P2p网络中基于分布式可推荐的声誉遏制恶意行为的方法

文档序号:7635700阅读:609来源:国知局
专利名称:P2p网络中基于分布式可推荐的声誉遏制恶意行为的方法
技术领域
本发明涉及一种网络技术领域的方法,具体是一种P2P网络中基于分布式可推荐 的声誉遏制恶意行为的方法。
背景技术
现有的使用P2P协议的资源共享系统,多使用传统声誉系统,比如BTCHINA, VERYCD,葡萄以及迅雷等等。由于协议本身对节点的约束性不是特别强,这些网站大多都会 采用一些声誉系统来激励节点更多地进行“共享”的行为。以根据emule的mod修改的VERY⑶客户端电驴为例每个节点都有一个积分文 件,eMule使用了一种加密方法key handshake以确保某个积分正确地属于某个人。只有 在这种方法得到eMule的验证之后,这一积分才被授权给特定的某个人,否则eMule将不会 承认对方的积分。积分是奖励那些上传的节点的,上传量越大积分越高。积分不是所有服 务器之间通用的,它们仅仅通用于那些承认这些积分的服务器和客户积分是影响QR的主 要因素。积分越高,排队时间就会缩减的越短,获得的服务器就越多,下载速度就越快。而PT下载站点的声誉系统则十分强调分享率的概念。PT下载站衡量节点是否值 得存在于这个团体中的唯一标准是分享率,PT分享率是用上传量除以下载量,因此那些不 开上传的和下载完成就立即下线的人,这个值一定不会高于1,甚至会是0,那么,在一段时 间之后,PT下载站会把这样的人踢掉。而对于新加入的人来说,PT下载站一般会有一个分 享率的底限,而要达到这个底限是不难的。每个PT下载站几乎都会放上不超过十个体积小 的文件供大家下载,这就是在前期提高分享率的东西。下载之后,不要删除不要关闭上传, 如果资源很热门,下载的人多,上传的累计量就会大,而已下载的体积是不变的,节点就会 看到自己的分享率在慢慢地增长。北京邮电大学学报,文章编号1007. 5321(2009)03-0069—04的《P2P网络环境下 的推荐信任模型方案》中为基于推荐的声誉模型提供了基本框架,如直接信任值、某个节点 的信任度、推荐信任值、节点的推荐能力。可以看到,传统的文件共享服务主要以上传量或分享率为参数构建声誉系统,这 种模型一方面依赖于主从式服务器结构,不能很好地适应分布式网络环境;另一方面仅仅 基于直接交互经验,未能充分利用网络中其他节点的信息,做出的声誉评价往往不能真实 反映节点的行为。经过对现有技术的文献检索发现,中国专利申请号CN200910152785. 3,公告号 为CN101714976A,名称为《一种P2P网络中抵抗节点恶意的方法》,该技术通过在P2P网 络中建立简单有效的信任评价机制对节点发布不真实资源的恶意行为进行惩罚,降低其推 荐信任值,使其与其他节点交互的概率降低,从而达到遏制P2P网络中不真实资源的传播、 提高P2P网络可靠性的目的。该方法包括资源提供节点的选择、直接信任值的更新、推荐信 任值及评价信任值的更新。该技术通过建立所述的信任评价方法,使得恶意节点发布的不 真实资源在P2P网络中的流传度下降,从而达到抗击恶意节点攻击的效果。该技术虽然也采用了推荐信任的模型,但主要着眼于对恶意节点的抵抗,缺少对于恶意行为的具体分类 和对于声誉值的动态性变化的考虑。

发明内容
本发明针对上述现有技术的不足,提供一种P2P网络中基于分布式可推荐的声誉 遏制恶意行为的方法。本发明通过在P2P资源共享系统中基于每个节点都有拥有的声誉值 检测、分析,能有效抵抗传统声誉系统中节点的欺骗、合谋、诋毁等恶意行为。本发明是通过如下技术方案实现的本发明包括如下步骤步骤一节点A向tracker服务器请求文件R的拥有者列表,获得列表中所有节点
