[发明专利]隐私保护协同Web服务质量预测的基于邻域的协同过滤方法

权利要求书

1.一种隐私保护协同Web服务质量预测的基于邻域的协同过滤方法，其特征在于，包括如下步骤：

第一步，数据收集：每个用户在本地收集服务质量值，即QoS值；

第二步，归一化：对服务质量值执行z分数归一化；

第三步，数据伪装：伪装服务质量值；

第四步，基于邻域的协同过滤伪装后的服务质量值；

第五步，预测结果：根据协同过滤后的服务质量值来预测结果。

2.如权利要求1所述的方法，其特征在于，第二步中，所述对服务质量值执行z分数归一化使用以下等式：

qui=(rui-r‾u)/ωu,]]>

其中，r_ui表示由用户u针对web服务i收集的服务质量值-QoS值，是QoS向量r_u平均值，ω_u是QoS向量r_u的标准差；在归一化之后，QoS数据具有零均值和单位方差。

3.如权利要求2所述的方法，其特征在于，第三步中，所述数据伪装根据下面公式伪装正规化的QoS值：

Q_ui＝q_ui+Laplace(Δf/ε)

其中，ε是隐私参数，由用户u设置，Δf根据QoS值的分布来定义，即Δf＝max(r_ui-r_uj)；

r_ui表示由用户u针对web服务i收集的服务质量值-QoS值，r_uj表示由用户u针对web服务j收集的服务质量值-QoS值；

Laplace()的含义由以下公式给出：

如果一个随机变量x的概率密度函数为：

f(x|μ,b)=12bexp(-|x-μ|b)]]>

则该随机变量x具有拉普拉斯(μ,b)分布；μ和b分别是位置参数和尺度参数；设μ＝0，因此分布被认为是标准偏差为的对称指数分布；为了添加服从拉普拉斯分布的噪声，设b＝Δf/ε，并且将噪声的生成称为laplace(Δf/ε)。

4.如权利要求3所述的方法，其特征在于，第三步中，所述数据伪装后，用户将自己伪装的值Q_ui发送到服务器，并随机性保存原始数据q_ui的敏感信息。

5.如权利要求3所述的方法，其特征在于，第三步中，所述隐私参数ε由每个用户给出，通过利用差分隐私，在观察到的QoS值中添加的随机数是相对于在特定隐私保持相当精确度的最小值。

6.如权利要求1所述的方法，其特征在于，第三步中，所述数据伪装通过随机干扰原始数据达到伪装数据的目的；随机性应该能够保证不能从扰动的数据中推导出敏感信息，包括每个单独的用户的服务质量值；当用户数量非常大时，仍然能以较高的准确度来评估这些用户的聚合信息。