專利名稱：一種基于信譽度選擇互聯(lián)網服務的方法及裝置的制作方法
技術領域：
本發(fā)明涉及互聯(lián)網(Web)服務選擇技術，尤其涉及一種基于信譽度(Reputation)選擇Web服務的方法及裝置。

背景技術：
信譽度(Reputation)是Web服務的重要服務質量(QoS，Quality of Service)參數(shù)之一，包括用戶使用Web服務的主觀體驗和Web服務提供者的可信程度，能夠從整體上反映Web服務的優(yōu)劣以及該服務的可信賴程度，是用戶選擇Web服務的重要參考因素，也是激勵Web服務提供者不斷改善其所提供Web服務的QoS的動力。
目前有以下兩種根據Reputation選擇Web服務的方法 方法一 將用戶的主觀評分取均值后作為Web服務的信譽度選擇Web服務。其中，將用戶的主觀評分取均值后作為Web服務的信譽度是最簡單和最傳統(tǒng)的計算Reputation的方法，很多電子商務(e-business)網站都在使用這種處理方法，但這種Reputation計算方法沒有考慮影響用戶主觀評分的因素、用戶主觀評分對Reputation的影響，以及Web服務提供者的可信程度，因而所計算出的Reputation不能準確、客觀的反映Web服務的優(yōu)劣以及該服務的可信賴程度，不能提供可靠的選擇Web服務的依據。
例如沒有考慮用戶主觀評分的可信度，以致無法限制不誠實用戶惡意打分對Reputation計算的影響，導致當Web服務提供者驅使一批不誠實的用戶對其所提供的服務評高分，而對其競爭對手提供的服務評低分時，會使得對該Web服務提供者所提供的服務質量低的服務卻計算得出了高的Reputation，而對其競爭對手所提供的服務質量高的服務卻計算得出了低的Reputation；沒有區(qū)分不同交易規(guī)模用戶的主觀評分對Reputation的影響，不能體現(xiàn)出實際使用中，大客戶使用服務的規(guī)模大，其評分較小規(guī)模使用服務的客戶的評分對信譽度的影響要大的事實，這樣多個小規(guī)模用戶多次使用Web服務并對其打分，這就會掩蓋了Web服務提供者的欺詐行為，例如有一個提供網上購書的Web服務購書(BuyBooks)服務，用戶A一次只購書1本，使用了BuyBooks服務10次，用戶B一次購書100本，使用了BuyBooks服務1次，如果不考慮交易規(guī)模，即一次購書的數(shù)量，而BuyBooks服務的提供者對用戶A的10次購書都提供質量很高的服務，對用戶B的1次購書提供質量很低的服務，那么計算得出的BuyBooks服務的信譽度會很高，這就掩蓋了BuyBooks服務提供者的欺詐行為；也沒有區(qū)分不同時期的用戶主觀評分對Reputation的影響，而實際使用中近期的評分較前期的評分對信譽度的計算影響大，以致計算出的Reputation并不能準確的反映最近的Web服務的優(yōu)劣以及該服務的可信賴程度，不能提供可靠的選擇Web服務的依據。
方法二 此方法在進行Reputation時，綜合考慮了用戶的主觀評分和Web服務提供者的可信程度，削弱了不誠實用戶惡意評分對計算信譽度的影響效果，使得此方法計算出的Reputation與方法一相比，更加全面的反映了Web服務的優(yōu)劣以及該服務的可信賴程度，但此方法與方法一同樣對用戶的主觀評分只作取均值的處理，沒有考慮影響用戶主觀評分的因素、用戶主觀評分對Reputation的影響，而用Web服務提供者宣稱的QoS參數(shù)的可靠性作為Web服務提供者的可信程度，Web服務提供者宣稱的QoS參數(shù)的可靠性并不能客觀的反映Web服務提供者的可信程度，因此此方法所計算出的Reputation也不能準確、客觀的反映Web服務的優(yōu)劣以及該服務的可信賴程度，不能提供可靠的選擇Web服務的依據。
綜上所述，根據Reputation選擇Web服務的方法，不能得到可準確、客觀的反映Web服務的優(yōu)劣以及該服務的可信賴程度的Reputation，作為選擇Web服務的依據，因而不能從眾多Web服務中選擇出服務質量高、可信賴的Web服務。


發(fā)明內容
有鑒于此，本發(fā)明的主要目的在于提供一種基于Reputation選擇Web服務的方法及裝置，能夠降低惡意評分和Web服務提供者的欺詐行為對信譽度的影響，且使信譽度更能反映Web服務當前的運行狀況，進而能夠依據信譽度從眾多Web服務中選擇出服務質量高、可信賴的Web服務。
為達到上述目的，本發(fā)明的技術方案是這樣實現(xiàn)的 一種基于信譽度選擇互聯(lián)網服務的方法，該方法包括以下步驟 A、分別計算互聯(lián)網Web服務實際運行時的每個服務質量QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為所述Web服務的對應QoS參數(shù)信任度； B、計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度； C、根據用戶的主觀評分和所述Web服務的信任度計算信譽度； D、重復步驟A～C，分別計算出各Web服務的信譽度，根據所述各Web服務的信譽度選擇Web服務。
