专利名称：一种基于信誉度选择互联网服务的方法及装置的制作方法
技术领域：
本发明涉及互联网(Web)服务选择技术，尤其涉及一种基于信誉度(Reputation)选择Web服务的方法及装置。
背景技术：
信誉度(Reputation)是Web服务的重要服务质量(QoS，Quality of Service)参数之一，包括用户使用Web服务的主观体验和Web服务提供者的可信程度，能够从整体上反映Web服务的优劣以及该服务的可信赖程度，是用户选择Web服务的重要参考因素，也是激励Web服务提供者不断改善其所提供Web服务的QoS的动力。
目前有以下两种根据Reputation选择Web服务的方法 方法一 将用户的主观评分取均值后作为Web服务的信誉度选择Web服务。其中，将用户的主观评分取均值后作为Web服务的信誉度是最简单和最传统的计算Reputation的方法，很多电子商务(e-business)网站都在使用这种处理方法，但这种Reputation计算方法没有考虑影响用户主观评分的因素、用户主观评分对Reputation的影响，以及Web服务提供者的可信程度，因而所计算出的Reputation不能准确、客观的反映Web服务的优劣以及该服务的可信赖程度，不能提供可靠的选择Web服务的依据。
例如没有考虑用户主观评分的可信度，以致无法限制不诚实用户恶意打分对Reputation计算的影响，导致当Web服务提供者驱使一批不诚实的用户对其所提供的服务评高分，而对其竞争对手提供的服务评低分时，会使得对该Web服务提供者所提供的服务质量低的服务却计算得出了高的Reputation，而对其竞争对手所提供的服务质量高的服务却计算得出了低的Reputation；没有区分不同交易规模用户的主观评分对Reputation的影响，不能体现出实际使用中，大客户使用服务的规模大，其评分较小规模使用服务的客户的评分对信誉度的影响要大的事实，这样多个小规模用户多次使用Web服务并对其打分，这就会掩盖了Web服务提供者的欺诈行为，例如有一个提供网上购书的Web服务购书(BuyBooks)服务，用户A一次只购书1本，使用了BuyBooks服务10次，用户B一次购书100本，使用了BuyBooks服务1次，如果不考虑交易规模，即一次购书的数量，而BuyBooks服务的提供者对用户A的10次购书都提供质量很高的服务，对用户B的1次购书提供质量很低的服务，那么计算得出的BuyBooks服务的信誉度会很高，这就掩盖了BuyBooks服务提供者的欺诈行为；也没有区分不同时期的用户主观评分对Reputation的影响，而实际使用中近期的评分较前期的评分对信誉度的计算影响大，以致计算出的Reputation并不能准确的反映最近的Web服务的优劣以及该服务的可信赖程度，不能提供可靠的选择Web服务的依据。
方法二 此方法在进行Reputation时，综合考虑了用户的主观评分和Web服务提供者的可信程度，削弱了不诚实用户恶意评分对计算信誉度的影响效果，使得此方法计算出的Reputation与方法一相比，更加全面的反映了Web服务的优劣以及该服务的可信赖程度，但此方法与方法一同样对用户的主观评分只作取均值的处理，没有考虑影响用户主观评分的因素、用户主观评分对Reputation的影响，而用Web服务提供者宣称的QoS参数的可靠性作为Web服务提供者的可信程度，Web服务提供者宣称的QoS参数的可靠性并不能客观的反映Web服务提供者的可信程度，因此此方法所计算出的Reputation也不能准确、客观的反映Web服务的优劣以及该服务的可信赖程度，不能提供可靠的选择Web服务的依据。
综上所述，根据Reputation选择Web服务的方法，不能得到可准确、客观的反映Web服务的优劣以及该服务的可信赖程度的Reputation，作为选择Web服务的依据，因而不能从众多Web服务中选择出服务质量高、可信赖的Web服务。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于Reputation选择Web服务的方法及装置，能够降低恶意评分和Web服务提供者的欺诈行为对信誉度的影响，且使信誉度更能反映Web服务当前的运行状况，进而能够依据信誉度从众多Web服务中选择出服务质量高、可信赖的Web服务。
