P2P電子商務信任評估機制研究

趙汝英，劉嘉勇

（四川大學 信息安全研究所， 四川 成都610064）

0 引言

P2P技術的引用解決了傳統電子商務的服務器瓶頸問題，帶來了電子商務的迅猛發展，但P2P網絡自身結構特點使信任安全成為制約電子商務進一步發展的重要因素。

信任是一個實體根據經驗，對其他實體未來可靠、安全行為的主觀期望。在商務平臺上構建信任評估是降低交易風險，保障其安全的一種有效手段。目前，國內外研究人員在信任模型領域開展了許多研究：BBK信任模型[1]和基于貝葉斯網絡的信任模型[2]是基于不同的概率模型進行信任推理的，但他們除本身固有的缺陷外，沒有考慮到信任自身的模糊性和主觀性；文獻[3]提出了基于模糊邏輯的主觀信任管理模型，但沒有具體指出如何建立信任關系；文獻[4]提出了應用于P2P網絡的電子商務信任模型，在一定程度上保證了交易的安全，但是不能區別節點的推薦信任度的可靠性，也沒有解決無歷史記錄節點的信任問題。

傳統P2P電子商務中用戶使用“好評”“中評”“差評”對交易對象做信任度評價，系統只根據“好評”“差評”的次數計算賣家的信任度，由于好評差評只是買家主觀判斷，沒有統一的評判標準，且信任度的計算沒有結合交易時間及各交易對象之間的關系，計算結果與現實中的信任度有一定差距。

為了建立一個有效的 P2P電子商務信任模型，處理網絡中節點之間的信任關系，幫助節點進行信任決策，這里利用模糊一致矩陣和模糊決策分析方法研究 P2P電子商務中節點的信任問題，提出了一種基于模糊層次分析法的P2P電子商務信任模型，為節點間信任評估提供了一種有用的參考。

1 基于FAHP的P2P電子商務信任模型

模糊層次分析法(FAHP)是一種定量分析與定性分析相結合的多準則決策工具，以模糊一致矩陣為基礎，把人的決策思維過程層次化、數量化、模型化，并用數學手段為分析決策提供定量依據，是一種對非定量事件進行定量分析的有效方法，與人類思維具有較好的一致性，在實踐中證明是進行信任評估的最佳工具。

P2P網絡環境下的電子商務，每個用戶就是一個節點，用戶與用戶之間互不相識，分散在世界各個角落，買賣雙方交易前要建立陌生人之間的信任關系。對于一個新加入網絡的節點，網絡內的節點如何確定它的信任度，新節點該如何計算網絡內節點的信任度，當雙方有過交易記錄后又應怎樣確定對方的信任度，這些是這里提出的P2P電子商務信任模型要解決的問題。

1.1 影響信任的因素

在P2P電子商務中影響節點信任的因素有很多方面[5]，現按照信任的特點，將其影響因素分為三類：節點屬性、歷史信任度和推薦信任度。

節點屬性有助于提高其他節點對它的信任度，知道越多關于節點的屬性，越容易對它產生信任。節點屬性指標主要有用戶名、用戶的地址、電話及用戶是否經過實名認證注冊、出售的商品是否有質保、提供的交易是否有第三方擔保等。這些信息越完善，這個節點的可信度越高。

歷史信任度指用戶自身與這個節點多次交易得到的信任度的累積。節點服務質量的歷史記錄越好節點的信任度越高，相反如果節點有多次欺騙交易歷史，其信任度必然會降低。此外，歷史信任度還與時間相關，與當前時間相距越遠的交易在信任度中占的比重越小。

推薦信任度指與這個節點有過交易歷史的其他用戶對其所作的信用評價。推薦這個節點可信的用戶越多，節點的信任度越高。由于人們總是傾向于更加相信自己熟知的人提供的消息，考慮到節點推薦信任度的可信度，因此可以把推薦節點分為好友節點、陌生節點和惡意節點[5]。

1.2 信任模型

這里提出的信任模型通過采集節點上述相關信息，利用模糊層次分析法確定3個因素及其各指標的相對權重，并進行綜合決策得到目標交易節點的信任度，觀察節點根據計算結果進行信任決策。信任模型處理步驟如下：①建立層次結構模型；②采集節點相關信息，根據各指標取值建立評價隸屬矩陣；③兩兩比較各指標重要性，建立優先關系矩陣；④將優先關系矩陣改造成模糊一致矩陣；⑤層次單排序，層次綜合[6]，計算各指標相對該因素的重要性；⑥綜合決策，得到該模塊的信任隸屬度。

