貝葉斯算法和MapReduce相結(jié)合的信任度量方法
【專利摘要】本發(fā)明涉及一種貝葉斯算法和MapReduce相結(jié)合的信任度量方法，包括以下步驟：S01：采用貝葉斯過(guò)濾算法對(duì)移動(dòng)終端交互中產(chǎn)生的行為記錄進(jìn)行信任度評(píng)估，通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)集中的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，選擇最大后驗(yàn)概率作為行為記錄的信任度；S02：運(yùn)用帶Dirichlet過(guò)程的貝葉斯推理算法對(duì)可信記錄做概率分布評(píng)估，得到對(duì)移動(dòng)終端的可信度預(yù)測(cè)；S03：采用信息增益算法實(shí)現(xiàn)特征值的選取。本發(fā)明借助云計(jì)算平臺(tái)在信任度計(jì)算與存儲(chǔ)過(guò)程中具有的高效性、安全性與中立性，保證數(shù)據(jù)的安全存儲(chǔ)與高性能計(jì)算。
【專利說(shuō)明】貝葉斯算法和MapReduce相結(jié)合的信任度量方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一宗貝葉斯算法和MapReduce相結(jié)合的信任度量方法。
【背景技術(shù)】
[0002]現(xiàn)有網(wǎng)絡(luò)信任模型為移動(dòng)終端間通信信任研究提供了可參考的理論依據(jù)，主要分為兩個(gè)類別:集中式信任度量和分布式信任度量。分布式信任度量是從主觀角度出發(fā)，結(jié)合信任概念對(duì)節(jié)點(diǎn)的行為屬性、行為的交互及結(jié)果進(jìn)行判斷，一定程度上實(shí)現(xiàn)節(jié)點(diǎn)行為的主觀可信評(píng)估。目前該領(lǐng)域的研究已取得一些重要成果，其中比較有影響力的工作有:EigenTrust, PowerTrust, PeerTrust, R2BTM, DRS(Dirichlet Reputation Systems), FTE(Fuzzy-based Trust Evaluation),PRMGST等。其中DRS考慮到節(jié)點(diǎn)的信任評(píng)價(jià)隨時(shí)間而衰減，引入時(shí)間衰減因子，提出了一種基于Dirichlet概率分布的信任計(jì)算方法，有效抑制了惡意節(jié)點(diǎn)在累積一定信任度后對(duì)網(wǎng)絡(luò)或其它節(jié)點(diǎn)施加惡意行為?？紤]到信任概念本身的模糊性，F(xiàn)TE利用模糊理論對(duì)信任管理問(wèn)題進(jìn)行建模，研究節(jié)點(diǎn)的信任初始化機(jī)制、信任度量算法，信任動(dòng)態(tài)更新機(jī)制。上述研究成果從不同角度，利用不同理論和方法對(duì)節(jié)點(diǎn)的信任算法進(jìn)行定義，綜合考慮歷史交易記錄中的直接信任以及推薦節(jié)點(diǎn)的間接信任，一定程度上實(shí)現(xiàn)節(jié)點(diǎn)間的安全互聯(lián)。
[0003]在集中式信任度量方案中，中心化的信任服務(wù)器收集各個(gè)節(jié)點(diǎn)在每次交易完成后的相互信任評(píng)價(jià)，并對(duì)各個(gè)節(jié)點(diǎn)進(jìn)行信任度統(tǒng)一計(jì)算與存儲(chǔ)。例如，ebay采用簡(jiǎn)單的加權(quán)平均法對(duì)節(jié)點(diǎn)信任值進(jìn)行計(jì)算；Sp0ra系統(tǒng)在ebay算法的基礎(chǔ)上，引入時(shí)間加權(quán)因子，對(duì)近期的信任評(píng)價(jià)賦予更高的權(quán)值；Wang在文獻(xiàn)中更引入模糊信任理論將節(jié)點(diǎn)的信任度按一星到五星5個(gè)級(jí)別進(jìn)行劃分與計(jì)算，更形象地描述端點(diǎn)的信任值。在這些具體方案中，采用不同算法獲得的節(jié)點(diǎn)最終信任值將為下一次節(jié)點(diǎn)間的交互提供可參考的歷史依據(jù)。
