基于推荐的抗攻击电子商务信任模型

该文为关于电子商务方面毕业论文参考文献格式范文,与基于推荐的抗攻击电子商务信任模型相关电子商务平台论文，可作为电子商务专业电子商务论文写作研究的大学硕士与本科毕业论文开题报告范文和职称论文参考文献资料。免费下载教你怎么写电子商务及电子商务系统及电子商务平台方面的优秀学术论文范文。

摘 要 ：针对目前在线信誉系统面临的自我提升攻击、恶意诋毁攻击和漂白攻击三类常见的攻击,提出了一种基于推荐的集中式信任模型该模型综合了用户间购买行为的相似度以及评价的时效性确定对某件商品的推荐信任值,同时结合基于自身交易经验的直接信任值,来获取对该商品的综合信任度通过在真实交易数据中注入三类攻击进行仿真,实验结果证明,相对于现有的信誉管理模型,该模型能更好地抵御攻击,为消费者提供更准确的卖家和商品信誉值

关 键 词 ：自我提升攻击； 恶意诋毁攻击； 漂白攻击； 推荐； 集中式信任模型； 时效性

中图分类号：TP393.08 文献标志码：A

0引言

信用的缺失是导致网上交易中欺诈、受骗现象屡屡发生的主要原因之一[1],为促进电子商务持续、快速、健康的发展,研究如何建立或增进电子商务交易双方的信任问题尤为必要,目前解决这类问题的研究主要集中在信任与信誉机制研究方面

常见的信誉管理模型有XRep[2]、EigenTrust[3]、PeerTrust[4]、P2Prep[5]、TrustGuard[6]、PowerTurst[7]等,但这些信誉模型大都适用于对等网（PeertoPeer,P2P）分布式网络环境中,如P2P文件共享系统对等网络中的文件共享系统与电子商务系统有较大的不同,例如大型电子商务平台中注册用户数在108级别,而一般的对等网络文件共享系统注册用户数在104级别对于用户在线率来说,电子商务平台远低于P2P文件共享系统,购买者只会在浏览商品或购物时才会上线,而文件共享系统中用户则可能长期在线电子商务系统中的信誉系统如果使用分布式信誉机制,一方面电子商务网络庞大,遍历一次需要大量时间；另一方面由于在线率相对较低,从邻居节点获取的信息比较稀疏,因此难以得到较好的全局或局部信誉值

在线信誉系统,如eBay[8],虽然计算简单,但是容易受到恶意攻击,不能准确地反映商家或商品的真实信誉目前电子商务在线信誉系统易受到的攻击有三种：1）自我提升攻击,商家通过买通部分买家进行虚假交易给予“好评”提升自己的信誉水平,一般在商家信誉比较低的时候进行；2）恶意诋毁攻击,部分买家通过操作大量假名用户的方式以威胁给“差评”或“中评”降低商家信誉的方式讹诈商家,或者商家买通部分买家恶意诋毁竞争对手；3）漂白攻击,商家前期信誉良好,但一段时间内通过大量恶意交易谋取利益,在信誉降低后重新提升信誉或者重新注册进入系统 [9]

本文针对电子商务在线信誉系统易受到的三种攻击,以及电子商务自身的特点,提出了一种基于推荐的集中式信任模型

1信任模型

商务电子商务的用户主要分为两类,消费者（买家）和商家（卖家）,本文提到的用户一般指消费者电子商务中的信任模型实质上是根据消费者的历史交易记录和其他消费者的评价信息计算对商品的信任度,从而为消费者选择交易对象提供参考依据信任反映的是一个消费者对商品质量、商家行为和服务能力等的综合评价,是对商家将来提供服务可靠程度的预测[10-12]

本文借鉴文献[3,9,11,13]的思想,引入直接信任度、推荐信任度、满意度评价、时间衰减函数和相似性等概念将信任度T（trust）定义为消费者对商品的信任程度的定量表示,由直接信任度和推荐信任度两部分组成

