计 算 机 工 程 第卷 第5期 38 Computer Engineering V ol.38 No.5 文章编号：文章编号：1000—3428(2012)05—0142—03 ·安全技术·安全技术· 2012年3月 March 2012 文献标识码：文献标识码：A 中图分类号：中图分类号：N945基于直觉模糊集和最优推荐的信任评价模型 昌 燕，张仕斌 (成都信息工程学院网络工程系，成都 610225) 摘 要：提出一种基于直觉模糊集和最优推荐的信任评价模型。用直觉模糊集描述固有信任属性，对固有信任直觉模糊集构成的集合进行模糊聚类，构造信任向量库存储各节点的信任向量，设计推荐信任的计算公式，并应用离散空间的最优搜索理论提高评价效率。实验结果表明，当网络节点数较大时，该模型能计算推荐信任度，且具有较高的评价效率。 关键词：关键词：直觉模糊集；信任评价模型；分布概率；信任向量 Trust Evaluation Model Based on Intuitionistic Fuzzy Sets and Optimal Recommendation CHANG Yan, ZHANG Shi-bin (Network Engineering Department, Chengdu University of Information Technology, Chengdu 610225, China) 【Abstract】This paper proposes a trust evaluation model based on intuitionistic fuzzy sets and optimal recommendation. Attributes of inherent trust are described in terms of intuitionistic fuzzy sets. Fuzzy cluster analysis is applied on a set of intuitionistic fuzzy sets of inherent trust for generation trust vector database and storage trust vectors. Calculating formula of recommendation trust is given. Optimal search theory in discrete space is applied for improving the efficiency of calculating recommendation trust degree. Experimental results show that when the network node number is large, this model can get the recommend trust calculation, and have high efficiency evaluation. 【Key words】intuitionistic fuzzy sets; trust evaluation model; distribution probability; trust vector DOI: 10.3969/j.issn.1000-3428.2012.05.043 1 概述 信任管理作为网络安全技术的重要前提与基础，正日益成为网络安全研究的焦点。文献[1]提出一种能力属性增强的信任评估模型，利用量化能力属性提升信任评估的准确性，但在评价信任时，主要利用积累的历史交易信息，而没有考虑信任的主观性和不确定性。在文献[2]中，针对P2P应用环境，重新定义事实空间与观念空间之间的映射关系和映射函数。在信任的计算中，引入风险机制，防止协同作弊和诋毁的安全隐患。文献[3]提出模糊自主信任模型，考虑主观信任模糊性和主体之间信任关系的动态性，给出直接信任评估计算公式和推荐信任评估计算公式。然而，以上研究均没有考虑到当网络节点数量较大时，计算推荐信任的可行性及时间问题。以上述内容为基础，本文提出基于直觉模糊集和最优推荐的信任评价模型。 性体现为主体的能力，在特定领域被认可的程度体现为主体的声誉。 信任属性定义如下：(1)能力。其是主体的固有属性或内在属性，表示主体完成客体需求可能性的评价性术语。(2)声誉。表示主体在特定领域或团体内被认可的程度。综上所述，固有信任属性集合定义为A={Capbility,Reputation}。 信任度定义如下： (1)能力信任贡献度。由专门的公正组织依据主体以往的表现给出评价，由经验可知，由于很难精确地给出某主体的能力信任贡献度，因此用直觉模糊数表示一个主体的能力信任贡献度；x表示主体；µC(x)表示主体对能力属性C的隶属度；γC(x)表示非隶属度；πC(x)=1− µC(x)−γC(x)表示犹豫度。 G(x,t)S(x,t)B(x,t)S(x,t)2 主体信任 文献[4]给出直觉模糊集的定义。设X={x1,x2,⋯,xn}是非空有限集，称A={x∈X}为X上的一个直觉模糊集。