[0004]以上信任度量機(jī)制在移動(dòng)網(wǎng)絡(luò)通信過(guò)程中存在一定的局限性。集中式信任度量方案具有結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是該方案可能由于過(guò)度依賴少數(shù)中心化的信任服務(wù)器，容易造成單點(diǎn)故障問(wèn)題，影響系統(tǒng)的可靠性與可擴(kuò)展性；其次在大規(guī)模、高連接頻率的通信服務(wù)中，高復(fù)雜度的信任度量算法與更新機(jī)制可能給信任服務(wù)器帶來(lái)較大負(fù)擔(dān)；節(jié)點(diǎn)的網(wǎng)絡(luò)異構(gòu)性(比如，移動(dòng)接入)、連接頻率等因素可能會(huì)大大增加信任服務(wù)器的接入與響應(yīng)延遲，這降低了終端用戶的體驗(yàn)度。相比集中式信任度量機(jī)制，分布式信任度量方案不存在單點(diǎn)故障問(wèn)題，具有更高的可靠性與可擴(kuò)展性；同時(shí)，將信任算法的計(jì)算分配給所有的網(wǎng)絡(luò)節(jié)點(diǎn)，因此在系統(tǒng)實(shí)際應(yīng)用中不受信任算法復(fù)雜度的影響。但是，該方案也存在兩方面局限性:由于缺乏中心化的管理模式，節(jié)點(diǎn)間接信任度的獲取需要依靠大量的數(shù)據(jù)發(fā)送與采集工作，這增加節(jié)點(diǎn)負(fù)擔(dān)的同時(shí)也可能造成較高延遲。數(shù)據(jù)在異地節(jié)點(diǎn)存儲(chǔ)過(guò)程中難以保障數(shù)據(jù)的機(jī)要性、完整性、以及訪問(wèn)過(guò)程的便利性，可能直接影響系統(tǒng)的安全性與實(shí)際應(yīng)用性能。

【發(fā)明內(nèi)容】
[0005]有鑒于此，本發(fā)明的目的是提供一種貝葉斯算法和MapReduce相結(jié)合的信任度量方法。
[0006]本發(fā)明采用以下方案實(shí)現(xiàn):一種貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于，包括以下步驟:
[0007]SOl:采用貝葉斯過(guò)濾算法對(duì)移動(dòng)終端交互中產(chǎn)生的行為記錄進(jìn)行信任度評(píng)估，通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)集中的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，選擇最大后驗(yàn)概率作為行為記錄的信任度；
[0008]S02:運(yùn)用帶Dirichlet過(guò)程的貝葉斯推理算法對(duì)可信記錄做概率分布評(píng)估，得到對(duì)移動(dòng)終端的可信度預(yù)測(cè)；
[0009]S03:采用信息增益算法實(shí)現(xiàn)特征值的選取。
[0010]在本發(fā)明一實(shí)施例中，所述步驟SOl采用基于多變量的伯努利事件模型對(duì)行為記錄分解所得的屬性詞集進(jìn)行處理。
[0011]在本發(fā)明一實(shí)施例中，貝葉斯公式中p(BiIA)表示求行為記錄A出現(xiàn)的概率下是Bi分類的概率，Bi的分類為可信記錄B1和不可信記錄B2,也就是我們所要求得的后驗(yàn)概率，先驗(yàn)概率P(Bi)可通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)獲得，似然概率P(AlBi)可轉(zhuǎn)換為屬性詞與分類的關(guān)系計(jì)算，設(shè)Xk (k=l，2...m)表示行為記錄A的屬性詞，Wk為屬性詞Xk在行為記錄A中出現(xiàn)的情況，Wk=I表示屬性詞出現(xiàn)，
Wk=O 表示屬性詞不出現(xiàn)；則有:
【權(quán)利要求】
1.一種貝葉斯算法和MapReduce相結(jié)合的信任度量方法,其特征在于,包括以下步驟: 501:采用貝葉斯過(guò)濾算法對(duì)移動(dòng)終端交互中產(chǎn)生的行為記錄進(jìn)行信任度評(píng)估，通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)集中的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，選擇最大后驗(yàn)概率作為行為記錄的信任度； 502:運(yùn)用帶Dirichlet過(guò)程的貝葉斯推理算法對(duì)可信記錄做概率分布評(píng)估,得到對(duì)移動(dòng)終端的可信度預(yù)測(cè)； 503:采用信息增益算法實(shí)現(xiàn)特征值的選取。
2.根據(jù)權(quán)利要求1所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:所述步驟SOl采用基于多變量的伯努利事件模型對(duì)行為記錄分解所得的屬性詞集進(jìn)行處理。