为达到上述目的，本发明的技术方案是这样实现的 一种基于信誉度选择互联网服务的方法，该方法包括以下步骤 A、分别计算互联网Web服务实际运行时的每个服务质量QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为所述Web服务的对应QoS参数信任度； B、计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度； C、根据用户的主观评分和所述Web服务的信任度计算信誉度； D、重复步骤A～C，分别计算出各Web服务的信誉度，根据所述各Web服务的信誉度选择Web服务。
进一步地，步骤A具体包括 a1、采用贝叶斯学习理论来计算所述Web服务的一个QoS参数信任度； a2、重复步骤a1，计算Web服务其余的各QoS参数信任度。
进一步地，用θ来表示所述QoS参数信任度，用变量X表示在设定时间段内该Web服务的所述QoS参数的实际值与该Web服务提供者宣称的所述QoS值相一致的次数，步骤a1具体包括 a11、获取θ的先验信息； a12、根据X为二项分布(b(n，θ))，确定θ的先验分布和后验分布；所述先验分布为Beta(π(θ)β(a，b))，所述后验分布为Beta(h(θ|x)β(a+x，n+b-x))； a13、根据先验信息计算参数a和b； a14、根据参数a和b，计算出θ的后验均值的估计值，所述θ的后验均值的估计值即为作为所述QoS参数信任度。
进一步地，所述Web服务的信任度的计算公式为 其中，TOWS为Web服务的信任度，所述Web服务有m个QoS参数；αi表示分配给所述Web服务中任意第i个QoS参数的权重，并且 进一步地，步骤C具体包括 c1、由用户评分系统获取用户主观评分； c2、计算用户主观评分的加权平均值；所述加权平均值的权重等于交易规模、评分波动、评分可信度和评分时效性的乘积； c3、结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度。
进一步地，所述用户主观评分的加权平均值的计算公式为 其中，RatingU表示用户主观评分的加权平均值；在一些常见的电子商务网站，比如eBay，通常每间隔一个固定的时间段会计算一次信誉度，N表示在所述固定的时间段内，共有N次对所述Web服务的评分；一次评分对应一次Web服务，SOTj表示第j次评分所对应的Web服务的交易规模；WORj表示第j次评分的评分波动；CORj表示对所述Web服务进行第j次评分的用户的评分可信度；TORj表示第j次评分时效性。
进一步地，所述Web服务的信誉度的计算公式如下 ReputationWS＝α×RatingU+β×TOWS 其中，ReputaionWS表示Web服务的信誉度，RatingU表示用户主观评分的加权平均值，TOWS表示Web服务的信任度，α和β分别表示分配给用户主观评分的加权平均值和Web服务的信任度的权重，并且α+β＝1。
进一步地，所述根据所述各Web服务的信誉度选择Web服务具体包括 将所述各Web服务的信誉度显示给用户，作为用户根据选择Web服务的依据之一；或， 由用户代理对所述各Web服务的信誉度排序，并由信誉度最大的Web服务开始为用户推荐Web服务；或， 将所述各Web服务的信誉度作为服务选择算法的参数，根据服务选择算法的计算结果为用户选择服务质量最优/次优的Web服务。
本发明还提供一种基于信誉度选择互联网服务的装置，该装置包括 QoS参数信任度计算单元，用于分别计算Web服务实际运行时的每个QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为所述Web服务的该QoS参数信任度； Web服务信任度计算单元，用于计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度； 信誉度计算单元，用于根据用户的主观评分和所述Web服务的信任度计算各Web服务的信誉度； 服务选择单元，用于根据所述各Web服务的信誉度选择Web服务。
进一步地，所述信誉度计算单元包括 主观计算单元，用于由用户评分系统获取用户主观评分，并用于计算用户主观评分的加权平均值； 综合计算单元，用于结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度。
本发明通过计算出能够客观的反映Web服务提供者的可信程度的Web服务的信任度，从而降低了不诚实Web服务提供者的欺诈行为对计算信誉度的影响，并且，根据用户的主观评分和所述Web服务的信任度计算信誉度，降低了用户主观评分对信誉度的影响，从而更进一步的降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，提高了信誉度的准确性，进而依据信誉度从众多Web服务中选择出服务质量高、可信赖的Web服务。