為了便于處理，可以把每個因素用一個模塊處理，模塊1、2、3分別處理影響信任度的3個因素，依次為節點屬性分析模塊、歷史信任度分析模塊和推薦信任度分析模塊，這三個模塊將輸入信息處理后輸入模塊4，模塊4作為決策模塊，對前3個模塊的輸出隸屬度進行整合得出綜合信任度。下面詳細介紹各模塊的信任度的計算過程。

1.2.1 節點屬性信任隸屬度的計算

根據節點屬性的各指標信息有無情況得到評價隸屬矩陣V=（V1V2, … ,V6），然后利用FAHP確定各指標對節點屬性信任度的權重矩陣 γ=(γ1γ2…γ6)T，用符號 NAR(j)表示節點 j的節點屬性信任隸屬度，計算公式如下：

1.2.2 歷史信任度的計算

用符號THRn(i , j)表示n次交易后節點i對節點j的歷史信任度評價。

經過信息采集得到評價隸屬矩陣V =(Rn(i , j), THRn-1(i ,j))，其中Rn(i , j)表示節點i和節點j在第n次交易后，節點i對此次交易中節點j的評價，即最近一次的交易評價。由模糊層次分析法得到上述兩個指標的相對權重矩陣λ=(λ1λ2)T，V與λ相乘進行綜合決策。為了區分大額交易與小額交易，引入了交易規模系數 Pn，并預先在系統中設定交易額度閥值，Pn取值如下：

從而導出歷史信任度計算公式：

其中THR0(i , j)=0，表示i、j節點沒有交易記錄時初始歷史信任度為0。

1.2.3 推薦信任度的計算

推薦信任度指與節點j交易過的其他節點對節點j的信任評價，用符號WRR（j）表示。

為了區分推薦節點的信任度，將推薦節點分為三類：好友節點、陌生節點和惡意節點，通過權重實現對上述3類節點的推薦信任度的區別對待。

觀察節點通過向P2P網絡中發送廣播包，詢問目標交易節點的歷史交易情況，得到評價隸屬矩陣 V=（好友節點的平均推薦信任度，陌生節點的平均推薦信任度，惡意節點的平均推薦信任度），由模糊層次分析法獲得對應的權重矩陣η=(η1η2η3)T，綜合決策后獲得推薦信任度的計算公式為：

其中m、n、q分別指好友節點、陌生節點及惡意節點的個數。

在信息處理過程中一般拋棄惡意節點的信任評價，即η3=0，故 η1＋η2=1。

實現對不同信任程度的節點分類管理的方法是在本地存儲一個好友節點和惡意節點的ID名單，這個ID名單可由節點i自由調整。當節點i收到節點j的一個推薦信任評價時，按照ID名單，對節點進行分類，將其推薦信任度帶入公式4中相應的權值部分，最后計算出節點j最終的推薦信任度。

1.2.4 綜合信任度的計算

計算出上述3部分的信任度后，將各模塊的輸出作為輸入值聚合到決策模塊，獲得評價隸屬矩陣和對應的權重矩陣，綜合決策后導出計算節點的綜合信任度公式為：

式（5）中 0＜ω＜1，ω 值越大表明對應的因素對綜合信任度的影響越大。

觀察節點根據綜合信任度計算結果判斷目標交易節點的可信程度，以決定是否與其交易。

1.2.5 信任的更新

當兩個節點建立信任關系，完成一次交易后需要為對方在此次交易中的表現做出信任評價，以更新節點的信任度記錄。

系統確立的滿意度評語集合為{很滿意，滿意，基本滿意，不滿意，十分不滿意}，用戶只需從賣家發貨速度、物流服務、貨物相符程度、售后服務4個方面對此次交易進行滿意度評價，由系統確定上述4個因素對信任度的影響權重，并將用戶滿意度評價結果量化，分別得到權重矩陣ω及評價矩陣 V，再利用公式（6）計算用戶對此次交易對方的信任度評價隸屬度。

1.2.6 算法總結

觀察節點與目標交易節點交易前要評估其信任度，首先詢問目標交易節點的節點屬性，根據公式(1)計算節點屬性信任隸屬度，接著查詢本地節點中與目標交易節點的歷史交易記錄，利用公式(3)獲得節點歷史信任度，然后向其他節點詢問目標交易節點的歷史交易情況，通過公式(4)得出推薦信任度，最后利用公式(5)計算該節點的綜合信任度，判斷其是否可信，決定是否進行交易。

當交易完成后節點為對方做出信任度評價，信任模型利用公式(6)計算該次交易的信任評價隸屬度，并利用公式(3)計算出最新的歷史信任度存儲在本地節點上，最終真正完成該次交易。

