù)與以往的信任證據(jù)分別進(jìn)行集成，由最近的信任證據(jù)計(jì)算出當(dāng)前信譽(yù)，而由以往的信任證據(jù)計(jì)算出歷史信譽(yù)，步驟6).由當(dāng)前信譽(yù)CR與歷史信譽(yù)HR的值，由公式計(jì)算集成權(quán)值λ，加權(quán)平均計(jì)算出初始推薦信任，步驟7).域I對(duì)所有服務(wù)類型的初始推薦信任進(jìn)行集成，設(shè)k為查詢請(qǐng)求中的指定服務(wù)，i為初始推薦信任對(duì)應(yīng)的服務(wù)類型，n為全部的服務(wù)類型的數(shù)量；根據(jù)公式計(jì)算出服務(wù)權(quán)值，加權(quán)平均計(jì)算出域內(nèi)推薦信任，步驟8).所有計(jì)算出域內(nèi)推薦信任的域，將結(jié)果傳遞給域A，由域A通過海明貼近度公式，計(jì)算出各域的域相似度，加權(quán)平均計(jì)算出最終推薦信任，將結(jié)果傳遞給節(jié)點(diǎn)a，步驟9).節(jié)點(diǎn)a獲得了關(guān)于節(jié)點(diǎn)b的推薦信任集成值，全過程結(jié)束。F2009101854268C0000011.tif,F2009101854268C0000012.tif
2. 根據(jù)權(quán)利要求1所述的對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法，其特征在于在歷史信譽(yù)的計(jì)算過程中，HR = BSD*V+ S *BRD(HR G
)其中的V為歷史信任證據(jù)的包含時(shí)間衰減函數(shù)的加權(quán)平均值，BSD為行為穩(wěn)定度指標(biāo)，BRD為行為波動(dòng)度指標(biāo)，通過設(shè)立參數(shù)S ，將擺動(dòng)型節(jié)點(diǎn)從一般型節(jié)點(diǎn)中區(qū)分出來，而通過行為趨勢BT與參數(shù)e ，對(duì)s的取值做了有效的界定；具體為bt > e時(shí)，s = i ;1/ e < bt < e時(shí)s = o ;bt < l/e時(shí)s =-i， e為行為趨勢的有效性的門限值，e > i。
全文摘要
一種對(duì)等網(wǎng)絡(luò)中基于域的推薦信任集成方法是一種在開放網(wǎng)絡(luò)環(huán)境中，主要用于解決基于P2P網(wǎng)絡(luò)的信任模型中的推薦信任集成的策略性方法，來解決P2P節(jié)點(diǎn)之間的信任問題，通過使用本發(fā)明提出的方法可以提高推薦信任的可信和有效程度，降低P2P網(wǎng)絡(luò)交互中的風(fēng)險(xiǎn)。本方法提供了一種更為合理有效的集成算法，該方法將網(wǎng)絡(luò)中收集得到的推薦信任值，根據(jù)服務(wù)類型，交互時(shí)間的不同予以細(xì)分，并通過分析推薦信任值之間的數(shù)值關(guān)系和變化趨勢以及不同的重要程度，使得信任集成的結(jié)果更加合理有效。
文檔編號(hào)H04L29/08GK101707626SQ20091018542
公開日2010年5月12日 申請(qǐng)日期2009年11月9日 優(yōu)先權(quán)日2009年11月9日
發(fā)明者張琳, 戴樺, 李捷, 王楊, 王汝傳, 王海艷, 鄧勇 申請(qǐng)人:南京郵電大學(xué)