一种基于时滞弱化策略的通用信度重估模型

韩志耕,陈 耿,王良民,蒋 健

(1.南京审计学院工学院,南京211815;2.江苏大学计算机科学与通信工程学院,江苏镇江212013;

3.东南大学计算机科学与工程学院,南京211189)

一种基于时滞弱化策略的通用信度重估模型

韩志耕1,陈 耿1,王良民2,蒋 健3

(1.南京审计学院工学院,南京211815;2.江苏大学计算机科学与通信工程学院,江苏镇江212013;

3.东南大学计算机科学与工程学院,南京211189)

为提高信度评估的可靠性,从改善信度评估时效性角度出发,提出一种改进的通用信度重估模型GMRR。该模型借助原始信度、历史信度、信度波动率和信度波动趋势4种基础数据,实现了信度评估时效性机制与现有信度重估机制的有效集成,从多个维度对原始信度展开重估。给出信度评估时效性机制采用的时滞弱化策略、GMRR模型描述及分量计算算法,对模型的信度重估效果进行实验评估,结果表明,与现有信度重估模型相比,该模型获得的重估信度接近于目标实体的真实行为,同时能抑制恶意实体的策略波动行为。

信度重估;策略行为;时效性机制;信度波动趋势;行为逼近;恶意行为抑制

1 概述

近年来,随着网络技术的飞速发展和信息系统互联的广泛存在,催生出大批动态协作服务系统,该类系统中服务交互双方之间通常互不联系,使得在没有任何先期交互经验或先验知识的情况下,会引发一系列潜在的交互风险［1］。当前规避此类风险的通常做法是部署基于信度(信誉)的信任系统［2］。此类系统的主要功能为:一方面基于信度对信息实施聚集、过滤和排序,进而帮助服务交互方筛选到合适的交互对象;另一方面借助信度的行为优劣衡量标准,督促实体不断改善自身行为。当然上述功能的实现还依赖于信度的可靠评估。

作为一种复杂的社会关系,信任所具备的动态性和模糊性使得信度成为一种很难度量的抽象心理认知。为了提高信度评估的可靠性,当前研究集中在评价因子选取和信度合计2个方面:(1)评价因子的选取通常与应用强相关,这方面较新颖的研究包括:文献［3］提出信任蚁群系统TACS,通过信息素痕迹来标识相邻实体间的信任程度;文献［4］依据控制权、所有权、预防和安全4个因子来评估云服务的信任度,并指出强化控制和透明度可抬升云服务的信度。文献［5］提出社交网络中基于用户上下文的信任度计算方法,将社交网络中用户之间的信任度分为熟悉性产生的信任度和相似性产生的信任度;文献［6］提出一种面向医疗安全的信任模型,将医疗信息质量、服务质量、信息提供者自身信度作为衡量因素。(2)信度合计通常与应用弱相关。在直接信度合计方面,出现了简单平均［7］、贝叶斯［8］和信任逻辑［9］等计算方法;在推荐信度合计方面,最初使用最多的简单求和方法易遭恶意攻击,攻击者可随意哄抬自身信度或贬低他人信度,避免此问题的解决方法是将推荐人可信度作为推荐信度［10-11］。与上述角度不同,文献［12］针对已有信度合计忽略预测方差、且过度依赖系统信度知识的问题,提出了一种信度评估模型RLM,该模型将信度预测方差作为信度合计时的推荐信度可信度。

然而上述研究均未对影响信度评估可靠性的时延(时滞)问题给予关注。信任关系的动态性表明其会随着行为上下文的变化而发生改变,这要求对信度的评估必须顾及整个行为上下文［13］;然而信度评估固有时延的存在却使得完整顾及整个行为上下文成为不可能:从微观层面来讲,评估证据的构建仅能关注当前(评估)时间点之前的上下文行为,却无法顾及当前时间点及以后的上下文行为,而该段上下文对于当前信度的评估尤为重要。为解决该问题,本文从改善信度评估时效性角度出发,提出一种基于时滞弱化策略的信任重估模型,该模型的特点在于仅借助原始信度、历史信度、信度波动率和信度波动趋势4种基础数据,实现了信度评估时效性机制与现有信度重估机制的有效集成,可从多个维度对原始信度展开重估,提高信度评估的可靠性。