的声誉值。若无做种者,则阻塞一段时间后重新尝试;若有做种者,则当前节点A根据 tracker服务器返回的列表查询本地数据,获得列表中所有节点的声誉值。步骤二 设B是列表中的某一节点,A查看其对被评估节点B的声誉值的更新时 间;查询与B的直接交互记录队列,根据时间因子计算当前节点对B的直接声誉。为了保证声誉的实时性和网络的效率之间的平衡,设定一个时间的阈值,在对节 点进行评估时,先查询最近一次更新节点声誉值的时间,如果在这个阈值范围内,那么就不 对这个声誉值进行更新,默认这个节点的声誉在短时间内不会发生很大的变化;但是如果 超出了这个阈值,就要根据下面的流程重新建立信任。所述的声誉值来源于直接声誉、间接声誉和推荐声誉。所述的阈值根据网络情况来设定,当网络繁忙时,这个阈值可以适当变大一些,减 少通信的负荷。同时,这个阈值在实际应用时也是可以根据节点的需要进行调节的。而设定 这个阈值除了减轻了计算和通信的负荷外,还可以防止一次行为对声誉造成很大影响。因 为如果每次更新,当有一次因为网络或者意外原因提供给了坏服务,可能会让声誉有很大 的下降。而多次更新的话,单次的偏差的影响会变小。步骤三节点A随机选取系统中定量节点,向这些节点发送关于节点B的推荐请 求,请求它们给出关于节点B声誉的推荐值。步骤四节点A收到步骤三中若干节点返回的推荐值,并对这些推荐值进行比较 分析,由收到的所有推荐值计算出关于节点B推荐的标准值,再根据每个推荐值相对于标 准值的偏差值,确定推荐者行为的诚实度并更新推荐者的推荐声誉。在所述的节点在发出了推荐请求后,收到了 N个节点m,N2...回复的推荐值分别 是Rl,R2... RN,这里Rl,R2. · · RN e
,同时还收到了这些节点回复的有效交互次数分 别是C1,C2. ..CN,那么标准值Rs = * dr + ^Si * Rays式中,CO为节点A与被评价节点的直接交互次数
Γ_____ 广C1+C2+-+CNCavg =---
Γ_____ R1+R2+--+RNRavg =---在计算好标准值后,偏差值就是两者间的差值的绝对值,假设节点M所回复的推
5荐值时Ri,那么偏差值Oi = I Ri-Rs I (4)步骤五节点A根据步骤四中更新后各节点的推荐声誉划分模糊区间,也就是当 推荐声誉在一个范围内时,就认为这些节点所作的推荐的信任程度都是一样的。各节点关 于B的推荐值由推荐者推荐声誉的不同划分至不同的区间内,计算每个区间内所有节点所 作推荐的平均值,然后将这些平均值赋以各自的权重进行计算,计算得节点B的间接声誉。在本系统中,节点大致可以分为诚实节点、一般节点、较坏节点、恶意节点四类。假设四种类型节点的平均值分别是Rl,R2,R3,R4,那么间接声誉值为各自区间的 平均值乘以权重后的和。步骤六在计算获得直接声誉、推荐声誉和间接声誉后,设置权重分配参数,将这 三者整合成最终声誉。直接声誉比起间接声誉来说总是可靠一些的,但是当直接声誉很少 的时候,存在偏差的可能性也会比较大。因此,这里还是可以根据直接交互的次数来分配权重。所述的最终声誉,是指设直接声誉为dr,dr e W,1],直接交互的次数为M,间接 声誉为Idr,Idr e W,1],给出推荐的节点与被推荐节点间交互次数平均值为N,推荐声誉 为R,Re W,1],那么此次建立的声誉为 Trust = * θ * dr + * θ * Idr + (1 - θ) * R 。
Μ+ΝΜ+ΝνJ步骤七重复步骤二至步骤六的过程,得到文件R的拥有者列表中所有节点的声 誉值,并根据它们声誉值的高低,选出合适的节点进行连接,下载资源。步骤八下载完成后,节点A根据该资源的客观状况对这个资源打分。所述的打分评价标准包括文件内容是否与名称描述相符;文件是否完整或者有 残破不能运行;是否有病毒。文件传输速度、资源文件的打分和断线率共同构成一条新的交 互记录,添加到节点A的交互记录列表中。本发明所述的P2P网络,在其文件共享系统中,节点扮演上传者和下载者两个角 色,上传与下载构成节点的直接行为;同时在声誉系统中,节点扮演着评价者、推荐者和被 评价对象的角色。系统中,节点的声誉值来源于三个方面直接声誉、间接声誉和推荐声誉。 