本发明还具有以下优点 1、本发明根据影响Web服务的信誉度的主观因素对用户主观评分进行加权平均计算，降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，并使计算出的信誉度更能反映Web服务当前的运行状况； 2、本发明进行Web服务的各QoS参数信任度计算时，从本地的用户代理处取得客观评价值，从而使本发明基于信誉度选择的Web服务更加符合本地用户的需求。
3、本发明对用户主观评分进行归一化处理，可以将各种不同的用户评分系统获取的用户主观评分统一的应用于本发明的信誉度计算。
图1为本发明基于信誉度选择互联网服务的方法的实现流程图； 图2为基于传统计算信誉度的方法选择Web服务的实验数据分析图； 图3为本发明基于信誉度选择Web服务的实验数据分析图； 图4为基于信誉度选择互联网服务的装置的结构示意图。
具体实施例方式 本发明的基本思路是本发明首先通过计算Web服务实际运行时的各QoS参数与该Web服务提供者宣称的QoS参数一致的概率得出Web服务的各QoS参数信任度，并计算所述Web服务的各QoS参数信任度的加权平均值得出能够客观反映Web服务提供者的可信程度的Web服务的信任度，从而降低了不诚实Web服务提供者的欺诈行为对计算信誉度的影响，其次根据影响Web服务的信誉度的主观因素对用户主观评分进行加权平均计算，降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，并使计算出的信誉度更能反映Web服务当前的运行状况；接着结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度，则降低了用户主观评分对信誉度的影响，从而更进一步的降低了恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，提高信誉度的准确性；而最后以此方法计算出的信誉度为依据，选出提供较高服务质量的Web服务。
本发明基于信誉度选择互联网服务的方法的实现流程如图1所示，包括以下步骤 步骤101计算Web服务实际运行时的一个QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为该Web服务的对应QoS参数信任度； 本实施例采用贝叶斯学习理论来计算QoS参数信任度。
贝叶斯学习理论(Bayesian learning theory)是获得样本(X1，X2，...，Xn)之后，依据θ的后验分布π(θ|X1，X2，...，Xn)对总体分布参数θ作出估计和推断的理论。贝叶斯学习理论中的两个基本概念是先验分布和后验分布先验分布是由先验信息所确定的概率分布，是总体分布参数θ的一个概率分布，而先验信息是在决策分析中，尚未通过试验收集状态信息时所具有的信息；后验分布是根据样本分布和未知参数的先验分布，用概率论中求条件概率分布的方法，求出的在已知样本下，未知参数的条件分布。
采用贝叶斯学习理论来计算所述Web服务的一个QoS参数信任度的具体步骤包括 a11、获取θ的先验信息，具体包括 用θ来表示所述QoS参数信任度，θ的先验信息Priors表示如下 Priors三{θ1，θ2，θ3......} 所述θ的先验信息是由用户代理随机选取的随机选取一组数列； a12、根据X为二项分布(b(n，θ))，确定θ的先验分布和后验分布；所述先验分布为Beta(π(θ)β(a，b))，所述后验分布为Beta(h(θ|x)β(a+x，n+b-x))，具体包括 在一些常见的电子商务网站，通常每间隔一个固定的时间段会计算一次信誉度，固定时间段的长度预先设定；用n来表示所述Web服务的在一个固定时间段内的执行次数，用变量X表示在设定时间段内该Web服务的所述QoS参数的实际值与该Web服务提供者宣称的所述QoS值相一致的次数，那么X的定义式如下 在上面的式子中，Trust是用户代理通过对所述Web服务实际运行时的所述QoS参数与该Web服务提供者宣称的所述QoS参数进行比较，所得的一个客观评价值，如果监测到的所述Web服务实际运行时的所述QoS参数与该Web服务提供者宣称的所述QoS参数相符合，这个客观评价值就计为1，否则就是0。可见Trust的取值范围是{0，1}，所以X是一个二项分布(b(n，θ))。所述客观评价值从本地的用户代理处取得，所以这更能反映本地用户的需求，从而使基于信誉度选择的Web服务更加符合本地用户的需求。