進一步地，步驟A具體包括 a1、采用貝葉斯學習理論來計算所述Web服務的一個QoS參數(shù)信任度； a2、重復步驟a1，計算Web服務其余的各QoS參數(shù)信任度。
進一步地，用θ來表示所述QoS參數(shù)信任度，用變量X表示在設定時間段內該Web服務的所述QoS參數(shù)的實際值與該Web服務提供者宣稱的所述QoS值相一致的次數(shù)，步驟a1具體包括 a11、獲取θ的先驗信息； a12、根據X為二項分布(b(n，θ))，確定θ的先驗分布和后驗分布；所述先驗分布為Beta(π(θ)β(a，b))，所述后驗分布為Beta(h(θ|x)β(a+x，n+b-x))； a13、根據先驗信息計算參數(shù)a和b； a14、根據參數(shù)a和b，計算出θ的后驗均值的估計值，所述θ的后驗均值的估計值即為作為所述QoS參數(shù)信任度。
進一步地，所述Web服務的信任度的計算公式為 其中，TOWS為Web服務的信任度，所述Web服務有m個QoS參數(shù)；αi表示分配給所述Web服務中任意第i個QoS參數(shù)的權重，并且 進一步地，步驟C具體包括 c1、由用戶評分系統(tǒng)獲取用戶主觀評分； c2、計算用戶主觀評分的加權平均值；所述加權平均值的權重等于交易規(guī)模、評分波動、評分可信度和評分時效性的乘積； c3、結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度。
進一步地，所述用戶主觀評分的加權平均值的計算公式為 其中，RatingU表示用戶主觀評分的加權平均值；在一些常見的電子商務網站，比如eBay，通常每間隔一個固定的時間段會計算一次信譽度，N表示在所述固定的時間段內，共有N次對所述Web服務的評分；一次評分對應一次Web服務，SOTj表示第j次評分所對應的Web服務的交易規(guī)模；WORj表示第j次評分的評分波動；CORj表示對所述Web服務進行第j次評分的用戶的評分可信度；TORj表示第j次評分時效性。
進一步地，所述Web服務的信譽度的計算公式如下 ReputationWS＝α×RatingU+β×TOWS 其中，ReputaionWS表示Web服務的信譽度，RatingU表示用戶主觀評分的加權平均值，TOWS表示Web服務的信任度，α和β分別表示分配給用戶主觀評分的加權平均值和Web服務的信任度的權重，并且α+β＝1。
進一步地，所述根據所述各Web服務的信譽度選擇Web服務具體包括 將所述各Web服務的信譽度顯示給用戶，作為用戶根據選擇Web服務的依據之一；或， 由用戶代理對所述各Web服務的信譽度排序，并由信譽度最大的Web服務開始為用戶推薦Web服務；或， 將所述各Web服務的信譽度作為服務選擇算法的參數(shù)，根據服務選擇算法的計算結果為用戶選擇服務質量最優(yōu)/次優(yōu)的Web服務。
本發(fā)明還提供一種基于信譽度選擇互聯(lián)網服務的裝置，該裝置包括 QoS參數(shù)信任度計算單元，用于分別計算Web服務實際運行時的每個QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為所述Web服務的該QoS參數(shù)信任度； Web服務信任度計算單元，用于計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度； 信譽度計算單元，用于根據用戶的主觀評分和所述Web服務的信任度計算各Web服務的信譽度； 服務選擇單元，用于根據所述各Web服務的信譽度選擇Web服務。
進一步地，所述信譽度計算單元包括 主觀計算單元，用于由用戶評分系統(tǒng)獲取用戶主觀評分，并用于計算用戶主觀評分的加權平均值； 綜合計算單元，用于結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度。
本發(fā)明通過計算出能夠客觀的反映Web服務提供者的可信程度的Web服務的信任度，從而降低了不誠實Web服務提供者的欺詐行為對計算信譽度的影響，并且，根據用戶的主觀評分和所述Web服務的信任度計算信譽度，降低了用戶主觀評分對信譽度的影響，從而更進一步的降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，提高了信譽度的準確性，進而依據信譽度從眾多Web服務中選擇出服務質量高、可信賴的Web服務。
