基于行為模式的電子交易過程中信任評估研究

摘 要:在開放動態的網絡環境中，交易者的行為信任問題已經成為電子商務發展的重要障礙。提出了以交易過程中呈現出的行為模式為證據的信任評估方法。該方法通過構建行為模式匹配級和可信屬性為節點的貝葉斯網可信評估模型，計算推導出電子交易過程中消費可信指數和銷售可信指數的等級。在一個實際的電子交易平臺上驗證了該方法的有效性。

關鍵詞:信任評估; 電子交易; 交易行為; 行為模式

中圖分類號:TP393 文獻標志碼:A

文章編號:1001-3695(2010)03-0945-03

doi:10.3969/j.issn.1001-3695.2010.03.037

Research on credit assessment based on trade behavior for e-commerce

WANG Zhi-bing， LI Chang-yun

(School of Computer Communication， Hunan University of Technology， Zhuzhou Hunan 412008， China)

Abstract:The open dynamic internet has made traders’ credit the significant obstacle to the development of e-commerce. This paper put forward that credit assessing could be based on the trade behavior. With this method presented a bayes model for assessment， composed of nodes of behavior pattern matching levels and nodes of credibility attributes; and the grade of the consumption credit index and that of the seller credit index could be inferred. The effectiveness of this method has been verified by an actual electronic trading platform.

Key words:credit assessment; e-commerce; trade behavior; behavior pattern

0 引言

伴隨互聯網的發展，電子商務迅速崛起，2009年第1季度國內電子交易規模達到467億元，但僅29.2%的網民認可網上電子交易安全[1]。如何在開放動態的網絡中建立一套完善的信用評價模型，全面客觀地反映交易各方的信用表現，提高網上交易的安全，已變得極為關鍵[2～4]。用戶信任不僅包括對用戶的身份信任，也包括對用戶的行為信任。傳統的以授權和認證為基礎的安全機制主要針對用戶的身份信任問題，對用戶的行為信任問題并不是特別有效[5]。例如，在數字化電子資源的訂購方面，校園網用戶可以合法下載文章，但如果利用下載工具大量下載文章，其行為可能是不可信的。目前，淘寶、易趣等大多數的電子交易網站主要采用累加信任模型或平均值信任模型通過累加計算用戶的信譽反饋評分或累加后除以評分次數得到用戶的信用積分，來形成用戶的信用記錄和信用度，并最終確定用戶的信用等級。用戶某一時刻的信用總積分為所有交易得分的代數和或平均值，且不同的信用積分對應不同的信用等級[6]。這種方式存在評價過于主觀、信用積分只與交易次數有關、難以處理詆毀及合謀欺詐等問題[7]。

針對電子交易中的行為信任問題，本文提出了一種以交易過程中呈現出的行為模式為證據的可信評估方法。行為模式是軟件可觀察行為中可能反復出現的具有某些特征的事件序列，是軟件可信性在軟件運行態中的一種外在指標。通過構建以行為模式匹配級為節點的貝葉斯網可信評估模型，計算由監測服務獲得的實際交易行為與由專家經驗設定的行為模式的匹配度及匹配級，以模式匹配級為條件，通過貝葉斯網的概率計算，推導出電子交易過程中消費可信指數和銷售可信指數的等級。該方法融合了用戶信任評估中的專家主觀經驗與實際交易行為，有效改善了目前信任評估主觀性過強、信任積分只與交易次數有關等不足。

1 基本思想

基于交易行為信息的可信性評估的基本思想是以買家、賣家在交易過程中呈現出的交易行為為證據進行買賣雙方的信任評估。它的整體模型如圖1所示。通過電子交易平臺中的監測點，行為監測服務監測、收集和組織軟件在運行過程中的可觀察行為;參照根據領域專家經驗建立的行為模式庫，對可觀察行為進行模式匹配;根據匹配結果和可信評估模型，對可信屬性進行評估。

