考虑信誉更新的移动群智感知在线激励机制研究

激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中,参与用户提供数据的质量以及其信誉值没有得到足够重视等问题,本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录,建立信誉更新算法模型,设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明,该算法能够帮助平台获得更好的效用,提高收集数据的质量从而提高雇佣效率。     

一种XMPP即时消息系统的动态模型的实现

针对用户在利用现有即时消息系统的在线感知模块所提供的感知信息寻找正确交互对象时碰到的问题,通过分析现有的基于XMPP即时消息系统结构和在线感知实现的基本方法,结合在现有XMPP客户端中加入收集用户事件信息组件进行数据的收集,并利用决策树的分类算法对收集数据进行处理,从而实现一种可以预测的用户回应可能性的动态在线感知模型,最后利用仿真实验的方式,对模型进行了仿真分析和验证,从而得出在XMPP协议的即时消息系统中实现这种可预测用户回应的动态的在线感知模型的是可行的(其准确率约为90%),与现有其他在线感知功能模块相比,运用该方法实现的模型由于引入了预测用户行为的动态感知,因此用户在利用该模型寻找正确交互对象时的效率更高,并被用于国家网络科技环境建设的多个项目中,收到了良好效果.     

基于机器学习的动态信誉评估模型研究

为在开放网络环境中建立资源消费者(用户)和资源提供者(主机)之间的信任关系,提出基于机器学习的动态信誉评估模型 .模型中用户的信誉级别可以根据其行为和一些其他监测数据动态变化,而资源的信誉级别也可以根据用户对资源所提供服务的评价动态变化 .给出了用于生成评估规则和信誉级别的模糊信誉级别评估算法(FTEA),算法采用基于规则的机器学习方法,具有从大量输入数据中自学习以获取评估规则的能力 .实验结果表明,1000组输入数据能够生成理想的规则库,并且算法执行时间随输入判定因素数目成指数形式增长,因此需要选择5～6个因素和1000个左右的样本数据以进行系统实现 .     

基于P2P环境下的Web服务选择信任模型研究

为了适应互联网服务资源“成长、自治”的自然特征,以基于P2P技术的电子商务供应链等为代表的自组织系统的实践表现出巨大潜力,但自组织系统的动态开放等固有特征使其面临严重的行为可信问题.提出了一种P2P环境的基于反馈的Web服务选择信任模型.基于用户对服务的评价,利用局部信誉及全局信誉基本数据,综合考虑时间等因素,结合k-mean聚类算法分类比较用户的服务评价与第三方评价、历史评价等,建立了基于信誉的信任系统.设计了服务的可信模型与评价者的可信模型,并根据不同情况使用适当处罚函数,得到Web services使用的信誉评价模型.通过实验分析发现P2P环境下的基于信誉的信任系统为企业应用提供了自组织服务管理的基础,同时信誉评价模型为用户选择服务提供了科学可靠的依据.系统对恶意用户的使用有一定的对抗能力,能保证P2P环境下服务的可持续运营.     

数据驱动下交互网络群智感知任务分配仿真

采用当前方法在交互网络中分配群智感知任务时,分配任务所用的时间较长,存在用户完成任务的概率较低,分配效率低的问题,提出一种数据驱动下交互网络群智感知任务分配方法。分析群智感知环境,将能耗最小化和时间最小化作为感知任务分配的约束条件,通过信誉模型计算用户在交互网络中的信誉值,将感知任务优先分配给信誉值高的用户,在交互网络中设置因子,控制用户完成任务花费的代价,通过用户处理感知任务对应的效用值对用户信誉值进行更新,在交互网络中竞争下一个感知任务,直到分配完交互网络中存在的感知任务为止,实现交互网络群智感知任务的分配。仿真结果表明,所提方法的分配效率高、任务完成率高。     

基于Dirichlet分布的无线传感器网络的信誉计算模型研究

提出了基于无线传感器网络的信任评估框架,在该框架中,分为检测模块和信誉模块两部分,其中检测模块用于检测各节点测量的数据的异常程度,并根据此异常程度将节点行为分为三大类;在信誉模块中,建立基于Dirichlet分布的信誉函数,计算节点的可信度及不确定度,并实时地利用新获得的数据对信誉进行更新;根据其他节点的信誉进行整合信誉,加快了收敛速度.仿真的结果表明,该模型可以检测出多种错误节点,并且与传统的基于β-分布的信誉模型相比,更加适合于无线传感器网络.     

