[发明专利]一种多元异构数据共享行为动态度量的方法

说明书

本发明公开了一种多元异构数据共享行为动态度量的方法，基于Spark并行计算框架的大数据脱敏系统把整体可信度拆分为主观可信度、全局可信度、本地可信度；进行交互记录预处理，保证数据正确性；首先找到用户节点和目标节点的交互记录，然后计算主观可信值；接着目标节点与其他节点的交互记录，进行全局可信值计算；之后目标节点根据自身的数据记录，进行本地可信值计算；最后，通过参数和大数据可信计算模型进行数据的可信值计算，量化计算数据的总体可信度，实现动态度量。本发明具有充分考虑数据维度层次、计算结果抗干扰能力强、动态反映数据的可信度变化趋势、全面反映环境之间的影响等特点。

技术领域

本发明涉及轮滑鞋制作技术领域，具体地，涉及一种多元异构数据共享行为动态度量的方法。

背景技术

近年来，随着大数据概念的提出，数据规模的爆炸式增长和数据模式的高度复杂化，也就难以避免的造成了数据产生、数据传播和数据接收过程中产生的数据不一致、数据缺失等问题，也即产生了不可信的数据。这些不可信的数据给大数据的应用制造很大的麻烦，如果对不可信的数据进行应用还有可能造成巨大的经济损失。

目前，数据的可信度量方法主要分为两大类，主观信任分析和客观信任分析，但面对大数据效果并不是很好。主观信任分析是主观的概念，是一个主体对另外一个主体或者另外一个主体提供的信息进行判断进而对该主体或者信息的真实程度进行量化的认知过程，这种判断建立在一定的数据支撑上，同时也会具有一定的不确定性和模糊性。目前针对主观信任分析已经有很多文献提出了基于概率论、模糊理论和云理论等计算主观信任值的方法。而客观信任则不同，客观信任是一个全局的概念，是对一个主体是否可信的客观评价。客观信任需要根据主体自身的行为、特征等进行评价，是基于证据的。

现有的数据的可信度量方法中，Huo R等人根据贝叶斯公式，将可信计算建立在传播模型中，缺点是在传播路径长度方面缺少对比。Jin L等人模仿社会学中的人际关系网络，通过上下文交互的方式进行可信度计算。Wang H Z等人设计的可信度量模型从节点的行为特征出发，完成了对实体间可信度的计算与管理。Bornhovd C等人将研究放在了间接信任方面，通过贝叶斯网络可以解决这个问题，但是在多条路径整合方面仍有缺陷。Rao J设计的PeerTrust算法需要其他主体对被评价主体提供反馈信息，通过这些反馈计算可信度，抗干扰能力强，但不能反映出主体的可信度变化趋势。Tran T等人在贝叶斯网络的基础上添加了时间影响因子、行为影响因子，并且实现了可信度的动态更新，但这只对实体本身进行了可信度计算，并不能给出实体发布的数据的可信度。Zhao Z针对网络中节点的信任进行了关系简化，将多个实体间的关系转化为两个实体间的关系。

大多数可信计算研究只考虑一部分决策属性，具有不全面性，忽略了环境之间的影响，没有建立数据之间的依赖、制约、关联关系，缺乏研究海量数据源之间的层次关系，未考虑时间序列、惩罚等因素对模型建立所带来的影响，导致模型不能很好地计算数据可信值。

发明内容

本发明的目的在于提供一种多元异构数据共享行为动态度量的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种多元异构数据共享行为动态度量的方法，基于Spark并行计算框架的大数据脱敏系统把整体可信度拆分为主观可信度、全局可信度、本地可信度，具体包括如下步骤：

S1.启动基于Spark并行计算框架的大数据脱敏系统，分别获取数据源与用户交互记录、数据源发布数据记录、用户与数据源交互记录数据；