根据贝叶斯学习理论，二项分布的先验分布为Beta(π(θ):β(a，b))，后验分布也是Beta分布，为Beta(h(θ|x):β(a+x，n+b-x))。Beta分布由两个参数决定，分别是a和b。
a13、根据先验信息计算参数a和b，具体包括 假设θ代表Priors的均值，δ代表Priors的标准差。此外，β(a，b)的期望是a/a+b，标准差是
根据前面的这些假设，可以得出a和b的估计值计算公式如下 a14、根据参数a和b，计算出θ的后验均值的估计值，所述θ的后验均值的估计值即为作为所述QoS参数信任度； 根据贝叶斯学习理论，一个随机变量的后验均值估计是这个随机变量的最可能的均值，所以我们将对θ的后验均值的估计作为所述QoS参数信任度，计算公式如下 其中，TOQA为所述QoS参数信任度，将a和b的估计值带入此公式，即可求得所述QoS参数信任度。
步骤102重复步骤101，计算Web服务其余的各QoS参数信任度，直至各QoS参数信任度计算完毕； 可以根据Web服务自身的侧重点为不同类型的Web服务选择选择不同的QoS参数模型(QoS Model)，但选择何种QoS Model并不影响信任度的计算，因此此处不详述QoS Model的选择方法。所述Web服务的各QoS参数属于所选择QoS Model，本实施例的QoS Model为 QosModel≡{Re sponseTime，Reliability，DomainQos} 其中Response Time为服务响应时间参数，是指从以用户代理发出服务请求消息至服务响应消息到达用户代理之间的时间间隔；Reliability为服务可靠性参数，是指服务正确执行的概率，即服务成功执行次数占服务执行总次数的比例；Domain Qo S为领域相关的QoS参数，是指在服务所处的某个领域中一些特殊的QoS参数，这是相对Response Time和Reliability这些通用的、领域无关的QoS参数而言的。
步骤103计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度；步骤101～103所计算的Web服务的信任度客观反映了Web服务提供者的可信程度，从而降低了不诚实Web服务提供者的欺诈行为对计算信誉度的影响； 所述Web服务的信任度的计算公式为 其中，TOWS为Web服务的信任度，所述Web服务有m个QoS参数；αi表示分配给所述Web服务中任意第i个QoS参数的权重，并且αi的分配取决于该Web服务的性质和用户的喜好，比如Web服务的Response Time参数比较重要，或者用户比较在意这个参数，那么在计算TOWS时，就应当分配给Response Time更大的权重。
步骤104根据用户的主观评分和所述Web服务的信任度计算信誉度。
具体计算方法包括 a、由用户评分系统获取用户主观评分；不同的用户评分系统，其取值范围可能不同，为统一的将各种不同的用户评分系统获取的用户主观评分应用于本发明的信誉度计算，该步骤还可包括将所述用户主观评分进行归一化处理，处理公式为 其中，RatingO表示用户评分的归一化值；R表示用户的原始评分值，R的取值范围是[Min，Max]。
b、计算用户主观评分的加权平均值；所述加权平均值的权重等于交易规模、评分波动、评分可信度和评分时效性的乘积； 所述加权平均值的权重通过根据影响Web服务的信誉度的主观因素，例如交易规模、评分波动、评分可信度、评分时效性等，增加或降低用户主观评分对Web服务的信誉度的影响，增大交易规模大、评分可信度大、评分时效性强、且为非恶意评分的用户主观评分对Web服务的信誉度的影响，降低交易规模小、评分可信度小、评分时效性差、且为恶意评分的用户主观评分对Web服务的信誉度的影响，以降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，并使计算出的信誉度更能反映Web服务当前的运行状况。
所述交易规模、评分波动、评分可信度、评分时效性的具体衡量方法为 一次Web服务的交易规模可以由对该次Web服务的请求/输出结果数量大小、处理时间的长短或者处理的复杂度来衡量，例如有一个提供网上购书的Web服务BuyBooks，用户A一次购书1本，用户B一次购书100本，这两次交易的交易规模可以用购书数量分别表示为1和100；或将购书数量的下限值到上限值划分为一个或多个子规模区间，为各子规模区间设置对应的权重，包含购书数量越大的子区间对应权重越大，将所述权重作为该子规模区间的交易规模，此处，设在所述固定的时间段内，对所述Web服务只有针对本例中列举两次交易的评分，且设置子区间(1，10的权重为0.5，子区间(10，50的权重为0.7，子区间(50，100子区间0.9，则这两次交易的交易规模分别表示为0.5和0.9；或由函数