本發(fā)明還具有以下優(yōu)點 1、本發(fā)明根據影響Web服務的信譽度的主觀因素對用戶主觀評分進行加權平均計算，降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，并使計算出的信譽度更能反映Web服務當前的運行狀況； 2、本發(fā)明進行Web服務的各QoS參數(shù)信任度計算時，從本地的用戶代理處取得客觀評價值，從而使本發(fā)明基于信譽度選擇的Web服務更加符合本地用戶的需求。
3、本發(fā)明對用戶主觀評分進行歸一化處理，可以將各種不同的用戶評分系統(tǒng)獲取的用戶主觀評分統(tǒng)一的應用于本發(fā)明的信譽度計算。



圖1為本發(fā)明基于信譽度選擇互聯(lián)網服務的方法的實現(xiàn)流程圖； 圖2為基于傳統(tǒng)計算信譽度的方法選擇Web服務的實驗數(shù)據分析圖； 圖3為本發(fā)明基于信譽度選擇Web服務的實驗數(shù)據分析圖； 圖4為基于信譽度選擇互聯(lián)網服務的裝置的結構示意圖。

具體實施例方式 本發(fā)明的基本思路是本發(fā)明首先通過計算Web服務實際運行時的各QoS參數(shù)與該Web服務提供者宣稱的QoS參數(shù)一致的概率得出Web服務的各QoS參數(shù)信任度，并計算所述Web服務的各QoS參數(shù)信任度的加權平均值得出能夠客觀反映Web服務提供者的可信程度的Web服務的信任度，從而降低了不誠實Web服務提供者的欺詐行為對計算信譽度的影響，其次根據影響Web服務的信譽度的主觀因素對用戶主觀評分進行加權平均計算，降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，并使計算出的信譽度更能反映Web服務當前的運行狀況；接著結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度，則降低了用戶主觀評分對信譽度的影響，從而更進一步的降低了惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，提高信譽度的準確性；而最后以此方法計算出的信譽度為依據，選出提供較高服務質量的Web服務。
本發(fā)明基于信譽度選擇互聯(lián)網服務的方法的實現(xiàn)流程如圖1所示，包括以下步驟 步驟101計算Web服務實際運行時的一個QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為該Web服務的對應QoS參數(shù)信任度； 本實施例采用貝葉斯學習理論來計算QoS參數(shù)信任度。
貝葉斯學習理論(Bayesian learning theory)是獲得樣本(X1，X2，...，Xn)之后，依據θ的后驗分布π(θ|X1，X2，...，Xn)對總體分布參數(shù)θ作出估計和推斷的理論。貝葉斯學習理論中的兩個基本概念是先驗分布和后驗分布先驗分布是由先驗信息所確定的概率分布，是總體分布參數(shù)θ的一個概率分布，而先驗信息是在決策分析中，尚未通過試驗收集狀態(tài)信息時所具有的信息；后驗分布是根據樣本分布和未知參數(shù)的先驗分布，用概率論中求條件概率分布的方法，求出的在已知樣本下，未知參數(shù)的條件分布。
采用貝葉斯學習理論來計算所述Web服務的一個QoS參數(shù)信任度的具體步驟包括 a11、獲取θ的先驗信息，具體包括 用θ來表示所述QoS參數(shù)信任度，θ的先驗信息Priors表示如下 Priors三{θ1，θ2，θ3......} 所述θ的先驗信息是由用戶代理隨機選取的隨機選取一組數(shù)列； a12、根據X為二項分布(b(n，θ))，確定θ的先驗分布和后驗分布；所述先驗分布為Beta(π(θ)β(a，b))，所述后驗分布為Beta(h(θ|x)β(a+x，n+b-x))，具體包括 在一些常見的電子商務網站，通常每間隔一個固定的時間段會計算一次信譽度，固定時間段的長度預先設定；用n來表示所述Web服務的在一個固定時間段內的執(zhí)行次數(shù)，用變量X表示在設定時間段內該Web服務的所述QoS參數(shù)的實際值與該Web服務提供者宣稱的所述QoS值相一致的次數(shù)，那么X的定義式如下 在上面的式子中，Trust是用戶代理通過對所述Web服務實際運行時的所述QoS參數(shù)與該Web服務提供者宣稱的所述QoS參數(shù)進行比較，所得的一個客觀評價值，如果監(jiān)測到的所述Web服務實際運行時的所述QoS參數(shù)與該Web服務提供者宣稱的所述QoS參數(shù)相符合，這個客觀評價值就計為1，否則就是0?？梢奣rust的取值范圍是{0，1}，所以X是一個二項分布(b(n，θ))。所述客觀評價值從本地的用戶代理處取得，所以這更能反映本地用戶的需求，從而使基于信譽度選擇的Web服務更加符合本地用戶的需求。