P2P网络中利用推拉模式实现的信誉系统

在现有的信誉模型中,即使节点积极提供良好的服务,节点信誉的累积也需要一个很长的周期,影响了新节点加入网络的积极性.此外,大部分模型在合成全局信誉值时采用多次迭代的方式,大量的迭代运算将导致巨大的计算开销.针对上述问题,通过引入流媒体调度策略中典型的推拉模式,提出一个新的信誉计算模型.在推模式下,对于那些新加入且积极提供优质服务的节点,可以加快其信誉累积速度,在拉模式下,减少了网络消息流量,避免了迭代计算的负面影响.分析及仿真表明,该模型在保证信誉计算准确性的同时,能较大程度改善通信及计算开销.     

一种支持MMOG兴趣管理的感知模型

在MMOG中,玩家的兴趣域由感知范围确定,现有的兴趣管理方法通常采用预先给定的感知半径来确定兴趣域.由于没有确定的感知元素的计算方法,现有的方法不能准确描述3D环境中玩家的感知范围.因此,本文提出一种支持MMOG兴趣管理的感知模型.该模型依据3D环境中玩家视觉行为特征将玩家兴趣域细分为用扇形柱体表示的感知域和用圆柱体表示的影响域,并给出各感知元素的具体计算方法.在此基础上利用感知模型扩展可预测兴趣管理方法.实验表明,该方案有效降低了网络带宽占用和计算资源使用率,更符合MMOG的实时性和真实性要求.     

基于C2C的可信信用评价模型

提出一个基于C2C的可信信用评价模型。该模型根据历史交易记录,在综合考虑交易金额、买卖双方信誉度、交易次数、差评次数、未评价交易的基础上,采用动态计算的方式,为交易的成功进行提供可靠的依据。该模型可以有效甄别恶意用户和诚信用户,从而减少信誉诋毁行为,并可减少信誉榨取行为,提高C2C电子交易的安全性。     

在线社交网络中群体影响力的建模与分析

移动互联网技术的飞速发展,给社交网络平台带来了新的颠覆性的转变,也不断地改变着人们的生产、生活和交流方式.在线社交网络由于其特有的注册开放性、发布信息自由性、用户兴趣趋同性等特点,已经超越传统媒体,成为人们传播消息、获取新闻和接收实时信息的主要途径.同时,社交网络中用户之间的各种关系类型多样、相互交织、相互影响,促使用户生活在复杂的在线群体网络环境中,使得用户的在线行为时刻都受到所属的多种群体环境的影响作用.现有的针对在线群体环境影响的研究大多依据静态的、单一的网络结构对社交网络进行建模,而网络中通常存在多种类型的、动态的社会关系,较少研究能同时考虑多种类型的用户关系,建模社交网络中复杂环境下用户受到的影响作用.本文对用户所处的多类在线群体环境进行分析,挖掘用户所能感知的不同类型的群体环境,建模多维群体环境下用户所受的影响作用.首先,从用户间的社交关系类型出发,对在线社交网络中复杂的网络拓扑关系进行分类挖掘,分析用户可能感知的不同维度的在线群体环境,并提出静态群体环境和动态群体环境的定义和挖掘方法.其次,在不同的在线社交群体环境下,从宏观角度量化环境中用户所感知的群体结构特征,并从微观角度建模并模拟用户间的影响机制,提出了基于图注意力网络的融合多维在线群体环境的影响力模型.最后,以在线社交网络中用户的转发行为为例,研究多维群体环境影响下的用户行为模式,并在真实数据集上,基于群体影响力模型预测个体转发行为状态,验证模型的合理性和有效性.实验结果表明,本文提出的群体影响力模型能够更有效地描述在线社交网络中用户所属群体对用户的影响作用,并且在用户转发行为状态预测方面,比现有的群体影响力模型在综合评价指标F1值方面最高可以提升33％,在AUC值方面可提升16％.     