3.根據(jù)權(quán)利要求2所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:貝葉斯公式中P(BiIA)表示求行為記錄A出現(xiàn)的概率下是Bi分類的概率，Bi的分類為可信記錄B1和不可信記錄B2,也就是我們所要求得的后驗(yàn)概率，先驗(yàn)概率P (Bi)可通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)獲得，似然概率P (A| Bi)可轉(zhuǎn)換為屬性詞與分類的關(guān)系計(jì)算，設(shè)Xk (k=l，2...m)表示行為記錄A的屬性詞，Wk為屬性詞Xk在行為記錄A中出現(xiàn)的情況，Wk=I表示屬性詞



出現(xiàn)，Wk=O 表示屬性詞不出現(xiàn)；則有:p(A|B)=II (Wkp(xk|bi)+(1-wk)(1-p(xk|bi)))其中當(dāng)xk出現(xiàn)的概率為P(XkIBi), Xk不出現(xiàn)的概率為(1-P(XkIBi)),那么得:
4.根據(jù)權(quán)利要求1所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:所述步驟S02中，每個(gè)可信記錄被劃分為5個(gè)級(jí)別:完全信任，比較信任，一般信任，不大信任，不信任，并且每條可信記錄由貝葉斯過(guò)濾器劃分到這五個(gè)級(jí)別。
5.根據(jù)權(quán)利要求4所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:移動(dòng)終端F與其他終端的可信記錄歷史信息，我們記為Hf，Hf= {H1;...，HJ，其中Hi表示每一次移動(dòng)終端F與其他終端間交互產(chǎn)生的交互記錄；氏定義為一個(gè)元組<ei，屯，W ei為信任級(jí)別估計(jì)，表示每條行為記錄的可信評(píng)估，Cli表示可信記錄產(chǎn)生時(shí)間，ti記錄當(dāng)前與移動(dòng)終端F交互的目標(biāo)節(jié)點(diǎn)。
6.根據(jù)權(quán)利要求5所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:Ee表示目標(biāo)節(jié)點(diǎn)G的可信度，5 = (Cr丨..表示云平臺(tái)上獲得的目標(biāo)節(jié)點(diǎn)可信記錄分別為5個(gè)信任級(jí)別時(shí)的次數(shù)，假設(shè)每種級(jí)別出現(xiàn)的先驗(yàn)概率分布為均勻分布，即每種出現(xiàn)的概率為1/k; =(和.//,Μ表示目標(biāo)節(jié)點(diǎn)G可信記錄分別為5個(gè)級(jí)別時(shí)的隨機(jī)變量，且Σ μ i=l ；根據(jù)Dirichlet分布公式:
7.根據(jù)權(quán)利要求6所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:實(shí)際中，“不大信任”級(jí)別亦是可信度的負(fù)面級(jí)別，當(dāng)其超過(guò)一定范圍時(shí)也可給用戶作出預(yù)警，因此，我們將對(duì)Ee作出修改得E’e，表示目標(biāo)節(jié)點(diǎn)超出信任范圍的預(yù)警評(píng)估數(shù)，公式如

8.根據(jù)權(quán)利要求7所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:提出參數(shù)Conf，用于判斷E’ G是否可靠，
9.根據(jù)權(quán)利要求6所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在于:引入一個(gè)權(quán)重因子ω，表示時(shí)間因素對(duì)可信記錄的影響，每條可信記錄發(fā)生的時(shí)間為Cli，則有
10.根據(jù)權(quán)利要求6所述的貝葉斯算法和MapReduce相結(jié)合的信任度量方法，其特征在
【文檔編號(hào)】G06N3/00GK103455842SQ201310397770
【公開(kāi)日】2013年12月18日 申請(qǐng)日期:2013年9月4日 優(yōu)先權(quán)日:2013年9月4日
【發(fā)明者】鄭相涵, 徐凌珊, 陳哲毅, 郭文忠, 陳國(guó)龍 申請(qǐng)人:福州大學(xué)