其中，µA:x→[0,1]和γA:x→[0,1]分别代表元素属于A的隶属度和非隶属度，且对于A上的所有x∈X，0≤µA(x)+γA(x)≤1成立。对于有限集X中的每一个直觉模糊子集，称πA(x)=1−µA(x)−γA(x)为x隶属于A的犹豫度，也称为直觉模糊指数。显然，0≤πA(x)≤1。 2.1 固有信任 固有信任是指主体自身的固有属性及在特定领域被认可的程度所共同反映出的主体的可信程度。主体自身的固有属µC(x)=γC(x)= (1) (2) 其中，G(x,t)表示在一段时间t内主体x提供较好质量服务的次数；B(x,t)表示提供较差质量服务的次数；S(x,t)表示提供服务的总次数；且S(x,t)≥G(x,t)+B(x,t)。 基金项目：基金项目：四川省科技支撑计划基金资助项目(2008GG0007)；成都信息工程学院校选科研基金资助项目(CRF201020) 作者简介：作者简介：昌 燕(1979－)，女，讲师、硕士，主研方向：网络与信息安全，模式识别；张仕斌，教授、博士 收稿日期：收稿日期：2011-07-22 E-mail：cyttkl@sohu.com 第38卷 第5期 昌 燕，张仕斌：基于直觉模糊集和最优推荐的信任评价模型 143 (2)声誉属性信任贡献度。其是指服务消费者对提供服务的评价。用直觉模糊数表示一个主体的声誉属性信任贡献度；x表示主体；µR(x)表示主体对声誉属性R的隶属度；γR(x)表示非隶属度。 ∑f(u,s,τ)×e−δ(cτ−t)µR(x)=u∈U(x)U(x) (3) ∑g(u,s,τ)×e−δ(cτ−t)γu∈U(x)R(x)=U(x) (4) 其中，U(x)表示在一段时间t内使用并评价了服务x的用户集合；U(x)表示集合U(x)中元素的个数；f(u,x,τ)表示用户u在时间τ对x表示支持的评价信息；g(u,s,τ)表示用户u在时间τ对x表示反对的评价信息；e−δ(cτ−t)表示时间衰减函数；δ是衰减因子；cτ是当前时间。 将一个主体的固有信任定义为一个直觉模糊集： H(x)={,} 从而可以更加合理、更加细腻地描述和刻画信任域主观信任的模糊性。主体x的固有信任度D(x)可以由下式求得： D(x)=(αµC(x)(1−γC(x))+βµR(x)(1−γR(x)))12 (5) 其中，α为能力信任贡献权重；β为声誉属性信任贡献权重。 2.2 推荐信任 定义1(最优推荐路径) 节点A和节点B为任意不相邻节点，节点A到节点B由可信推荐者构成的路径称为最优推荐路径。固有信任度越高的节点可以提供越可信的推荐信息，可作为可信推荐者。 定义2(推荐信任度) 如果在一段时间t之内，假设L= xti,xi+1,⋯,xj是一条最优推荐路径；D(xi+1)是节点xi+1在时间段t的固有信任度；Cti+1,j(L)在是时间段t中，xi+1对xj的推荐信任度，那么： Cti,j(L)=Dt(xi+1)⋅Cti+1,j(L) 若xi~xj共存在b条最优推荐路径，则xi获得对xj的推荐信任度为： Cti,j=1b∑Cti,j(L) L∈Set(xi,xj)其中，Set(xi,xj)表示xi~xj所有最优推荐路径组成的集合。 2.3 信任向量库的建立信任向量库的建立 定义3(信任向量库) 将网络上各节点的固有信任直觉模糊集按照某种直觉模糊集聚类方法进行聚类(采用IFCM聚类法或其他动态直接聚类法)，产生各信任向量库S1,S2,⋯,Sm。 在信任向量库中，保存隶属于该向量库的节点，及该节点的相邻节点和它的固有信任度。由于主体的信任向量是动态变化的，因此为提高信任评价的准确性和动态适应能力，信任向量库需每隔一段时间重新生成一次。 3 基于最优搜索理论的最优推荐路径 最优搜索理论是关于如何以一种最佳方式寻找某个事先已确定的对象的理论。文献[5]指出通常最优搜索问题都由目标位置和移动路径的概率分布函数、探测函数和对可用资源的约束3个基本要素构成。 最优搜索问题的解，即找到一种对于搜索资源最佳分配方案，使其能成功探测到搜索目标的概率最大或成本最小。在本文模型中，最优搜索对象是构成最优推荐路径的各个节点，由于这些节点可以依次事先确定，因此满足最优搜索理 论的前提条件。 3.1 搜索流程 信任模型搜索流程为： (1)将待检节点和搜索时间T作为初始查询请求创建搜索Agent。 (2)根据信任种类信息计算待检节点在各信任向量库中的先验分布概率P。 (3)根据先验分布概率P和总搜索资源确定各向量库上的最优时间分配，生成搜索策略。 (4)搜索Agent根据搜索策略，在第i个信任向量库中检索，当分配给i的资源耗尽就停止在i上工作。 (5)Agent依据策略迁移至下一个信任向量库，转(4)，直至遍历所有信任向量库。如果在信任向量库中找到待检节点，转(6)。 (6)从待检节点的相邻节点中，选取固有信任度最高的k个节点作为可信推荐者，以该可信推荐者作为新的待检节点，并和新的搜索时间ti(∑ti=T)作为查询请求创建搜索Agent，转(3)。 (7)重复(6)直到到达目的节点。 至此得到若干条源节点到目的节点的最优推荐路径，依据该最优推荐路径计算源节点对目的节点的推荐信任度。 