一種基于時滯弱化策略的通用信度重估模型

韓志耕,陳 耿,王良民,蔣 健

(1.南京審計學(xué)院工學(xué)院,南京211815;2.江蘇大學(xué)計算機(jī)科學(xué)與通信工程學(xué)院,江蘇鎮(zhèn)江212013;

3.東南大學(xué)計算機(jī)科學(xué)與工程學(xué)院,南京211189)

一種基于時滯弱化策略的通用信度重估模型

韓志耕1,陳 耿1,王良民2,蔣 健3

(1.南京審計學(xué)院工學(xué)院,南京211815;2.江蘇大學(xué)計算機(jī)科學(xué)與通信工程學(xué)院,江蘇鎮(zhèn)江212013;

3.東南大學(xué)計算機(jī)科學(xué)與工程學(xué)院,南京211189)

為提高信度評估的可靠性,從改善信度評估時效性角度出發(fā),提出一種改進(jìn)的通用信度重估模型GMRR。該模型借助原始信度、歷史信度、信度波動率和信度波動趨勢4種基礎(chǔ)數(shù)據(jù),實(shí)現(xiàn)了信度評估時效性機(jī)制與現(xiàn)有信度重估機(jī)制的有效集成,從多個維度對原始信度展開重估。給出信度評估時效性機(jī)制采用的時滯弱化策略、GMRR模型描述及分量計算算法,對模型的信度重估效果進(jìn)行實(shí)驗(yàn)評估,結(jié)果表明,與現(xiàn)有信度重估模型相比,該模型獲得的重估信度接近于目標(biāo)實(shí)體的真實(shí)行為,同時能抑制惡意實(shí)體的策略波動行為。

信度重估;策略行為;時效性機(jī)制;信度波動趨勢;行為逼近;惡意行為抑制

1 概述

近年來,隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展和信息系統(tǒng)互聯(lián)的廣泛存在,催生出大批動態(tài)協(xié)作服務(wù)系統(tǒng),該類系統(tǒng)中服務(wù)交互雙方之間通?；ゲ宦?lián)系,使得在沒有任何先期交互經(jīng)驗(yàn)或先驗(yàn)知識的情況下,會引發(fā)一系列潛在的交互風(fēng)險［1］。當(dāng)前規(guī)避此類風(fēng)險的通常做法是部署基于信度(信譽(yù))的信任系統(tǒng)［2］。此類系統(tǒng)的主要功能為:一方面基于信度對信息實(shí)施聚集、過濾和排序,進(jìn)而幫助服務(wù)交互方篩選到合適的交互對象;另一方面借助信度的行為優(yōu)劣衡量標(biāo)準(zhǔn),督促實(shí)體不斷改善自身行為。當(dāng)然上述功能的實(shí)現(xiàn)還依賴于信度的可靠評估。

作為一種復(fù)雜的社會關(guān)系,信任所具備的動態(tài)性和模糊性使得信度成為一種很難度量的抽象心理認(rèn)知。為了提高信度評估的可靠性,當(dāng)前研究集中在評價因子選取和信度合計2個方面:(1)評價因子的選取通常與應(yīng)用強(qiáng)相關(guān),這方面較新穎的研究包括:文獻(xiàn)［3］提出信任蟻群系統(tǒng)TACS,通過信息素痕跡來標(biāo)識相鄰實(shí)體間的信任程度;文獻(xiàn)［4］依據(jù)控制權(quán)、所有權(quán)、預(yù)防和安全4個因子來評估云服務(wù)的信任度,并指出強(qiáng)化控制和透明度可抬升云服務(wù)的信度。文獻(xiàn)［5］提出社交網(wǎng)絡(luò)中基于用戶上下文的信任度計算方法,將社交網(wǎng)絡(luò)中用戶之間的信任度分為熟悉性產(chǎn)生的信任度和相似性產(chǎn)生的信任度;文獻(xiàn)［6］提出一種面向醫(yī)療安全的信任模型,將醫(yī)療信息質(zhì)量、服務(wù)質(zhì)量、信息提供者自身信度作為衡量因素。(2)信度合計通常與應(yīng)用弱相關(guān)。在直接信度合計方面,出現(xiàn)了簡單平均［7］、貝葉斯［8］和信任邏輯［9］等計算方法;在推薦信度合計方面,最初使用最多的簡單求和方法易遭惡意攻擊,攻擊者可隨意哄抬自身信度或貶低他人信度,避免此問題的解決方法是將推薦人可信度作為推薦信度［10-11］。與上述角度不同,文獻(xiàn)［12］針對已有信度合計忽略預(yù)測方差、且過度依賴系統(tǒng)信度知識的問題,提出了一種信度評估模型RLM,該模型將信度預(yù)測方差作為信度合計時的推薦信度可信度。

