[发明专利]基于改进D-S证据理论的社团可信度评估方法

说明书

本发明公开了一种基于改进的D‑S证据理论的社团可信度评估方法利用基本概率分配BPA对证据来源的评估，计算各个社团的信任函数和似然函数；其次，通过信任函数和似然函数构造区间数，得到每个社团的信任区间；然后，通过有序加权平均算子聚合得到各个社团区间数的降序排列；最后，通过对聚合的结果进行排序，获得各个社团可信度评估结果；该方法能够准确地对社团整体可信度进行评估，即使是在节点的数据类型或特征未知，节点遭受了不同程度的攻击或者数据伪造等情形下，该方法依然可以高效准确的对社团可信度进行评估；该方法根据证据对网络内节点进行融合，得到所有证据对各个社团的支持度，从而能够对社团可信度进行有效的评估。

技术领域

本发明属于网络安全和可信度评估领域，具体涉及一种基于改进D-S证据理论的社团可信度评估方法。

背景技术

近几年来，随着计算机和网络技术的迅速发展与广泛应用，社会的信息化程度提高，使得计算机网络进行信息存储、通信和处理成为人们生活和工作中不可缺少的一部分。随着我国互联网的发展，网民数量爆发式增长，对网络的安全性和可信度要求也越来越严格。事实上，真实的社会网络也就是典型的复杂网络。因此，我们可以依据复杂网络分析的方法来分析网络的可信度。由于社团结构是复杂网络的一个主要特征，所以我们可以从社团可信度分析入手，从而确保网络可信度。对社团进行可信度评估的实质就是对社团内节点的可信度进行评估。在对社团内的节点进行评估时，会存在不同程度的测量误差、数据攻击和数据伪造等行为，因此，需要对社团整体可信度进行评估，以便后续更好地进行网络整体运行情况评估。

复杂网络中节点的特性使得社团可信度在提高网络效率、可靠性以及适应性方面显得尤为重要。近年来，已有很多学者在复杂网络社团可信度评估方面做出研究，提出了许多可信度评估方法；大多数这些社团可信度评估方法是通过探求信息发布者特征、内容特征、渠道特征来对信息来源可信度、内容可信度、渠道可信度进行分析研究，从而确定社团可信度。然而，这些社团评估方法通常要求较高的通信开销或计算开销，并且依赖于既定的规则或推理模型；同时它们忽略了节点系统参数间可能存在的关系，因此对于许多潜在且高度系统相关不可信内容，这些社团可信度评估方法将不适用。

中国发明专利CN201910082267.2公开了一种基于多任务学习的差异化特征挖掘的可信度评估方法；具体为：设定双标签数据集，并提取数据集中的文本和元数据特征作为输入特征；采用强化学习提供的激励计算动作期望值对抗网络中的生成器进行优化，得到公共特征抽取器，在公共特征抽取器中抽取输入特征中的公共特征；利用数据集中的真假二分类标签，将公共特征输入二分类判别器，得到判别损失；对得到的判别损失与上一次得到的判别损失相比较；采用私有特征抽取器，编译输入特征进行私有特征的抽取，得到私有特征；将得到的判别后的公共特征和得到的私有特征进行正交约束，得到独立化损失；判断判别后的公共特征与私有特征是否相互独立；采用负向的KL散度算法计算判别后的公共特征和私有特征之间的相似度，产生差异化损失；采用Softmax作为分类器，将得到的私有特征对数据集进行多可信度类型分类，得到多分类损失；对判别损失、独立化损失、差异化损失和多分类损失进行融合训练，使得多分类效果达到最优，从而提高可信度评估精确度；该方法是基于共享私有特征空间，利用强化学习指导对抗网络捕获更加纯净的公共特征，解决公共特征挖掘精确度不高与效能低下的问题；主要采取两种策略，分别是用于迫使私有特征与公共特征相互独立的正交约束策略和用于强化私有特征与公共特征差异性的差分策略；方案中的可信度评估方法，主要针对于差异化特征，因此，在应用过程中，首先要划分出私有特征和公共特征，然后对捕获的公共特征进行可信度分析，进而提高公共特征的可信度；如果私有特征与公共特征混杂严重或者与公共特征有很高的重合度，那么其方案中第一步——对私有特征和共有特征进行划分的准确度就大大降低，而使最终得到的可信度评估的精确度大大降低，因此此方案普适性不高；