Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ＩＳＳＮ ｌ００１．９０８１ ２０１６．．０４．．１０ 计算机应用，２０１６，３６（４）：９３７—９４０，９５１ 文章编号：１００１．９０８１（２０１６）０４．０９３７－０４ ＣＯＤＥＮ ＪＹＩＩＤＵ ｈｔｔｐ：／／ｗｗｗ．ｊｏｃａ．ｃｎ ＤＯＩ：１０．１１７７２／ｊ．ｉｓｓｎ．１００１－９０８１．２０１６．０４．０９３７ 集成直觉模糊信息的主观信任模型 徐军 （江西财经大学信息管理学院，南昌３３００１３） （ 通信作者电子邮箱ｘｕｊｕｎ１０２８＠１２６．ｔｏｍ） 摘要：针对复杂的在线服务环境下存在的主观性和不确定性，且缺乏从信任程度、不信任程度和不确定性程度 三方面描述信任的方法，提出一种集成直觉模糊信息的主观信任模型。首先，给出了一种改进的集成精确数为直觉 模糊数的方法，并结合Ｋ均值聚类算法，计算实体的直接信任和间接信任；然后，根据基于直觉模糊熵的权重分配策 略计算综合信任；最后进行了仿真实验验证。结果表明该方法能有效抑制信用欺诈行为，且当恶意节点达到３５％的 情况下仍然维持一个较低的误差水平。 关键词：在线服务环境；直觉模糊数；主观信任；直觉模糊熵 中图分类号：ＴＰ３９３ 文献标志码：Ａ Ｓｕｂｊｅｅｔｉｖｅ ｔｒｕｓｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｉｎｔｅｇｒａｔｅｄ ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ ｆｕｚｚｙ ｉｎｆｏｒｍａｔｉｏｎ ＸＵ Ｊｕｎ （Ｃｏｌｌｅｇｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ，Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＦｉｎａｎｃｅ ａｎｄ Ｅｃｏｎｏｍｉｃｓ，Ｎａｎｃｈａｎｇ ｆｉａｎｇｘｉ ３３００１３，Ｃｈｉａ）ｎ Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｓｕｂｊｅｃｔｉｖｉｔｙ ａｎｄ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｏｎｌｉｎｅ ｓｅｒｖｉｃｅ ｅｎｖｉｒｏｎｍｅｎｔ，ａｓ ｗｅｌｌ ａｓ ｅｘｉｓｔｉｎｇ ｔｒｕｓｔ ｍｏｄｅｌｓ ｃａｎｎｏｔ ｄｅｓｃｒｉｂｅ ｔｒｕｓｔ ｄｅｇｒｅｅ，ｄｉｓｔｒｕｓｔ ｄｅｇｒｅｅ ａｎｄ ｕｎｃｅｒｔａｉｎｔｙ ｄｅｇｒｅｅ，ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ａ ｓｕｂｊｅｃｔｉｖｅ ｔｒｕｓｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｌ‘ｎｔｍ‘ｔｌ‘ｏｎｌ‘ｓｔｌ‘ｃ ｆｕｚｚｙ ｉｎｆｏｒｍａｔｉｏｎ ｗａｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｎ ｉｍｐｒｏｖｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ａｇｇｒｅｇａｔｉｎｇ ｃｒｉｓｐ ｖａｌｕｅｓ ｉｎｔｏ Ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ Ｆｕｚｚｙ Ｎｕｍｂｅｒｓ（ＩＦＮ）ｗａｓ ｄｅｖｅｌｏｐｅｄ．