然而上述研究均未對影響信度評估可靠性的時延(時滯)問題給予關(guān)注。信任關(guān)系的動態(tài)性表明其會隨著行為上下文的變化而發(fā)生改變,這要求對信度的評估必須顧及整個行為上下文［13］;然而信度評估固有時延的存在卻使得完整顧及整個行為上下文成為不可能:從微觀層面來講,評估證據(jù)的構(gòu)建僅能關(guān)注當(dāng)前(評估)時間點(diǎn)之前的上下文行為,卻無法顧及當(dāng)前時間點(diǎn)及以后的上下文行為,而該段上下文對于當(dāng)前信度的評估尤為重要。為解決該問題,本文從改善信度評估時效性角度出發(fā),提出一種基于時滯弱化策略的信任重估模型,該模型的特點(diǎn)在于僅借助原始信度、歷史信度、信度波動率和信度波動趨勢4種基礎(chǔ)數(shù)據(jù),實(shí)現(xiàn)了信度評估時效性機(jī)制與現(xiàn)有信度重估機(jī)制的有效集成,可從多個維度對原始信度展開重估,提高信度評估的可靠性。

2 時效性機(jī)制

2.1 信度評估時延

一般來講,目標(biāo)實(shí)體行為從發(fā)生到信度評估結(jié)果的形成,中間會涉及到行為證據(jù)采集、評估特征提取、信度計算等環(huán)節(jié),需要經(jīng)過一定的處理時間,而在這段時間后目標(biāo)實(shí)體通常又會表現(xiàn)出新的行為。如圖1所示,t1,t2和t3是目標(biāo)實(shí)體行為上下文空間內(nèi)的 3個不同時間點(diǎn)(t1＜t2＜t3);t1為行為behavior1的發(fā)生時間點(diǎn);t2為behavior1的評估時間點(diǎn)(即評估結(jié)果產(chǎn)生的時間點(diǎn)),同時也是行為behavior2的發(fā)生時間點(diǎn);t3是行為behavior2的評估時間點(diǎn)。時間點(diǎn)t2處獲得的信度評估結(jié)果僅能表征(t2-t1)時間長度之前的行為 behavior1,而行為behavior2的評估結(jié)果則需經(jīng)過(t3-t2)時間長度后才能獲得,而該段時間長度后目標(biāo)實(shí)體通常又會表現(xiàn)出新的行為。

圖1 信度評估時延示意圖

定義1(信度評估時延) 設(shè)t1和t2(t1＜t2)分別是待評估行為behavior的發(fā)生時間點(diǎn)和信度評估時間點(diǎn),則時間段(t2-t1)稱為信度評估時延。

信度評估時延根源于信度計算在時序上滯后于被評估行為,消除信任評估時滯需要在信任評估證據(jù)中納入當(dāng)前行為,然而這在時間序列上難以實(shí)現(xiàn)。然而,倘若存在某種機(jī)制能夠?qū)δ繕?biāo)實(shí)體短期未來行為進(jìn)行預(yù)測,勢必會弱化信任評估的時滯性,從而增強(qiáng)信度評估的可靠性。

