專利名稱：一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法
技術(shù)領(lǐng)域：
本發(fā)明提出了一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法，屬于Web服務(wù)動(dòng)態(tài)信任評(píng)估技術(shù)領(lǐng)域。
背景技術(shù)：
隨著Web服務(wù)技術(shù)的日益成熟，越來越多的Web服務(wù)出現(xiàn)在網(wǎng)絡(luò)上。對(duì)于服務(wù)的使用者和組合服務(wù)的開發(fā)者(統(tǒng)稱“用戶”)來說，都面臨著一個(gè)問題，即如何在功能相似的Web服務(wù)中進(jìn)行挑選。這時(shí)，就需要引入信任問題，從用戶的角度，對(duì)Web服務(wù)的可信性進(jìn)行評(píng)估，以指導(dǎo)可信服務(wù)的選擇。早期關(guān)于信任問題的研究中，學(xué)者們將傳統(tǒng)的安全認(rèn)證授權(quán)機(jī)制中隱含的信任概念抽取出來，并以此為中心進(jìn)行展開。最具代表性的是Matt Blaze等人的研究工作，他們?cè)?996年首次提出了 “信任管理(trust management) ”的概念，并用于解決互聯(lián)網(wǎng)服務(wù)的 安全問題。他們提出的信任管理模型，其本質(zhì)還是一種基于憑證的信任模型，是對(duì)信任的一種理性的、客觀的評(píng)價(jià)方法。然而一些學(xué)者(如Alfarez Abdul-Rahman, Diego Gambetta 和 Audun Jesatig等)指出，信任應(yīng)該是帶有主觀性的、是非理性的，基于此觀點(diǎn)，學(xué)者們提出了一些經(jīng)典的信任評(píng)估模型，如扣《mg信任度評(píng)估模型和Beth信任評(píng)估模型等等。隨著研究工作的推進(jìn)，多種理論方法被引入到信任領(lǐng)域中，例如貝葉斯網(wǎng)絡(luò)、模糊邏輯、信息熵、云模型、灰色理論等等，從而形成了多種多樣的信任評(píng)估方法?，F(xiàn)有的信任評(píng)估方法中，學(xué)者們考慮了多方面的因素對(duì)信任的影響，如直接交互經(jīng)驗(yàn)和從其他用戶獲取的信任值。直接交互經(jīng)驗(yàn)又包括用戶獲得的客觀的服務(wù)質(zhì)量和用戶對(duì)服務(wù)的主觀評(píng)價(jià)；從其他用戶獲取信任值有兩種方式，一種是通過相似用戶推薦，另一種是信任鏈的傳遞。綜觀現(xiàn)有的模型，不僅研究了多種多樣的信任值的量化和表示方法，還研究了信任傳遞以及綜合信任計(jì)算的方法，但其中仍然存在一些問題I.現(xiàn)有的信任評(píng)估方法，多集中在如何將信任證據(jù)進(jìn)行整合，從而導(dǎo)出客觀的信任度評(píng)估值。關(guān)于信任證據(jù)的來源，其中有的只考慮交互成功次數(shù)，有的考慮多維服務(wù)質(zhì)量屬性(由監(jiān)控部件在用戶端進(jìn)行質(zhì)量數(shù)據(jù)的監(jiān)控)。在考慮了多維質(zhì)量屬性的方法中，有的不考慮用戶對(duì)服務(wù)的質(zhì)量屬性的偏好(多維信任證據(jù)在整合時(shí)所占的權(quán)重)，而考慮用戶偏好的評(píng)估方法，大多要求用戶手動(dòng)設(shè)置不同質(zhì)量屬性的權(quán)重，不能夠自動(dòng)從用戶需求中挖掘出用戶偏好。2.