| 主权项 |
一种抗攻击的数据过滤优化系统，其特征在于，包括：交易记录模块，用于将用户参与交易的全部历史数据进行记录；评价数据获取模块，用于获取交易记录模块的历史数据中的评价数据；评价数据过滤模块，用于将所述评价数据获取模块获取的评价数据，过滤出具有攻击性的评价数据，将具有攻击性的评价数据输出到仲裁模块；所述具有攻击性的评价数据为交易用户之间评价存在较大差异的评价数据，该较大差异的评价数据为：设用户U<sub>i</sub>对用户U<sub>j</sub>的评价值为r<sub>ij</sub>，T<sub>i</sub>，T<sub>j</sub>表示当前用户的信誉值，<img file="FDA0001000287240000011.GIF" wi="54" he="79" />表示其他用户对用户U<sub>j</sub>的评价平均值；如果用户U<sub>i</sub>对用户U<sub>j</sub>的评价值偏离大多数用户的评价超过某个阈值e<sub>1</sub>，即<img file="FDA0001000287240000012.GIF" wi="350" he="87" />那么就将该评价值交由自动仲裁分析模块进行仲裁分析；用户对于服务的评价偏离大多数用户的评价数据和导致被评价方的信誉值产生大幅偏差的评价数据，该大幅偏差的评价数据为：如果通过r<sub>ij</sub>计算出的结果T<sub>j</sub>'变化过大，大于某个阈值e<sub>2</sub>，即|T<sub>j</sub>'‑T<sub>j</sub>|＞e<sub>2</sub>，这种情况也需将评价值交由自动仲裁分析模块进行仲裁分析；仲裁模块，用于提取交易记录模块的历史数据中的客观数据，将所述客观数据进行仲裁分析计算得到仲裁值，将仲裁分析计算后仲裁值传输到优化计算模块；所述仲裁模块包括：自动仲裁分析模块，用于所述客观数据进行仲裁分析计算得到仲裁值，辅助提供对评价数据中的评价向量的合理性进行仲裁，并将仲裁值存放到仲裁模块中，采用多因素分析的综合评分法计算每个评价数据的合理性；所述自动仲裁分析模块包括：综合评分计算模块，用于对用户评价数据进行仲裁分析时包含m个评估数据，其中m为正整数，每个评估数据的权重c<sub>i</sub>分别为{c<sub>1</sub>,c<sub>2</sub>…,c<sub>m</sub>}；计算评价数据r<sub>ij</sub>在各个评估数据上偏离客观评价的程度分别为{d<sub>1</sub>,d<sub>2</sub>…,d<sub>m</sub>}，其取值范围采用[‑1,+1]之间实数表示；然后对该评价数据的客观性评估数据为w<sub>ij</sub>，其计算方法如下公式所示：<maths num="0001"><math><![CDATA[<mrow><msub><mi>w</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><msubsup><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></msubsup><msub><mi>c</mi><mi>i</mi></msub><mo>*</mo><msub><mi>d</mi><mi>i</mi></msub><mo>;</mo></mrow>]]></math><img file="FDA0001000287240000021.GIF" wi="740" he="143" /></maths>偏离度d<sub>i</sub>的计算方法采用基于统计的方法来度量，采用用户对商品的评价数据与其他用户对该商品评价均值的距离来度量；也采用所定义的偏离度函数来计算；审核模块，用于展示评价数据过滤模块具有攻击性的评价数据和仲裁模块进行仲裁分析计算的仲裁值，由审核模块进行决策，如果审核模块认为评价数据过滤模块和仲裁模块的结果正确，调用优化计算模块来更新所述用户的信誉值；优化计算模块，用于综合所述历史数据中的评价数据和所述仲裁分析计算后的客观数据来计算每个用户的信誉值，将所述信誉值采用优化权值模型计算后存储到交易记录模块；所述优化计算模块包括：计算模块，用于采用优化权值模型来综合所述仲裁值、用户的信誉值以及评价数据来计算每个用户的信誉值；假定仲裁值采用[‑1,+1]之间的实数表示，用户U<sub>i</sub>对用户U<sub>j</sub>的评价数据为r<sub>ij</sub>，T<sub>i</sub>，T<sub>j</sub>表示当前用户的信誉值，所述评价数据的仲裁结果为w<sub>ij</sub>，如果共有n个用户对用户U<sub>j</sub>存在评价数据，那么用户U<sub>j</sub>新的信誉值T<sub>j</sub>'可采用以下公式计算：<maths num="0002"><math><![CDATA[<mrow><msup><msub><mi>T</mi><mi>j</mi></msub><mo>′</mo></msup><mo>=</mo><mfrac><mrow><msubsup><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mi>i</mi><mo>≠</mo><mi>j</mi></mrow><mi>n</mi></msubsup><msub><mi>r</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>*</mo><msub><mi>w</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>*</mo><msub><mi>T</mi><mi>i</mi></msub></mrow><mrow><msubsup><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mi>i</mi><mo>≠</mo><mi>j</mi></mrow><mi>n</mi></msubsup><msub><mi>T</mi><mi>i</mi></msub></mrow></mfrac></mrow>]]></math><img file="FDA0001000287240000031.GIF" wi="789" he="286" /></maths>由于用户U<sub>j</sub>的信誉值发生改变后，将影响其曾经评价过的用户的信誉值；因此需要进行迭代来更新所有用户的信誉值；还包括迭代计算模块，其迭代计算过程按照以下算法进行：算法输入：所有用户的信誉值集合T、用户之间的评价集合R、所述评价数据的仲裁结果集合W、被评价的用户U<sub>j</sub>、最大迭代次数max_I；算法输出：所有用户的信誉值集合T<sub>new</sub>；步骤A，将用户集合S设置为{U<sub>l</sub>}，用户集合V置为空，T<sub>new</sub>＝T，m＝0；步骤B，从集合中选择一个用户U<sub>k</sub>，并从S中删除，后加入V；步骤C，利用下述公式，<img file="FDA0001000287240000032.GIF" wi="893" he="287" />计算用户U<sub>k</sub>的信誉值T<sub>k</sub>'；步骤D，将用户U<sub>k</sub>所有评价过，且不包含在集合V用户加入到集合S；步骤E，如果S不为空则转至步骤B，否则m＝m+1，并执行步骤F；步骤F，如果m等于max_I或者T<sub>new</sub>的变化小于指定的阈值则结束迭代过程并输出T<sub>new</sub>，否则跳转到步骤A继续迭代。 |