行為監測服務的任務是收集軟件在電子交易平臺運行過程中的可觀察行為。通過包裝器方法、AOP方法等技術監視和收集系統與外界的交互事件，以及系統內部構件之間的交互事件。監測服務的另一個任務是如何組織好這些交互事件。組織的方法根據應用目的的不同，可以以任務為線索，也可以以事件發生源構件或事件目標構件為線索，最終形成一個事件序列。行為模式由應用領域專家根據以往的經驗知識預先設計并使用模式語言描述，存放在行為模式庫中。以監測服務收集和組織的交互事件序列為源，以模式庫中的行為模式為參照，進行模式匹配，計算事件序列匹配到哪些行為模式及其匹配度和匹配級。可信屬性評估模型是貝葉斯網模型，它的一部分節點為模式匹配級，另外部分節點為用戶可信屬性。以模式匹配級為條件，通過貝葉斯網的概率計算，可以得出可信屬性各等級的概率，取概率最大的等級為可信屬性的評估值[8，9]。

2 評估模型及可信值計算

2.1 設定行為模式

行為模式是軟件可觀察行為中可能反復出現的具有某些特征的事件序列，是軟件可信性在軟件運行態中的一種外在指標。行為模式主要由跡模式構成。所謂跡指的是事件序列片斷，跡模式則是對跡的抽象和概括。為表示相似跡的共性和統計特性，跡模式使用以事件標志為字母的正則表達式來描述。例如，跡模式(a*b)表示以事件a開始中間接若干任意事件并以事件b結束的跡，如ab、acdeab和afcb等;跡模式“(ab){2，6}”表示事件a和b交替出現2~6次的跡，如abab、abababab等。

行為模式由應用領域專家預先設計并使用模式語言描述，存放在行為模式庫中。通過對大量電子交易過程的觀察和分析，設定如下五種行為模式:

a)(Pa)。買家搜索商品(search)- 買家下訂單(order)-買家預付款(imprest)-買家確認收貨(accept)，跡模式表示為(soi) {1，}*a。

b)(Pb)。買家下訂單(order)-賣家確認，修改價格(modification)-買家預付款(imprest)-賣家發貨(consignment)-買家收貨、付款(payment)，跡模式表示為。(o*m*i*c*p) {1，}。

c)(Pc)。賣家查看訂單(examine)- 賣家修改價格(modification)-查看付款信息(inquire)-發貨(consignment)，跡模式表示為:em*qc。

d)(Pd)。買家多次(兩次以上)下訂單不付款，跡模式表示為o{2，}*(^p)。

e)(Pe)。買家多次(兩次以上)下訂單、預付款而賣家不發貨，跡模式表示為(op){2，}*(^c)。

2.2 計算模式匹配度及模式匹配級

行為模式匹配是指以某個行為模式為參照，搜索事件跡中符合該行為模式的所有不交叉的子跡。為表達事件跡匹配行為模式的程度，引進匹配度的概念。對于指定的事件跡，事件跡匹配某行為模式的所有子跡的事件數相對事件跡中事件總數的比例，稱為事件跡在該模式下的匹配度。設事件跡為T，模式為P，T匹配P的子跡分別為T1，T2，…，Tk，跡中事件個數使用函數eventsum統計，則T在P下的匹配度M的計算為

M=∑ki=1eventsum(Ti，*)eventsum(T)(1)

行為模式匹配的目的之一就是計算匹配度，算法總體過程如下:首先查找并保存事件跡中符合行為模式的跡模式的所有不交叉的子跡;然后按照式(1)計算匹配度。

模式匹配級是將軟件可觀察行為對行為模式的匹配度劃分為若干個等級N，并將這些等級從高到低進行順序編號為整型變量i，i≤N，它們所代表的匹配度區間范圍從低到高的順序分別是[0，1/N]，[1/N，2/N]，…，[(N-1)/N，1]，匹配度落在哪一個范圍，匹配級就是哪一級。假設所有模式匹配級分為四級，分別為完全匹配(匹配級為1)、比較匹配(匹配級為2)、基本匹配 (匹配級為3)和不匹配(匹配級為4)。

