基于信誉P2P电子商务信任模型研究.docVIP

基于信誉P2P电子商务信任模型研究 　　摘要：在目前的电子商务交易中，电子商务交易系统必须提供一个科学合理的信用管理系统，对用户以往的交易和信任记录进行记载和评判，对诚信交易的用户给予奖励、对恶意用户给予惩罚，以促进电子商务世界的规范交易。目前应用较多的信任模型都是基于信誉的P2P电子商务信任模型，因此本文选取了基于推荐的信任模型和基于组群的信任模型进行研究，对比分析了这两种基于信誉的P2P电子商务信任模型的优缺点， 通过理论分析，笔者发现基于组群的P2P电子商务信任模型在信任值的量化的准确性、信任值维护的安全性以及模型实施的复杂程度、对恶意行为的危害范围和抑制程度等方面都优于其他常见的P2P电子商务信任模型。 　　关键词：P2P；信任机制；信任模型；组群 　　注：本论文获得北京青年政治学院院级博士基金项目《中小型服务业企业微博营销应用现状与策略分析》的经费支持，项目号：BS201202 　　一、基于推荐和基于组群的信任模型的特点 　　基于组群的信任模型较复杂，它把信任关系划分为组群之间的信任关系、组群对节点的信任关系和组群内部节点之间的信任关系。因此该模型是基于全局信誉与局部信誉的混合信誉的信任管理模型。在组群内部，通过将收集到的成员节点对目标节点的历史记录及评价者个人的经验进行组合，形成组群内部成员节点之间的评价，采用局部信誉的管理模型；组群之间则使用的是全局信誉的管理模型。而基于推荐的信任模型比较简单，它属于基于单纯的局部信誉的信任模型。 　　二、基于推荐和基于组群的信任模型信任值的计算 　　（一）基于推荐信任模型的信任值的计算 　　该模型中最终信任值计算的方法是由直接信任度和间接信任度根据最终信任合成公式计算获得。其中直接信任值由节点历史交互信息根据直接信任计算公式得到，间接信任值由各个推荐节点提供的推荐信任度根据间接信任合成公式计算获得。 　　1.直接信任值Td 的计算 　　直接信任值Td是本体节点在与目标节点的交互过程中积累的信任经验的综合评估。这种评估影响本体节点对于目标节点的后续行为。该值根据存放于每个??与P2P网络的节点的本地的信任经验计算获得。在本模型中，每次参与交互的节点必须在交互结束后对对方做出信任评估。评估值由“成功”和“失败”两者构成。N为总交互次数，其中成功总交互次数记为S，失败总交互次数记为F，S与F满足S+F=N。那么，根据信任值的定义，直接信任度被量化成[0，1]之间的数，量化过程以成功交互次数S和失败交互次数F为自变量，因此直接信任度Td是S和F的函数，即Td =f（S，F）。又因为Td在[0，+∞]之间应该是S的增函数、F的减函数；当S―F趋近于+∞时，Td趋近于1；当F―S趋近于+∞时，Td趋近于0；并且S与F对Td的影响程度不应该相同，为了惩罚节点在系统中的不检行为，F对Td的影响应该大于S对Td的影响。综合考虑上述因素，直接信任值的计算公式如下（1）： 　　其中[α]作为一个信任度衰减调节因子，用来调节失败交互使直接信任值降低的速率。其值是由用户对安全强度的需求自行设置。规定[α]∈[1，100]，[α]为1表示该调节因子失效，为100则表示，一次失败的交互在直接信任度上的损失将会100倍于成功交互的收获，从而得以实现使有不检行为的节点的已经积累得很高的信任度迅速衰退的目标。 　　2.推荐信任值Tr的计算 　　推荐信任Tr是推荐节点向主体节点进行推荐的时候提供的对于目标节点的信任评估。推荐信任度也被量化成[0，1]之间的数，它也是以成功交互次数S和失败交互次数F为自变量的函数。又因为节点在[0，+∞]之间应该也是S的增函数、F的减函数；当S―F趋近于+∞时，Tr趋近于1；当F―S趋近于+∞时，Tr趋近于0。综合考虑上述因素及参照直接信任值Td的计算方法，在推荐信任值的计算中不引入调节因子α，而是引入一个依赖与推荐节点本地信任策略的参考评估值[γ]参数。其计算公式如下（2）： 　　[Tr=SS+F+γ] （2） 　　这里引入的参数[γ]，该参数影响节点直接信任度的初始累计速度。实验数据表明，当[γ]选择较大的值，例如[γ]=10的时候，节点完成1次成功的交互，其直接信任也只能达到0.09，一旦节点有过一次失败交互Td就可能低于系统中大多数节点的最低交互阈值，使得新加入的节点很难获得继续交互的机会，无法积累自己的信誉。与此相反，当[γ]选择较小的值，例如[γ]=1，系统通过一次成功交互就能够获得0.5的信任值，节点付出较小的代价就能获得较多的交互机会，但是这样就会使系统中节点在交互中所面临的风险大大增加。因此要根据实际的应用环境以及网络不同的安全策略，设置其相应的值。 　　3.间接信任值Tind的计算 　　间接信任是本体节点从推荐节点处获取的对于目