Ｔｈｅｎ，ｂａｓｅｄ ｏｎ ｔｈｉｓ ａｐｐｒｏａｃｈ，ｔｈｅ ｄｉｒｅｃｔ ｔｕｓｒｔ ＩＦＮ ａｎｄ ｔｈｅ ｉｎｄｉｒｅｃｔ ｔｕｓｒｔ ＩＦＮ ｃｏｕｌｄ ｂｅ ｃａｌｃｕｌａｔｅｄ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅ ｆｉｎａｌ ｔｒｕｓｔ ｗａｓ ｏｂｔａｉｎｅｄ ｂｙ ｕｔｉｌｉｚｉｎｇ ｗｅｉｇｈｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｓｔｒａｔｅｇｙ ｂａｓｅｄ ｏｎ ｉｎｔｕｉｔｉｏｎｓｔｉｃ ｆｕｚｚｙ ｅｎｔｒｏｐｙ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｉｓ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｃｒｅｄｉｔ ｆｒａｕｄ，ａｎｄ ｍａｉｎｔａｉｎｓ ｌｏｗ ｅｒｒｏｒ ｌｅｖｅｌ ｗｈｅｎ ｍａｌｉｃｉｏｕｓ ｅｎｔｉｔｉｅｓ ｒａｔｉｏ ｒｅａｃｈｅｓ ３５％． Ｋｅｙ ｗｏｒｄｓ：ｏｎｌｉｎｅ ｓｅｒｖｉｃｅ ｅｎｖｉｒｏｎｍｅｎｔ；ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ ｆｕｚｚｙ ｎｕｍｂｅｒ；ｓｕｂｊｅｃｔｉｖｅ ｔｕｓｔｒ；ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ ｆｕｚｚｙ ｅｎｔｒｏｐｙ ０ 引言 在Ｗｅｂ ２．０开放共享、同创共用的观念推动下，互联网为 方交互的经验而得出的受信方的信任程度。 近些年来，众多国内外研究已经开展各种主观信任模型 的研究，其本质是基于在线服务环境中其他用户对商家的主 观评价历史信息预测商家的信任度，从而为用户作出信任决 策根据描述信任值的数学方法，主要从贝叶斯理论 逻辑 、主观逻辑 ］、云模型 社会和商务的发展提供了灵活、开放、协作、共享和分布式的 在线服务环境。近年来，越来越多人通过Ｗｅｂ从事各种各样 的活动：通过电子商务网站购买商品、预订酒店，通过社交网 、模糊 ］、证据理论 “ 、区间 络网站进行互助旅游，通过开源软件社区进行虚拟协作，以及 其他各种可能的活动。可以说，在线服务已渗透到人们生活 的每一个角落。然而，在这种分布式和开放的服务环境中，难 以评估网上未知实体的可信度和区分服务质量的好坏。据中 国电子商务投诉与维权公共服务平台统计数据显示：２０１４年 共接到全国各地用户的电子商务投诉近５０ １８０起，同比增长 数理论¨ 和灰色系统理论 等角度，构建了多种不同的信 任模型，为信任模型的发展奠定了坚实的理论基础。从这些 研究来看： １）大多数研究忽视了用户评分的主观偏好不确定，也就 是说，他们通常采用简单的加权平均集成的精确数来描述属 性评分，事实上随着数据量的爆炸增长，很难获取有价值的信 息，也会导致用户提供的信息丢失问题。例如，大多模型最终 ２１．３２％…。因此，系统地深入开展辅助消费者完成网上交易 的主观信任模型研究，已成为该领域一个亟待解决的问题。 用一个精确数来商家的服务态度、产品质量等属性，由于不注 重评价用户的主观偏好的不确定性，模型不能很好地刻画信 任的主观性、模型性和不确定性。 ２）多数研究集成的信息刻画信任指标时，不能有效抑制 夸大商家和诋毁商家行为的干扰作用，从而影响预测结果的 准确性。 当前对信任关系的研究分为客体信任和主观信任。客体 信任是利用安全协议和凭证，可以精确描述、推理和认证实体 的身份。主观信任是一种认知现象 。Ｊ，是主体对客体特定 行为的主观可能性预期，其本质是主体所掌握的经验的体现， 具有主观性、模糊性和不确定性，因此，传统的数学工具难以 对其准确地描述与刻画。本文所提及的信任为主观信任，指 的是基于信誉的信任评价，即信任方根据自己或他人与受信 收稿日期：２０１５－１０—１３。 ３）在计算综合信任度时，大多模型确定直接信任和间接 信任权重较主观，缺少自适应性和科学性。 基金项目：国家自然科学基金资助项目（７１３６１０１２，６１２６３０１８）；江西省教育厅科学技术研究项目（ＧＪＪ１５１６０１）； 江西省高校人文社会科学研究项目（ＪＣ１３３８）；江西财经大学青年基金资助项目。 