2 實驗仿真

這里提出的信任度計算方法是對傳統P2P電子商務信任度評價的改進，因此有必要對這兩種算法的抗攻擊能力做出比較。

2.1 周期性欺騙

假定節點每15次交易中有5次欺騙交易，圖1反映了普通算法下信任度的變化情況。

從圖1中可以看出，信任度隨著誠實交易次數的增加而增大，雖然節點在交易過程中有1/3的欺騙交易，但信任度總體依然保持上升趨勢。因此普通算法下高信任度并不能保證高誠信交易率。

圖1 針對普通算法攻擊一

圖2反映了這里算法在周期性欺騙攻擊下，信任度變化情況。

圖2 針對本文算法的攻擊一

從圖 2中可以看出隨著惡意欺騙次數的變化，節點的信任度也呈周期性變化，信任度不會隨著交易次數的增加而增加，只要出現惡意欺騙，信任度就會陡然下降。這里算法消除了信任度與交易次數的直接關系，更能反映交易誠信度的變化。

2.2 惡意節點群體攻擊

假設與某個觀察節點交易的節點始終有20個，其中有若干個惡意節點，并相互串通以提高某目標節點的信任度，無論目標節點提供的交易誠實與否，惡意節點都給出“好評”，而其他節點則對交易做出如實評價。圖3顯示了節點在信任度累計到一定程度后（30），連續進行欺騙交易，在惡意節點數目不同的情況下，信任度的變化情況。

圖3 針對普通算法的攻擊二

從圖2中可以看出當惡意節點數目超過總節點數目的一半，信任度不會隨著欺騙交易次數的增加而降低，已經不能反映節點的真實交易狀況。

針對這里算法的群體攻擊，作為對比，同樣假設與觀察節點交易過的節點始終有20個，且20個節點中有10個好友節點，10個陌生節點，假設惡意節點在好友列表中，且無論目標節點的交易誠實與否都會給出較高的信任度評價（0.9～1），而誠實節點給出的正常交易評價為（0.6～0.8），當節點進行欺騙交易時評價為（0.1～0.4），圖4反映了在惡意節點數目不同的情況下，信任度的變化情況。

圖4 針對本文算法的攻擊二

從圖4中可以看出在前30次誠實交易中，由于有惡意節點的存在，目標節點的信任度比沒有惡意節點時偏高，且惡意節點數目越多偏離真實信任度越遠。但當節點從第 31次交易開始進行惡意欺騙后，其信任度會迅速下降，且無論存在多少惡意節點，觀察節點得到的目標節點的信任度基本相符，這是因為節點進行惡意欺騙后，觀察節點經過幾次判斷認定惡意節點在做欺騙性推薦，將其列入黑名單，之后這些節點的推薦值都不會計入目標節點的推薦信任度計算，也就不會影響到該節點的綜合信任度，故在 31次之后的交易中幾條曲線基本一致。這也反映了所提出的算法對惡意節點有較強的抗群體攻擊能力。

實驗仿真，可以看出所提出的信任度計算方法能抵抗惡意節點的周期性欺騙和惡意節點的群體攻擊，具有較強的抗攻擊能力，達到了最初的設計目的。

3 結語

這里提出的基于模糊層次分析法的P2P電子商務信任模型結合P2P電子商務固有的特點，綜合考慮了影響信任的若干因素，并用模糊層次分析法確定其影響權重，而且符合人類思維的記憶特性與認知原理，更加科學合理，模型具有較高的適用性。在下一步的研究工作中，可以從優化查詢推薦信任度的方法和信任度傳輸安全問題等方面展開深入研究。

[1]陳華勇，謝冬青，王永靜. BBK信任計算模型的分析與改進[J].湖南大學學報，2003，30(03): 182-185.

[2]WANG YAO, VASSILEVA JULITA. Bayesian Network-Based Trust Model[C].Washington DC: IEEE Computer Society, 2003:372-378.

[3]唐文，胡建斌，陳鐘.基于模糊邏輯的主觀信任管理模型研究[J].計算機研究與發展，2005，42(10): 1654-1659.

[4]XIONG LI，LIU LING. A Reputation-Based Trust Model for Peer to Peer e-Commerce Communities[C]. New York:ACM,2003:228-229.

[5]NEFTI SAMIA. A Fuzzy Trust Model for E-Commerce: Proceedings of the Seventh IEEE International Conference on E-Commerce Technology[C].Washington DC:IEEE Computer Society,2005:401-404.

[6]張皓,陸宇.基于模糊層次分析法的數據鏈系統效能評估[J].通信技術,2009,42(10):66-67.