一种动态信任模型构建系统

摘要

本发明揭示了一种动态信任模型构建系统，本发明通过细化云服务，以更细粒度的服务属性作为考察对象，计算服务请求者对服务提供商的直接信任值和间接信任值，并用评价相似度来动态调整自信因子与他信因子，最终得出综合信任值，将综合信任值作为服务请求者与服务提供商之间信任关系的表征值的方法，实现了全面地、准确地量化服务请求者与服务提供商之间信任关系的目的。服务请求者对不同的服务提供商的信任关系进行量化，便于根据实际应用情况，选择综合信任值高的服务提供商，最大化满足服务请求者个性化的需求。

主权项

一种动态信任模型构建系统，其特征在于：计算服务请求者S与服务提供商O之间的历史直接交易信任值；组管理员接收服务请求者S请求历史交易经验命令，组管理员响应相应的要求，向服务请求者S提供历史交易信任值T_so^(n‑1)；服务请求者S根据当前时间t和上次交易时间t_f利用时间衰减函数，得到从而利用公式计算历史交易信任值对现在的影响，其中λ为时间因素调节因子，λ依据该系统对时间的要求严格程度取值，取值大小与对时间因素要求严格程度呈反比；S定义自身的个性化需求矩阵$Q=\left[\begin{array}{c}{q}_{i11},q_{i12},q_{i13},...,q_{i1k}\\ q_{i21},q_{i22},q_{i23},...,q_{i2k}\\ ·\\ ·\\ ·\\ q_{ij1},q_{ij2},q_{ij3},...,q_{ijk}\end{array}\right],$其中的q_ijk表示S对第i个服务提供商的第j种服务中的第k种服务属性的感兴趣程度；每次服务请求者S与服务提供商O交易结束后，对服务提供商提供的服务做出评价，其评价矩阵为：$E\left(Q\right)=\left[\begin{array}{c}{e}_{i11},e_{i12},e_{i13},...,e_{i1k}\\ e_{i21},e_{i22},e_{i23},...,e_{i2k}\\ \mathrm{...}\\ e_{ij1},e_{ij2},e_{ij3},...,e_{ijk}\end{array}\right],$利用Q*E(Q)^T来计算S的满意度，并根据满意度，利用创建的激励机制计算得到η*δ*Q*E(Q)^T，综合出本次的直接信任值：${{\mathrm{DT}}_{so}}^{\left(n\right)}=(1-\eta ){T_{so}}^{(n-1)}*e^{-\frac{(t-t_f)}{\lambda }}+\eta *\delta *{[Q*E{\left(Q\right)}^T]}^{\left(n\right)},$做为下次交易的依据；计算服务请求者S和推荐者R_i的评价相似度，设O'＝{O'₁,O'₂,O'₃,...,O'_n}是与S、R_i都有直接交互的云服务提供商集，通过计算S对O'的直接信任值，获得S对O'的直接信任向量记为：$X_S\left({\mathrm{DT}}_{{\mathrm{SO}}^{\prime }}\right)=({\mathrm{DT}}_{{{\mathrm{SO}}^{\prime }}_1},{\mathrm{DT}}_{{{\mathrm{SO}}^{\prime }}_2},{\mathrm{DT}}_{{{\mathrm{SO}}^{\prime }}_3},...,{\mathrm{DT}}_{{{\mathrm{SO}}^{\prime }}_n});$通过计算推荐者R_i对云服务提供商集O'的直接信任值，获得R_i对O'的直接信任向量记为：$X_{R_i}\left({\mathrm{DT}}_{R_i{O}^{\prime }}\right)=({\mathrm{DT}}_{R_i{O^{\prime }}_1},{\mathrm{DT}}_{R_i{O^{\prime }}_2},{\mathrm{DT}}_{R_i{O^{\prime }}_3},...,{\mathrm{DT}}_{R_i{O^{\prime }}_n});$灰色关联系数为：${\chi }_i\left(X_S\right({\mathrm{DT}}_{{\mathrm{SO}}^{\prime }}),X_{R_i}({\mathrm{DT}}_{R_i{O}^{\prime }}\left)\right)=\frac{({\Delta }_{min}+{\rho }_{max})}{(\Delta +{\mathrm{\rho \Delta }}_{\max })},$其中，ρ为分辨系数，Δ_min为X_S(DT_SO')和的两极最小差，Δ_max为X_S(DT_SO')和的两极最大值，Δ为X_S(DT_SO')和的绝对差值；X_S(DT_SO)与的灰色关联度为：$r_{{\mathrm{SR}}_i}=\frac{1}{k}\underset{i=1}{\overset{k}{\Sigma }}{\chi }_i\left(X_S\right({\mathrm{DT}}_{{\mathrm{SO}}^{\prime }}),X_{R_i}({\mathrm{DT}}_{R_i{O}^{\prime }}\left)\right),$从而最终获得服务请求者S和推荐者R_i的评价相似度为：获得邻居推荐者R_i的推荐可信度，服务请求者S向组管理员申请得到每个邻居推荐者R_i的全局信任值组管理员及时给出反馈，其代表了该邻居推荐者R_i的推荐可信度；计算间接信任值，获得服务请求者S综合与推荐者的评价一致性、推荐者的推荐可信度及推荐者自身与服务提供商之间的历史交易情况，利用公式：计算其与服务提供商O的间接信任值；获得自信因子与他信因子，采用求得的评价相似度利用α＝1‑Sim_SR/ρ，β＝1‑α＝Sim_SR/ρ合理的分配自信因子和他信因子；如果服务请求者在第n次与服务提供商进行交易，则在交易前要计算它们之间的信任值，其第n次的综合信任值T_so⁽ⁿ⁾计算公式为：T_so⁽ⁿ⁾＝αT_so^(n‑1)+βRT_so⁽ⁿ⁾，其中RT_so⁽ⁿ⁾为邻居推荐者第n次的推荐信任值，T_so^(n‑1)表示第(n‑1)次交易后，服务提供商与服务请求者的直接交易信任值，α和β为自信因子和他信因子；服务请求者S根据综合信任值T_so⁽ⁿ⁾的高低，选择服务提供商进行交互；通过公式：${{\mathrm{DT}}_{so}}^{\left(n\right)}=(1-\eta ){T_{so}}^{(n-1)}*e^{-\frac{(t-t_f)}{\lambda }}+\eta *\delta *{[Q*E{\left(Q\right)}^T]}^{\left(n\right)}$计算直接信任值，其中η为此次满意度的影响权重，Q*E(Q)^T表示此次交互的满意度，激励系数δ，其取值为：其中，1＞b＞a＞0。