作者简介：徐军（１９８２一），男，江西九江人，讲师，博士，ＣＣＦ会员，主要研究方向：信任计算、科学决策。 ９３８ 计算机应用 第３６卷 针对上述问题，本文提出了一种集成直觉模糊信息的主 观信任模型。该模型以直觉模糊理论为基础，因直觉模糊理论 产生的直接经验。 设向量Ｑ ＝（Ｑ ，Ｑ ，…，Ｑ ）为评估实体Ｅ 和目标实 体ＳＰ交互ｎ次产生的服务质量评价向量，ｔ 时间对ＳＰ的第 个评价指标的评分为Ｑ （１≤ｋ≤ｎ）。设实体 对服务提供 是对传统模糊集的拓展，且同时考虑了隶属度、非隶属度和犹 豫度这三方面的信息，在处理信任的主观性和不确定性更具 有直观性和灵活性；同时，在集成直觉模糊信息时，结合 均 值聚类算法，从而有效解决恶意推荐和信任量化中存在的问 题。 １ 基本概念 １．１ 直觉模糊集 定义１ 设 是一个论域。若 上存在两个映射 ： 一［０，１ ｊ和 ： 一［０，１］，使得 ∈ 一 ｊ（ ）∈［０，１］和 ∈Ｘ一 （ ）∈［０，１］，且满足条件０≤ｔｚＡ（ ）＋ （ ）≤ １，则称 和 确定了论域 上直觉模糊集 ，可记作 ＝ ｛（ ， （ ）， （．Ｉｆ））Ｉ ∈ ｝，其中 （ ）和 （ ）为 属于 的隶属度和非隶属度。此外，若仃 （ ）＝１一 （ ）一 （ ）， 且 ｅ Ｘ，则称７ｒＡ（ ）为 中元素 属于 的犹豫度或不确定 度。 直觉模糊集Ａ的隶属度 （ ）、非隶属度 （ ）和犹豫度 仃 （ ），分别表示对象 属于直觉模糊集 的肯定、否定和中 立的程度。例如，设一直觉模糊集Ａ＝｛（ ，０．７，０．２）ｌ ∈ ｝，那么它的隶属度 ＾（ ）＝０．７，非隶属度 （ ）＝０．２和 犹豫度７ｒｊ（ ）＝０．１。也就是说，对象 属于Ａ的程度是０．７， 不属于 的程度是０．２，既不肯定也不否定的中立程度是０．１。 １．２直觉模糊数 对于Ｖ ，ｘｕ等 称由隶属度和非隶属度所构成的有序 对（ （ｘ），＂／３ （ ））为直觉模糊数，通常被记为 ：（ ， 。）， 其中 ∈［０，１］， ∈［０，１］，并且 ∈［０，１］。 １．３直觉模糊熵 定义２ 刮 设 ＝（／ｘ （ ）， （ ））为直觉模糊数，则其 直觉模糊熵为： Ｅ（０／）＝（１一（ （ ）＋＂ （ ）））· ｓｉｎ（叮ｒ／２）（ Ａ（ ）＋ｕ＾（ ）） （１） １．４信任直觉模糊数 信任直觉模糊数（Ｔｒｕｓｔ Ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ Ｆｕｚｚｙ Ｎｕｍｂｅｒ， ＴＩＦＮ）是一种描述信任的数量概念，它能够更加细腻、更全面 地刻画实体间信任关系的不确定性，可以同时表示信任程度、 不信任程度和不确定性程度（即犹豫度），克服了单一标度 （即信任程度）的局限性，而把人思维中的“非此非彼”性包含 在内，使得其更贴近人的主观认识。 定义３ 信任直觉模糊数是指用一个直觉模糊数Ｏ／＝ （ ， ＞表示信任，其中： 和 分别代表信任和不信任的程 度，丌 ＝１一肛 一 表示信任的不确定性程度（即犹豫度）。 同理可知，理想信任直觉模糊数 ＝（１，０），表示完全信 任；负理想信任直觉模糊数＂ 一＝（０，１），表示完全不信 任；（０，０）表示完全不确定。其运算法则参考文献［１５］。 ２ 基于集成直觉模糊信息的信任评估模型 ２．１ 直接信任 直接信任是指两个实体通过直接的交互活动，相互之间 建立的一种直接信任关系，信任度来源于双方根据交互质量 者 的第 个评价指标的信任直觉模糊数为Ｄ （ｕ ）＝（ ， ｖｊ），具体计算过程如下： 步骤１ 计算拟满意度￡、拟不满意度 ｆ和拟犹豫度 。 设 和卢分别为满意和不满意的门限值，具满足０≤ ≤ＪＢ≤ １。令Ｑ ＝｛ Ｉ１≥Ｑ ≥卢， ｅ Ｑ ｝为服务满意评价向 量，Ｑ ＝｛ １ ０≤ ≤ ，Ｑ≯∈ ｝为服务不满意评价向 量，Ｑ ＝｛Ｑ Ｉ ＜ ＜卢， ｅ ｝。拟隶属度￡、拟非隶 属度 和拟犹豫度 的计算公式如下： ：．』