新用戶對(duì)Web服務(wù)的信任度評(píng)估在很大程度上依賴于從其他用戶間接獲取的信任值，而Web服務(wù)在一個(gè)開放式的環(huán)境下，難免會(huì)存在一些用戶對(duì)服務(wù)進(jìn)行惡意評(píng)價(jià)(包括惡意詆毀和惡意好評(píng))，這些惡意的評(píng)價(jià)會(huì)誤導(dǎo)新用戶進(jìn)行錯(cuò)誤的決策?，F(xiàn)有的信任模型中，檢測(cè)惡意評(píng)價(jià)的方法，或是通過與可信第三方的評(píng)價(jià)進(jìn)行比較，或是將評(píng)價(jià)與客觀的服務(wù)能力可信度進(jìn)行比較。其中存在的問題一方面，用戶對(duì)服務(wù)的評(píng)價(jià)與其偏好有很大關(guān)系，而第三方的評(píng)價(jià)或者客觀能力可信度無法涵蓋不同偏好的用戶，可能產(chǎn)生誤判現(xiàn)象；另一方面，第三方評(píng)價(jià)和能力可信度都屬于客觀的數(shù)據(jù)，而客觀數(shù)據(jù)與主觀數(shù)據(jù)比較的合理性還有待研究。3.現(xiàn)有信任模型中，提供惡意評(píng)價(jià)的用戶對(duì)服務(wù)的直接信任值，將不參與間接信任的計(jì)算。這樣的處理方法不夠合理一方面，現(xiàn)有惡意評(píng)價(jià)的檢測(cè)方法很可能將誠實(shí)的評(píng)價(jià)誤判為惡意評(píng)價(jià)，如果去除這部分用戶的直接信任值，會(huì)導(dǎo)致計(jì)算出的間接信任不夠全面；另一方面，即使是提供了惡意評(píng)價(jià)，那些用戶的客戶端監(jiān)控到的質(zhì)量數(shù)據(jù)對(duì)服務(wù)的信任度評(píng)估仍然存在一定的價(jià)值，所以不應(yīng)采取完全去除的方法。

發(fā)明內(nèi)容
本發(fā)明的目的是提出一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法，可以降低惡意評(píng)價(jià)對(duì)Web服務(wù)信任評(píng)估的影響，提高信任評(píng)估的準(zhǔn)確性，更好地指導(dǎo)用戶進(jìn)行可信服務(wù)的選擇。為了實(shí)現(xiàn)以上目的，本發(fā)明采取的技術(shù)方案如下一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法，包括如下幾個(gè)步驟I)根據(jù)用戶對(duì)服務(wù)質(zhì)量的需求以及監(jiān)控的質(zhì)量數(shù)據(jù)，分別評(píng)估每一維質(zhì)量屬性的可信值；2)從用戶對(duì)服務(wù)質(zhì)量的需求中自動(dòng)挖掘用戶偏好；3)由每一維質(zhì)量屬性可信值，根據(jù)用戶偏好設(shè)定權(quán)重加權(quán)求和，計(jì)算客觀質(zhì)量可信值；4)根據(jù)用戶偏好，劃分相似用戶群，在偏好相似用戶群中，基于評(píng)價(jià)一致用戶聚類，將誠實(shí)用戶與惡意用戶區(qū)分開來，評(píng)估用戶群的用戶誠實(shí)度；5)根據(jù)用戶誠實(shí)度設(shè)定主觀評(píng)價(jià)的權(quán)重，將主觀評(píng)價(jià)與客觀質(zhì)量可信值加權(quán)求和，計(jì)算最終綜合信任評(píng)估值。所述步驟I)中，根據(jù)用戶對(duì)Web服務(wù)質(zhì)量的需求以及監(jiān)控的質(zhì)量數(shù)據(jù)，分別評(píng)估每一維質(zhì)量屬性的可信性ToQ的具體方法如下首先，每一維質(zhì)量屬性根主觀信任模型，若某次交互獲得的質(zhì)量數(shù)據(jù)滿足用戶要求，則記為一次正面證據(jù)；否則記為一次反面證據(jù)；其中統(tǒng)計(jì)獲得的正面證據(jù)的次數(shù)為r，反面證據(jù)的次數(shù)為s ；然后，根據(jù)以下公式計(jì)算ToQ
