基于行为监控和数据挖掘的动态信任模型

Ｄｙｎａｍｉｃ ｔｒｕｓｔ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｂｅｈａｖｉｏｒ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｄａｔａ ｍｉｎｉｎｇ
ＴＡＮ Ｘｉｎｇ唱ｂｉｎａ ， ＬＩ Ｇａｎｇｂ ， ＬＩ Ｊｉａ
（ ａ．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ， ｂ．Ｓｃｈｏｏｌ ｏｆ Ａｒｔｓ， Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｏｎｇｑｉｎｇ ４０００４４， Ｃｈｉｎａ）
是 ｌｏｇｉｓｔｉｃ 回归模型。 将 π换为 ｌｎ［π／（１ －π）］称为 Ｌｏｇｉｔ 变
换，记为 Ｌｏｇｉｔ（π）。 Ｌｏｇｉｔ 变换使得在［０，１］范围取值的 π变换
到（ －∞， ＋∞），当 π趋向于 ０ 时，ｌｏｇｉｔ （ π） 趋向于 －∞，当 π
趋向于 １ 时，ｌｏｇｉｔ（π）趋向于 ＋∞。
ｃ１ ，ｃ２ ，…，ｃｋ 共 ｋ 个信任等级； 设 Ｐｉ 度量 Ｐｊ 的信任程度时有 ｍ
项测量指标 Ｉ１ ，Ｉ２ ，…，Ｉｍ ，其测量值分别表示为 ξ１ ，ξ２ ，…，ξｍ ，其
中每一个元素 Ｉｉ 称为一个行为属性。 则有
Γ（ Ｐｉ ，Ｐｊ ） ＝ｆ（ ξ１ ，ξ２ ，…，ξｍ ） ∈｛ ｃ１ ，ｃ２ ，…，ｃｋ ｝
性选择器与信任计算模块协商自己感兴趣的行为属性，以便信
任计算模块在实时计算实体信任度时减少数据维度从而提高
信任计算速度和精度。 这在行为监控模块通过软件传感器监
控的行为属性数据较多时是很有用的。
通过上面的讨论可知，行为属性选择器可以有三种工作方
式：ａ） 不需要行为属性选择器，这在行为监控模块监控的行为
本文在已有成果基础上，研究服务器对客户端的信任值， 因为客户端主、客观条件的差异，不可能以同一个标准来评价 服务器。 例如，Ａ 想要观看流畅的视频，而 Ｂ 却希望视频更加 清晰，所以采取有监督的学习方式，为不同的客户端挖掘出不 同的模式。 再者通过实体的行为数据来计算实体的信任，实体 的行为数据与实体的信任之间绝不会只是简单的线性关系，但 要实现实体信任计算的快速响应、动态自适应等要求，又要求 实体信任计算模型的计算复杂度不能过高。 为了平衡上述矛 盾，本文以 ｌｏｇｉｓｔｉｃ 回归来建模服务器对客户端的信任值。 Ｌｏ唱 ｇｉｓｔｉｃ 回归主要用于探讨多个自变量对分类因变量的回归过 程，是目前用途最广泛的多元统计分析方法之一［９］ ，主要应用 于因素分析、预测预报等方面，其利用对数变换方法实现了以 线性的计算复杂度解决非线性的分类问题。
收稿日期： ２０１１唱０２唱２５； 修回日期： ２０１１唱０４唱１２ 基金项目： 中央高校基本科研业务费资助项目（ ＣＤＪＺＲ１１１８０００４） 作者简介： 谭兴斌（１９８１唱） ，男，重庆人，硕士研究生，主要研究方向为软件体系结构、可信计算（２００８１４０２１２６＠ｃｑｕ．ｅｄｕ．ｃｎ） ；李刚（１９８０唱） ，男，
通过身份信任，可以确定该实体是人们要与之交互的合法 的目标实体，但无法判断它会按人们的期望采取行动，也无法 预测它未来的行为。 因此在身份信任研究的基础上，需要构建 有效的行为信任评估机制来评估实体之间的行为信任，以进一 步预测实体未来的行为。 要研究行为信任特别是大规模分布 式环境下的行为信任，动态性是其根本的特性。
２ Ｌｏｇｉｓ ｔｉｃ 回归模型