的值计算，其中，Sumi，为第i次交易中交易物品的数目，
的取值有3个，分别为0.9，1.0和1.1。当
的取值在(0，0.9)之间时，
的取值为0.9；当
的取值为(0.9，1.1)之间时，
的取值为1.0；当
的取值大于1.1时，
的取值为1.1，则这两次交易的交易规模分别表示为0.9和1.1；可通过根据交易规模的大小，区分用户主观评分对所述Web服务的信誉度的影响的大小，即一次Web服务的交易规模越大，该次Web服务对应的用户主观评分对所述Web服务的信誉度的影响越大，来避免发生现有技术中，Web服务的提供者对用户使用的多次交易规模小的Web服务都提供质量很高的服务，而对用户使用的少数交易规模大的Web服务都提供质量很低的服务时，计算出的该Web服务的信誉度会很高，进而掩盖了该Web服务提供者的欺诈行为的现象； 一个固定的时间段内，对所述Web服务的一次评分的评分波动由该次评分的用户主观评分与该固定的时间段内所述Web服务的所有用户主观评分的平均值之间的差值来衡量，而用户恶意评分的表现是用户对Web服务的评分远高于或低于平均评分值，这样，通过评分波动减少所述差值大的用户主观评分对所述Web服务的信誉度的影响，即可降低不诚实用户的恶意评分对所述Web服务的信誉度的影响；例如将固定的时间段内，所述Web服务的用户主观评分与用户主观评分的平均值之间差值的下限值到上限值划分为一个或多个子规模区间，为各子规模区间设置对应的权重，包含差值越大的子区间对应权重越小，将所述权重作为该子规模区间的评分波动，来减小恶意评分与用户主观评分的平均值之间的差值，进而降低不诚实用户的恶意评分对所述Web服务的信誉度的影响； 对所述Web服务的一次评分的评分可信度指对所述Web服务进行该次评分的用户的诚实度，由该用户在对所述Web服务评分历史上的诚实度，即非恶意打分的次数占总的打分次数多少衡量，一次由长期对所述Web服务进行恶意评分的用户评分的评分可信度较低，这样，即可降低不诚实用户的恶意评分对Web服务的信誉度的影响； 一个固定的时间段内，对所述Web服务的一次评分的评分时效性由进行该次评分的时刻与当前时间之间的时间间距的长短来衡量；该次评分的时刻与当前时间之间的时间间距越短，即该次评分越接近当前时间，所述Web服务在该次评分的时刻的运行状况越接近在当前时间的运行状况，因此，该次评分的用户主观评分也越能反映当前Web服务的运行状况，本发明通过为所述与当前时间之间的时间间距越短的评分，设定越大的评分时效性，使得计算出的信誉度更能反映Web服务当前的运行状况；评分时效性具体可以通过将所述固定的时间段分为一个或多个子时间段，为各子时间段赋予不同的权重来确定，所述时间间距越短的子时间段的权重越大，即评分时效性越大，进而使其对应的用户主观评分对所述Web服务的信誉度的影响越大，这样，例如在所述固定时间段(0，T)内，如果用户对服务进行评分的时间t在时间段(0，0.2T)之间，则评分时效性为0.9；t在
上取值时，则评分时效性为1.1。
用户主观评分的加权平均值的计算公式为 其中，RatingU表示用户主观评分的加权平均值；在一些常见的电子商务网站，通常每间隔一个固定的时间段会计算一次信誉度，N表示在所述固定的时间段内，共有N次对所述Web服务的评分；一次评分对应一次Web服务，SOTj表示第j次评分所对应的Web服务的交易规模；WORj表示第j次评分的评分波动；CORj表示对所述Web服务进行第j次评分的用户的评分可信度；TORj表示第j次评分时效性。
c、结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度；所述Web服务的信任度客观的反映了Web服务提供者的可信程度，结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度，降低了用户主观评分对信誉度的影响，从而更进一步的降低了降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响。
