面向可信和行為模式匹配的兩層服務選擇方法

孟憲佳， 馬建峰， 盧 笛， 王一川

(西安電子科技大學 計算機學院，陜西 西安 710071)

目前，日益增長的電子商務、電子政務、電子醫療等社會化活動已不斷融入人們的日常生活．然而，如何將這些不同載體、不同用戶、不同背景的應用融合，已成為不可避免的問題．面向服務的框架(SOA)正是解決這一問題的關鍵．實現Web服務在無人監管的狀態下進行自選、自組并最大限度地滿足用戶需求是當下服務計算(SOC)的研究熱點．在這一領域中，“信任”被視為基于因特網的交互和面向服務的環境(SOE)必不可少的部分．正如在文獻[1-2]中描述的，“如果要發揮SOC的全部潛力，信任是一切的基礎”．用戶本身往往由于經驗不足或是在特定的環境下與服務提供者進行交互，對服務的評價趨于主觀或片面．這樣的交互經驗用于對其他用戶的評價進行指導或者比對往往不足以為信．

開放系統內在的不確定性直接影響到用戶對他人建立正確的信任與理解．在一個存在著惡意用戶的背景中，由于服務信息的描述或評價者的個人態度和能力不同，一個本質上是誠實的評價可能被認為是不值得信賴的[3-5]．用戶為了降低被誤導的風險，也更加傾向于向自己最相似的評價者尋求建議．

針對上述問題，筆者提出一種兩層選擇的結構．第1層著眼于修正自身的交互記錄，提高內含的可用性與可信度；第2層對推薦者進行篩選，首先將惡意的、可信度低的用戶過濾掉，其次與修正過的用戶交互記錄進行比對，選擇出與用戶行為模式最為相近的鄰居作為推薦者．

1 二層選擇結構

圖1 選擇流程示意圖

1.1 第1層(自優化)

用戶C在以往與服務提供者Pr的交互過程中能夠生成一份交互記錄，這份記錄包括了用戶達到需求的交互次數a以及未達到需求的交互次數b．用這份記錄來刻畫用戶對服務的信任度．

假設C與Pr成功交互的概率為P，C對Pr的信任度用貝塔分布來描述[6-7]:

同時，將用戶C對服務提供者Pr信任度的準確度進行量化，用c表示準確度[8]:

c是一個在區間[0，1]的數．

由于用戶對某服務的交互經驗不足或者交互環境的差異，會對一個服務提供者的評價與服務提供者本身的可信度不符．筆者提出結構的第1層結構著力于解決這一問題．首先引入貝塔分布的傾斜度來描述不同的可信度分布函數的差異．用S來表示傾斜度[9]，即

S(B(P;a，b))=2(b-a)(a+b+1)1/2/((a+b+2)(ab)1/2) ．

傾斜度很直觀地反映出對一個服務可信度的全局趨勢．當S為負值時，可信度曲線高度集中在右半部分，左側只有尾部；當S為正時，反之．

用戶C的鄰居集合N= {N1，N2，…，Ni}．

C對Prj的傾斜度S(C，Prj)=2(b-a)(a+b+1)1/2/ ((a+b+2)(ab)1/2)．

圖2 C與群體有相似信任趨向

第1種情況，用戶C與群體的信任傾斜度同向，D>0，表明C與群體具有相似的信任趨向，依然使用C自身的交互記錄a和b，圖2描述了這一情況．實線表示用戶的信任度函數，交互記錄a=5，b=2；虛線表示群體的信任函數，交互記錄A=53，B=23．

g的計算方法為g=E(Ni，Prj)Ci，其中，E(Ni，Prj)表示用戶N與服務提供者Prj交互產生期望結果的概率，E(Ni，Prj)= (ai+1)/ (ai+bi+2)．

圖3描述了第2種情況．實線表示用戶的信任度函數，交互記錄a=2，b=5；虛線表示群體的信任函數，交互記錄A=53，B=23．

圖3 C與群體有相背信任趨向且經驗不足圖4 C與群體有相背信任趨向且經驗充足

1.2 第2層(鄰居評估)

首先通過計算用戶與鄰居對每個服務提供者的不同認識和其準確度的差異，來篩選出最優秀的能為用戶提供建議的鄰居．接下來通過不同的建議者對各個鄰居以及用戶的評價來確定行為模式與用戶最為接近的鄰居，進而采取其意見[10]．

1.2.1 計算各個鄰居的優勢度

較低的準確度會影響用戶對一個服務提供者的評定，即使一個服務擁有高的可信度，但是其準確度很低，依然無法對其進行公正的判斷．用戶需要按照其自身的經驗與各個鄰居進行比對，計算出準確度的差值用于衡量鄰居的準確度[9, 11]，即

