正在加载图片...
第6期 王少杰等：一种改进的DyTrust信任模型 .687 大表示满意度越高，在时间帧t中，假设节点i和 第二种情况，相对经验因子>1时： 节点j的Sk服务之间直接交互的数目为m(Sk), Crir(Sk)= 那么交互满意度D(Sk)可以用求平均值的方法获 1-Crir(Sy)1 diffir(Sk) Crir(Sk)+ 得： 2 %(骗)20 击(Sk)<9 D(S)= m(s(s) 1 (6) Crir(Sk)1 6 Cr ir(Sk)- 其他 2 rdiffir(Sk) 3.2反馈可信度算法的改进 (10) 在开放PP网络中，解决不诚实反馈的方法是 考虑节点的反馈可信度，从不诚实节点的欺骗方式 4算法分析 上来讲，恶意节点试图通过频繁的提交不诚实反馈 4.1信任评价算法分析 来进行破坏，动态不诚实节点还可以累积一定的反 改进后的算法通过对服务节点j所提供的服务 馈可信度后提交不诚实的反馈；也存在一些善意节 进行细化，使得j所提供的Sk服务的信任值(S) 点，因为自身直接交互经验的不足，导致对同一服务 发生变化，并不影响广在其他场景和领域所提供服 的信任评价值与真实值产生差异.为此，反馈可信 务的信任值，例如(S)的值增加了，(Sk+1)的 度算法需要考虑个体经验的问题 值可能降低：对于推荐节点T,在Sk服务推荐的方 在时间帧t内，节点i和节点r对共同交互节 面，节点i对节点r的反馈可信度值Cr(Sk)的变 点j的Sk服务的集合记为Cset(i,r,S),节点i和 化，并不影响推荐节点，在其他服务方面的反馈可 r对公共服务评价的差异diff号(Sk)定义为： 信度的值，例如Crn(Sk)的值增加了，Cr,(Sk+1)的 D(S)-D(S) 值可能不变，通过对节点服务能力和推荐能力细 diff号(Sk)= jC(i.r.S) 化，使信任算法更加合理. I Cset(i,r,S) 4.2反馈可信度算法分析 (7) 令反馈可信度算法改进之前，公共交互节点评 其中，D(S)、D(Se)分别是节点i和r对节点j 价差异记为d货，由式(3)计算得出.引入相对经验 的Sk直接交互的平均满意程度；是针对同一个节 因子之后的评价差异记为diff号(S),由式(T)计算 点j所提供的服务Sk,节点i相对节点r的相对经 得出，设算法改进前后的评价差异都是针对j所提 验因子，定义为： 供的同一个服务Sk,则有dif号(Sk)=,diff纷，设节 生，-arctan(m(S)/ho) (8) 点i对r的推荐容忍的最大评价偏差为，当 arctan(mij(S)/ho) diff号(Sk)<0时，则有diff号<(1/，)0. 其中，o为大于零的整数，是反馈评价采用的门限 算法改进后，可以解决推荐节点经验不足的问 值，取值可由用户根据需求来设定 题：当节点i需要了解节点j提供的Sk服务的信任 为了解决推荐节点经验不足的问题，节点i只 评价时，i只采纳在t时间帧内，与j的Sk服务直接 采纳在t时间帧内，与节点j的Sk服务直接交互次 数不少于0次的推荐节点r的信任评价，当 交互次数m(Sk)≥ho的节点r的推荐；若节点r m(Ss)≥o时，节点i才采纳r对服务Sk的信任 的m(Sk)<o,则不采纳该节点r的推荐评价值， 评价值，每次交互结束后，节点i根据自身的运算 并且不对该节点r的反馈可信度Cr(Sk)进行更 新.这样使推荐经验不足的节点，避免受到惩罚， 结果，对节点r的反馈可信度进行更新，设节点i 反馈可信度的更新分为两种情况，当相对经验 对推荐节点r的最大容忍评价偏差为，则反馈可信 因子，≤1时，意味着节点i对节点j的直接交互 度分两种情况进行更新， 经验比较少，或相对与推荐节点τ的经验较少，取 第一种情况，相对经验因子，≤1时： ho=20次，引入，后对反馈可信度更新的影响如 Crin(Sk) 图1所示. Crp(Sg)+Crye(Sk)S) 2 0 df(S)<θ 此时，dif酷<(1/)0，由图1可知：(1)(1/) >0时，此时节点i自身与节点j所提供的Sk服务 cra()-4u(| 2 、(%)0 其他 df(Sk） 直接交互很少，对S服务能力判断经验不足，节点 i对节点，推荐能力所能容忍的最大评价偏差范围 (9)大表示满意度越高．在时间帧 t 中假设节点 i 和 节点 j 的 Sk 服务之间直接交互的数目为 mij （ Sk） 那么交互满意度 D t ij（ Sk）可以用求平均值的方法获 得： D t ij（ Sk）＝ 1 m t ij（ Sk） ∑ eij（ Sk） （6） 3∙2 反馈可信度算法的改进 在开放 P2P 网络中解决不诚实反馈的方法是 考虑节点的反馈可信度．