ｍｅ “（Ｑ；），。 刈 （２） ｔ／３， ｌ １２：ｌ：０ ，， ｆｌ 粕（Ｑ ）＇。Ｑ ０ｔ （… ３） Ｌ ， Ｉ Ｉ＝０ ｆ＝｛ｆ：｛＿ ｍ阻ｎ（ ），。 ＞０ （４ ） Ｌ（ ＋卢）／２， Ｉ Ｉ＿０ 其中：ｌ ｌ、Ｉ ｌ和Ｉ １分别为向量Ｑ；、 和 的模。 步骤２ 线性变换。鉴于：１）拟满意度越接近１，满意度 越大；２）拟不满意度越接近０，不满意度越大；３）拟犹豫度越 接近艿＝（ ＋／３）／２，犹豫度越大。本文分别对拟隶属度 、拟 非隶属度 ，和拟犹豫度叩，作如下线性变换： 一 Ｋ ＝ （５） ：１一丘 ６ （６） ｆ ， １话， ＞６ １， ＝６ 刀 。 （ｏ，１） ｏ ｉ ６ ｔｉ １ 图１￡和 的线性变换 ０ ‘《８ ｛ｉ １ 图２ ，的线性变换 步骤３ 生成信任直觉模糊数。设则实体Ｅ对服务提供 者ｓＰ根据直接经验产生的信任隶属度 ，不信任隶属度 和 犹豫度仃 为： ｜ ｉ Ｋｉ／９ ｛ ＝ （８） Ｌ订 ＝＂ｒ￣／ｃｐ 其中： ＝ ，尸 表示最近持续可信服务的强度，Ｐ 第４期 徐军：集成直觉模糊信息的主观信任模型 ９３９ 表示最近持续不可信服务的强度，ｅｒ ．．表示最近持续不确定 ｒ性服务的强度。 设实体巨对服务提供者ＳＰ的直接信任为ｏｒ，（ＳＰ）＝ 仿真实验的结果确定），这类方法缺少科学性、合理性和自适 应性。本文采用动态策略对权重因子进行分配。考虑到信任的 不确定性特征对信任度量准确性的重要影响 １７］，通过直觉模 糊熵自动调节 。和 的大小。直觉模糊熵是度量模糊集的 不确定性程度的量，与基于概率理论的传统信息熵不同，它具 有非概率性，并且当模糊集的携带的信息量越小，不确定性就 （ 叽（即）， 叽（舻）），其中： （ 表示实体Ｅ对服务提供者 ｓＰ的信任程度，ｖｏｒｉ（ｓＰ）表示实体 ；对服务提供者ｓＰ不信任 程度，订观（ ）＝ｌ一 （ ）一 观（ｓ尸）表示实体Ｅ对服务提供 者ＳＰ不确定性程度。那么 ＤＴＩ（ＳＰ）＝Ｗ１ｏｒ，（１１，１）０Ｗ２ＤＴＩ（１１，２）０…０ ＤＴＩ（ｕ ） （９） 其中： 为第 个属性的权重，通常采用熵权法来确定，其计算 方法可以参考文献［１６］。 ２．２ 推荐信任 推荐信任是指实体间通过与目标实体交互过的其他评估 实体的间接经验形成的信任。当评估实体计算目标实体推荐 信任时，它会询问所有与该目标实体交互过的其他评估实体。 然而，并非所有的推荐实体都是诚实可信的，尤其是在开放的 网络环境中，恶意实体会提交不诚实地反馈夸大目标实体或 诋毁目标实体。基于上述问题，国内外学者对过滤不公平评分 提出了一些方法。Ｗｈｉｔｂｙ等 通过贝叶斯理论计算实体评分 与其他实体评分的偏差，如果偏差超过阈值，则该实体被认为 是异常的；徐兰芳等 采用味集群方法避免恶意推荐，根据 每个系列与参考系列的灰关联度过滤不公平评分，但很难确 定一个好的参考系列；苗光胜等 分析节点的评分与目标节 点的全局信任值的偏差程度，当偏差值大于行为异常阈值时， 该节点会被识别为异常节点，但目标节点的全局信任值难以 事先确定。本节利用 均值聚类算法分析推荐实体的评分。 均值聚类算法是用来解决聚类问题的最常用非监督学习算法 之一，它可以简单、快速、有效地对推荐实体进行划分，其计算 过程如下： １）设置ｋ：２，由于考虑到过滤不公平评分，最终将所有 推荐实体划分为两个簇，即一个包含公平评分，一个包含不公 平评分。 ２）初始化ｋ个簇的中心。 ３）计算每个对象 与ｋ个簇中心的距离，并把它们分配 给最近的簇。 ４）更新簇中心，重新计算簇中心： １ ｍ ：寺 ｘｌｉ （１０） ５）转到步骤３），直到达到迭代次数阈值或满足聚类误差 终止条件。 经过滤后，剩下的推荐实体即为可信的推荐实体，从而可 以保证推荐信任的准确性。同理，可以获得实体巨对服务提 供者ＪｓＰ的间接信任为ＩＣｒ，（ＳＰ）＝（ Ｒ （ ）， （ｓＰ））。 ２．