Understanding the MOOCs continuance: The role of openness and reputation

Massive Open Online Courses (MOOCs) are classes delivered in an online environment with several features that are different from previous approaches to online education. The effectiveness of MOOCs is an open question as completion rates are substantially less than traditional online education courses. The objective of this study is to identify factors that enhance an individual' intention to continue using MOOCs, which a limited amount of research has previously explored. A research model based on the information systems continuance expectation-confirmation model is proposed and tested with data collected in a large-scale study. The research model explained a substantial percentage of the variance for the intention to continue using MOOCs, which is significantly influenced by perceived reputation, perceived openness, perceived usefulness, perceived, and user satisfaction. Perceived reputation and perceived openness were the strongest predictors and have not previously been examined in the context of MOOCs.     

基于信誉评估机制和区块链的移动网络联邦学习方案

联邦学习是一种新兴的分布式机器学习技术,通过将训练任务下放到用户端,仅将训练得到的模型参数发送给服务端,整个过程并不需要参与方直接共享数据,从而很大限度上规避了隐私问题。然而,这种学习模式中移动用户间没有预先建立信任关系,用户之间进行合作训练时会存在安全隐患。针对上述问题,提出一种基于信誉评估机制和区块链的移动网络联邦学习方案,该方案允许服务端利用主观逻辑模型对参与训练的移动用户进行信誉评估,并且基于区块链智能合约技术为其提供可信的信誉意见共享环境和动态访问策略接口。理论和实验分析结果表明,此方案可以使服务端选择可靠的用户进行训练,同时能够实现更公平和有效的信誉计算,提高联邦学习的准确性。     

基于信誉度的合作式频谱感知

认知无线电网络中存在阴影和多径衰落效应等问题,从而导致单认知用户感知结果不准确。为此,提出一种基于二重双向信誉度的合作频谱感知算法。每个次用户有自己的自私信誉度,用于判定次用户是否为恶意用户。不同地区的次用户又有不同的位置信誉度,可反映出该地域是否受阴影和多径衰落的影响。基于用户之间的互动反馈,实时更新2种信誉度,并根据不同的信誉度给出不同的权重以用于合作式频谱感知。仿真结果表明,该算法在恶意用户存在的情况下仍能取得较高检测率。     

Determinants of Postadoption Behaviors of Mobile Communications Applications: A Dual-Model Perspective

Given the rapid development of mobile technologies and the high adoption rates of mobile devices, mobile communications applications (MCAs) are becoming increasingly popular worldwide. In the highly competitive and rapidly changing MCA market, it is becoming important to understand users’ postadoption behaviors toward MCAs. Previous postadoption studies have focused on continuous use, but the success of MCAs is also affected by positive word of mouth. To deepen our understanding of postadoption behaviors in the MCA environment, this study examined the key determinants of continuance intention and recommendation intention, two critical postadoption behaviors. Moreover, this study investigated the effects of dedication and constraint factors on MCA postadoption phenomena from a dual-model perspective. Data collected from 250 users experienced with an MCA were empirically tested against a theoretical framework using partial least squares. The results confirm that the proposed model substantially predicted the postadoption behaviors of MCA users. These findings indicate that both user satisfaction and perceived switching costs play an important role in enhancing users’ continuance and recommendation intentions. Learning and habit were found to be the key antecedents of perceived switching costs. Implications for research and practice are described.     

RRM: An incentive reputation model for promoting good behaviors in distributed systems

Reputation systems represent soft security mechanisms that complement traditional information security mechanisms. They are now widely used in online e-commerce markets and communities in order to stimulate good behaviors as well as to restrain adverse behaviors. This paper analyzes the limitations of the conversational reputation models and proposes an incentive reputation model called the resilient reputation model （RRM） for the distributed reputation systems. The objective of this reputation model is not only to encourage the users to provide good services and, therefore, to maximize the probability of good transaction outcomes, but also to punish those adverse users who are trying to manipulate the application systems. The simulation results indicate that the proposed reputation model （RRM） could effectively resist against the common adverse behaviors, while protecting the profits of sincere users from being blemished by those adversaries.     