Web服务的信誉度的计算公式如下 ReputationWS＝α×RatingU+β×TOWS 其中，ReputaionWS表示Web服务的信誉度，RatingU表示用户主观评分的加权平均值，TOWS表示Web服务的信任度，α和β分别表示分配给用户主观评分的加权平均值和Web服务的信任度的权重，并且α+β＝1；α和β的大小取决于所述Web服务更注重于注重用户体验或实际执行情况，如果所述Web服务非常注重用户体验，那么α大于β，如果所述Web服务非常注重实际执行情况，那么β大于α，而当所述Web服务并没有要求用户进行评分时，α为0，β为1；例如，所述Web服务为实时查询服务时，可能用户更关心的是否可以较快的查询到满足要求的服务，对运行时间等其它QoS参数比较关心，则此时β的取值大于α，所述Web服务为商品交易服务时，用户可能会更关心其他用户对商家的评论，对于运行时间等因素可能不太关心，则此时可能需要设置α的取值大于β。
步骤105重复步骤101～104，分别计算出各Web服务的信誉度。所述各Web服务所提供的服务相同，例如均提供购买服务，均提供查询服务。
步骤106根据所述各Web服务的信誉度选择Web服务。
具体选择方法为 将所述各Web服务的信誉度显示给用户，作为用户根据选择Web服务的依据之一；或， 由用户代理对所述各Web服务的信誉度排序，并为用户推荐信誉度较大的Web服务；或， 将所述各Web服务的信誉度作为服务选择算法的参数，经过服务选择算法对Web服务的信誉度、响应时间、可靠性等多个参数综合计算后，根据计算结果为用户选择服务质量最优/次优的Web服务。
以下通过对基于传统计算信誉度的方法选择Web服务的实验，和本发明基于信誉度选择Web服务的实验相对比，来更直观的体现本发明优点和特点。
图2是基于传统计算信誉度的方法选择Web服务的实验数据分析图，该实验中，Web服务WS3为了建立较高的信誉度，在前三次计算信誉度时，提供较高服务质量的服务，并驱使某些用户进行恶意评分，对WS3评较高的分，使得WS3获得较高的用户主观评分，并对Web服务WS1和Web服务WS2评较低的分，使得WS1和WS2获得较低的用户主观评分；从第四次开始，WS3开始提供较差服务质量的服务，这使它的信誉度下降，但由于WS3驱使某些用户始终对Web服务WS1和Web服务WS2评低分，使WS1和WS2的信誉度一直处于较低的水平，所以即使WS3的信誉度在提供较差服务质量的服务后下降了，它的信誉度仍然高于WS1和WS2的信誉度，在这种情况下，如果用户基于信誉度选择Web服务，那么用户选择的始终是WS3，而不是在实际情况下一直提供较高服务质量服务的WS1或WS2，即使得错误选择Web服务的概率高达100％。
图3是本发明基于信誉度选择Web服务的实验数据分析图，本实验中，在前三次计算信誉度时，与上述实验相同，Web服务WS3在前三次计算信誉度时，提供较高服务质量的服务，并驱使某些用户进行恶意评分，对WS3评较高的分，使其获得较高的用户主观评分，并对Web服务WS1和Web服务WS2评较低的分，使得WS1和WS2获得较低的用户主观评分，进而获得较高的信誉度；但从第四次开始，由于WS3提供较差服务质量的服务，它的信誉度降到很低的水平，而WS1和WS2一直保持其应有的信誉度水平，这样，本发明基于信誉度选择的Web服务的正确率高达70％，错误率仅为30％。
由上述两实验所得的数据可见，本发明根据影响Web服务的信誉度的主观因素对用户主观评分进行加权平均计算，降低了恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，并使计算出的信誉度更能反映Web服务当前的运行状况，结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度，则降低了用户主观评分对信誉度的影响，从而更进一步的降低了降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，提高了信誉度的准确性，而以此方法计算出的信誉度为依据，可极大的提高了选中提供较高服务质量的Web服务的概率。