3.2 待搜索节点的分布概率估计 设H(Si)=<µ(Si),γ(Si)>表示某信任类别Si的固有信任，可以通过对该信任向量库中所有节点求µ分量的平均值和γ分量的平均值得到。则节点Y位于各信任向量库的先验分布概率为： p(i)=D(Y,H(Si)) (6) ∑m D(Y,H(Si=1i))其中，D(Y,H(Si))表示Y和H(Si)之间的欧式距离。 3.3 探测函数的确定 设探测函数b(j,f(j))为当待检节点位于第j子域中，且对该子域投入f(j)搜索资源的条件下，待检节点能够被检测到的概率。令在搜索子域j中，投入的搜索时间为zj，即f(j)=zj，zj∈[0,∞)，j∈J，j=1,2,⋯,n。b(zj)是当待检节点位于搜索单元j时投入zj时间所能探测到目标的概率。设单位时间内查找节点的个数为a，搜索空间S为总的节点个数，易解得b(z)=1−e−rz，r=aS，z∈[0,∞)。 3.4 搜索模型 搜索时间不超过K，设F是分配策略f的集合，G(f) 为与搜索资源分配策略f相关的总资源，与搜索资源分配策略f对应的发现目标的概率为P[f]，可供支配的搜索总资源为G(f)≤K，分配方案满足∑f(j)≤K，则采用搜索资源分j∈J配策略f(j)发现目标的概率为： P(f)=∑p(j)b(j,f(j))=∑p(j)(1−e−rf(j)) j∈Jj∈J3.5 最优分配策略 利用拉格朗日数乘法求解最优分配策略，定义一个逐点拉格朗日函数： l(j,λ,f(j))=p(j)b(f(j))−λf(j) 其中，f(j)≥0；λ≥0；j∈J；λ为拉格朗日乘子。根据文献[6]中的结论可知，对应最佳分配策略f*(j)在时间K内，成功搜索到目标的最大概率为： 144 计 算 机 工 程 2012年3月5日 P(f*(j))=∑p(j)b(j,f*(j))=1−n(e−rk∏p(j))1n j∈Jj∈J4 实验结果与实验结果与分析结果与分析 模拟开放网络环境中的若干主体A,B,⋯,T，在某一时间段t0内，信任域节点间的关系如图1所示。 图1 信任域节点间的关系 由2.1节的固有信任描述方式得出固有信任直觉模糊特征值表，各主体固有信任直觉模糊特征值表如表1所示。 表1 各主体固有信任直觉模糊特征值表 节点 能力属性 声誉属性 节点 能力属性 声誉属性 A <0.85,0.11> <0.75,0.25> K <0.83,0.11> <0.76,0.23> B <0.45,0.51> <0.50,0.49> T <0.77,0.12> <0.70,0.24> C <0.78,0.15> <0.78,0.11> L <0.86,0.12> <0.93,0.06> D <0.86,0.11> <0.86,0.16> M <0.79,0.21> <0.68,0.28> E <0.75,0.21> <0.57,0.42> O <0.87,0.10> <0.82,0.15> F <0.76,0.21> <0.73,0.25> N <0.84,0.11> <0.79,0.12> G <0.78,0.21> <0.71,0.23> Q <0.43,0.52> <0.33,0.53> H <0.91,0.02> <0.83,0.14> P <0.76,0.15> <0.73,0.24> I <0.55,0.41> <0.50,0.44> R <0.48,0.51> <0.31,0.67> J <0.47,0.51> <0.50,0.45> S <0.44,0.55> <0.30,0.65> 根据各主体固有信任直觉模糊特征值构成直觉模糊集，并进行IFCM聚类，得到某一时间段t0内的信任向量库S1、S2、S3，具体如下： S1={K,A,D,H,L,O,N} S2={E,B,I,J,Q,R,S} S3={P,C,F,G,T,M} 能力信任贡献权重α取值0.6，声誉属性信任贡献权重β取值0.4。每次获取的可信推荐者数目为2。计算出节点B得到对节点A的推荐信任度为0.39。 为证明本文提出模型的有效性，分别对图1中的若干节点采用本文模型和文献[3]模型计算推荐信任度，采用本文模型时总的时间为40 ms，2种模型计算节点对推荐信任度的花费时间比较如表2所示，其中，QQ为花费时间。 表2 2种模型计算种模型计算节点对节点对推荐信任度推荐信任度的任度的花费时间花费时间比较时间比较 节点对 本文模型 文献[3]模型 推荐信任度 QQ/ms 推荐信任度 QQ/ms B→A 0.39 22 0.36 46 K→T 0.34 14 0.31 50 B→F 0.30 25 0.29 在图1所示节点基础上再任意增加节点至40个和60个，分别利用本文模型和文献[3]模型计算节点B对节点A的推荐信任度，比较花费时间。其中，每步获取2个可信推荐者， 采用本文模型时总时间为40 ms，2种模型花费时间比较如图2所示。由图2可知，当节点数目较少时本文模型和文献[3]模型的性能相当，且当节点数目增多时，本文模型的性能显著提高。 图2 2种模型花费时间种模型花费时间比较花费时间比较 对图1所示节点，观察时间取不同值时，时间对可信推荐者命中率的影响如图3所示。 第38卷 第5期 昌 燕，张仕斌：基于直觉模糊集和最优推荐的信任评价模型 1