Ib = r / (r + ,V + I)
d °°* a I (/ i iS I I) TP mmm fy I m~mm,/ 2
= I / (r + ,f +1)其中，b，d，u是.細(xì)《mg主觀信任模型里面定義的，分別依次代表信任，不信任和不確定性；ToQ即Trust of Quality,表示用戶對(duì)服務(wù)質(zhì)量屬性的信任度。所述步驟2)中根據(jù)用戶對(duì)服務(wù)質(zhì)量的需求自動(dòng)挖掘用戶偏好PoQ的具體步驟如下2. I)針對(duì)一組功能相同的Web服務(wù)，用戶對(duì)每個(gè)質(zhì)量屬性給出的需求記為RoQ ；2. 2)獲取這一組Web服務(wù)每個(gè)質(zhì)量屬性的最好值Qbest和最差值QWOTSt，將[QWOTSt，QbesJ這一區(qū)間分成5個(gè)子區(qū)間，分別對(duì)應(yīng)5個(gè)質(zhì)量等級(jí){很差，差，一般，好，很好}，依次用5個(gè)數(shù)值表示{1,2, 3,4, 5}；2. 3)將用戶對(duì)每個(gè)質(zhì)量屬性給出的需求RoQ對(duì)應(yīng)到以上5個(gè)子區(qū)間，并用相應(yīng)的數(shù)值代替，得到用戶對(duì)每個(gè)質(zhì)量屬性的需求等級(jí)LoRQ，按照以下公式，計(jì)算用戶偏好
權(quán)利要求
1.一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法，其特征在于，包括如下幾個(gè)步驟 1)根據(jù)用戶對(duì)服務(wù)質(zhì)量的需求以及監(jiān)控的質(zhì)量數(shù)據(jù)，分別評(píng)估每一維質(zhì)量屬性的可信值； 2)從用戶對(duì)服務(wù)質(zhì)量的需求中自動(dòng)挖掘用戶偏好； 3)由每一維質(zhì)量屬性可信值，根據(jù)用戶偏好設(shè)定權(quán)重加權(quán)求和，計(jì)算客觀質(zhì)量可信值； 4)根據(jù)用戶偏好，劃分相似用戶群，在偏好相似用戶群中，基于評(píng)價(jià)一致用戶聚類，將誠實(shí)用戶與惡意用戶區(qū)分開來，評(píng)估用戶群的用戶誠實(shí)度； 5)根據(jù)用戶誠實(shí)度設(shè)定主觀評(píng)價(jià)的權(quán)重，將主觀評(píng)價(jià)與客觀質(zhì)量可信值加權(quán)求和，計(jì)算最終綜合信任評(píng)估值。
2.根據(jù)權(quán)利要求I所述的Web服務(wù)信任評(píng)估方法，其特征在于，所述步驟I)中，根據(jù)用戶對(duì)Web服務(wù)質(zhì)量的需求以及監(jiān)控的質(zhì)量數(shù)據(jù)，分別評(píng)估每一維質(zhì)量屬性的可信性ToQ的具體方法如下 首先，每一維質(zhì)量屬性根據(jù)Jesang主觀信任模型，若某次交互獲得的質(zhì)量數(shù)據(jù)滿足用戶要求，則記為一次正面證據(jù)；否則記為一次反面證據(jù)；其中統(tǒng)計(jì)獲得的正面證據(jù)的次數(shù)為r，反面證據(jù)的次數(shù)為s ; 然后，根據(jù)以下公式計(jì)算ToQ:
