32、云系统中具有自方差评估的信任模型解析

云系统中具有自方差评估的信任模型解析

1. 综合RLM信任模型

1.1 RLM信任公式化

声誉值本质上是从观察样本（声誉反馈）得出的统计值，因此我们以统计形式对声誉进行建模。假设节点的真实声誉是 $R$，在RLM模型中，声誉评估表示为二维元组 $rep = {⟨R⟩, P}$，其中 $⟨R⟩$ 是预测的声誉值，$P$ 是声誉预测方差，即预测声誉值 $⟨R⟩$ 与真实声誉 $R$ 之间的平方误差。评估后的元组 $rep$ 也可作为声誉反馈发送给其他节点，所以反馈有两个属性：反馈声誉值和反馈方差。

为维护节点声誉，评估者可通过反馈会话持续接收关于该节点的反馈。在第 $k$ 个会话接收到的反馈表示为 $f_k = {z_k, c_k}$，$z_k$ 和 $c_k$ 分别代表反馈声誉值和反馈方差。每次接收到反馈 $f_k$ 后，评估者尝试预测节点的实时声誉 $R_k$ 并评估预测方差 $P_k$。理想情况下，反馈声誉值应等于真实声誉，但由于推荐者知识不完整和服务质量的瞬时波动，反馈声誉值可能与真实声誉存在偏差。由于许多独立因素导致这种偏差，将其建模为零均值高斯噪声是合理的，因此反馈声誉值与真实声誉值的关系可表示为：
$z_k = R_k + q_k$ 且 $q_k \sim Normal(0, Q_k)$ (1)
其中 $Q_k$ 是反馈噪声方差。对于正常节点，假设其声誉遵循随机过程。在统计推断理论中，信任预测问题属于无限脉冲响应滤波问题，即根据输入和先前输出预测系统的输出。对于无限脉冲响应滤波器，线性自回归（AR）模型被广泛使用，它具有良好的预测性能。因此，我们也使用线性自回归模型来定义声誉空间的演变，非线性演变可以用局部加权方法类似处理。作为一阶近似，声誉 $