2.2 時滯弱化策略

定義2(時滯弱化策略) 給定信度評估算法EVA(entity,behavior)、實(shí)體行為BH(entity,x)(0≤BH(entity,x)≤1)、信度函數(shù)TV(entity,x)(0≤TV(entity,x)≤1)(x為時間),以及行為預(yù)測算法FC(behavior,D,SD),則對實(shí)體n而言,若其在時刻t處真實(shí)行為為BH(n,t)、原始信度波動率為D=(TV(n,x))′|x=t、原始信度波動趨勢為SD=(TV(n,x))″|x=t;則其在時刻t處獲得的時滯弱化后的信度為:

TV′(n,t)≈EVA(n,FC(BH(n,t),D,SD)) (1)

針對4種信度波動原子模式,如圖2所示,有:

圖2 信度波動的4種原子模式

依據(jù)式(1)和式(2),有:

為方便迭代計算,將式(3)描述為:

在式(4)中,δ＞0為時滯弱化強(qiáng)度系數(shù);波動率D定義為弱化方向系數(shù)(獎或懲);定義為弱化的單位粒度。

2.3 策略效果分析

定義3(信度距離) 給定實(shí)體真實(shí)行為BH(n,t) (0≤BH(n,t)≤1)和針對該行為的信度評估結(jié)果TV(n,t)(0≤TV(n,t)≤1),則該評估的信度距離為:

定義4(評估逼近度) 給定實(shí)體真實(shí)行為BH(n,t)和信度距離TD(BH,TV),則評估逼近度為:

TA(BH,TD)=1-TD(BH,TV)/BH(6)

定義5(評估可靠度) 給定實(shí)體真實(shí)行為BH(n,t),以及2種信度評估結(jié)果TV1(n,t)(對應(yīng)的評估逼近度為TA1)和TV2(n,t)(評估逼近度TA2);若有TA1≤TA2成立,則稱TV2在評估BH(n,t)上比TV1可靠程度高。

定理1 時滯弱化策略可以提高信度評估的可靠度。

證明:設(shè)BH(n,t)(0≤BH(n,t)≤1)為實(shí)體行為,TV(n,t)(0≤TV(n,t)≤1)為時滯弱化之前的實(shí)體信度,對應(yīng)的信度距離TD=TD(BH,TV),評估逼近度為TA=TA′BH,TD);TV′(n,t)為時滯弱化之后的信度,且有TV′(n,t)=TV(n,t)+δ×D×,對應(yīng)的信度距離為TD′=TD(BH,TV′),評估逼近度為TA′=TA(BH,TD′)。下面證明4種原子模式下TA≤TA′恒成立。

原子模式1:行為呈現(xiàn)突發(fā)惡化趨勢,即D＜0且SD＜0,由于δ＞0,故,結(jié)合圖3(a),有成立,據(jù)定義3有TD′＜TD,由定義4有TA≤TA′,由定義5有TV′(n,t)在評估BH(n,t)上比TV(n,t)可靠度高。

原子模式2～原子模式4圖3(b)～圖3(d)證明類似,具體過程略。

圖3 4種原子模式下的評估逼近度

3 信度重估模型

3.1 模型描述

文獻(xiàn)［14］提出了信度重估模型(Srivatsa),借助原始信度、歷史信度和信度波動率這三維基礎(chǔ)數(shù)據(jù)對原始信度展開重估。Srivatsa未處理評估時延,本節(jié)利用時效性機(jī)制對其實(shí)施改進(jìn),新模型(簡稱GMRR)描述如下:

GMRR模型從4個方面來改善信度評估的可靠性:

(1)通過D分量的加權(quán)(即γ×R′(t))來度量實(shí)體行為的突發(fā)波動;

(2)通過加權(quán)平均I分量、D分量和SD分量(即來區(qū)分實(shí)體行為的改善與惡化;

(3)通過加權(quán)平均P分量與I分量(即α×來容忍實(shí)體無意識的錯誤行為和反映實(shí)體的一致性行為;

(4)通過加權(quán)平均D分量與SD分量來增強(qiáng)信度評估的時效性。其中,P為原始信度;I為歷史信度;D為信度波動率;SD為信度波動趨勢;P1為度量實(shí)體行為的突發(fā)波動;P2為區(qū)分實(shí)體行為的改善與惡化;P3為容忍實(shí)體無意識的錯誤行為;P4反映實(shí)體的一致性行為;P5為改善信度評估的時效性。