本发明还提供一种基于信誉度选择互联网服务的装置，该装置的结构如图4所示，包括 QoS参数信任度计算单元，用于分别计算Web服务实际运行时的每个QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为所述Web服务的该QoS参数信任度；所述QoS参数信任度计算单元采用贝叶斯学习理论来计算QoS参数信任度； Web服务信任度计算单元，用于计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度；所述Web服务的各QoS参数属于所选择QoS Model，本实施例的QoS Model为 QosModel≡{Response Time，Re liability，DomainQos} 其中Response Time为服务响应时间参数，是指从以用户代理发出服务请求消息至服务响应消息到达用户代理之间的时间间隔；Reliability为服务可靠性参数，是指服务正确执行的概率，即服务成功执行次数占服务执行总次数的比例；Domain Qo S为领域相关的QoS参数，是指在服务所处的某个领域中一些特殊的QoS参数，这是相对Response Time和Reliability这些通用的、领域无关的QoS参数而言的。
Web服务的各QoS参数的权重的分配取决于该Web服务的性质和用户的喜好，比如Web服务的Response Time参数比较重要，或者用户比较在意这个参数，那么在计算TOWS时，就应当分配给Response Time更大的权重。
信誉度计算单元，用于根据用户的主观评分和所述Web服务的信任度计算各Web服务的信誉度； 服务选择单元，用于根据所述各Web服务的信誉度选择Web服务。
所述信誉度计算单元包括 主观计算单元，用于由用户评分系统获取用户主观评分，并用于计算用户主观评分的加权平均值；所述加权平均值的权重等于交易规模、评分波动、评分可信度和评分时效性的乘积；所述加权平均值的权重通过根据影响Web服务的信誉度的主观因素，例如交易规模、评分波动、评分可信度、评分时效性等，增加或降低用户主观评分对Web服务的信誉度的影响，增大交易规模大、评分可信度大、评分时效性强、且为非恶意评分的用户主观评分对Web服务的信誉度的影响，降低交易规模小、评分可信度小、评分时效性差、且为恶意评分的用户主观评分对Web服务的信誉度的影响，以降低恶意评分和Web服务提供者的欺诈行为对计算信誉度的影响，并使计算出的信誉度更能反映Web服务当前的运行状况； 综合计算单元，用于结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度；用户主观评分的加权平均值的权重和Web服务的信任度的权重，的大小取决于所述Web服务更注重于注重用户体验或实际执行情况，如果所述Web服务非常注重用户体验，那么用户主观评分的加权平均值的权重大于Web服务的信任度的权重，如果所述Web服务非常注重实际执行情况，那么Web服务的信任度的权重大于用户主观评分的加权平均值的权重，而当所述Web服务并没有要求用户进行评分时，用户主观评分的加权平均值的权重为0，Web服务的信任度的权重为1；例如，所述Web服务为实时查询服务时，可能用户更关心的是否可以较快的查询到满足要求的服务，对运行时间等其它QoS参数比较关心，则此时Web服务的信任度的权重的取值大于用户主观评分的加权平均值的权重，所述Web服务为商品交易服务时，用户可能会更关心其他用户对商家的评论，对于运行时间等因素可能不太关心，则此时可能需要设置用户主观评分的加权平均值的权重的取值大于Web服务的信任度的权重。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
权利要求
1、一种基于信誉度选择互联网服务的方法，其特征在于，该方法包括以下步骤
A、分别计算互联网Web服务实际运行时的每个服务质量QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为所述Web服务的对应QoS参数信任度；
B、计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度；
C、根据用户的主观评分和所述Web服务的信任度计算信誉度；
D、重复步骤A～C，分别计算出各Web服务的信誉度，根据所述各Web服务的信誉度选择Web服务。
2、根据权利要求1所述基于信誉度选择互联网服务的方法，其特征在于，步骤A具体包括
a1、采用贝叶斯学习理论来计算所述Web服务的一个QoS参数信任度；
a2、重复步骤a1，计算Web服务其余的各QoS参数信任度。
3、根据权利要求2所述基于信誉度选择互联网服务的方法，其特征在于，用θ来表示所述QoS参数信任度，用变量X表示在设定时间段内该Web服务的所述QoS参数的实际值与该Web服务提供者宣称的所述QoS值相一致的次数，步骤a1具体包括
