服务信誉度建模及用户评价可信度计算

宋玲玲，王瑞凤，张会兵

(1.烟台职业学院 电子工程系，山东 烟台264670;2.北京工业大学 嵌入式软件与系统研究所，北京100124;3.桂林电子科技大学 广西可信软件重点实验室，广西 桂林541004)

当前，越来越多地用环绕智能(ambient intelligence，AmI)代替普适计算来描述下一代计算模式，它是无处不在的计算、通信和智能友好人机交互的融合。其特点是多个计算设备共同服务于一个人，主动为用户提供合适的服务。从技术上来讲，它具有计算的深度嵌入、分布互联和普及的特性［1］，其关注的核心问题包括计算的泛在性、通信的无缝互联、用户友好与人机交互等。各种联网的计算设备环绕在用户周围并将逐步回归到人们生活的幕后。环绕智能将是未来几十年计算学科最具挑战性的研究课题之一，它代表了下一代计算模式的发展方向［2］。

在面向服务的环绕智能应用中，部署在其中的各种异构、自治的子系统可以统一以服务的形式来描述［3－8］。用户的需求可以通过原子的组合服务序列来实现，这就需要在众多的Web 候选服务中选择合适的服务来满足用户的特定需求。然而，在开放的环绕智能系统中如何选择可信的服务是一个需要解决的关键问题。服务信誉度是衡量服务可信性的重要指标，而要计算服务的信誉度，服务主观评价的可信性则是影响服务信誉度计算准确性的主要因素。

为此，笔者首先给出了信誉度的计算模型，在此基础上重点研究了用户评价可信度的计算方法，并通过系统进行了测试验证和性能分析。

1 信誉度计算模型

在P2P、电子商务、环绕智能和Web 服务等领域，信誉度机制被广泛关注和深入研究［9－15］。信誉度计算是一个非常复杂的过程，涉及到诸多算法以及算法之间的交互。从相关文献来看，对于信誉度的建模研究还不够充分，特别是面向服务环绕智能环境中信誉度建模的研究还较少。而一个全面、清晰、多角度的信誉度模型能够指导信誉度的研究并促进其应用。图1 描述了信誉度的计算模型并进行了系统性的层次划分，分别为数据收集层、评价层、信誉度聚合层和可信决策层。

图1 信誉度计算模型

评价层的主要功能是将各种原始数据转换成各种评价信息。该层的核心算法有:服务声明诚实度评价算法(ARA)φ，服务执行效果客观评价算法(ORA)η 以及用户可信度评价算法(UC)π。其中用户可信度信息是通过客观评价信息和主观评价信息计算而得到的，它可以作为用户主观评价信息的权重。通过这些算法将各种原始数据转换成相应的评价信息和权重，为图1 中的过程3各种信誉度聚合提供数据。

信誉度聚合层的主要功能是将各种评价信息聚合成相应的信誉度值，为可信决策层提供可靠的决策。该层的核心算法有:评价信息动态衰减机制(DAM)ρ，用户本地信誉度聚合算法(LRA)ψ，通用信誉度聚合算法(GRA)ξ 以及服务注册时信誉度自举算法(BRA)ζ。

收集层和可信决策层是原始数据和信誉度值的后续处理，笔者不对其详细讨论。

该信誉度计算模型中，给出了计算服务信誉度需要的核心算法。整个过程符合从数据到信息的处理过程，为研究人员设计高效准确的信誉度计算方法提供了参考。

在信誉度模型中，用户评价可信度信息是通过计算客观评价信息和主观评价信息得到的，它可以作为用户主观评价信息的权重。因此，如何得到有效的用户可信度信息，是评估开放的智能环绕系统服务可信性的重要基础。