本文针对第一个假设,使用余弦相似度来衡量买家对其他消费者的信任程度；针对第二个假设,使用遗忘曲线衰减函数来进行加权；针对第三个假设,对买家自己的直接经验和其他买家的意见可以赋予不同的权值；针对第四个假设,设置了一个阈值,当遗忘曲线的时间衰减因子小于阈值时,计算信任度时不采用该评价

遗忘曲线[14]是德国心理学家艾宾浩斯研究发现的,遗忘在学习后立即开始,而且遗忘的进程并不均匀以前的信任模型研究提出了两类衰减函数：乐观型和悲观型[9],本文认为这两种衰减函数虽然在一定程度上满足时效随时间发生衰退的基本特征,但都不能准确反映其他买家的意见随时间的变化情况,而遗忘曲线能比较好地体现评价的时效性,最初时效性衰减得很快,但一段时间后衰减速度变慢[15],比如买家对最近一个月的购买者的评价的认可程度远比两个月前的购买者的意见的认可度高,但对四个月前和五个月前的购买者的评价的认可程度可能相差不大

1.1直接信任度

在电子商务中,直接信任度TD（direct trust）是指消费者根据自己购买商品的经验而得到的对该商品的信任程度

定义1满意度评价s（satiactory）当消费者购买商品后,对商家提供的服务,包括商品质量、发货速度、商家服务态度等的一个综合评价本文按照对服务质量的满意程度分为表1所示的5类

定义2时间衰减函数为了准确地计算消费者对商品的信任度,信任模型还应考虑时间因素对信任值的影响根据假定2,消费者更加认可距离当前时间更近的评分,应给予较高的权重；距离当前时间越远的评分对信任度计算影响越小,应给予较低的权重本文根据遗忘曲线,提出如式（2）所示的时间衰减函数：

1.2推荐信任度

在电子商务中,推荐信任度TR（remendation trust）是指消费者根据其他购买过该商品的消费者的推荐信息（评分、评价等）而得到的对商品的信任程度,推荐可信度RC（remendation credibility）是指消费者对其他消费者的推荐的信任程度

定义3消费行为相似度Simik一般情况认为,消费者更相信与自己评价行为类似的消费者的推荐,但在电子商务中,由于注册用户和商品数量太多,而大多数用户购买商品的数量有限,因此根据一般情况计算消费者的相似度,两个消费者的评分向量会十分稀疏,两个向量中同时不为0的分量数目会很小,甚至为0根据文献[13,16]的改进思路,以及假定1,本文提出新的相似度计算方法： 1.5信任度的存储

本文提出的信任模型是集中式设计,是基于现有的电子商务信誉系统基础上的,而且本文信任模型计算的是局部综合信任度,可以不用存储于数据表中,而暂时存储于cookies中,其他如商品的评论列表、用户的购买列表等数据都可按照目前的在线信誉系统的设计进行集中存储和获取

2仿真及实验分析

本文使用数据堂采集的京东商城2012年的真实交易数据,包括用户信息5303373条,商品信息184808条,交易记录31672823条为了验证本文提出的信任模型是否能够有效抵御前文提到的三种常见攻击,本文针对性地进行了三个实验

本文选择使用平均评分值和好评率作为对比组,平均评分值即商品评分的算数平均值,好评率即商品评分中的好评在商品评分中所占的比例

在抵御漂白攻击实验中,本文认为如果实现了商家一旦服务质量下降则信誉值迅速降低,但提供正常服务后信誉值回升缓慢,就可以抵御漂白攻击

在抵御恶意诋毁攻击和自我提升攻击实验中,本文采用买家被误导概率作为信任模型的评价标准,计算公式如式（9）所示在恶意诋毁攻击实验中,对于原本信誉良好的商品如果其信誉值小于0,或好评率低于0.5,则认为买家会被误导而不购买该商品；在自我提升攻击实验中,对于原本信誉较差的商品,如果信誉值大于1,或好评率大于0.8,则认为买家可能被误导认为本来评价偏低的商品非常受好评而购买该商品