根據貝葉斯學習理論，二項分布的先驗分布為Beta(π(θ):β(a，b))，后驗分布也是Beta分布，為Beta(h(θ|x):β(a+x，n+b-x))。Beta分布由兩個參數(shù)決定，分別是a和b。
a13、根據先驗信息計算參數(shù)a和b，具體包括 假設θ代表Priors的均值，δ代表Priors的標準差。此外，β(a，b)的期望是a/a+b，標準差是

根據前面的這些假設，可以得出a和b的估計值計算公式如下 a14、根據參數(shù)a和b，計算出θ的后驗均值的估計值，所述θ的后驗均值的估計值即為作為所述QoS參數(shù)信任度； 根據貝葉斯學習理論，一個隨機變量的后驗均值估計是這個隨機變量的最可能的均值，所以我們將對θ的后驗均值的估計作為所述QoS參數(shù)信任度，計算公式如下 其中，TOQA為所述QoS參數(shù)信任度，將a和b的估計值帶入此公式，即可求得所述QoS參數(shù)信任度。
步驟102重復步驟101，計算Web服務其余的各QoS參數(shù)信任度，直至各QoS參數(shù)信任度計算完畢； 可以根據Web服務自身的側重點為不同類型的Web服務選擇選擇不同的QoS參數(shù)模型(QoS Model)，但選擇何種QoS Model并不影響信任度的計算，因此此處不詳述QoS Model的選擇方法。所述Web服務的各QoS參數(shù)屬于所選擇QoS Model，本實施例的QoS Model為 QosModel≡{Re sponseTime，Reliability，DomainQos} 其中Response Time為服務響應時間參數(shù)，是指從以用戶代理發(fā)出服務請求消息至服務響應消息到達用戶代理之間的時間間隔；Reliability為服務可靠性參數(shù)，是指服務正確執(zhí)行的概率，即服務成功執(zhí)行次數(shù)占服務執(zhí)行總次數(shù)的比例；Domain Qo S為領域相關的QoS參數(shù)，是指在服務所處的某個領域中一些特殊的QoS參數(shù)，這是相對Response Time和Reliability這些通用的、領域無關的QoS參數(shù)而言的。
步驟103計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度；步驟101～103所計算的Web服務的信任度客觀反映了Web服務提供者的可信程度，從而降低了不誠實Web服務提供者的欺詐行為對計算信譽度的影響； 所述Web服務的信任度的計算公式為 其中，TOWS為Web服務的信任度，所述Web服務有m個QoS參數(shù)；αi表示分配給所述Web服務中任意第i個QoS參數(shù)的權重，并且αi的分配取決于該Web服務的性質和用戶的喜好，比如Web服務的Response Time參數(shù)比較重要，或者用戶比較在意這個參數(shù)，那么在計算TOWS時，就應當分配給Response Time更大的權重。
步驟104根據用戶的主觀評分和所述Web服務的信任度計算信譽度。
具體計算方法包括 a、由用戶評分系統(tǒng)獲取用戶主觀評分；不同的用戶評分系統(tǒng)，其取值范圍可能不同，為統(tǒng)一的將各種不同的用戶評分系統(tǒng)獲取的用戶主觀評分應用于本發(fā)明的信譽度計算，該步驟還可包括將所述用戶主觀評分進行歸一化處理，處理公式為 其中，RatingO表示用戶評分的歸一化值；R表示用戶的原始評分值，R的取值范圍是[Min，Max]。
b、計算用戶主觀評分的加權平均值；所述加權平均值的權重等于交易規(guī)模、評分波動、評分可信度和評分時效性的乘積； 所述加權平均值的權重通過根據影響Web服務的信譽度的主觀因素，例如交易規(guī)模、評分波動、評分可信度、評分時效性等，增加或降低用戶主觀評分對Web服務的信譽度的影響，增大交易規(guī)模大、評分可信度大、評分時效性強、且為非惡意評分的用戶主觀評分對Web服務的信譽度的影響，降低交易規(guī)模小、評分可信度小、評分時效性差、且為惡意評分的用戶主觀評分對Web服務的信譽度的影響，以降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，并使計算出的信譽度更能反映Web服務當前的運行狀況。
所述交易規(guī)模、評分波動、評分可信度、評分時效性的具體衡量方法為 一次Web服務的交易規(guī)模可以由對該次Web服務的請求/輸出結果數(shù)量大小、處理時間的長短或者處理的復雜度來衡量，例如有一個提供網上購書的Web服務BuyBooks，用戶A一次購書1本，用戶B一次購書100本，這兩次交易的交易規(guī)?？梢杂觅彆鴶?shù)量分別表示為1和100；或將購書數(shù)量的下限值到上限值劃分為一個或多個子規(guī)模區(qū)間，為各子規(guī)模區(qū)間設置對應的權重，包含購書數(shù)量越大的子區(qū)間對應權重越大，將所述權重作為該子規(guī)模區(qū)間的交易規(guī)模，此處，設在所述固定的時間段內，對所述Web服務只有針對本例中列舉兩次交易的評分，且設置子區(qū)間(1，10的權重為0.5，子區(qū)間(10，50的權重為0.7，子區(qū)間(50，100子區(qū)間0.9，則這兩次交易的交易規(guī)模分別表示為0.5和0.9；或由函數(shù)