2 用户评价可信度算法

每个用户在使用完服务后都会给出一个评价，所有用户对该服务的主观评价值聚合成对该服务的主观信誉度评价。显然，并不是所有用户的评价都会是公正、无偏见的，同时由于用户专业背景和服务使用环境的不同，也会导致评价出现不合理的偏差，这就需要对用户评价的可信度进行评估。通常，影响用户评价可信度(user credibility，UC)的因素主要有用户评价的波动性(subjective rating fluctuation，SRF)、用户主观评价与用户主流评价值的相似度(subjective and majority rating similarity，SMS)以及用户主观评价与客观评价的偏差(subjective rating and objective rating similarity，SOS)。它们之间的关系如式(1)所示。

其中:0 ＜(α，β，ε)＜1，α+β+ε=1。根据实际研究的经验，笔者选择:α=0.3，β=0.4，ε=0.3。

2.1 主观评价波动

在不同环境或不同时间，同一用户对同一服务多次使用效果的评价会出现波动。但是这个波动应该在一个合理的范围内，如果评价波动过大，往往是由于评价人员给出的评价值缺乏理性判断或是不具备相应的专业知识。因此评价的波动(离散程度)可以从一个方面反映用户评价的可信度。这里采用用户主观评价序列的均方差来说明用户评价的离散程度，如式(2)所示。

2.2 主观评价与客观评价的相似度

主观评价与客观评价从两个角度衡量了服务的性能，这两组评价值之间应该呈现出一致性或较高的相似性。因为客观评价是根据用户需求和实际监测值计算出来的，具有较高参考价值，可以作为衡量主观评价是否可信的参照点。笔者把同一评价信度窗内的用户主观评价序列sr =(sr1，sr2，…，srn)和客观评价序列or=(or1，or2，…，orn)看作n 维欧氏空间的两个点，这样评价序列相似度就转换成n 维欧氏空间中两个点之间的距离。距离越小，说明相似度越大，主观评价的可信度就越高。利用欧氏距离来计算用户主观评价与客观评价的相似度sos，如式(3)所示。

其中:sr 和or 分别为一个评价信度窗内主、客观评价序列向量，0≤sri∈sr≤1，0≤ori∈or≤1。

2.3 主观评价与主流评价的相似度

通常假定在一个评价体系中大部分用户的主观评价信息是理性可信的。基于此，笔者把一个时间窗w 内的评价信息划分成若干簇，然后选取最大簇的形心作为时间窗w 内的用户主流评价值，计算方法如式(4)所示。

通过式(4)可得到用户主观评价聚类中最大簇的形心smr，即时间窗w 内的主流评价向量，然后以smr 为参照，通过用户主观评价向量sr 与smr 的欧氏距离来计算sms。sms 的值表示在该时间窗内特定用户的主观评价与所有用户主流评价的相似度，该值越小说明该特定用户的评价越接近大多数用户的评价，因此可信度越高;反之，则说明该特定用户的主观评价值与主流的评价值偏离较大，离散度较高，导致其评价可信度降低。

3 用户可信度算法分析

为了测试、分析算法的性能，笔者在测试窗AmI－Space 的基础上构建了一个原型系统。采用Java 平台和Jena 2.6.2，部署了5 个具有同样功能但服务质量不同的视频服务器，其服务质量属性有延时、抖动、图像清晰度及价格。选择一组测试人员，包含领域专家3 名，他们给出权威理性的评价信息，选取其中的一个代表理性专业的用户;普通用户10 名，根据自己的体验给出评价信息，选取其中的两个分别代表与服务提供方串通的用户(故意给出过高的评价)和非理性用户(随机给出评价)。同时通过控制、监测服务的各项QoS 属性值来获得服务的真实QoS 性能值，利用用户请求服务的QoS 属性值与监测到的服务实际运行QoS 属性值的偏差函数来计算客观评价信息［16］。

图2 给出3 组评价信息对应的用户可信度。其中:rational 曲线表示一个理性用户评价对应的可信度;collusion 曲线表示一个与服务提供方串通起来给予过高评价信息的用户对应的可信度;irrational 曲线表示一个非理性地、随意给出评价信息的用户的可信度。