直接声誉取决于节点之间直接接触的经验即交互记录,在文件共享中定义了三个参数作为 服务质量标准文件传输速度、资源文件的打分和断线率;推荐声誉反映的是当前节点对 推荐节点所作的推荐的信任程度。当当前节点获得推荐节点的推荐值时,并不会直接算入 间接声誉值,还要考量是否信任推荐节点的推荐。推荐声誉正是提供了可以作为推荐值计 算间接声誉值时的加权值。推荐声誉是对不诚实推荐或者恶意推荐的节点进行惩罚,而对 诚实的节点建立信任;间接声誉的来源就是推荐节点返回的推荐值,根据当前节点对推荐 节点的推荐声誉加权计算推荐值获得被评价节点的间接声誉值。除此之外,多个返回的推 荐值构成了对推荐节点推荐声誉进行统计学研究的样本,这些推荐样本是保证系统能真实 反映客观情况的关键。步骤二中,设置时间衰减因子直接交互的记录可以保存,但如果每一条直接交互 的记录都永久保存,会占据庞大的存储空间。应用中,直接交互记录不需要永久保存。直接 交互记录作为计算直接声誉的参考数据,只需要最近一段时间的记录就可以,以前的记录 作为计算直接声誉的参考已经被计算到最终声誉值之中了。由于声誉值并非一有更新就立
6即计算,而是会隔一段时间计算一次,因此直接交互记录的队列只要按时间段保留一定范 围之内的记录即可。不同的交互记录,它们的影响力是不同的。距离当前时间最近的记录更 为重要,因为它还没有被算入声誉值中;距离当前时间较远的信任评价较不重要,因为它的 影响可能在之前已经被考虑在内了。为了突出系统的实时性,增加考虑时间衰减因子。时 间衰减因子作为对直接交互记录的加权算入直接声誉之中,它随着距离计算时的时间差单 调减变化,。距离当前时间间隔越短的交互记录权重就会越大。假设在有效时间段内总共有N条交互记录,第i次交互后留下的参数为,那么直接 声誉为dr =
Li=1 οι其中δ i即是时间衰减因子,δ i是关于i的单调递增函数。距离当前时间间隔 越短的交互记录时间权重就会越大。5i= e~fiTi是时间段集合{tl,t2. . . tL}的一个元素,表示的是距离当前计算时间的时间 间隔。这里并没有直接采用时间间隔,而是将时间间隔映射到一个集合中。因为如果直接 用时间间隔,e的指数函数衰减太快,使得很多的记录发挥不了作用。因此,仅仅将间隔时 间划分成时间段,映射出合适的值进行计算。步骤三中所述的推荐值,并不是真实存储在节点中的,而是节点在向其它节点发 出推荐请求后,其它节点所回复的值。它是节点在回复推荐请求时,将声誉值和推荐声誉综 合计算所获得的。由于节点不一定有直接经验,因此它也可能是缺省的值。正是推荐值将 声誉值和推荐声誉同时反映在间接声誉中,从而使得节点的交互行为和推荐行为都收到声 誉管理的约束。步骤四和步骤八中,对恶意交互的抵抗方案对单个节点而言,节点行为可以分成 两部分文件服务和推荐。恶意的交互包括提供低质量的服务和进行不诚实的推荐。节点 作为上传者提供低质量的服务,可能它给别人上传的时候把速度限的很低,可能它经常在 别人还没下载完成的时候就断线了,或者它上传的资源一直带有病毒等等。这些不好的直 接交互行为会被和它交互的节点记录下来,导致直接声誉的下降。节点作为推荐者的不诚 实是指在向别人发送推荐值的时候,给出的都是不诚实的声誉值,接收者也能够通过统计 推荐值发现节点做了不真实的推荐,因此降低该节点的推荐声誉。对多个节点,可能存在团 伙欺骗的恶意行为。另外,单个节点还可能利用声誉系统的规则做出策略欺骗的行为。本 模型对于上述恶意行为都能有效做出应对。过高或过低的推荐可以通过样本统计被过滤出来,而推荐者的推荐声誉由于不客 观推荐理所当然的会受到惩罚,从而导致其推荐声誉降低。推荐声誉降低之后该节点再做 推荐的影响力会被削弱,从而保证对恶意推荐行为的抵抗。团伙欺骗比单一节点恶意行为复杂,对系统的伤害也更大。假设系统中的若干个 节点组成了一个小团体,它们约定好在发送关于团体内部成员的推荐值的时候,都互相给 很高的值,比如0. 