从不诚实节点的欺骗方式 上来讲恶意节点试图通过频繁的提交不诚实反馈 来进行破坏动态不诚实节点还可以累积一定的反 馈可信度后提交不诚实的反馈；也存在一些善意节 点因为自身直接交互经验的不足导致对同一服务 的信任评价值与真实值产生差异．为此反馈可信 度算法需要考虑个体经验的问题． 在时间帧 t 内节点 i 和节点 r 对共同交互节 点 j 的 Sk 服务的集合记为 Cset（ irSk）节点 i 和 r 对公共服务评价的差异 diff t ij（ Sk）定义为： diff t ij（ Sk）＝ j∈Cs∑et（ irS k ） ●t ir| D t ij（ Sk）－ D t rj（ Sk）| |Cset（ irSk）| （7） 其中D t ij（ Sk）、D t rj （ Sk）分别是节点 i 和 r 对节点 j 的 Sk 直接交互的平均满意程度；●t ir是针对同一个节 点 j 所提供的服务 Sk节点 i 相对节点 r 的相对经 验因子定义为： ●t ir＝ arctan（ m t ij（ Sk）／h0） arctan（ m t rj（ Sk）／h0） （8） 其中h0 为大于零的整数是反馈评价采用的门限 值取值可由用户根据需求来设定． 为了解决推荐节点经验不足的问题节点 i 只 采纳在 t 时间帧内与节点 j 的 Sk 服务直接交互次 数不 少 于 h0 次 的 推 荐 节 点 r 的 信 任 评 价当 m t rj（ Sk）≥h0 时节点 i 才采纳 r 对服务 Sk 的信任 评价值．每次交互结束后节点 i 根据自身的运算 结果对节点 r 的反馈可信度进行更新．设节点 i 对推荐节点 r 的最大容忍评价偏差为θ则反馈可信 度分两种情况进行更新． 第一种情况相对经验因子 ●t ir≤1时： Crir（ Sk）＝ Crir（ Sk）＋ 1—Crir（ Sk） 2 ● t ir— diff t ir（ Sk） θ diff t ir（ Sk）＜θ Crir（ Sk）— Crir（ Sk） 2 ● t ir— （● t ir） 2θ diff t ir（ Sk） 其他 （9） 第二种情况相对经验因子 ●t ir＞1时： Crir（ Sk）＝ Cr ir（ Sk）＋ 1—Cr ir（ Sk） 2 1 ● t ir — diff t ir（ Sk） （● t ir） 2θ diff t ir（ Sk）＜θ Cr ir（ Sk）— Cr ir（ Sk） 2 1 ● t ir — θ diff t ir（ Sk） 其他 （10） 4 算法分析 4∙1 信任评价算法分析 改进后的算法通过对服务节点 j 所提供的服务 进行细化使得 j 所提供的 Sk 服务的信任值R t ij（ Sk） 发生变化并不影响 j 在其他场景和领域所提供服 务的信任值例如 R t ij（ Sk）的值增加了R t ij（ Sk＋1）的 值可能降低；对于推荐节点 r在 Sk 服务推荐的方 面节点 i 对节点 r 的反馈可信度值 Crir （ Sk）的变 化并不影响推荐节点 r 在其他服务方面的反馈可 信度的值例如 Crir（ Sk）的值增加了Crir（ Sk＋1）的 值可能不变．通过对节点服务能力和推荐能力细 化使信任算法更加合理． 4∙2 反馈可信度算法分析 令反馈可信度算法改进之前公共交互节点评 价差异记为 diff t ij由式（3）计算得出．引入相对经验 因子之后的评价差异记为 diff t ij （ Sk）由式（7）计算 得出．设算法改进前后的评价差异都是针对 j 所提 供的同一个服务 Sk则有 diff t ij （ Sk）＝●t irdiff t ij．设节 点 i 对 r 的推荐容忍的最大评价偏差为 θ当 diff t ij（ Sk）＜θ时则有 diff t ij＜（1／●t ir）θ． 算法改进后可以解决推荐节点经验不足的问 题：当节点 i 需要了解节点 j 提供的 Sk 服务的信任 评价时i 只采纳在 t 时间帧内与 j 的 Sk 服务直接 交互次数 m t rj （ Sk）≥ h0 的节点 r 的推荐；若节点 r 的 m t rj（ Sk）＜h0则不采纳该节点 r 的推荐评价值 并且不对该节点 r 的反馈可信度 Crir （ Sk）进行更 新．这样使推荐经验不足的节点避免受到惩罚． 反馈可信度的更新分为两种情况当相对经验 因子 ●t ir≤1时意味着节点 i 对节点 j 的直接交互 经验比较少或相对与推荐节点 r 的经验较少．取 h0＝20次引入 ●t ir后对反馈可信度更新的影响如 图1所示． 此时diff t ij＜（1／●t ir）θ由图1可知：（1） （1／●t ir） θ≫θ时此时节点 i 自身与节点 j 所提供的 Sk 服务 直接交互很少对 Sk 服务能力判断经验不足节点 i 对节点 r 推荐能力所能容忍的最大评价偏差范围 第6期 王少杰等： 一种改进的 DyTrust 信任模型 ·687·