GMRR模型如圖4所示。

圖4 GMRR信度重估模型

3.2 分量計算

令R［i］,H［i］,D［i］,SD［i］和TV［i］分別標(biāo)識目標(biāo)實(shí)體在時刻i處的原始信度、歷史信度、信度波動率、信度波動趨勢,以及最終的重估信度。H［i］和D［i］的計算方法來自Srivatsa模型,下面給出SD［i］和TV［i］的計算方法。

算法1 TRUST-FLUCTUATION-TREND//計算信度波動趨勢

輸入D(信度波動率時序集合),maxDH(最大回溯時間槽數(shù)),θ(信度波動率關(guān)注因子),i(待計算的信度波動趨勢所在時刻)

輸出i時刻信度波動趨勢SD［i］

算法2 TRUST-REVALUATION//信度重估

輸入R(原始信度時序集合)、ρ(原始信度關(guān)注因子)、θ(信度波動率關(guān)注因子)、i(待重估信度所在時刻)、α(原始信度權(quán)重)、β(歷史信度權(quán)重)、γ(信度波動率權(quán)重)、δ(時效性權(quán)重)

輸出 原始信度R［i］的重估信度TV［i］

算法2中maxH,maxDH,α,β,γ和δ設(shè)置方法如下:

(1)依據(jù)2個方面的事實(shí)(即較大信度歷史更利于最大化惡意實(shí)體信度恢復(fù)代價,惡意實(shí)體為最小化自身代價會選擇策略振蕩周期為maxH),一般將maxH設(shè)置為策略波動行為的振蕩周期;

(2)將maxDH設(shè)置為maxH,以實(shí)現(xiàn)信度波動率與信度波動趨勢的同步更新;

(3)為最大限度地一致性反映實(shí)體的全局行為,設(shè)置β/α正比于maxH;

(4)設(shè)置:

從而保證對行為惡化的懲罰不小于對行為改善的獎賞,以激勵實(shí)體表現(xiàn)出誠實(shí)行為;

(5)設(shè)置:

通過加大對突發(fā)波動行為的時滯弱化,以使重估信度更能及時地表征策略波動行為。

4 模型性能分析

實(shí)驗(yàn)設(shè)置為:(1)目標(biāo)實(shí)體總數(shù)為1 025,其中誠實(shí)實(shí)體與惡意實(shí)體之比為4:1,且僅惡意實(shí)體會實(shí)施策略波動行為;(2)原始信度評估采用簡單求和方法;(3)權(quán)重系數(shù)α為0.2,β為0.8,γ1為0.05和γ2為0.2,δ1為0.05|0.1和δ2為0.2|0.4;(4)策略行為振蕩周期為 10個時間片;(5)maxDH=maxH=10。

實(shí)驗(yàn)1 策略波動行為原子狀態(tài)檢測

針對圖5(a)給出了本實(shí)驗(yàn)所采用的突發(fā)波動行為模型,圖5(b)給出了所檢測到的原子行為狀態(tài)(即二元組＜波動率,波動趨勢＞),可以看出,該行為含有4種原子行為狀態(tài):行為突發(fā)惡化狀態(tài)(D＜0&SD＜0)、惡意行為持久化狀態(tài)(D≤0&SD≥0)、行為突發(fā)改善狀態(tài)(D＞0&SD＞0)和誠實(shí)行為持久化狀態(tài)(D≥0&SD≤0)。

圖5 突發(fā)波動行為

實(shí)驗(yàn)2 評估逼近度比較

針對圖5中突發(fā)波動行為,圖6展示了在相同信度波動率下θ對信度波動趨勢的影響。可以看出,信度波動趨勢絕對值在ρ=1&θ=1時明顯大于ρ=1&θ=0.75時,這表明θ越大,獲得的時滯弱化單位粒度也就越大。