9 ;而在发送关于非团体内部成员的推荐值的时候,统统都给很低的值, 比如0. 1。由于是团伙协作,所以这些恶意推荐虽然会被发现,但是对推荐者的推荐声誉的 影响可能不一定会及时的反映出来。从长期角度来看,如果这个团体里的人持续做恶意推荐,最终还是会导致其声誉值下降直到被排除出系统之外。因为这个团伙内的人再多,但相 对于整个系统的全体节点来说也只占了非常少的一部分,而推荐行为必须是要收到推荐请 求之后才能进行的,它对于推荐节点是被动发生的。推荐请求的发送是完全随机分布的,团 伙欺骗并不能保证在每一次推荐过程中自己团伙内的人都占有绝对数量优势。而在力量不 能集中的情况下,团伙欺骗的威力和单个节点的恶意推荐相似。策略欺骗是指这样一种行为节点通过一段时间的真实推荐后,获得比较好的推 荐声誉和声誉,然后滥用自己的推荐声誉给别人做不真实的推荐,比如故意抬高对某人的 评价之类,这么做很快会被发现,于是它的声誉会降低。在声誉降低了以后,又再做出一段 时间真实推荐,恢复一些推荐声誉。等到恢复过来了,又再重新做恶意推荐,这样它可以始 终保持让自己的恶意评价影响很大别人的声誉,而自己在交互中又不会丧失很大利益。对 于这种行为,本模型设计了检测机制当一个节点的声誉在一段时间内反复起落的时候,系 统会观察其声誉起伏的次数,当次数过于频繁时,在计算它的推荐声誉的时候引入惩罚值。 惩罚值可以理解为节点利用其信任度进行虚假交易后引起信任度波动所付出的代价。引入 惩罚值的概念就是根据节点以往恶意行为的历史来判断节点推荐声誉的变化幅度,当节点 累积的恶意行为不断增大时,它的惩罚值Pe就会上升。推荐声誉变化幅度e-k(K’)是pe的 单调递增函数。因此当恶意行为不断的累积,惩罚值就会变大,这样e-k(K-pd值也会随之变 大,这样的节点在做出恶意推荐后,它的推荐声誉会非常快的下降,而它上升的幅度依然不 变,这也就意味着它要恢复好的推荐声誉变得更加的困难。对于策略性欺骗节点来说,虽然 它的行为在好与坏之间浮动,但是坏的行为是会累积影响到惩罚值的。随着系统的不断运 行,它要恢复好的推荐声誉变得困难,除非它大部分时间都保持诚实行为。步骤四中,对诚实偏差的补偿方案除了一般的恶意行为,系统中还有可能存在非 恶意行为导致的声誉值降低。如节点向别的节点做推荐的时候,由于非主观的原因,发出 普遍低于大众的推荐值。这种诚实的偏差会造成其推荐声誉的降低。这种情况通常被称 之为夸大分值(grade inflation)。本模型采用了计算相关度方法修正“夸大分值(grade inflation),,的情况。通过多次相关度计算,系统会对节点的推荐声誉进行补偿,使得不同 个人评判标准造成的评分结果的差异被系统所过滤。在本系统中,将通过皮尔逊相关度来发现节点的推荐值和标准值之间的相关程 度,从而来判断节点的推荐是否是真实的。这里假设节点给出的推荐是R,而标准值是Rs, 那么这两者之间的相似度为
权利要求
1.一种P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法,其特征在于,包括 如下步骤步骤一节点A向tracker服务器请求文件R的拥有者列表,获得列表中所有节点的声誉值;步骤二 设B是列表中的某一节点,A查看其对被评估节点B的声誉值的更新时间;查 询与B的直接交互记录队列,根据时间因子计算当前节点对B的直接声誉;步骤三节点A随机选取系统中定量节点,向这些节点发送关于节点B的推荐请求,请 求它们给出关于节点B声誉的推荐值;步骤四节点A收到步骤三中若干节点返回的推荐值,并对这些推荐值进行比较分析, 由收到的所有推荐值计算出关于节点B推荐的标准值,再根据每个推荐值相对于标准值的 偏差值,确定推荐者行为的诚实度并更新推荐者的推荐声誉;步骤五节点A根据步骤四中更新后各节点的推荐声誉划分模糊区间,当推荐声誉在 一个范围内时,就认为这些节点所作的推荐的信任程度都是一样的;各节点关于B的推荐 值由推荐者推荐声誉的不同划分至不同的区间内,计算每个区间内所有节点所作推荐的平 均值,然后将这些平均值赋以各自的权重进行计算,计算得节点B的间接声誉;步骤六在计算获得直接声誉、推荐声誉和间接声誉后,设置权重分配参数,将这三者 整合成最终声誉;步骤七重复步骤二至步骤六的过程,得到文件R的拥有者列表中所有节点的声誉值, 并根据它们声誉值的高低,选出合适的节点进行连接,下载资源;步骤八下载完成后,节点A根据该资源的客观状况对这个资源打分。