３ 综合信任 通过集成直接信任和推荐信任，实体Ｅ 利用式（１１）计算 服务提供者ＳＰ的综合信任： Ｇ （ＳＰ）＝ ＤＤＴｉ（ＳＰ）０加ＲＲ （ＳＰ） （１１） 其中ｔｏｔ。为直接信任的权重因子， 为推荐信任的权重因子。 一般说来，人们优先相信自身的直接判断，即认为交互的直接 经验要比间接经验更可信，而实际环境中往往很难确定Ｗ。和 。现有文献大多采用主观方法（如取均值、专家打分和利用 越大，直觉模糊熵也越大，相应指标的权重就越小。因此，本文 借鉴熵权大小确定指标权重的思想，利用直觉模糊熵计算直 接信任和推荐信任的权重。根据直觉模糊熵的定义，可以获得 直接信任和推荐信任的直觉模糊熵Ｅ（ＤＴＩ（ＳＰ））和 （ （ｓＰ）），那么直接信任和推荐信任的权重为： １～Ｅ（ＤＴｉ（｜ｓＰ）） ，，＾、 ｏ 了 丽 １～Ｅ（ＲＴｉ（ＳＰ）） ，， ＯｔＲ ＿二＿ 丽丽 由此可见，当直接信任（或推荐信任）所含不确定性信息 越大，其相应的权重就越小。 ２．４信任决策 已知综合信任为（ ｉ（ ）， 。 （ｓＰ）），因为信任决策不仅要 考虑信任分量、不信任分量的大小，而且要包含信息的可靠 性。因此，本文用式（１４）来表示综合评估信任值： Ｓ （ｓｐ）＝１—０．５（１＋ｑｌ＇＂Ｇｒ．ｉｆ 】）ｄ（Ｇ （ＳＰ），＂刚 ） （１４） 其中：ｄ（·，·）为两个直觉模糊数的距离，如Ｄｉｓ（ 。， ：）＝ 寺（１ 。一 ２ Ｉ＋ｌ １一 ２ Ｉ＋Ｉ仃 ｌ一丌。２ １）。由式（１４）可知， Ｇ （．ｓＰ）与理想信任直觉模糊数”ＦⅣ 的Ｈａｍｍｉｎｇ距离越 小，犹豫度越小，则实体综合信任值就越大。 ２．５信任惩罚方法 当交易失败时，为了防止欺诈行为，应当适当惩罚实体。 由于商品交易价格与历史平均值相差越大，风险越大。本文根 据交易价格确定惩罚力度，即交易价格偏离历史平均值越大， 则欺诈的可能性越大，从而惩罚得越多。本文采用的惩罚方法 是对实体现有的信任程度减去一个惩罚分数，为了保证直觉 模糊数的一致性，同时对实体现有的不信任程度加上相应的 惩罚分数，计算方法如下： ｐ＝＜ ， ）＝ （ （１＿ ， ｔ 。 （１—－ 。—— 。） ）（１５） 其中：ｐ＝（ ， ）为惩罚后的信任直觉模糊集，ｐ。＝（ ， 。。）为惩罚前的信任直觉模糊集， 。 为商品价格的平均值， 为最大值， 为第ｉ个商品价格。 ３ 仿真实验 本实验环境硬件配置为：Ｉｎｔｅｌ Ｃｏｒｅ ｉ５－２５３７Ｍ ＣＰＵ，４ ＧＢ 内存，操作系统为Ｗｉｎｄｏｗｓ ７，在Ｍａｔｌａｂ环境下进行仿真实 验。 ３．１评估指标 定义４ 设ｎ条评价记录，其中诚信评价ｍ条，恶意评价 ｎ—ｍ条。从诚信评价中随机抽取ｍ／２条，重复 次，则第ｉ次 计算机应用 第３６卷 抽样所得实体真实信任度为０ ＝（ 巩）；同理，从恶意评价 ４ 结语 记录中抽取一半和前者混合所得实体信任水平为０ ：＜ｕ ， ）。则欺诈绝对平均误差Ｄ—ＭＥＡ为： Ｄ．ＭＥＡ＝ ２ （１６） ３．２防信用炒作能力的仿真 实验场景模拟了两种欺诈行为：１）卖家通过售出大量低 价商品快速积累信任；２）卖家使用间歇性欺诈行为。数据的 每条评价记录包括宝贝描述的相符度、卖家服务态度和卖家 发货速度等信息。为了考察本模型对这两种欺诈行为防范能 力，将本文模型与云模型 信任计算方法进行了比较。 针对前者，图３显示了卖家进行信用炒作时信任值的变 化曲线。如图３所示，随着交互次数的增加，两种方法的信任 值都呈上升趋势，且越来越缓慢，表示两种模型都能有效抑制 信用欺诈行为。但与云模型相比，本模型在初始阶段增长更 加缓慢，这是因在计算过程考虑了满意评分的不确定性程度， 从而降低满意评分对最终信任的影响，表明本模型在初始阶 段比云模型更加稳定。针对后者，卖家在初始阶段提供可信 服务，后阶段提供间歇性欺诈行为，则两种模型对间歇性欺诈 行为的敏感程度如图４所示。当交易不成功，出现欺诈行为 时，两种模型都会对卖家进行惩罚，使得信任值迅速下降。其 中：相对于云模型而言，本文模型下降更快，而且信任值更难 恢复。 