用户评价可信度作为用户评价的权重直接影响到信誉度值。这就要求用户可信度算法要具有较好的区分度，能够区分出诚实可信的评价或恶意评价。同样情况下，理性评价对应较高的可信度，非理性或者串通的评价对应较低的可信度。由测试结果可知，这3 组评价信息对应的用户可信度比值约为4∶1∶1，具有良好区分度，能够适应环绕智能系统对用户可信度计算的要求。

4 结论

(1)设计实现了环绕智能系统中服务信誉度的计算模型，使研究者可以专注于核心算法的研究，降低了信誉度机制实现的复杂程度。

(2)依该服务信誉度计算模型实现的用户可信度算法具有较好的区分度，能够区分出诚实可信的评价或恶意的评价。

［1］ BRΦNSTED J，HANSEN K M，INGSTRUP M.Service composition issues in pervasive computing［J］. IEEE Pervasive Computing，2010，9(1):62－70.

［2］ DENNING P，METCALF R.Beyond calculation:the next fifty years of computing［M］. New York:Springer－Verlag，1997:32－98.

［3］ CHAKRABORTY D，JOSHI A.Toward distributed service discovery in pervasive computing environments［J］.IEEE Transactions on Mobile Computing，2006，5(2):97－112.

［4］ KALASAPUR S，KUMAR M，SHIRAZI B A. Dynamic service composition in pervasive computing［J］. IEEE Transactions on Parallel and Distributed Systems，2007，18(7):907－918.

［5］ LV Q C，ZHOU J L，CAO Q Y.Service matching mechanisms in pervasive computing environments［C］//2009 International Workshop on Intelligent Systems and Applications.［S.l.］:［s.n.］，2009:1－4.

［6］ BENAZZOUZ Y，SABOURET N，CHIKHAOUI B. Dynamic service composition in ambient intelligence environment［C］//IEEE International Conference on Services Computing. ［S.l.］:［s.n.］，2009:411－418.

［7］ BRNSTED J，HANSEN K M，INGSTRUP M.Service composition issues in pervasive computing［J］. IEEE Pervasive Computing，2010，9(1):62－70.

［8］ DASGUPTA S，BHAT S，LEE Y Y.Event driven service composition for pervasive computing［J］. Pervasive Computing and Communications，2009(1):1－6.

［9］ WANITA S，SENG W L，SHONALI K. A fuzzy model for reasoning about reputation in web services［C］//SAC’06.［S.l.］:［s.n.］，2006:1886－1892.

［10］NGUYEN H T，ZHAO W L，YANG J.A trust and reputation model based on bayesian network for web services［C］//2010 IEEE International Conference on Web Services.［S.l.］:［s.n.］，2010:251－258.

［11］ ZHOU R F，WANG K H. Power trust:a robust and scalable reputation system for trusted peer－to－peer computing［J］.IEEE Transactions on Parallel and Distributed Systems，2007，18(4):460－473.

［12］ NEPAL S，MALIK Z，BOUGUETTAYA A. Reputation propagation in composite services［C］// 2009 IEEE International Conference on Web Services. ［S. l.］:［s.n.］，2009:295－302.

［13］ LOUTA M，ROUSSAKI I，PECHLIVANOS L. Reputation based intelligent agent negotiation frameworks in the E－marketplace［C］//International Conference on E－Business.［S.l.］:［s.n.］，2006:5－12.

［14］SKOPIK F，TRUONG H L，DUSTDAR S.Viete－enabling trust emergence in service－oriented collaborative environments［C］//International Conference on Web Information Systems and Technologies. ［S.l.］:［s.n.］，2009:471－478.

［15］ VU L H，HAUSWIRTH M，ABERER K. QoS－based service selection and ranking with trust and reputation management［C］//13th International Conference on Cooperative Information Systems. ［S. l.］:［s.n.］，2005:446－483.

［16］张会兵.面向环绕智能的可信服务组合关键技术研究［D］.北京:北京工业大学图书馆，2012.