的值計算，其中，Sumi，為第i次交易中交易物品的數(shù)目，

的取值有3個，分別為0.9，1.0和1.1。當

的取值在(0，0.9)之間時，

的取值為0.9；當

的取值為(0.9，1.1)之間時，

的取值為1.0；當

的取值大于1.1時，

的取值為1.1，則這兩次交易的交易規(guī)模分別表示為0.9和1.1；可通過根據交易規(guī)模的大小，區(qū)分用戶主觀評分對所述Web服務的信譽度的影響的大小，即一次Web服務的交易規(guī)模越大，該次Web服務對應的用戶主觀評分對所述Web服務的信譽度的影響越大，來避免發(fā)生現(xiàn)有技術中，Web服務的提供者對用戶使用的多次交易規(guī)模小的Web服務都提供質量很高的服務，而對用戶使用的少數(shù)交易規(guī)模大的Web服務都提供質量很低的服務時，計算出的該Web服務的信譽度會很高，進而掩蓋了該Web服務提供者的欺詐行為的現(xiàn)象； 一個固定的時間段內，對所述Web服務的一次評分的評分波動由該次評分的用戶主觀評分與該固定的時間段內所述Web服務的所有用戶主觀評分的平均值之間的差值來衡量，而用戶惡意評分的表現(xiàn)是用戶對Web服務的評分遠高于或低于平均評分值，這樣，通過評分波動減少所述差值大的用戶主觀評分對所述Web服務的信譽度的影響，即可降低不誠實用戶的惡意評分對所述Web服務的信譽度的影響；例如將固定的時間段內，所述Web服務的用戶主觀評分與用戶主觀評分的平均值之間差值的下限值到上限值劃分為一個或多個子規(guī)模區(qū)間，為各子規(guī)模區(qū)間設置對應的權重，包含差值越大的子區(qū)間對應權重越小，將所述權重作為該子規(guī)模區(qū)間的評分波動，來減小惡意評分與用戶主觀評分的平均值之間的差值，進而降低不誠實用戶的惡意評分對所述Web服務的信譽度的影響； 對所述Web服務的一次評分的評分可信度指對所述Web服務進行該次評分的用戶的誠實度，由該用戶在對所述Web服務評分歷史上的誠實度，即非惡意打分的次數(shù)占總的打分次數(shù)多少衡量，一次由長期對所述Web服務進行惡意評分的用戶評分的評分可信度較低，這樣，即可降低不誠實用戶的惡意評分對Web服務的信譽度的影響； 一個固定的時間段內，對所述Web服務的一次評分的評分時效性由進行該次評分的時刻與當前時間之間的時間間距的長短來衡量；該次評分的時刻與當前時間之間的時間間距越短，即該次評分越接近當前時間，所述Web服務在該次評分的時刻的運行狀況越接近在當前時間的運行狀況，因此，該次評分的用戶主觀評分也越能反映當前Web服務的運行狀況，本發(fā)明通過為所述與當前時間之間的時間間距越短的評分，設定越大的評分時效性，使得計算出的信譽度更能反映Web服務當前的運行狀況；評分時效性具體可以通過將所述固定的時間段分為一個或多個子時間段，為各子時間段賦予不同的權重來確定，所述時間間距越短的子時間段的權重越大，即評分時效性越大，進而使其對應的用戶主觀評分對所述Web服務的信譽度的影響越大，這樣，例如在所述固定時間段(0，T)內，如果用戶對服務進行評分的時間t在時間段(0，0.2T)之間，則評分時效性為0.9；t在
上取值時，則評分時效性為1.1。
用戶主觀評分的加權平均值的計算公式為 其中，RatingU表示用戶主觀評分的加權平均值；在一些常見的電子商務網站，通常每間隔一個固定的時間段會計算一次信譽度，N表示在所述固定的時間段內，共有N次對所述Web服務的評分；一次評分對應一次Web服務，SOTj表示第j次評分所對應的Web服務的交易規(guī)模；WORj表示第j次評分的評分波動；CORj表示對所述Web服務進行第j次評分的用戶的評分可信度；TORj表示第j次評分時效性。
c、結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度；所述Web服務的信任度客觀的反映了Web服務提供者的可信程度，結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度，降低了用戶主觀評分對信譽度的影響，從而更進一步的降低了降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響。