具体实验过程中,模拟仿真只需要根据需要修改1.4节算法中根据商品ID得到的评论列表即可,其他均采用真实数据

2.1抵御漂白攻击实验

为了验证本文提出的信任模型对“差评”敏感且可抵御漂白攻击,实验在交易数据库中选择一种商品,商家最开始5个月积累好评,中间1个月提供恶意服务导致评价下降,最后6个月又提供好的服务来提高信誉值图2给出的是随机选择的某个买家对该商品的信任值的变化情况图3给出的是随机选择的50个买家在不同时间点上对该商品的信任值的变化情况

从图2、3可以看出不管对于单个用户,还是多个用户,平均评分值、好评率和本文模型计算出的信誉值都有快降慢升的趋势,但本文模型对“差评”更敏感,商家服务质量下降后信誉值降低幅度更大,而信誉回升速度更慢,更能有效抵御漂白攻击

2.2抵御恶意诋毁攻击实验

为了验证本文提出的信任模型能够更好地抵御恶意诋毁攻击,实验选择了500种在2012年1～3月评价都为好评的商品,然后选择10～60个用户作为恶意用户,每个用户在3月对各种商品分别进行5次诋毁攻击,即对商品的评价为非常不满意在恶意诋毁攻击后,选择10000个用户随机对某种商品计算信誉值,看其是否被误导实验结果如图4所示

实验结果表明三种模型中,在恶意评分次数相同时,本文模型的买家被误导概率远低于平均评分值模型和好评率模型,可以认为本文模型能更好地抵御恶意诋毁攻击

2.3抵御自我提升攻击实验

为了验证本文提出的信任模型能够更好地抵御自我提升攻击,实验选择了500种商品,使用商品2012年的1～2月的购买评论记录作为实验数据,并且通过变更其中40%的评分为“差评”模拟这些商品存在问题,评价相对偏低,然后选择10～60个用户作为与卖家串通的恶意用户在2月份对各种商品分别进行5次信誉提升攻击,即对商品的评价为非常满意,模拟服务差的卖家在信誉低时串通买家进行信誉的自我提升,最后观察在自我提升攻击后的10000次交易中的用户是否会被误导实验结果如图5所示

实验结果表明三种模型中,本文模型受到相同次数恶意攻击时的买家被误导概率远低于平均评分值模型和好评率模型,可以认为本文模型能更好地抵御自我提升攻击

3结语

本文提出的模型引入了时间衰减因子和消费行为相似度来计算当前买家对其他买家评分的信任程度,仿真实验结果表明本文模型能更好地抵御自我提升攻击、恶意诋毁攻击和漂白攻击,为消费者提供更准确的卖家和商品信誉信息

在电子商务中,影响信任评价的因子还包括交易价格、交易次数、买家信誉值等因素,在以后的研究中,可以在信任模型中加入这些因子,进一步提高模型的有效性

该文为关于电子商务方面毕业论文参考文献格式范文,与基于推荐的抗攻击电子商务信任模型相关电子商务平台论文，可作为电子商务专业电子商务论文写作研究的大学硕士与本科毕业论文开题报告范文和职称论文参考文献资料。免费下载教你怎么写电子商务及电子商务系统及电子商务平台方面的优秀学术论文范文。

[11]宗丽臻,谢圣献,李俊青. P2P网络中基于评价相似度的信任模型研究 [J]. 计算机工程与设计,2011. 32（1）： 32-35.

[12]樊丽杰,王素珍,刘卫. 基于人类信任机制的移动电子商务信任评估方法 [J]. 计算机科学,2012, 39（1）： 190-193.

[13]李景涛,荆一楠,肖晓春,等. 基于相似度加权推荐的P2P环境下的信任模型 [J]. 软件学报,2007, 18（1）： 157-167.

[14]EBBINGHAUS H. Memory： a contribution to experimental psychology [EB/OL]. （2011-12-09） [2013-06-01]. http：psy.ed.asu.edu/～classics/Ebbinghaus/index..

[15]印桂生,崔晓晖,马志强. 遗忘曲线的协同过滤推荐模型 [J]. 哈尔滨工程大学学报,2012, 33（1）： 85-90.

[16]ZENG C, XING C X, ZHOU L Z. Similarity measure and instance selection for collaborative filtering [C]// Proceedings of the 12th International Conference on World Wide Web. New York： ACM, 2003： 652-658.