一個服務提供者可能會在大部分時間或接受請求時提供滿足需求的服務，而在不滿足特定條件的情況下不提供服務，這與用戶的行為模式有著密切的關系．為了描述這一問題，比對E(C，Prj)和E(Ni，Prj)，得到

為了確定各個鄰居的優勢度Ysup(Ni)，綜合以上兩個方面得到

在得到各個鄰居的優勢度后，用戶可選擇滿足條件的鄰居．選取標準取決于用戶自身的需求，通常有兩種方式：第1種是用戶根據精確度的要求，選擇優勢度達到特定標準的用戶．在這種情況下，選擇標準是一個固定的值．第2種方式，用戶需要在所有的鄰居中選擇一定數量的鄰居作為建議者，那么優勢度的臨界條件是一個動態的值，該值是由鄰居的總數和選取的比例決定的．在這一步驟中，將過濾掉大部分描述不準確或者可信度低的鄰居，對剩下的鄰居將進行更深一步的分析．

1.2.2 行為模式比對

每個評價者對一個服務都會有某種服務質量的考量，比如價格、性價比、資源消耗、速度等，這些考量不同程度地反映著該評價者對于此服務的偏好．為了能使用戶選擇出最具有參考價值的鄰居，必須考慮用戶對于服務的選擇偏好，從而找到一個和用戶行為模式或選擇偏好最為相似的鄰居．假設對于服務提供者Prj有m種基于不同偏好的評價，用PF(Prj，Am，T)來記錄．T是一個[1，10]之間的常數，T的取值方法如下：在所有的評價的時間記錄中，以最早的交互的時間記錄與最后交互的時間的跨度為時間區間長度，平均分為10段，并分別用1到10記錄，1代表最近的時間段，2稍晚于1，……，10是距現在最遠的時間．PF用一個權值和評價值的二元組{Wm，Vm|m=1，2，…，m}來量化．用戶和鄰居的偏好相似度用PF來進行比較．為了能夠區別用戶和鄰居，用戶的PF值用{CWm，CVm|m=1，2，…，m}表示．不同的鄰居偏好可能存在著極大的差異，從而使權值Wm難以在統一標準下定量．所以，將和用戶進行比較的鄰居的PF升級為{CWm，Vm|m=1，2，…，m}，以下給出用戶和鄰居偏好差異的計算方法:

式中，λ表示時間影響因子，取值為(0，1]的常數．當λ取1時，表示需要無差別地考慮任何時期的評價；當λ取值接近零時，越近期的評價越受到重視．

當DPF(Ni)確定后，按照用戶的需求選擇差異最小的鄰居或是一個閾值范圍內的鄰居作為建議者．

2 算法分析

在多代理系統和云計算環境下，為了衡量用戶的信任值和避免不公正的評價，學者們提出了多種方案．Josang等[6]提出了一種基于貝塔分布的信任系統，但是這種系統僅僅能提供線性的信任評價，并且對于不公正評價的過濾能力較低．Yu和Singh 提出了一種分布式的評價管理模型，此模型能夠較好地定位正確的評價，并且過濾惡意的用戶，但是這種模型利用單一的評價標準管理不同類型的評價，隨著用戶交互對象的增加，信任數據很難準確．筆者提出的方案與以上提及的依靠評估建議者的不公正評價的概率建立信任關系的機制不同，通過多層的過濾，考慮多維度的要素，綜合計算建議者的信任值．也就是說，不僅評估用戶的評價信息，并且將其行為特點作為考慮內容，綜合得出建議者的信任值．在這種模式下，每一個用戶不同行為特征是能夠通過多維度評級方法客觀地評估建議者的相似程度．此外，用戶自適應地對不同的用戶采用不同的信任評價標準，非常適合各類建議者．算法具體流程如圖5所示．

圖5 算法流程圖

3 實驗結果

筆者提出的兩層選擇結構可以有效地用在數字家庭社區等公開可評論環境中，以下分別對自優化層和鄰居選取層進行充分的實驗．

為了更好地說明自優化層的實驗結果，把用戶按照誠實度和能力(h，e)進行劃分[12-13]．如圖6所示，區域1的用戶既缺乏專業知識也不誠實，他們對服務的描述極不準確．區域2的用戶缺乏Web服務方面的知識，但是能夠準確地描述自己的感受，由于對Web服務知識的缺乏，他們的描述趨于主觀，不能客觀地反映服務本身．區域3的用戶極為危險，他們擁有專業知識并且不誠實，這意味著他們的評價往往與事實相反．區域4的用戶是最理想的用戶，評價專業并且誠實，他們對服務的評價十分客觀．設置自優化層的目的即是要使用戶的交互記錄盡可能地接近于理想用戶，為此用100位鄰居與30組服務提供者的交互記錄來對用戶數據進行優化．圖7表明，在不公正記錄的百分比不斷提高的情況下，未優化的用戶記錄與理想用戶的記錄差異增加很快，而經過自優化后可以取得令人滿意的結果．