Web服務的信譽度的計算公式如下 ReputationWS＝α×RatingU+β×TOWS 其中，ReputaionWS表示Web服務的信譽度，RatingU表示用戶主觀評分的加權平均值，TOWS表示Web服務的信任度，α和β分別表示分配給用戶主觀評分的加權平均值和Web服務的信任度的權重，并且α+β＝1；α和β的大小取決于所述Web服務更注重于注重用戶體驗或實際執(zhí)行情況，如果所述Web服務非常注重用戶體驗，那么α大于β，如果所述Web服務非常注重實際執(zhí)行情況，那么β大于α，而當所述Web服務并沒有要求用戶進行評分時，α為0，β為1；例如，所述Web服務為實時查詢服務時，可能用戶更關心的是否可以較快的查詢到滿足要求的服務，對運行時間等其它QoS參數(shù)比較關心，則此時β的取值大于α，所述Web服務為商品交易服務時，用戶可能會更關心其他用戶對商家的評論，對于運行時間等因素可能不太關心，則此時可能需要設置α的取值大于β。
步驟105重復步驟101～104，分別計算出各Web服務的信譽度。所述各Web服務所提供的服務相同，例如均提供購買服務，均提供查詢服務。
步驟106根據所述各Web服務的信譽度選擇Web服務。
具體選擇方法為 將所述各Web服務的信譽度顯示給用戶，作為用戶根據選擇Web服務的依據之一；或， 由用戶代理對所述各Web服務的信譽度排序，并為用戶推薦信譽度較大的Web服務；或， 將所述各Web服務的信譽度作為服務選擇算法的參數(shù)，經過服務選擇算法對Web服務的信譽度、響應時間、可靠性等多個參數(shù)綜合計算后，根據計算結果為用戶選擇服務質量最優(yōu)/次優(yōu)的Web服務。
以下通過對基于傳統(tǒng)計算信譽度的方法選擇Web服務的實驗，和本發(fā)明基于信譽度選擇Web服務的實驗相對比，來更直觀的體現(xiàn)本發(fā)明優(yōu)點和特點。
圖2是基于傳統(tǒng)計算信譽度的方法選擇Web服務的實驗數(shù)據分析圖，該實驗中，Web服務WS3為了建立較高的信譽度，在前三次計算信譽度時，提供較高服務質量的服務，并驅使某些用戶進行惡意評分，對WS3評較高的分，使得WS3獲得較高的用戶主觀評分，并對Web服務WS1和Web服務WS2評較低的分，使得WS1和WS2獲得較低的用戶主觀評分；從第四次開始，WS3開始提供較差服務質量的服務，這使它的信譽度下降，但由于WS3驅使某些用戶始終對Web服務WS1和Web服務WS2評低分，使WS1和WS2的信譽度一直處于較低的水平，所以即使WS3的信譽度在提供較差服務質量的服務后下降了，它的信譽度仍然高于WS1和WS2的信譽度，在這種情況下，如果用戶基于信譽度選擇Web服務，那么用戶選擇的始終是WS3，而不是在實際情況下一直提供較高服務質量服務的WS1或WS2，即使得錯誤選擇Web服務的概率高達100％。
圖3是本發(fā)明基于信譽度選擇Web服務的實驗數(shù)據分析圖，本實驗中，在前三次計算信譽度時，與上述實驗相同，Web服務WS3在前三次計算信譽度時，提供較高服務質量的服務，并驅使某些用戶進行惡意評分，對WS3評較高的分，使其獲得較高的用戶主觀評分，并對Web服務WS1和Web服務WS2評較低的分，使得WS1和WS2獲得較低的用戶主觀評分，進而獲得較高的信譽度；但從第四次開始，由于WS3提供較差服務質量的服務，它的信譽度降到很低的水平，而WS1和WS2一直保持其應有的信譽度水平，這樣，本發(fā)明基于信譽度選擇的Web服務的正確率高達70％，錯誤率僅為30％。
由上述兩實驗所得的數(shù)據可見，本發(fā)明根據影響Web服務的信譽度的主觀因素對用戶主觀評分進行加權平均計算，降低了惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，并使計算出的信譽度更能反映Web服務當前的運行狀況，結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度，則降低了用戶主觀評分對信譽度的影響，從而更進一步的降低了降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，提高了信譽度的準確性，而以此方法計算出的信譽度為依據，可極大的提高了選中提供較高服務質量的Web服務的概率。
本發(fā)明還提供一種基于信譽度選擇互聯(lián)網服務的裝置，該裝置的結構如圖4所示，包括 QoS參數(shù)信任度計算單元，用于分別計算Web服務實際運行時的每個QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為所述Web服務的該QoS參數(shù)信任度；所述QoS參數(shù)信任度計算單元采用貝葉斯學習理論來計算QoS參數(shù)信任度； Web服務信任度計算單元，用于計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度；所述Web服務的各QoS參數(shù)屬于所選擇QoS Model，本實施例的QoS Model為 QosModel≡{Response Time，Re liability，DomainQos} 其中Response Time為服務響應時間參數(shù)，是指從以用戶代理發(fā)出服務請求消息至服務響應消息到達用戶代理之間的時間間隔；Reliability為服務可靠性參數(shù)，是指服務正確執(zhí)行的概率，即服務成功執(zhí)行次數(shù)占服務執(zhí)行總次數(shù)的比例；Domain Qo S為領域相關的QoS參數(shù)，是指在服務所處的某個領域中一些特殊的QoS參數(shù)，這是相對Response Time和Reliability這些通用的、領域無關的QoS參數(shù)而言的。