趔 出 坦 ０ ５ ｌ０ ｌ５ ２０ ２５ ３０ ３５ ４０ 交互次数 图３针对第一种行为的实验分析 １．０ ０．８ ｊ型０．６ 出 迎望０．４ ０．２ Ｏ ０ ５ ｌ０ ｌ５ ２０ ２５ ３０ ３５ ４０ 交互次数 图４针对第二种行为的实验分析 ３．３防不诚实推荐行为的仿真 本实验模拟实际场景为：在一般恶意推荐行为（如恶意 夸大或诋毁卖家）比率不断提高的情况下，通过Ｄ—ＭＥＡ分析 两种模型的误差水平。从图５可看出，随着欺诈率的不断提 高，两者的Ｄ．ＭＥＡ不断上升，其中本文模型上升较缓慢，即便 恶意节点达到３５％的情况下模型仍然维持一个较低的误差 水平。这主要是因为本文模型利用Ｋ均值聚类算法，过滤不公 平评分，从而减弱了恶意推荐对最终信任值的影响。 ０·４ ０．１ ０ Ｏ １０ ２０ ３０ ４０ ５０ 欺诈率，％ 图５欺诈绝对平均误差 面对开放的在线服务环境，为了较全面刻画信任的主观 性和不确定性，本文引入直觉模糊理论，提出了一种集成直觉 模糊信息的主观信任模型。本文给出了基于相对接近度的集 成直觉模糊信息的方法，并结合时间衰减函数获得直接信任 直觉模糊数和间接信任直觉模糊数。通过 均值聚类思想 过滤不公平评分，有效地减少了恶意推荐对集成信息的影响。 针对直接信任和间接信任权重因子难以客观确定的问题，提 出了基于直觉模糊熵的动态权重分配策略。最后的仿真实验 验证了模型的有效性和可行性。 未来将进一步研究自适应集成信任直觉模糊信息的 方法，同时研究该方法在实际环境中应用以便发现更多新问 题。 参考文献： 【１】 中国电子商务研究中心．２０１４年（上）中国电子商务用户体验与 投诉监测报告［ＥＢ／ＯＬ］．［２０１５ ０７—１０］．ｈｔｔｐ：／／ｗｗｗ．１００ｅｃ．ｃｎ／ ｚｔ／ｕｐｌｏａｄ—ｄａｔａ／ｄｏｗｎ／２０１４ｓｈｙｈｔｙ．ｐｄｆ．（Ｃｈｉｎａ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ．２０１４ Ｃｈｉｎａ ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ ｕｓｅｒ ｅｘｐｅｒｉｅｎｃｅ ａｎｄ ｃｏｍｐｌａｉｎｔ ｍｏｎｉｔｏｒｉｎｇ ｒｅｐｏｒｔ［ＥＢ／ＯＬ】．【２０１５—０７—１０］．ｈｔｔｐ：／／ ｗｗｗ．１００ｅｃ．ｃｎ／ｚｔ／ｕｐｌｏａｄ—ｄａｔ／ａｄｏｗｎ／２０１４ ｓｈｙｈｔｙ．ｐｄｆ．） ［２】ＪＳＡＮＧＡ，ＩＳＭＡＩＬ Ｒ．Ｔｈｅ ｂｅｔａ ｒｅｐｕｔａｔｉｏｎ ｓｙｓｔｅｍ［ＥＢ／ＯＬ】． 【２０１４—１０－１０】．ｈｔｔｐ：／／ｆｏｌｋ．ｕｉｏ．ｎｏ／ｊｏｓａｎｇ／ｐａｐｅｒｓ／ＪＩ２００２－Ｂｌｅｄ． ｐｄｆ． ［３】 ＷＨＩＴＢＹ Ａ，Ｊ ＳＡＮＧ Ａ，ＩＮＤＵＬＳＫＡ Ｊ．Ｆｉｌｔｅｒｉｎｇ ｏｕｔ ｕｎｆａｉｒ ｒａｔ— ｉｎｇｓ ｉｎ Ｂａｙｅｓｉａｎ ｒｅｐｕｔａｔｉｏｎ ｓｙｓｔｅｍｓ［ＥＢ／ＯＬ］．［２０１４－１０—１０］．ｈｔ－ ｔｐ：／／ｆｏｌｋ．ｕｉｏ．ｎｏ／ｊｏｓａｎｇ／ｐａｐｅｒｓ／ＷＪ［２００４一ＡＡＭＡＳ．ｐｄｆ． ［４】ＴＥＡＣＹＷＴ，ＬＵＣＫＭ，ＲＯＧＥＲＳＡ，ｅｔａ１．Ａｎ ｅｆｆｉｃｉｅｎｔ ａｎｄ ｖｅｒｓａ— ｔｉｌｅ ａｐｐｒｏａｃｈ ｔｏ ｔｒｕｓｔ ａｎｄ ｒｅｐｕｔａｔｉｏｎ ｕｓｉｎｇ ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓｉａｎ ｍｏｄｅｌｉｎｇ［Ｊ］．Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１２，１９３：１４９—１８５． ［５］ 苗光胜，冯登国，苏璞睿．Ｐ２Ｐ信任模型中基于模糊逻辑的共 谋团体识别方法［Ｊ］．计算机研究与发展，２０１２，４８（１２）：２１８７— ２２００．（ＭＩＡＯ Ｇ Ｓ，ＦＥＮＧ Ｄ Ｇ，ＳＵ Ｐ Ｒ．