[发明专利]一种基于模糊过滤的信任评估方法

摘要

本发明涉及一种基于模糊过滤的信任评估方法，以Dirichlet信誉评估系统和模糊理论为基础，通过建立评价矩阵将用户评价细化、计算直接信任向量、评价过滤、评价汇聚、计算推荐信任向量、计算综合信任值，最后请求节点选择综合信任值高的相应节点进行交易，克服了现有技术中“针对P2P网络中节点存在信誉值过低则洗白和恶意哄抬信誉值现象”等技术难题，同时本发明通过更新Dirichlet先验基本率，实现了有效提高了节点提供优质服务的积极性，同时在一定程度上降低了节点发生洗白的概率，增加了信任模型的稳定性的有益效果。

主权项

一种基于模糊过滤的信任评估方法，其特征在于，该方法包括以下步骤：步骤一、文件共享系统中的请求节点在经过一次交互后，对响应节点的服务给予评价，文件共享系统通过评价矩阵M(fq；ds；ss)将用户的评价细化，fq代表文件质量，ds代表文件下载速度，ss代表供源的稳定性，通过模糊综合评判法对评价矩阵M进行模糊综合评判后，R＝WoM得到评价向量R，表示在tr时刻u节点在接受v提供的服务后给予评价；表示在第t时刻汇聚评价时，评价经时间衰减后的有效值；步骤二、评价过滤，请求节点发起询问请求，在当前时间窗口内发生交易的节点提供各自的评价向量，请求节点将所有的评价向量组织成一个矩阵n为在当前时间窗口Ti与响应节点发生交易并提供推荐评价的节点数目，在原始矩阵M的基础上建立与之对应的模糊相似矩阵R，在建好的模糊相似矩阵R的基础上，根据参数λ值进行聚类，参数λ值就是人为设定的聚类模糊程度，在相应模糊程度下选择与请求节点在同一类的评价作为合理评价，过滤不合理评价；如果请求节点不存在直接交互历史，那么选择含最多推荐评价的聚类作为可信的聚类评价团体；步骤三、评价汇聚，请求节点发起询问请求，在当前时间窗口内与响应节点发生交易的节点提供各自的评价向量，排除不实评价后，将剩余评价向量按照评价汇聚的时间进行衰减，再利用Dirichlet分布期望函数对推荐评价进行处理，得出推荐评价向量；步骤四、直接信任向量计算，请求节点再根据自身与响应节点的历史交易经验给出评价矩阵M再计算出直接信任向量步骤五、推荐信任向量计算，在请求响应节点服务时，请求节点询问所有与响应节点在当前时间窗口内有过交易的节点，将所有节点的推荐评价向量进行汇聚累加，进行归一化处理，再使用Dirichlet分布的期望函数来计算推荐信任向量S是提供推荐评价的节点集合，0<λ<1为衰减因子；表示所有评价时刻落在第Ti个时间窗口内的u对v的评价的汇聚，节点保存响应节点的先验基本率和当前时间窗口的评价汇聚；步骤六、综合信任值的计算，先对推荐信任向量和直接信任向量进行归一化运算，然后计算和的余弦相似度α：α∈[0,1]，则目标节点的服务信任向量T：0<α<1，来为服务请求者给出合理推荐，信任值T'：T'＝T*a；步骤七、更新Dirichlet先验基本率，利用计算推荐信任向量和原Dirichlet先验基本率的模糊贴近度，选择合适的更新因子对原Dirichlet先验基本率进行更新，更新后的Dirichlet先验基本率值用于下次请求节点计算响应节点综合信任值；步骤八、请求节点选择综合信任值高的响应节点进行交易。