圖6 不同θ對時滯弱化單位粒度的影響

在圖6基礎(chǔ)上,圖7比較了GMRR和Srivatsa的評估逼近度?？梢钥闯?(1)在時滯弱化方向系數(shù)相同(γ1=0.05&γ2=0.2)的情況下,前者獲得的信度距離明顯小于后者,這表明GMRR能夠提高評估逼近度;(2)就GMRR自身而言,在相同時滯弱化強(qiáng)度下(δ1=0.05&δ2=0.2),時滯弱化單位粒度越大(θ= 1＞0.75),GMRR提供的評估逼近度也就越大。

圖7 時效性機(jī)制對評估逼近度形成的影響

圖8 展示了GMRR中不同弱化強(qiáng)度系數(shù)對評估逼近度形成的影響。在相同關(guān)注度下(ρ=1&θ= 1),強(qiáng)度系數(shù)越大［δ1(0.1＞0.05)&&δ2(0.4＞0.2)］,GMRR提供的評估逼近度也就越大。

圖8 弱化強(qiáng)度對評估逼近度形成的影響

實(shí)驗(yàn)3 惡意行為抑制對比

本文實(shí)驗(yàn)通過比較交互成功率來評估新舊模型的惡意行為抑制力。在惡意實(shí)體占比相同的環(huán)境下,交互成功率越低,說明惡意行為抑制力越明顯。

設(shè)置惡意實(shí)體和誠實(shí)實(shí)體信度閾值分別為0.3和0.6。從圖9可以看出,在惡意實(shí)體占比較高時(如40%),GMRR與Srivatsa抑制效果大致相等,但在占比較低時(如20%),GMRR對惡意行為表現(xiàn)出更好的抑制效果,隨著交互總量的不斷增多,這種抑制力差別更明顯。

圖9 抑制效果對比

圖10 比較了2種模型的惡意行為抑制穩(wěn)定性。可以看出在惡意實(shí)體占比相同(20%)時,隨著惡意實(shí)體信度閾值的改變(信度閾值由0.2升為0.6), GMRR具有同Srivatsa一樣的惡意行為抑制穩(wěn)定性。

圖10 抑制穩(wěn)定性對比

5 結(jié)束語

針對現(xiàn)有信度評估模型沒有關(guān)注評估時效性的問題,本文提出一種基于時滯弱化策略的通用信度重估模型,該模型通過將信度評估時效性機(jī)制與現(xiàn)有重估機(jī)制進(jìn)行集成,大大提高了信度評估結(jié)果與真實(shí)行為逼近度,同時能抑制目標(biāo)實(shí)體的策略惡意行為。下一步工作將對本文提出的時效性機(jī)制進(jìn)行擴(kuò)展,使其能夠應(yīng)用于更多的信度評估模型。

［1］Josang A,Ismail R,Boyd C.A Survey of Trust and Reputation Systems for Online Service Provision［J］. Decision Support Systems,2007,43(2):618-644.

［2］Golbeck J.Weaving a Web of Trust［J］.Science,2008, 321(5896):1640-1641.

［3］Felix G M,Gregorio M P,Antonio F G S.TACS:A Trust Model for P2P Networks［J］.Wireless Personal Communications,2009,51(1):153-164.

［4］Khaled M K,Qutaibah M.Establishing Trust in Cloud Computing［J］.IT Professional,2010,12(5):20-27.

［5］喬秀全,楊 春,李曉峰,等.社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計算方法［J］.計算機(jī)學(xué)報, 2011,34(12):2404-2413.

［6］Sojen P,Valerie G.Towards a New Trust Model for Health Social Networks［C］//Proceedings of ICIW’13. Rome,Italy:IARIA XPS Press,2013:52-57.

［7］Resnick P,Zeckhauser R,Swanson J,et al.The Value of Reputation on eBay:A Controlled Experiment［J］. Experimental Economics,2006,9(2):79-101.

［8］Zhang Y,Fang Y.A Fine-grained Reputation System for Reliable Service Selection in Peer-to-Peer Networks?［J］.IEEE Transactions on Parallel and Distributed Systems,2007,18(8):1134-1145.

