基于博弈论地Web服务信任评估模型.pptxVIP

基于博弈论的Web服务信任评估模型 By L. L Zuo  引言 基于博弈论的信任评估模型 博弈分析 仿真实验及结果分析 一 引言 Web服务 信任机制 Web服务 Web 服务作为一种新型的互联网应用模式主要通过协同和服务的形式向外提供使能。 随着Web 服务规模的逐渐扩大，互联网中的服务形成了一个巨大的标准组件库，其中有大量的功能相同或相似服务，甚至存在一些恶意服务和虚假服务。 引入信用机制对web服务进行信任评估，为用户选择满意和正确的 Web服务。 信用机制 信任机制作为衡量服务信任等级的评价体系，是通过量化用户在参与或使用服务之后的主观感受建立起来的，评价值的高低可以较好的反映服务质量的好坏。 信任机制以信任值作为对服务的衡量标准来划分服务等级，从大量的功能相同或相似的服务中过滤掉不被用户认同的服务，筛选出符合大多数用户使用要求的服务，可以降低用户选择恶意服务的风险。 现状 目前，在 Web 服务信任评估方面，不少研究人员已经提出了一些可行的方法，大多数方法主要是围绕如何利用用户和服务的历史交互信息来判断一个服务是否符合了用户的预期结果，实践表明，这些模型利用用户反馈的信息对 Web 服务的信任值做出了准确的评估，推动了信任评估模型的发展，但是模型没有考虑人的因素对评价结果的影响，只是一味的同等对待所有用户的评价结果，没有考虑不同用户对同一服务看法的差异性，而且模型在抵制共谋行为方面有待研究。 二 基于博弈论的信任评估模型 信任评估模型框架 基本思想 博弈基本要素和过程 共谋行为的检测（略） 局中人的效用函数（略） 信任评估模型框架 1) 信任 管 理 引擎 ( TME，Trust Management Engine) 。 负责对 Web 服务的信任度进行计算、更新、排列并向请求者推荐服务，计算服务请求者的领域相关度和信任度。 2) 用户信任度和领域相关度。 存储由信任管理引擎计算的服务请求者的信任值和领域相关度。 3) 服务信任度记录和累计共谋次数。存储所有服务的信任度和每一个服务的累计共谋次数。 4) 共谋检测机制。通过对 Web 服务和用户的交互记录进行检测，判断服务的行为是否为共谋、用户是否进行了欺骗，并把结果提交给信任管理引擎进行处理。 5) 交互记录。存储所有服务和用户的历史交互记录。 模型中，TME 需要为请求者筛选正确的服务，一旦绑定了服务，又要确保为服务反馈信息的请求者是诚实的。 模型的基本思想 Web 服务在其生存周期内不断的追求更大的用户请求量，一些服务为了增加自身的收益会选择欺骗。而用户为了追求与更好的 Web 服务进行交互会选择共谋。 TME 为了维持良好的环境，需要不断的鼓励策略友好的行为并打击恶意行为，在这种情况下，TME 和 Web 服务、用户在相互作用时不能达成一致的协议，属于博弈论中的非合作博弈关系。 博弈基本要素和过程 局中人: TME，Web 服务，用户。 策略集:TME 的策略集 St = ( 惩罚，奖励)分别对应用户和Web 服务的策略集 Sw = ( 共谋，诚实) 。 效用函数: 是局中人选择不同策略所得收益函数，Tuq、Twm、Ttq分别表示用户Web服务和 TME的效用函数。 信息：Web 服务、用户和 TME 在博弈过程中都了解对方的策略集合和收益，属于完全信息博弈。 Web服务和TME的博弈过程 共谋行为的检测 通过对共谋行为进行分析，发现共谋具有以下特点: 1、信任值非正常地增长，即短时间内信任值增长迅速． 2、共谋期间用户请求量非正常增大．根据以上两个特点采取下面的检测方法: 其中，Twq表示服务累计的信任值( 不包括被检测期间) ，r表示被检测期间用户的累计满意度平均值，U、u 分别表示服务总的用户请求数量( 不包括被检测期间) 和检测期间的用户数量． σ 表示被检测期间的平均信任值与最终信任值正常差值． 三 博弈分析 Web服务与TME的博弈过程分析 用户与TME的博弈过程分析 Web服务与TME的博弈过程分析 1) f1、f2、f3 分别表示用户对 Web 服务的正面的评价信息、Web 服务与用户交互时所付出的网络资源、TME 对 Web服务的惩罚结果，g1 表示 Web 服务与其他用户或服务共谋时获得的收益且 g1 ＞ f1． 2) e1 表示 TM E 的收益，TM E 的收益用准确度来度量，TM E 对恶意行为检的准确度直接影响其信任度． 规定 e1即为用户和 Web 服务对 TME 的检测准确度的正面的反馈也即 TME 的收入，可以间接的反出 TME 的准确度． 假设1.每次交互之后，用户都会给服务反馈评价结果。 定理 1. 一次博弈，共谋行为被惩罚是唯一的纳什均衡。 从长期的博弈过程中看，共谋行为被惩罚的策略组合显然不