如果令二项分类变量 Ｙ ＝１ 的概率为 π，则有 Ｙ ＝０ 的概率
为（１ －π），有
ｌｎ
１
π ＝ｌｏｇｉｔ －π
（ π）
＝β０
＋β１ Ｘ１
＋…
＋βｍ Ｘｍ
（２）
其中：ｍ 表示影响信任值的行为属性的个数，向量 β表示需要
通过学习获得的权值。 这种 π与自变量之间的回归关系式就
第 ２８ 卷第 １０ 期 ２０１１ 年 １０ 月
计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ
Ｖｏｌ畅２８ Ｎｏ畅１０ Ｏｃｔ畅２０１１
基于行为监控和数据挖掘的动态信任模型 倡
谭兴斌ａ ， 李 刚ｂ ， 李 季ａ
（ 重庆大学 ａ．计算机学院； ｂ．艺术学院， 重庆 ４０００４４）
属性较少时（ 如本文实验） ，可以采用；ｂ） 在请求服务时就与信
任计算模块协商；ｃ） 当信任计算与预测模块计算信任值时，在
数据的预处理阶段通过对行为数据的预处理来减少在计算信
任值时的数据维度。
定义 １ 设 Ｐ１ ，Ｐ２ ，…表示分布式系统中发生交互行为的
网络实体；Γ（ Ｐｉ ，Ｐｊ ） 表示实体 Ｐｉ 与 Ｐｊ 之间的信任评价，它有
（１）
其中： ｆ 是采用的非线性模型函数表示。
当 Ｐｉ 向 Ｐｊ 请求某种服务时，首先要根据 Ｐｊ 的信任级别决
定 Ｐｉ 所需要采取的策略。 例如，当浏览器访问某一资源服务
器时，会根据值 Γ（ Ｐｉ ，Ｐｊ ） 对服务器采取不同的安全机制和对 所获得的资源采用不同的利用机制。 这样既有利于降低系统
可能存在的风险，又有利于系统效率。
山东德州人，讲师，硕士，主要研究方向为数字媒体艺术与动画；李季（１９７３唱） ，男，重庆人，讲师，硕导，博士，主要研究方向为网格计算、可信计算．
第 １０ 期
谭兴斌，等：基于行为监控和数据挖掘的动态信任模型
· ３７ ６５ ·
１ 动态信任问题的形式化描述
图 １ 为本文基于行为数据监控的信任计算模型。 当某服务 请求者请求某网络服务时，首先要经过认证 ／授权，认证／授权模 块会调用信任计算模块来对实体的信任度进行计算。 在计算过 程中，信任计算模块使用行为数据库中的信息，这些信息是通过 行为监控模块对网络实体（服务请求者和服务提供者） 和网络 计算环境中的资源进行实时监控而收集到的。 认证／授权模块 得到实体的信任分类之后，按照分类使用相应的服务。
度是不必要的，但是实际上，如果类分布均匀，那么成对分类法
的处理速度至少和其他处理多类的方法一样快［９］ 。
３ 动态信任度计算方法
３畅１ 行为数据的获取与预处理
有关目前可用于获取行为数据的方法文献［８，１０］ 已有比
目前的代表性工作采用了不同数学方法和工具建立了多 种动态信任关系模型［２］ 。 文献［３，４］ 使用模糊逻辑的推理理 论建立信任关系模型；文献［５］ 提出了一种基于半环代数理论
的信任模型，将信任问题定义为一个有向图 Ｇ（Ｖ，Ｅ） 的路径问 题，在信任链的建立过程中能够较准确地区分诚实的实体和恶 意的实体；文献［６，７］ 将风险因素引入信任模型，通过风险来 评估实体间的信任关系；ＲＴＭ 模型［８］ 在服务器的角度以同一 个标准来评价所有客户端，采用无监督学习的方式，以线性关 系来建模客服端对服务器的信任值。 现有模型大多没有充分 利用信任发生时的上下文信息，引入了过多的先验知识和主观 假设，使得信任值的计算不够客观。
０ 引言
目前，对于信任的分类，包括分类依据、分类方法等还缺乏 科学、系统的研究。 根据信任的范围可把信任划分为两类：实 体的身份信任和实体的行为信任［１］ 。
身份信任：确定实体身份并决定实体的授权。 这方面的技 术有加密、数据隐藏、数字签名、授权协议及访问控制等，这种 信任已经比较成熟。