Ａ ｃｏｌｌｕｓｉｏｎ ｄｅｔｅｃｔｏｒ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ｌｏｇｉｃ ｉｎ Ｐ２Ｐ ｔｒｕｓｔ ｍｏｄｅｌ【Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ，２０１ １，４８（１２）：２１８７—２２００．） 【６】ＸＩＡ Ｈ，ＪＩＡ Ｚ，ＬＩ Ｘ，ｃｔ ａ１．Ｔｒｕｓｔ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｔｕｒｓｔ—ｂａｓｅｄ ｓｏｕｒｃｅ ｏｒｕｔｉｎｇ ｉｎ ｍｏｂｉｌｅ Ａｄ Ｈｏｃ ｎｅｔｗｏｒｋｓ【Ｊ］．Ａｄ Ｈｏｃ Ｎｅｔｗｏｒｋｓ，２０１３， １１（７）：２０９６—２１１４． ［７］ ＣＥＲＵＴＴＩ Ｆ，ＴＯＮＩＯＬＯ Ａ，ＯＲＥＮ Ｎ，ｅｔ ａ１．Ｃｏｎｔｅｘｔ—ｄｅｐｅｎｄｅｎｔ ｔｒｕｓｔ ｄｅｃｉｓｉｏｎｓ ｗｉｔｈ ｓｕｂｊｅｃｔｉｖｅ ｌｏｇｉｃ［ＥＢ／ＯＬ］．［２０１５·１０—０ｌ】．ｈｔ ｔｐ：／／ｅｘｐｏｒｔ．ａｒｘｉｖ．ｏｒｇ／ｐｄｆ／１３０９．４９９４． ［８】 ＣＥＲＵＴＴＩ Ｆ，ＫＡＰＬＡＮ Ｌ Ｍ，ＮＯＲＭＡＮ Ｔ Ｊ，ｅｔ ａ１．Ｓｕｂｊｅｃｔｉｖｅ ｌｏｇｉｃ ｏｐｅｒａｔｏｒｓ ｉｎ ｔｕｒｓｔ ａｓｓｅｓｓｍｅｎｔ：ａｎ ｅｍｐｉｉｒｃａｌ ｓｔｕｄｙ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｆｒｏｎｔｉｅｒｓ，２０１３，１７（４）：７４３—７６２． 【９］ 孟祥怡，张光卫，刘常昱，等．基于云模型的主观信任管理模型研 究［Ｊ】．系统仿真学报，２００７，１９（１４）：３３１０—３３１７．（ＭＥＮＧ Ｘ Ｙ， ＺＨＡＮＧ Ｇ Ｗ，ＬＩＵ Ｃ Ｙ，ｅｔ ａ１．Ｒｅｓｅａｒｃｈ ｏｎ ｓｕｂｊｅｃｔｉｖｅ ｔｕｒｓｔ ｍａｎ— ａｇｅｍｅｎｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｉｍｕｌａ— ｔｉｏｎ，２００７，１９（１４）：３３１０—３３１７．） ［１０］ 张仕斌，许春香．基于云模型的信任评估方法研究［Ｊ】．计算 机学报，２０１３，３６（２）：４２２—４３１．（ＺＨＡＮＧ Ｓ Ｂ，ＸＵ Ｃ ｘ．Ｓｔｕｄｙ ｏｎ ｔｈｅ ｔｕｒｓｔ ｅｖａｌｕａｔｉｏｎ ａｐｐｒｏａｃｈ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［Ｊ］．Ｃｈｉ－ ｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２０１３，３６（２）：４２２—４３１．） ｆ １１】 ＷＡＮＧ Ｊ，ＳＵＮ Ｈ Ｊ．Ａ ｎｅｗ ｅｖｉｄｅｎｔｉｌａ ｔｒｕｓｔ ｍｏｄｅｌ ｆｏｒ ｏｐｅｎ ｃｏｍｍｕ— ｎｉｔｉｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｓｔａｎｄａｒｄｓ＆Ｉｎｔｅｒｆａｃｅｓ，２００９，３１（５）：９９４— １００１． （下转第９５１页） 第４期 肖继清等：基于跳数差的无线传感器网络安全定位方法 ９５１ （上接第９４０页） 【１２】 ＪＩＡＮＧ Ｌｆ ＸＵ Ｊ，ＺＨＡＮＧ Ｋ，ｅｔ ａ１．Ａ ｎｅｗ ｅｖｉｄｅｎｔｉａｌ ｔｒｕｓｔ ｍｏｄｅｌ ｆｏｒ ｏｐｅｎ ｄｉｓｔｒｉｂｕｔｅｄ ｓｙｓｔｅｍｓ【Ｊ】．Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａ－ ｔｉｏｎｓ，２０１２，３９（３）：３７７２—３７８２． ｉｆｏｎａｌ ｅｘｐｅｒｉｍｅｎｔ ａｎａｌｙｓｉｓ ｂａｓｅｄ Ｏｉｌ ｉｎｔｕｉｉｏｎｉｆｓｔｉｃ ｆｕｚｚｙ ｅｎｔｒｏｐｙ ｍｅｎｕ．ｓ【Ｊ】．Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ，２０１５，３０（７）：１２３３—１２３８．） ［１７】 李乔，何慧，方滨兴，等．基于信任的网络群体异常行为发现 【Ｊ】．计算机学报，２０１４，３７（１）：１—１４．（ＬＩ Ｑ，ＨＥ Ｈ，ＦＡＮＧ Ｂ Ｘ．ｅｔ ａ１．Ａ ｗａｒｅｎｅｓｓ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｇｒｏｕｐ ａｎｏｍａｌｏｕｓ ｂｅｈａｖｉｏｒｓ 【ｌ３】 徐军，钟元生．一种集成区间逼近理想点的主观信任模型【Ｊ】．小型微型计算机系统，２０１４，３５（１１）：２４２８—２４３３．（ＸＵ Ｊ， ＺＨＯＮＧ Ｙ Ｓ．Ａ ｓｕｂｊｅｃｔｉｖｅ ｔｒｕｓｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｉｎｔｅｇｒａｔｅｄ ｉｎｔｅｒｖａｌ ｂａｓｅｄ ｏｎ ｎｅｔｗｏｒｋ ｔｒｕｓｔ【Ｊ】．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２０１４， ３７（１）：１—１４．） ｓｉｍｉｌａｒｉｔｙ ｔｏ ｉｄｅａｌ【Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ， ２０１４，３５（１１）：２４２８—２４３３．） 【１４】 徐兰芳，胡怀飞，桑子夏，等．基于灰色系统理论的信誉报告 Ｂａｃｋｇｒｏｕｎｄ Ｔｈｉｓ ｗｏｒｋ ｉｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒｌ ａＳｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ 机制【Ｊ】．软件学报，２００７，１８（７）：１７３０—１７３７．（ＸＵ Ｌ Ｆ，ＨＵ Ｈ Ｆ，ＳＡＮＧ Ｚ Ｘ，ｅｔ ａ１．Ａ ｐｒｅｓｔｉｇｅ ｒｅｐｏｒｔｉｎｇ ｍｅｃｈａｎｉｓｍ ｂａｓｅｄ ｏｎ ｇｒａｙ ｓｙｓｔｅｍ ｔｈｅｏｒｙ【Ｊ】．￣ｕｒｕａｌ ｏｆＳｏｆｔｗａｒｅ，２００７，１８（７）：１７３０— １７３７．） Ｘ．Ｉｎｔｕｉｔｉｏｎｉｓｔｉｃ Ｆｕｚｚｙ Ｉｎｆｏｒｍａｔｉｏｎ Ａｇｇｒｅｇａｔｉｏｎ［Ｍ】． 【ｌ５】 ＸＵ Ｚ Ｓ，ＣＡＩＢｅｄｉｍ Ｓｐｒｉｎｇｅｒ．２０１２：４—１６． Ｃｈｉｎａ（７１０６１００６，６１２６３０１８），ｔｈｅ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｐｒｏｊｅｃｔ ｏｆ Ｅｄ— ｕｃａｔｉｏｎ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｊｉａｎｇｘｉ Ｐｒｏｖｉｎｃｅ（ＧＪＪ１５１６Ｏ１），ｔｈｅ Ｈｕｍａｎｉｔｉｅｓ ａｎｄ Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ Ｐｒｏｊｅｃｔ ｏｆ Ｊｉａｎｇｘｉ Ｃｏｌｌｅｇｅｓ ａｎｄ Ｕｎｉｖｅｒｓｉｔｉｅｓ （ＪＣ１３３８），ｔｈｅ Ｙｏｕｎｇ Ｆｏｕｎｄａｔｉｏｎ Ｓｕｐｐｏ￣Ｐｒｏｇｒａｍ ｏｆ Ｊｉａｎｇｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｉｎａｎｃｅ ａｎｄ Ｅｃｏｎｏｍｉｃｓ． 【１６】 赵萌，任嵘蝾，邱菀华．基于直觉模糊熵的专家权重确定方法 及其验证【Ｊ】．控制与决策，２０１５，３０（７）：１２３３—１２３８．（ＺＨＡＯ Ｍ，ＲＥＮ Ｒ Ｒ，ＱＩＵ Ｗ Ｈ．Ｅｘｐｅｒｔｓ＇ｗｅｉｇｈ协ｍｅｔｈｏｄ ａｎｄ ｅｏｍｐｕｔａ－ ＸＵ Ｊｕｎ，ｂｏｒｎ ｉｎ １９８２，Ｐｈ．Ｄ．，ｌｅｃｔｕｒｅｒ．Ｈｉｓ ｌ￣ｓｅａｒｃｈ ｉｎｔｅｒｅｓｔｓ ｉｎ． ｅｌｕｄｅ ｔｒｕｓｔｅｄ ｃｏｍｐｕｔｉｎｇ，ａｎｄ ｓｃｉｅｎｔｉｆｉｃ ｄｅｃｉｓｉｏｎ．
