(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210393181.3 (22)申请日 2022.04.15 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 陈垣毅　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 专利代理师 张羽振 (51)Int.Cl. G06F 40/295(2020.01) G06F 40/30(2020.01) G06F 16/951(2019.01) G06F 16/36(2019.01) G06F 16/335(2019.01)G06K 9/62(2022.01) G06N 3/04(2006.01) H04L 67/12(2022.01) (54)发明名称 一种物联网实体服务信任值的动态评估方 法 (57)摘要 本发明涉及一种物联网实体服务信任值的 动态评估方法， 包括： 基于网络空间信息评估物 联网实体服务设备信誉； 建立实体服务设备之间 的社交关系， 并基于所述社交关系进行物联网实 体服务推荐信任值评估； 基于服务时效性、 推荐 设备信誉和评价离散度对社交物联网实体服务 信任值进行动态更新。 本发明的有益效果是： 本 发明能够能够关联和萃取实体服务跨空间的碎 片化信任资质信息， 综合考虑服务提供者网络空 间用户评价、 推荐信任值和服务时效性等因素进 行服务信任值动态评估。 权利要求书2页 说明书6页 附图2页 CN 114896977 A 2022.08.12 CN 114896977 A 1.一种物联网实体服 务信任值的动态评估方法， 其特 征在于， 包括以下步骤： S1、 基于网络空间信息 评估物联网实体服 务设备信誉； S2、 建立实体服务设备之间的社交关系， 并基于所述社交关系进行物联网实体服务推 荐信任值评估； S3、 基于服务时效性、 推荐设备信誉和评价离散度对社交物联网实体服务信任值进行 动态更新。 2.根据权利要求1所述的物联网实体服务信任值的动态评估方法， 其特征在于， S1包 括： S101、 设计自动化抓取手段， 实时搜索电商平台上实体服务提供者的多维度属性信息， 建立实体服 务设备信息库； S102、 发送探测报文与实体服务设备建立全连接提取关键属性信息， 从S101建立的信 息库中匹配出实体服 务设备类型， 挖掘该类型设备的网络 评价信息进行信誉评估。 3.根据权利要求2所述的物联网实体服务信任值的动态评估方法， 其特征在于， S102包 括： S1021、 发送针对特定协议或端 口的探测报文， 与服务提供者建立全连接,获得服务提 供者返回的协议标语信息； S1022、 利用自然语言处理技术消除协议标语中的非关键性因素后,对标语信息进行分 词提取出服务提供者的属性信息； S1023、 基于属性信息在自动化收集的实体服务信息库中进行语义匹配， 识别服务提供 者的类型， 并通过网络空间搜集用户对该类型服 务提供者的评价信息 。 4.根据权利要求3所述的物联网实体服务信任值的动态评估方法， 其特征在于， 所述方 法还包括： S103、 采用基于语法结构特征和隐马尔可夫模型的信 息抽取技术建立实体服务的属性 词表和情感词典， 利用LDA主题模型挖掘用户评论的情感倾向来评估实体服务提供者的信 誉。 5.根据权利要求1所述的物联网实体服务信任值的动态评估方法， 其特征在于， S2包 括： S201、 根据实体服务设备是否位于同一位置、 是否属于同一服务提供商、 是否协作交 互， 建立三类实体服 务设备之间的社交关系矩阵； S202、 基于S202的社交关系 矩阵构建设备物联异质图， 并通过挖掘学习， 得到实体服务 设备的表示向量； S203、 随机初始化实体服务推荐信任值， 建立实体服务设备与实体服务的二部图， 通过 二部图随机游走算法实现实体服 务的推荐信任值评估。 6.根据权利要求5所述的物联网实体服务信任值的动态评估方法， 其特征在于， S201 中， 所述社 交关系矩阵包括： 位置 关系矩阵M1、 服务提供商关系矩阵M2和协作交互关系矩阵 M3； 若实体服务设备i和实体服务设备j处于同一位置， 则位置关系矩阵M1的第i行第j列元 素取值为1， 否则为0， 社交关系矩阵M2和协作交 互关系M3的元素取值按类似方式构建。 7.根据权利要求5所述的物联网实体服务信任值的动态评估方法， 其特征在于， S202包 括以下步骤：权　利　要　求　书 1/2 页 2 CN 114896977 A 2S2021、 将实体服务设备之间的社交关系矩阵抽象表示具有拓扑结构的社交物联异质 图， 图中节点包括实体服务及其提供者两种类型， 边表示服务之间的关系以及服务提供者 与服务之间的关系； S2022、 对社交物联异质图的邻接矩阵进行多通道卷积实现元路径的粗粒度筛 选； S2023、 利用信息融合纯化和知识补全技术得到连接关系比较丰富、 语义特性比较强的 元路径； S2024、 利用随机游走和skip ‑gram模型学习异构图中节点的表征向量， 通过注意力机 制对于不同语义的超图表示进行聚合， 设计基于元路径的随机游走方法， 通过对称元路径 策略控制随机游走过程， 产生的图节 点序列输入到 skip‑gram模型中进行训练， 得到实体服 务设备的表示向量。 8.根据权利要求5所述的物联网实体服务信任值的动态评估方法， 其特征在于， S203包 括以下步骤： S2031、 将实体服 务设备i与服 务s之间边的权 重为服务s的随机初始化推荐信任值； S2032、 对实体服 务设备与服 务之间的多维关系进行建模， 构造二部图， 表示 为： G＝(U∪S,E) 其中， U和S分别代 表实体服 务设备与服 务集， E表示关系的边； S2033、 按照实体服务设备表示向量的余弦相似性计算实体服务设备之间的相似度， 并 在实体服务设备与其最相似的5个设备之间建立链接关系， 随后对二部图顶点进行随机游 走， 在收敛后选择实体服 务设备与服 务之间的边权 重作为该服 务最终的推荐信任值。 9.根据权利要求1所述的物联网实体服务信任值的动态评估方法， 其特征在于， S3包 括： S301、 对实体服务信誉采用指数衰减模型进行周期更新， 并通过动态调节权重因子聚 合服务提供者信誉和推荐信任值作为实体服 务最终的信任值； S302、 采用推荐设备信誉和评价离 散度两个参数动态更新推荐节点的权 重。 10.根据权利要求9所述的物联网实体服务信任值的动态评估方法， 其特征在于， S302 中， 设计推荐信任反馈机制将用户在选用服务后反馈的真实服务质量作为本次服务交互的 实际信任值， 并将该服务实际信任值向信任推荐设备发送， 推荐成功 时适当提高推荐设备 的信任值和推荐权重， 推荐失败时适当降低推荐设备的信任值和权重 以消除协同欺诈行 为。权　利　要　求　书 2/2 页 3 CN 114896977 A 3