行为信任：范围更广，它关注的是更现实、更广泛意义上的 可信赖性问题，它表示的是对实体特定行为的信任，也就是判 断实体的可靠性、诚信和性能相关的能力。
Ａｂｓｔｒａｃｔ： Ｔｒｕｓｔ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ ｅｎｔｉｔｉｅｓ ｏｃｃｕｒ ｉｎ ａ ｃｅｒｔａｉｎ ｃｏｎｔｅｘｔ．Ｉｔ ｉｓ ｄｉｆｆｉｃｕｌｔ ｔｏ ｕｓｅ ａ ｓｔａｔｉｃ ｆｕｎｃｔｉｏｎ ｔｏ ｄｅｓｃｒｉｂｅ ｔｈｅ ｃｏｍｐｌｉｃａｔｅｄ ａｎｄ ｖａｒｉａｂｌｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｈｅ ｔｒｕｓｔ ｖａｌｕｅ ａｎｄ ｔｈｅ ｍｕｌｔｉｐｌｅ ｂｅｈａｖｉｏｒａｌ ａｔｔｒｉｂｕｔｅｓ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｈｉｓｔｏｒｉｃａｌ ｂｅｈａｖｉｏｒａｌ ｄａｔａ ａｎｄ ｔａｒｇｅｔ ｔｒｕｓｔ ｖａｌｕｅ ｇａｉｎｅｄ ｂｙ ｍｏｎｉｔｏｒｉｎｇ ｓｏｆｔｗａｒｅ ｓｅｎｓｏｒｓ， ｔｈｅ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ａｎｄ ｐａｉｒ ｃｌａｓｓｉｆｉｃａ唱 ｔｉｏｎ ｍｅｔｈｏｄ ｗｅｒｅ ａｐｐｌｉｅｄ ｔｏ ａｕｔｏｍａｔｉｃａｌｌｙ ｐｅｒｆｏｒｍ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ ｏｎ ｒｅｌａｔｉｏｎａｌ ｓｃｈｅｍａ ｂｅｔｗｅｅｎ ｂｅｈａｖｉｏｒ唱 ａｌ ａｔｔｒｉｂｕｔｅｓ ａｎｄ ｔｒｕｓｔ ｖａｌｕｅ， ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ａｎｄ ｓｕｂｊｅｃｔｉｖｅ ａｓｓｕｍｐｔｉｏｎｓ ｗｅｒｅ ｎｏｔ ｉｎｃｌｕｄｅｄ， ｔｈｅｒｅｆｏｒｅ， ｅｆｆｅｃｔｉｖｅｌｙ ｓｏｌｖｅｄ ｉｓｓｕｅｓ ｏｎ ｄｙｎａｍｉｃ ａｎｄ ｏｂｊｅｃｔｉｖｉｔｙ ｏｆ ｔｒｕｓｔ ｖａｌｕｅ ｃａｌｃｕｌａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ， ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｅｘｉｓｔｉｎｇ ｍｏｄｅｌ， ｔｈｅ ｎｅｗ ｍｏｄｅｌ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ＭＡＰＥ（ ｍｅａｎ ａｂｓｏｌｕｔｅ ｐｅｒｃｅｎｔａｇｅ ｅｒｒｏｒ） ａｎｄ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｃｌａｓｓｉｆｙ ｔｈｅ ｔｒｕｓｔ ｌｅｖｅｌ ｂｅｔｗｅｅｎ ｅｎｔｉｔｉｅｓ ｅｆｆｅｃｔｉｖｅｌｙ． Ｋｅｙ ｗｏｒｄｓ： ｄｙｎａｍｉｃ ｔｒｕｓｔ； ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ； ｂｅｈａｖｉｏｒ ｍｏｎｉｔｏｒｉｎｇ； ｄａｔａ ｍｉｎｉｎｇ
在访问的过程中，环境监控模块持续对服务请求者、服务
提供者和网络计算环境进行监控，当监控的行为数据有较明显
的变化时，将相应信息存入行为数据库并触发信任计算模块对
行为数据库的信息进行再分析，预测可能出现的意外情况，实
时地通知认证 ／授权模块，认证 ／授权模块及时通知服务请求者