Web服務的各QoS參數(shù)的權重的分配取決于該Web服務的性質和用戶的喜好，比如Web服務的Response Time參數(shù)比較重要，或者用戶比較在意這個參數(shù)，那么在計算TOWS時，就應當分配給Response Time更大的權重。
信譽度計算單元，用于根據用戶的主觀評分和所述Web服務的信任度計算各Web服務的信譽度； 服務選擇單元，用于根據所述各Web服務的信譽度選擇Web服務。
所述信譽度計算單元包括 主觀計算單元，用于由用戶評分系統(tǒng)獲取用戶主觀評分，并用于計算用戶主觀評分的加權平均值；所述加權平均值的權重等于交易規(guī)模、評分波動、評分可信度和評分時效性的乘積；所述加權平均值的權重通過根據影響Web服務的信譽度的主觀因素，例如交易規(guī)模、評分波動、評分可信度、評分時效性等，增加或降低用戶主觀評分對Web服務的信譽度的影響，增大交易規(guī)模大、評分可信度大、評分時效性強、且為非惡意評分的用戶主觀評分對Web服務的信譽度的影響，降低交易規(guī)模小、評分可信度小、評分時效性差、且為惡意評分的用戶主觀評分對Web服務的信譽度的影響，以降低惡意評分和Web服務提供者的欺詐行為對計算信譽度的影響，并使計算出的信譽度更能反映Web服務當前的運行狀況； 綜合計算單元，用于結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度；用戶主觀評分的加權平均值的權重和Web服務的信任度的權重，的大小取決于所述Web服務更注重于注重用戶體驗或實際執(zhí)行情況，如果所述Web服務非常注重用戶體驗，那么用戶主觀評分的加權平均值的權重大于Web服務的信任度的權重，如果所述Web服務非常注重實際執(zhí)行情況，那么Web服務的信任度的權重大于用戶主觀評分的加權平均值的權重，而當所述Web服務并沒有要求用戶進行評分時，用戶主觀評分的加權平均值的權重為0，Web服務的信任度的權重為1；例如，所述Web服務為實時查詢服務時，可能用戶更關心的是否可以較快的查詢到滿足要求的服務，對運行時間等其它QoS參數(shù)比較關心，則此時Web服務的信任度的權重的取值大于用戶主觀評分的加權平均值的權重，所述Web服務為商品交易服務時，用戶可能會更關心其他用戶對商家的評論，對于運行時間等因素可能不太關心，則此時可能需要設置用戶主觀評分的加權平均值的權重的取值大于Web服務的信任度的權重。
以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。
權利要求
1、一種基于信譽度選擇互聯(lián)網服務的方法，其特征在于，該方法包括以下步驟
A、分別計算互聯(lián)網Web服務實際運行時的每個服務質量QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為所述Web服務的對應QoS參數(shù)信任度；
B、計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度；
C、根據用戶的主觀評分和所述Web服務的信任度計算信譽度；
D、重復步驟A～C，分別計算出各Web服務的信譽度，根據所述各Web服務的信譽度選擇Web服務。
2、根據權利要求1所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，步驟A具體包括
a1、采用貝葉斯學習理論來計算所述Web服務的一個QoS參數(shù)信任度；
a2、重復步驟a1，計算Web服務其余的各QoS參數(shù)信任度。
3、根據權利要求2所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，用θ來表示所述QoS參數(shù)信任度，用變量X表示在設定時間段內該Web服務的所述QoS參數(shù)的實際值與該Web服務提供者宣稱的所述QoS值相一致的次數(shù)，步驟a1具體包括
a11、獲取θ的先驗信息；
a12、根據X為二項分布(b(n，θ))，確定θ的先驗分布和后驗分布；所述先驗分布為Beta(π(θ):β(a，b))，所述后驗分布為Beta(h(θ|x):β(a+x，n+b-x))；