2 时效性机制

2.1 信度评估时延

一般来讲,目标实体行为从发生到信度评估结果的形成,中间会涉及到行为证据采集、评估特征提取、信度计算等环节,需要经过一定的处理时间,而在这段时间后目标实体通常又会表现出新的行为。如图1所示,t1,t2和t3是目标实体行为上下文空间内的 3个不同时间点(t1＜t2＜t3);t1为行为behavior1的发生时间点;t2为behavior1的评估时间点(即评估结果产生的时间点),同时也是行为behavior2的发生时间点;t3是行为behavior2的评估时间点。时间点t2处获得的信度评估结果仅能表征(t2-t1)时间长度之前的行为 behavior1,而行为behavior2的评估结果则需经过(t3-t2)时间长度后才能获得,而该段时间长度后目标实体通常又会表现出新的行为。

图1 信度评估时延示意图

定义1(信度评估时延) 设t1和t2(t1＜t2)分别是待评估行为behavior的发生时间点和信度评估时间点,则时间段(t2-t1)称为信度评估时延。

信度评估时延根源于信度计算在时序上滞后于被评估行为,消除信任评估时滞需要在信任评估证据中纳入当前行为,然而这在时间序列上难以实现。然而,倘若存在某种机制能够对目标实体短期未来行为进行预测,势必会弱化信任评估的时滞性,从而增强信度评估的可靠性。

2.2 时滞弱化策略

定义2(时滞弱化策略) 给定信度评估算法EVA(entity,behavior)、实体行为BH(entity,x)(0≤BH(entity,x)≤1)、信度函数TV(entity,x)(0≤TV(entity,x)≤1)(x为时间),以及行为预测算法FC(behavior,D,SD),则对实体n而言,若其在时刻t处真实行为为BH(n,t)、原始信度波动率为D=(TV(n,x))′|x=t、原始信度波动趋势为SD=(TV(n,x))″|x=t;则其在时刻t处获得的时滞弱化后的信度为:

TV′(n,t)≈EVA(n,FC(BH(n,t),D,SD)) (1)

针对4种信度波动原子模式,如图2所示,有:

图2 信度波动的4种原子模式

依据式(1)和式(2),有:

为方便迭代计算,将式(3)描述为:

在式(4)中,δ＞0为时滞弱化强度系数;波动率D定义为弱化方向系数(奖或惩);定义为弱化的单位粒度。

2.3 策略效果分析

定义3(信度距离) 给定实体真实行为BH(n,t) (0≤BH(n,t)≤1)和针对该行为的信度评估结果TV(n,t)(0≤TV(n,t)≤1),则该评估的信度距离为:

定义4(评估逼近度) 给定实体真实行为BH(n,t)和信度距离TD(BH,TV),则评估逼近度为:

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

定义5(评估可靠度) 给定实体真实行为BH(n,t),以及2种信度评估结果TV1(n,t)(对应的评估逼近度为TA1)和TV2(n,t)(评估逼近度TA2);若有TA1≤TA2成立,则称TV2在评估BH(n,t)上比TV1可靠程度高。

定理1 时滞弱化策略可以提高信度评估的可靠度。

证明:设BH(n,t)(0≤BH(n,t)≤1)为实体行为,TV(n,t)(0≤TV(n,t)≤1)为时滞弱化之前的实体信度,对应的信度距离TD=TD(BH,TV),评估逼近度为TA=TA′BH,TD);TV′(n,t)为时滞弱化之后的信度,且有TV′(n,t)=TV(n,t)+δ×D×,对应的信度距离为TD′=TD(BH,TV′),评估逼近度为TA′=TA(BH,TD′)。下面证明4种原子模式下TA≤TA′恒成立。