a11、获取θ的先验信息；
a12、根据X为二项分布(b(n，θ))，确定θ的先验分布和后验分布；所述先验分布为Beta(π(θ):β(a，b))，所述后验分布为Beta(h(θ|x):β(a+x，n+b-x))；
a13、根据先验信息计算参数a和b；
a14、根据参数a和b，计算出θ的后验均值的估计值，所述θ的后验均值的估计值即为作为所述QoS参数信任度。
4、根据权利要求1所述基于信誉度选择互联网服务的方法，其特征在于，所述Web服务的信任度的计算公式为
其中，TOWS为Web服务的信任度，所述Web服务有m个QoS参数；αi表示分配给所述Web服务中任意第i个QoS参数的权重，并且
5、根据权利要求1所述基于信誉度选择互联网服务的方法，其特征在于，步骤C具体包括
c1、由用户评分系统获取用户主观评分；
c2、计算用户主观评分的加权平均值；所述加权平均值的权重等于交易规模、评分波动、评分可信度和评分时效性的乘积；
c3、结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度。
6、根据权利要求5所述基于信誉度选择互联网服务的方法，其特征在于，所述用户主观评分的加权平均值的计算公式为
其中，RatingU表示用户主观评分的加权平均值；在一些常见的电子商务网站，比如eBay，通常每间隔一个固定的时间段会计算一次信誉度，N表示在所述固定的时间段内，共有N次对所述Web服务的评分；一次评分对应一次Web服务，SOTj表示第j次评分所对应的Web服务的交易规模；WORj表示第j次评分的评分波动；CORj表示对所述Web服务进行第j次评分的用户的评分可信度；TORj表示第j次评分时效性。
7、根据权利要求5所述基于信誉度选择互联网服务的方法，其特征在于，所述Web服务的信誉度的计算公式如下
ReputationWS＝α×RatingU+β×TOWS
其中，ReputaionWS表示Web服务的信誉度，RatingU表示用户主观评分的加权平均值，TOWS表示Web服务的信任度，α和β分别表示分配给用户主观评分的加权平均值和Web服务的信任度的权重，并且α+β＝1。
8、根据权利要求1所述基于信誉度选择互联网服务的方法，其特征在于，所述根据所述各Web服务的信誉度选择Web服务具体包括
将所述各Web服务的信誉度显示给用户，作为用户根据选择Web服务的依据之一；或，
由用户代理对所述各Web服务的信誉度排序，并由信誉度最大的Web服务开始为用户推荐Web服务；或，
将所述各Web服务的信誉度作为服务选择算法的参数，根据服务选择算法的计算结果为用户选择服务质量最优/次优的Web服务。
9、一种基于信誉度选择互联网服务的装置，其特征在于，该装置包括
QoS参数信任度计算单元，用于分别计算Web服务实际运行时的每个QoS参数与该Web服务提供者宣称的该QoS参数一致的概率，将所述概率作为所述Web服务的该QoS参数信任度；
Web服务信任度计算单元，用于计算所述Web服务的各QoS参数信任度的加权平均值，该加权平均值即为Web服务的信任度；
信誉度计算单元，用于根据用户的主观评分和所述Web服务的信任度计算各Web服务的信誉度；
服务选择单元，用于根据所述各Web服务的信誉度选择Web服务。
10、根据权利要求9所述基于信誉度选择互联网服务的装置，其特征在于，所述信誉度计算单元包括
主观计算单元，用于由用户评分系统获取用户主观评分，并用于计算用户主观评分的加权平均值；
综合计算单元，用于结合用户主观评分的加权平均值和所述Web服务的信任度计算信誉度。
全文摘要
本发明公开了一种基于信誉度选择互联网服务的方法，该方法包括分别计算所述Web服务的各QoS参数信任度；根据所述Web服务的各QoS参数信任度计算所述Web服务的信任度；根据各所述Web服务的各QoS参数信任度，分别计算出各Web服务的信誉度，根据所述各Web服务的信誉度选择Web服务。本发明还公开了一种基于信誉度选择互联网服务的装置，该装置包括QoS参数信任度计算单元、Web服务信任度计算单元、信誉度计算单元和服务选择单元。采用本发明的方法及装置，能够依据信誉度从众多Web服务中选择出服务质量高、可信赖的Web服务。
文档编号H04L12/24GK101399707SQ200810226929
公开日2009年4月1日 申请日期2008年11月20日 优先权日2008年11月20日
发明者森 苏, 杨放春, 婷 赵, 锴 双, 于晓燕, 曦 陈, 才 陈 申请人:北京邮电大学