Fusing and mining opinions for reputation generation

The Internet provides a convenient platform for people to freely share their opinions on any entities. The opinions expressed in natural languages carry the subjective attitudes and preferences of humans. They represent the public perspectives on any entity, thus impact user decisions and behaviors in some way. Therefore, opinions have been recognized as useful and valuable pieces of information for reputation generation. Fusing and mining opinions offer a promising approach to extract reputation information and track public perspectives. However, the literature lacks studies on this topic. In this paper, we propose a novel reputation generation approach based on opinion fusion and mining. In our approach, opinions are filtered to eliminate unrelated ones, and then grouped into a number of fused principal opinion sets that contain opinions with a similar or the same attitude or preference. By aggregating the ratings attached to the fused opinions, we normalize the reputation of an entity. Meanwhile, various types of recommendations can be generated based on relationships among opinions. To offer sufficient reputation information to users, we also propose a new way of reputation visualization. It shows the details of opinion fusing and mining results, such as the normalized reputation value, principal opinions with popularity and other statistics. Experimental results coming from an analysis of big real-world data collected from several popular commercial websites in both English and Chinese demonstrate the generality and accuracy of the proposed approach, especially the effectiveness of opinion filtering for reputation generation. A small-scale real-world user study further quantifies the user acceptance of the developed reputation visualization method. In the sequel, this implies that the proposed approach can be applied in practice to generate reputation.     

基于云雾计算的可追踪可撤销密文策略属性基加密方案

针对资源受限的边缘设备在属性基加密中存在的解密工作开销较大,以及缺乏有效的用户追踪与撤销的问题,提出了一种支持云雾计算的可追踪可撤销的密文策略属性基加密（CP-ABE）方案。首先,通过对雾节点的引入,使得密文存储、外包解密等工作能够放在距离用户更近的雾节点进行,这样既有效地保护了用户的隐私数据,又减少了用户的计算开销;其次,针对属性基加密系统中用户权限变更、用户有意或无意地泄露自己密钥等行为,加入了用户的追踪和撤销功能;最后,通过算法追踪到做出上述行为的恶意用户身份后,将该用户加入撤销列表,从而取消该用户访问权限。性能分析表明,所提方案用户端的解密开销降低至一次乘法运算和一次指数运算,能够为用户节省大量带宽与解密时间,且该方案支持恶意用户的追踪与撤销。因此所提方案适用于云雾环境下计算资源受限设备的数据共享。     

选择在线交易服务者的多情境信任和声誉评估系统

在以信任和声誉值选择服务者的系统中,普遍存在的问题是在评估服务者的信任和声誉值时考虑因素过少,局限于系统内,以及方法缺少灵活性,导致选择的服务者不能满足用户多样性的要求。为了解决这个问题,提出一种应用于在线交易服务者选择的多情境信任和声誉评估系统,服务者通过注册的质量属性和担保资金获得信任和声誉启动值,由系统内、外的交易经历获得信任和声誉经验值,实际信任和声誉值由两者动态线性组合,后者所占比重随交易次数的增加而动态增加,根据用户设置的服务者的情境属性与实际信任和声誉值选择服务者。通过与其他方法对比测试,结果表明此方法更容易满足用户的各种要求。此信任和声誉评估系统不仅能给新服务者与其他服务者一个公平竞争的环境,也可以减少用户选中恶意服务者的机会。     

基于声誉与基于网络结构的用户聚类比较分析

用户聚类问题是在线用户行为分析的一个重要研究方向。基于在线评分系统,用户声誉反映的是用户对产品打分的准确程度,用户——产品二部分网络结构反映的是用户对产品的品味偏好。结合声誉度量算法,分别采用DBSCAN方法和基于模块度的贪婪算法从用户打分准确程度和品味偏好角度进行用户聚类,提出一种一致性度量指标来衡量根据用户声誉与根据网络结构得到的两种聚类结果之间的联系。两个实证数据集上的实验结果表明根据用户声誉与根据网络结构得到的两种聚类结果是不一致的,说明打分准确程度相似的用户的品味偏好并不相似。