2.3 建立評估模型

貝葉斯網絡是目前不確定知識表達和推理領域最有效的理論之一。一個貝葉斯網絡是由一些節點及連接這些節點的有向邊構成的有向無環圖。節點代表隨機變量;節點間的有向邊代表了節點間的關系，用條件概率表達關系強度。貝葉斯網絡適用于表達和分析不確定性和概率性的事件，可以從不完全、不精確或不確定的知識或信息中作出推理。因此，筆者使用貝葉斯網絡來構建可信評估模型[10，11]。

評估模型建立可信證據與可信屬性間的映射關系。在可信評估的貝葉斯模型中，節點變量有兩種類型，即模式匹配級和用戶可信屬性。設定行為模式后，分析每一種行為模式和需評估的可信屬性是否可能條件相關，從而對每一個可信屬性選擇確定其評估證據的模式集合。對于每一個可信屬性，以可信屬性為根節點，以相關模式的匹配級作為子節點，分別建立各個可信屬性的貝葉斯網絡模型的結構。對以上五種模式、消費可信指數及銷售可信指數進行分析，Pa、Pb、Pd與消費可信指數(Ca)相關，Pb、Pc、Pe與銷售可信指數(Cb)相關。貝葉斯網評估模型結構如圖2所示。

2.4 計算可信值

單模式匹配級條件下的可信屬性評估的貝葉斯計算公式為

p(Cai/Paj)=p(Paj/Cai)p(Cai)p(Paj)(2)

p(Cai)表示屬性Ca在等級i的先驗概率;如表1中，p(Ca2)為0.4。

p(Paj)表示模式Pa的匹配級j的先驗概率;如表1中，p(Pa2)為0.3。

p(Paj/Cai)表示可信屬性根節點Ca在i這個等級的條件下模式Pa在j等級下的條件概率;如表1 中，p(Pa2/Ca2)為0.25。

在相同的模式匹配級條件下，通過貝葉斯網的概率計算，計算出可信屬性各等級的概率，取概率最大的等級為該可信屬性的評估等級。

3 實驗及分析

本文方法在一個名叫信購網的C2C交易平臺上得到初步驗證。信購網使用SSH技術開發，主要包括系統管理、店鋪管理、商品管理三大模塊，具有對店鋪中的商品進行管理，對商品進行分類、開店、租店、店鋪審核、店鋪信息管理等功能。通過基于動態AOP的監測器對系統的接口數據進行監測，過濾器對監測數據進行過濾后得到系統運行跡[12]。

為確定貝葉斯網中的先驗概率參數，在已知買家的消費可信指數和賣家的銷售可信指數的前提下，使信購網在不同的典型場景下運行，由監測服務收集軟件的可觀察行為，計算出與可信屬性相關模式的匹配度乃至匹配級。同時，對于每一次運行，由領域專家判定可信屬性的等級。在信購網中，將可信屬性信任等級也分為四級，分別為非常信任(信任等級為1)、比較信任(信任等級為2)、基本信任(信任等級為3)和不信任(信任等級為4)。