2.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法, 其特征是,步骤二中为了保证声誉的实时性和网络的效率之间的平衡,设定一个时间的阈 值,阈值根据网络情况来设定,在实际应用时根据节点的需要进行调节。
3.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法, 其特征是,在步骤四中所述的节点在发出了推荐请求后,收到了 N个节点Ni,N2...回复的 推荐值分别是Rl, R2. · · RN,这里Rl, R2. ..RNe
,同时还收到了这些节点回复的有效 交互次数分别是Cl,C2. . . CN,那么标准值
4.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法, 其特征是,步骤六中所述的最终声誉,是指设直接声誉为dr,dr e
,直接交互的次数 为M,间接声誉为Idr,Idr e
,给出推荐的节点与被推荐节点间交互次数平均值为N, 推荐声誉为R,R e
那么此次建立的声誉为Trust = γ^τ: * θ * dr + * θ * Idr + (1 - θ) * R Μ+ΝΜ+Νν J
5.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法, 其特征是,步骤八中所述的打分评价标准包括文件内容是否与名称描述相符;文件是否 完整或者有残破不能运行;是否有病毒;文件传输速度、资源文件的打分和断线率共同构 成一条新的交互记录,添加到节点A的交互记录列表中。
6.根据权利要求1所述的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法, 其特征是,所述的断线率,是指节点间交互的断线率,是单位时间内断线的次数;采用与 传输速度参数和传输速度关系相似的曲线来衡量断线率参数断线率参数P e W,l],断线率Pt,那么某次交互以后断线率参数为式中,stap是标准断线率参数值,通常stap < 0. 6,alp平均断线率的低值,即低于这 个值的断线率是会有奖励值的,ahv则是可接受的断线率的高值。pt < alpalp <pt < ahp pt > ahp
全文摘要
一种网络技术领域的P2P网络中基于分布式可推荐的声誉遏制恶意行为的方法。本发明从列表中获得所有节点的声誉值;根据时间因子计算当前节点对B的直接声誉;请求它们给出关于节点B声誉的推荐值;再根据偏差值,确定推荐者行为的诚实度并更新推荐者的推荐声誉;计算得节点B的间接声誉;设置权重分配参数,整合成最终声誉;选出合适的节点进行连接,下载资源;对这个资源打分。降低团伙欺骗的成功概率;对于非恶意节点的偏差行为,检测并对其偏差值进行补偿,从而保证诚实节点的声誉维持在正常水平。这些策略合理地分布在本声誉管理框架之中,并能适应P2P网络节点的随机性和动态性,使得用户最终的声誉相较传统评价体系更加实时、准确、可靠。
文档编号H04L29/06GK102006305SQ20101057772
公开日2011年4月6日 申请日期2010年12月8日 优先权日2010年12月8日
发明者仇钧, 李建华, 李斓, 梁琳, 蔡伟 申请人:上海交通大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1