圖6 不同用戶分類

在鄰居選取層，筆者對擁有不同經驗鄰居的優勢度進行了評估．對鄰居N擁有5個服務交互者以及100個服務交互者在不同不公正評價百分比的情況下的優勢度進行比較，實驗結果如圖8所示．結果表明，隨著不公正評價的增多，N的優勢度不斷降低．同樣也說明，用戶即使在很少服務提供者的情況下，也能有效地評估N的優勢度．

在對鄰居行為模式的差異度計算方面，選取30位鄰居與5個評價者對5種服務進行評價來進行有效性的測試，時間影響因子λ=0.6．表1是部分鄰居差異度的計算結果．N1與N2的評價相同，而由于評價時間不同造成了較大的區別．N3與用戶C的評價相去甚遠，因此有較大的差異度．

4 總 結

圖7 不公正評價不同百分比下用戶與理想用戶的相似度圖8 不公正評價不同百分比下鄰居的優勢度

表1 鄰居行為差異度表

[1] Falcone R, Castelfranchi C. Generalizing Trust: Inferencing Trust Worthiness from Categories[C]//Lecture Notes in Artificial Intelligence: 5396. Berlin: Springer-Verlag, 2008: 65-80.

[2] 萬濤, 廖維川, 馬建峰. 面向多服務器架構的認證協議分析與改進[J]. 西安電子科技大學學報, 2013, 40(6):174-179.

Wan Tao, Liao Weichuan, Ma Jianfeng. Analysis and Improvement of Anauthentication Protocol for the Multi-server Architecture[J]. Journal of Xidian University, 2013, 40(6): 174-179.

[3] Huynh T D, Jennings N R, Shadbolt N R. An Integrated Trust and Reputation Model for Open Multi-agent Systems[J]. Autonomous Agents and Multi-Agent Systems, 2006, 13(2): 119-154.

[4] Kerr R, Cohen R. Smart Cheaters Do Prosper: Defeating Trust and Reputation Systems[C]//Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems: 2. Budapest: IFAAMAS, 2009: 798-805.

[5] Noorian Z, Ulieru M. The State of the Art in Trust and Reputation Systems: a Framework for Comparison[J]. Journal of Theoretical and Applied Electronic Commerce Research, 2010, 5(2): 97-117.

[6] Jsang A, Quattrociocchi W. Advanced Features in Bayesian Reputation Systems[C]//Lecture Notes in Computer Science: 5695. Heidelberg: Springer Verlag, 2009: 105-114.

[7] Whitby A, Josang A, Indulska J. Filtering Out Unfair Ratings in Bayesian Reputation Systems[C]//Proceedings of 7th International Workshop on Trust in Agent Societies. NewYork: IEEE, 2004: 48-64.

[8] Wang Yonghong, Singh M P. Formal Trust Model for Multiagent Systems[C]//Proceedings of the 20th International Joint Conference on Artifical Intelligence. San Francisco: IJCAI, 2007: 1551-1556.

[9] Keung S, Griffiths N. Building a Trust-based Social Agent Network[C]//Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems: 1. Budapest: IFAAMAS, 2009: 68-79.

[10] Sen S, Malone N, Chakraborty K. Comprehensive Trust Management[C]//Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems: 1. Budapest: IFAAMAS, 2009: 129-146.

[11] Maximilien E M, Singh M P. Toward Autonomic Web Services Trust and Selection[C]//Proceedings of the 2nd International Conference on Service Oriented Computing. New York: Springer, 2004: 212-221.

[12] Salehi-Abari A, White T. Detecting and Dealing with Naive Agents in Trust-aware Societies[C]//Proceedings of the International Joint Conference on Autonomous Agents and Multiagent Systems: 1. Budapest: IFAAMAS, 2009: 117-128.

[13] Maximilien E M, Singh M P. Reputation and Endorsement for Web Services[C]//SIGecom Exchanges: 3. Berlin: Springer, 2001: 24-31.

[14] Noorian Z, Marsh S, Fleming M. Prob-COG: An Adaptive Filtering Model for Trust Evaluation[C]//IFIP Advances in Information and Communication Technology: 358. New York: Springer, 2011: 206-222.

[15] 鄧凡, 陳平, 張立勇, 等. 授權服務中策略決策點的高效評估方法[J]. 西安電子科技大學學報, 2013, 40(6): 105-112.

Deng Fan, Chen Ping, Zhang Liyong, et al. Study of High Efficiency of Evaluation of a PDP in Authorization Service[J]. Journal of Xidian University, 2013, 40(6): 105-112.