表1為本文監測的信購網中10次電子交易過程的跡描述及行為模式匹配級。

表1 信購網中交易數據示例

交易過程事件跡Pa匹配級Pb匹配級Pc匹配級Pd匹配級Pe匹配級消費可信指數Ca銷售可信指數Cb

soisoiemeiqcpa1334413

oosoisoiasoaisoiaoo2444413

sosoisoieamaooiqcp2234411

aiesoioomoiqoocoiai2434423

saoiesoimoiqas3444224

aioioipsoia3444224

iaemsoioiacs3424422

aoemsoiiaqicsp4224431

asooaemqoasocampaspas4432443

osoosoaaas4442442

收集大量實驗數據后，依據本文方法對消費可信指數及銷售可信指數進行計算，結果如圖3所示。

圖3(a)是樣本數為20次時的驗證情況，當驗證次數為10次時，計算得到的消費可信指數和銷售可信指數的準確性分別為80%和70 %，隨著驗證次數的增加，其可信指數的準確性也逐步提高，當驗證次數達到50次時，其準確性分別達到88%和84%;(b)是為樣本數為40次時的驗證情況，當驗證次數為10次時，計算得到的消費可信指數和銷售可信指數準確性均達到80%，當驗證次數達到50次時，其準確性分別達到92%和86%。通過驗證試驗，說明本文方法是有效的。

4 結束語

相比已有工作，本文方法具備如下特點:

a)主觀性和客觀性相結合。本文提出的方法是以電子交易過程中的行為信息為評估證據的，因此本質上是客觀性的評估方法，但也具備主觀性評估方法的特點，如在行為模式的設計、評估模型的構建過程中需要借鑒領域專家的經驗知識。

b)以可信屬性和模式匹配級為節點的貝葉斯網評估模型，能夠從不確定性的軟件運行行為中推導出軟件的可信性。評估模型既納入了領域專家的經驗知識，又包含了客觀數據的分析結果，蘊涵了可信屬性和行為模式間的條件相關關系。

本文方法的不足之處在于需要有相關的專家經驗知識作基礎以及對無先驗知識的行為難以準確處理。

進一步的研究工作有:依據多維可信屬性的評估結果，對電子交易過程進行整體可信性綜合評估;以行為模式的匹配和分析為基礎，研究電子交易過程中買、賣雙方行為預測的模型和方法。

參考文獻:

[1]中國互聯網信息中心. 第24次中國互聯網絡發展狀況統計報告[EB/OL]. (2009-07-16).http://www.cnnic.cn/uploadfiles/pdf/2009/7/16/125126.pdf.

[2]王懷民，唐揚斌，尹剛，等. 互聯網軟件的可信機理[J]. 中國科學E 輯，2006，36(10):1156-1169.

[3]王遠，呂建，徐鋒，張林. 一個適用于網構軟件的信任度量及演化模型[J]. 軟件學報， 2006， 17(4):682-690.

[4]黃海生，王汝傳. 基于隸屬云理論的主觀信任評估模型研究[J]. 通信學報， 2008， 29(4):13-19.

[5]田立勤，林闖. 可信網絡中一種基于行為信任預測的博弈控制機制[J]. 計算機學報，2007，30(11):1930-1938.

[6]LI Qin-fang， LIU Zhong-ying. Research on Chinese C2C e-business institutional trust mechanism: case study on Taobao and Ebay(cn) [C]//Proc of International Conference on Wireless Communications， Networking and Mobile Computing. Shanghai:[s.n.]，2007: 3787-3790.

[7]JSANG 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.

[8]MAN Jun-feng， WEN Zhi-cheng， LI Chang-yun， et al. Research on running time behavior analyzing and trend predicting of modern distributed software[J]. Journal of Computers， 2009， 4(8):747-754.

[9]MAN Jun-feng， WEN Xiang-bing， WANG Zhi-bing， et al. Distributed software interactive behavior analysis based on knowledge fusion[C]//Proc of International Symposium on Information Processing. Huangshan:[s.n.]，2009:441-444.

[10]FRIEDMAN N， LINIAL M， NACHMAN I，et al. Using Bayesian networks to analyze expression data[J]. Journal of Computational Biology， 2000，7(3):601-620.

[11]WANG Yao， VASSILEVA J. Bayesian network-based trust model in peer-to-peer networks[C]//Proc of Agents and Peer-to-Peer Computing.Berlin / Heidelberg: Springer， 2005:23-34.

[12]萬燦軍，李長云. 動態演化環境中可信軟件行為監控研究與進展[J]. 計算機應用研究， 2009， 26(4):1201-1204.