3.根據(jù)權(quán)利要求I所述的Web服務(wù)信任評(píng)估方法，其特征在于，所述步驟2)中根據(jù)用戶對(duì)服務(wù)質(zhì)量的需求自動(dòng)挖掘用戶偏好PoQ的具體步驟如下 2.I)針對(duì)一組功能相同的Web服務(wù)，用戶對(duì)每個(gè)質(zhì)量屬性給出的需求記為RoQ ； 2.2)獲取這一組Web服務(wù)每個(gè)質(zhì)量屬性的最好值Qbest和最差值Qrast，將[Qw st，QbestI這一區(qū)間分成5個(gè)子區(qū)間，分別對(duì)應(yīng)5個(gè)質(zhì)量等級(jí){很差，差，一般，好，很好}，依次用5個(gè)數(shù)值表示{1,2, 3,4, 5}； 2.3)將用戶對(duì)每個(gè)質(zhì)量屬性給出的需求RoQ對(duì)應(yīng)到以上5個(gè)子區(qū)間，并用相應(yīng)的數(shù)值代替，得到用戶對(duì)每個(gè)質(zhì)量屬性的需求等級(jí)LoRQ，按照以下公式，計(jì)算用戶偏好
4.根據(jù)權(quán)利要求I所述的Web服務(wù)信任評(píng)估方法，其特征在于，所述步驟3)由每一維質(zhì)量屬性可信值，根據(jù)用戶偏好設(shè)定權(quán)重加權(quán)求和，計(jì)算客觀質(zhì)量可信值的具體方法如下
5.根據(jù)權(quán)利要求I所述的Web服務(wù)信任評(píng)估方法，其特征在于，所述步驟4)，在得到用戶偏好的基礎(chǔ)上，將偏好相同的用戶劃分到一個(gè)相似用戶群中；在相似用戶群中，對(duì)于同一個(gè)Web服務(wù)，誠實(shí)的用戶給出的主觀評(píng)價(jià)和接受的服務(wù)質(zhì)量是一致的；基于這一特性，將誠實(shí)用戶和惡意用戶區(qū)分開來，計(jì)算用戶誠實(shí)度HoU，主要步驟如下 4. I)將每個(gè)用戶對(duì)服務(wù)的客觀信任值Ttjbjeetive及其給出的主觀評(píng)價(jià)Rating合成一個(gè)向量VoQRi= (Tobjective, Rating),在相似用戶群中，針對(duì)使用過同一服務(wù)的用戶，計(jì)算兩兩之間VoQR的夾角余弦值,該值即代表兩個(gè)用戶之間的一致性程度
6.根據(jù)權(quán)利要求I所述的Web服務(wù)信任評(píng)估方法，其特征在于，所述步驟5)根據(jù)用戶誠實(shí)度動(dòng)態(tài)設(shè)定主觀評(píng)價(jià)的權(quán)重，將客觀信任值和用戶主觀評(píng)價(jià)進(jìn)行綜合，得出綜合信任值
全文摘要
本發(fā)明公布了一種基于用戶誠實(shí)度的動(dòng)態(tài)的Web服務(wù)信任評(píng)估方法。首先根據(jù)用戶對(duì)服務(wù)的要求，自動(dòng)挖掘用戶偏好；根據(jù)用戶偏好劃分相似用戶群，在偏好相似用戶群中進(jìn)行評(píng)價(jià)一致性聚類，區(qū)分誠實(shí)用戶與惡意用戶，計(jì)算偏好相似用戶群的用戶誠實(shí)度，根據(jù)用戶誠實(shí)度的變化，動(dòng)態(tài)調(diào)整主觀評(píng)價(jià)在綜合信任計(jì)算中的權(quán)重，從而降低惡意評(píng)價(jià)對(duì)Web服務(wù)信任評(píng)估的影響，提高信任評(píng)估的準(zhǔn)確性，更好地指導(dǎo)用戶進(jìn)行可信服務(wù)的選擇。
文檔編號(hào)G06F17/30GK102880637SQ20121027936
公開日2013年1月16日 申請(qǐng)日期2012年8月7日 優(yōu)先權(quán)日2012年8月7日
發(fā)明者李必信, 宋銳, 吳曉娜, 劉翠翠, 齊珊珊, 孔祥龍 申請(qǐng)人:東南大學(xué)