a13、根據先驗信息計算參數(shù)a和b；
a14、根據參數(shù)a和b，計算出θ的后驗均值的估計值，所述θ的后驗均值的估計值即為作為所述QoS參數(shù)信任度。
4、根據權利要求1所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，所述Web服務的信任度的計算公式為
其中，TOWS為Web服務的信任度，所述Web服務有m個QoS參數(shù)；αi表示分配給所述Web服務中任意第i個QoS參數(shù)的權重，并且
5、根據權利要求1所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，步驟C具體包括
c1、由用戶評分系統(tǒng)獲取用戶主觀評分；
c2、計算用戶主觀評分的加權平均值；所述加權平均值的權重等于交易規(guī)模、評分波動、評分可信度和評分時效性的乘積；
c3、結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度。
6、根據權利要求5所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，所述用戶主觀評分的加權平均值的計算公式為
其中，RatingU表示用戶主觀評分的加權平均值；在一些常見的電子商務網站，比如eBay，通常每間隔一個固定的時間段會計算一次信譽度，N表示在所述固定的時間段內，共有N次對所述Web服務的評分；一次評分對應一次Web服務，SOTj表示第j次評分所對應的Web服務的交易規(guī)模；WORj表示第j次評分的評分波動；CORj表示對所述Web服務進行第j次評分的用戶的評分可信度；TORj表示第j次評分時效性。
7、根據權利要求5所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，所述Web服務的信譽度的計算公式如下
ReputationWS＝α×RatingU+β×TOWS
其中，ReputaionWS表示Web服務的信譽度，RatingU表示用戶主觀評分的加權平均值，TOWS表示Web服務的信任度，α和β分別表示分配給用戶主觀評分的加權平均值和Web服務的信任度的權重，并且α+β＝1。
8、根據權利要求1所述基于信譽度選擇互聯(lián)網服務的方法，其特征在于，所述根據所述各Web服務的信譽度選擇Web服務具體包括
將所述各Web服務的信譽度顯示給用戶，作為用戶根據選擇Web服務的依據之一；或，
由用戶代理對所述各Web服務的信譽度排序，并由信譽度最大的Web服務開始為用戶推薦Web服務；或，
將所述各Web服務的信譽度作為服務選擇算法的參數(shù)，根據服務選擇算法的計算結果為用戶選擇服務質量最優(yōu)/次優(yōu)的Web服務。
9、一種基于信譽度選擇互聯(lián)網服務的裝置，其特征在于，該裝置包括
QoS參數(shù)信任度計算單元，用于分別計算Web服務實際運行時的每個QoS參數(shù)與該Web服務提供者宣稱的該QoS參數(shù)一致的概率，將所述概率作為所述Web服務的該QoS參數(shù)信任度；
Web服務信任度計算單元，用于計算所述Web服務的各QoS參數(shù)信任度的加權平均值，該加權平均值即為Web服務的信任度；
信譽度計算單元，用于根據用戶的主觀評分和所述Web服務的信任度計算各Web服務的信譽度；
服務選擇單元，用于根據所述各Web服務的信譽度選擇Web服務。
10、根據權利要求9所述基于信譽度選擇互聯(lián)網服務的裝置，其特征在于，所述信譽度計算單元包括
主觀計算單元，用于由用戶評分系統(tǒng)獲取用戶主觀評分，并用于計算用戶主觀評分的加權平均值；
綜合計算單元，用于結合用戶主觀評分的加權平均值和所述Web服務的信任度計算信譽度。
全文摘要
本發(fā)明公開了一種基于信譽度選擇互聯(lián)網服務的方法，該方法包括分別計算所述Web服務的各QoS參數(shù)信任度；根據所述Web服務的各QoS參數(shù)信任度計算所述Web服務的信任度；根據各所述Web服務的各QoS參數(shù)信任度，分別計算出各Web服務的信譽度，根據所述各Web服務的信譽度選擇Web服務。本發(fā)明還公開了一種基于信譽度選擇互聯(lián)網服務的裝置，該裝置包括QoS參數(shù)信任度計算單元、Web服務信任度計算單元、信譽度計算單元和服務選擇單元。采用本發(fā)明的方法及裝置，能夠依據信譽度從眾多Web服務中選擇出服務質量高、可信賴的Web服務。
文檔編號H04L12/24GK101399707SQ200810226929
公開日2009年4月1日 申請日期2008年11月20日 優(yōu)先權日2008年11月20日
發(fā)明者森 蘇, 楊放春, 婷 趙, 鍇 雙, 于曉燕, 曦 陳, 才 陳 申請人:北京郵電大學