［9］Wang Y,Singh M P.Trust Representation and Aggregation in Distributed AgentSystems［C］// Proceedings of AAAI’06.Washington D.C.,USA: IEEE Press,2006:236-245.

［10］Kamvar S,Schlosser M, Garcia-Molina H.The Eigentrust Algorithm for Reputation Management in P2P Networks［C］//Proceedings of the 12th WWW’03. Washington D.C.,USA:IEEE Press,2003:459-467.

［11］Xiong L,Liu L.PeerTrust:Supporting Reputation-based Trust for Peer-to-Peer Electronic Communities［J］.IEEE Transactions on Knowledge and Data Engineering,2004, 16(7):843-857.

［12］Wang X F,Liu L,Su J S.RLM:A General Model for Trust Representation and Aggregation［J］.IEEE Transactions on Services Computing,2012,5(1):131-143.

［13］Chang E,Thomson P,Dillon T,et al.The Fuzzy and Dynamic Nature of Trust［C］//Proceedings of LNCS’05. Berlin,Germany:Springer-Verlag,2005:161-174.

［14］Srivatsa M,Xiong L,Liu L.TrustGuard:Countering Vulnerabilities in Reputation Management for Decentralized Overlay Networks［C］//Proceedings of the 14th International Conference on World Wide Web. Washington D.C.,USA:IEEE Press,2005:266-275.

編輯 索書志

A General Model for Reputation Revaluation Based on Time-lag Weakening Strategy

HAN Zhigeng1,CHEN Geng1,WANG Liangmin2,JIANG Jian3
(1.Institute of Technology,Nanjing Audit University,Nanjing 211815,China;
2.School of Computer Science and Telecommunication Engineering,Jiangsu University,Zhenjiang 212013,China;
3.School of Computer Science and Engineering,Southeast University,Nanjing 211189,China)

In order to improve the reliability of reputation evaluation,from the perspective of improving the timeliness of reputation evaluation,a general reputation revaluation model named GMRR based on time-lag weakening strategy is proposed.The feature of GMRR is that on the basis of four kinds of basic data such as raw reputation,reputation history, reputation fluctuation rate and reputation fluctuation trend,the new model can revaluate the raw reputation dependably from multiple dimensions by the integration of timeliness mechanism with the existing dependable reputation evaluation mechanisms.After the time-lag weakening strategy for reputation timeliness mechanism and GMRR model description and related algorithms are given,the reputation revaluation effect of new model is evaluated.Experimental results show that, compared with the Srivatsa reputation revaluation model,GMRR can make the revaluation reputation more closer to the real behavior of the target entity,and has better inhibitory effect on any fluctuation behavior of malicious entity.

reputation revaluation;strategy behavior;timeliness mechanism;reputation fluctuation trend;behavioral approach;malicious behavior inhibitory

1000-3428(2015)05-0163-06

A

TP309

10.3969/j.issn.1000-3428.2015.05.030

國家自然科學(xué)基金資助項(xiàng)目(71271117,70971067,61272074);江蘇省自然科學(xué)基金資助項(xiàng)目(BK2010331);江蘇省高校自然科學(xué)基金資助項(xiàng)目(12KJB520005,12KJD410001);江蘇省網(wǎng)絡(luò)與信息安全重點(diǎn)實(shí)驗(yàn)室基金資助項(xiàng)目(BM2003201);南京審計學(xué)院人才引進(jìn)基金資助項(xiàng)目(NSRC10033);高等教育研究基金資助項(xiàng)目(J2013004)。

韓志耕(1976-),男,講師、博士,主研方向:網(wǎng)絡(luò)安全;陳 耿、王良民,教授、博士;蔣 健,博士研究生。

2014-05-19

2014-07-05E-mail:hanzgnit@126.com

中文引用格式:韓志耕,陳 耿,王良民,等.一種基于時滯弱化策略的通用信度重估模型［J］.計算機(jī)工程,2015, 41(5):163-168.

英文引用格式:Han Zhigeng,Chen Geng,Wang Liangmin,et al.A General Model for Reputation Revaluation Based on Time-lag Weakening Strategy［J］.Computer Engineering,2015,41(5):163-168.