原子模式1:行为呈现突发恶化趋势,即D＜0且SD＜0,由于δ＞0,故,结合图3(a),有成立,据定义3有TD′＜TD,由定义4有TA≤TA′,由定义5有TV′(n,t)在评估BH(n,t)上比TV(n,t)可靠度高。

原子模式2～原子模式4图3(b)～图3(d)证明类似,具体过程略。

图3 4种原子模式下的评估逼近度

3 信度重估模型

3.1 模型描述

文献［14］提出了信度重估模型(Srivatsa),借助原始信度、历史信度和信度波动率这三维基础数据对原始信度展开重估。Srivatsa未处理评估时延,本节利用时效性机制对其实施改进,新模型(简称GMRR)描述如下:

GMRR模型从4个方面来改善信度评估的可靠性:

(1)通过D分量的加权(即γ×R′(t))来度量实体行为的突发波动;

(2)通过加权平均I分量、D分量和SD分量(即来区分实体行为的改善与恶化;

(3)通过加权平均P分量与I分量(即α×来容忍实体无意识的错误行为和反映实体的一致性行为;

(4)通过加权平均D分量与SD分量来增强信度评估的时效性。其中,P为原始信度;I为历史信度;D为信度波动率;SD为信度波动趋势;P1为度量实体行为的突发波动;P2为区分实体行为的改善与恶化;P3为容忍实体无意识的错误行为;P4反映实体的一致性行为;P5为改善信度评估的时效性。

GMRR模型如图4所示。

图4 GMRR信度重估模型

3.2 分量计算

令R［i］,H［i］,D［i］,SD［i］和TV［i］分别标识目标实体在时刻i处的原始信度、历史信度、信度波动率、信度波动趋势,以及最终的重估信度。H［i］和D［i］的计算方法来自Srivatsa模型,下面给出SD［i］和TV［i］的计算方法。

算法1 TRUST-FLUCTUATION-TREND//计算信度波动趋势

输入D(信度波动率时序集合),maxDH(最大回溯时间槽数),θ(信度波动率关注因子),i(待计算的信度波动趋势所在时刻)

输出i时刻信度波动趋势SD［i］

算法2 TRUST-REVALUATION//信度重估

输入R(原始信度时序集合)、ρ(原始信度关注因子)、θ(信度波动率关注因子)、i(待重估信度所在时刻)、α(原始信度权重)、β(历史信度权重)、γ(信度波动率权重)、δ(时效性权重)

输出 原始信度R［i］的重估信度TV［i］

算法2中maxH,maxDH,α,β,γ和δ设置方法如下:

(1)依据2个方面的事实(即较大信度历史更利于最大化恶意实体信度恢复代价,恶意实体为最小化自身代价会选择策略振荡周期为maxH),一般将maxH设置为策略波动行为的振荡周期;

(2)将maxDH设置为maxH,以实现信度波动率与信度波动趋势的同步更新;

(3)为最大限度地一致性反映实体的全局行为,设置β/α正比于maxH;

(4)设置:

从而保证对行为恶化的惩罚不小于对行为改善的奖赏,以激励实体表现出诚实行为;

(5)设置:

通过加大对突发波动行为的时滞弱化,以使重估信度更能及时地表征策略波动行为。

4 模型性能分析

实验设置为:(1)目标实体总数为1 025,其中诚实实体与恶意实体之比为4:1,且仅恶意实体会实施策略波动行为;(2)原始信度评估采用简单求和方法;(3)权重系数α为0.2,β为0.8,γ1为0.05和γ2为0.2,δ1为0.05|0.1和δ2为0.2|0.4;(4)策略行为振荡周期为 10个时间片;(5)maxDH=maxH=10。

