[论文解读] An Advanced Certain Trust Model Using Fuzzy Logic and Probabilistic Logic theory

Kawser Wazed Nafi, Tonny Shekha Kar+2 more|arXiv (Cornell University)|Mar 3, 2013

Access Control and Trust参考文献 18被引用 6

一句话总结

本文提出了一种基于模糊逻辑与概率逻辑的增强型信任模型，用于服务导向系统，以提升在云计算和电子商务等动态环境中的可信度评估。通过引入信任 T 和行为概率 P 并使用语言变量，结合模糊关联记忆（FAM）的推理与解模糊化处理，该模型相比传统确定性信任模型，实现了更精确且人类可读的信任评估。

ABSTRACT

Trustworthiness especially for service oriented system is very important topic now a day in IT field of the whole world. Certain Trust Model depends on some certain values given by experts and developers. Here, main parameters for calculating trust are certainty and average rating. In this paper we have proposed an Extension of Certain Trust Model, mainly the representation portion based on probabilistic logic and fuzzy logic. This extended model can be applied in a system like cloud computing, internet, website, e-commerce, etc. to ensure trustworthiness of these platforms. The model uses the concept of fuzzy logic to add fuzziness with certainty and average rating to calculate the trustworthiness of a system more accurately. We have proposed two new parameters - trust T and behavioral probability P, which will help both the users and the developers of the system to understand its present condition easily. The linguistic variables are defined for both T and P and then these variables are implemented in our laboratory to verify the proposed trust model. We represent the trustworthiness of test system for two cases of evidence value using Fuzzy Associative Memory (FAM). We use inference rules and defuzzification method for verifying the model.

研究动机与目标

• 解决传统确定性信任模型依赖严格、专家定义数值所带来的局限性。
• 提升在云计算和电子商务平台等动态、不确定环境中的可信度评估能力。
• 整合模糊逻辑与概率逻辑，实现更具适应性与真实感的信任评估。
• 引入两个新参数——信任 T 与行为概率 P——以改善系统状态的解释能力。
• 开发一种支持人类可读语言变量且可在实际系统中实现的模型。

提出的方法

• 通过引入模糊逻辑来处理确定性与平均评分中的不确定性，扩展了确定性信任模型。
• 应用模糊逻辑，使用语言变量（如高、中、低）表示信任 T 与行为概率 P。
• 利用模糊关联记忆（FAM）通过预定义的推理规则，将输入证据值映射为信任输出。
• 基于专家知识与系统行为定义推理规则，实现动态信任评估。
• 应用解模糊化技术，将模糊信任输出转换为可用于实际应用的清晰数值。
• 在实验室内通过两组证据值测试案例验证模型，以展示其一致性和准确性。

实验结果

研究问题

• RQ1 在不确定、动态的服务导向环境中，如何实现更精确的信任评估？
• RQ2 模糊逻辑在多大程度上能改善信任模型中确定性与平均评分的表达？
• RQ3 信任 T 与行为概率 P 两个新参数如何提升用户与开发人员对系统状态的理解？
• RQ4 基于 FAM 的推理与解模糊化能否有效将语言化信任评估转化为可操作的数值信任分？
• RQ5 该模型在现实世界适用性与可解释性方面，相比传统确定性信任模型有何优势？

主要发现

• 所提出的模型成功结合模糊逻辑与概率逻辑，使信任评估精度超越传统确定性信任模型。
• 使用语言变量表示信任 T 与行为概率 P，使用户与开发人员的信任评估更加直观且易于理解。
• 基于 FAM 的推理与解模糊化在不同证据值案例中均产生一致且可靠的信任评分。
• 通过实验室内实现，模型展现出实际可行性，证明其能够适应实时系统状态。
• T 与 P 参数的整合提供了系统可信度的全面视图，有助于在电子商务与云计算环境中做出更优决策。