实验1 策略波动行为原子状态检测

针对图5(a)给出了本实验所采用的突发波动行为模型,图5(b)给出了所检测到的原子行为状态(即二元组＜波动率,波动趋势＞),可以看出,该行为含有4种原子行为状态:行为突发恶化状态(D＜0&SD＜0)、恶意行为持久化状态(D≤0&SD≥0)、行为突发改善状态(D＞0&SD＞0)和诚实行为持久化状态(D≥0&SD≤0)。

图5 突发波动行为

实验2 评估逼近度比较

针对图5中突发波动行为,图6展示了在相同信度波动率下θ对信度波动趋势的影响。可以看出,信度波动趋势绝对值在ρ=1&θ=1时明显大于ρ=1&θ=0.75时,这表明θ越大,获得的时滞弱化单位粒度也就越大。

图6 不同θ对时滞弱化单位粒度的影响

在图6基础上,图7比较了GMRR和Srivatsa的评估逼近度。可以看出:(1)在时滞弱化方向系数相同(γ1=0.05&γ2=0.2)的情况下,前者获得的信度距离明显小于后者,这表明GMRR能够提高评估逼近度;(2)就GMRR自身而言,在相同时滞弱化强度下(δ1=0.05&δ2=0.2),时滞弱化单位粒度越大(θ= 1＞0.75),GMRR提供的评估逼近度也就越大。

图7 时效性机制对评估逼近度形成的影响

图8 展示了GMRR中不同弱化强度系数对评估逼近度形成的影响。在相同关注度下(ρ=1&θ= 1),强度系数越大［δ1(0.1＞0.05)&&δ2(0.4＞0.2)］,GMRR提供的评估逼近度也就越大。

图8 弱化强度对评估逼近度形成的影响

实验3 恶意行为抑制对比

本文实验通过比较交互成功率来评估新旧模型的恶意行为抑制力。在恶意实体占比相同的环境下,交互成功率越低,说明恶意行为抑制力越明显。

设置恶意实体和诚实实体信度阈值分别为0.3和0.6。从图9可以看出,在恶意实体占比较高时(如40%),GMRR与Srivatsa抑制效果大致相等,但在占比较低时(如20%),GMRR对恶意行为表现出更好的抑制效果,随着交互总量的不断增多,这种抑制力差别更明显。

图9 抑制效果对比

图10 比较了2种模型的恶意行为抑制稳定性。可以看出在恶意实体占比相同(20%)时,随着恶意实体信度阈值的改变(信度阈值由0.2升为0.6), GMRR具有同Srivatsa一样的恶意行为抑制稳定性。

图10 抑制稳定性对比

5 结束语

针对现有信度评估模型没有关注评估时效性的问题,本文提出一种基于时滞弱化策略的通用信度重估模型,该模型通过将信度评估时效性机制与现有重估机制进行集成,大大提高了信度评估结果与真实行为逼近度,同时能抑制目标实体的策略恶意行为。下一步工作将对本文提出的时效性机制进行扩展,使其能够应用于更多的信度评估模型。

［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］乔秀全,杨 春,李晓峰,等.社交网络服务中一种基于用户上下文的信任度计算方法［J］.计算机学报, 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.

编辑 索书志

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

国家自然科学基金资助项目(71271117,70971067,61272074);江苏省自然科学基金资助项目(BK2010331);江苏省高校自然科学基金资助项目(12KJB520005,12KJD410001);江苏省网络与信息安全重点实验室基金资助项目(BM2003201);南京审计学院人才引进基金资助项目(NSRC10033);高等教育研究基金资助项目(J2013004)。

韩志耕(1976-),男,讲师、博士,主研方向:网络安全;陈 耿、王良民,教授、博士;蒋 健,博士研究生。

2014-05-19

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

中文引用格式:韩志耕,陈 耿,王良民,等.一种基于时滞弱化策略的通用信度重估模型［J］.计算机工程,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.