譚文安，沈騰騰，孫　勇

(1.南京航空航天大學 計算機科學與技術(shù)學院, 南京 210016;2.上海第二工業(yè)大學 計算機與信息學院, 上海 201209)

?

基于偏好相似度的混合信任推薦模型

譚文安1,2，沈騰騰1，孫勇1

(1.南京航空航天大學 計算機科學與技術(shù)學院, 南京 210016;2.上海第二工業(yè)大學 計算機與信息學院, 上海 201209)

摘要:針對P2P網(wǎng)絡(luò)中可信數(shù)據(jù)不完整的問題,提出了將局部可信度與全局可信度相結(jié)合的基于偏好相似度推薦的混合信任模型(Preference Similarity Recommendation Trust,PSRTrust),借助相似隨機游走策略修復(fù)稀疏的可信度矩陣;對不合理假設(shè)呈現(xiàn)power-law分布進行合理化改進;并給出了可信數(shù)據(jù)的分布式存儲和計算的分布式方法。仿真實驗表明,PSRTrust模型有效地提高了在可信數(shù)據(jù)不完整情況下的交易成功率,并且在遏制惡意節(jié)點影響上有一定提高。

關(guān)鍵詞:對等網(wǎng)絡(luò);可信度;稀疏可信度計算;偏好相似度;分布式哈希表

P2P網(wǎng)絡(luò)區(qū)別于傳統(tǒng)互聯(lián)網(wǎng)的Client/Server或者Brower/Server模型,是一種不借助中心服務(wù)器的分布式網(wǎng)絡(luò),其中每個節(jié)點不再僅僅是信息的消費者,它可利用自身資源為其他節(jié)點提供信息,使得存在于每個網(wǎng)絡(luò)節(jié)點中的資源可以高度共享。但P2P網(wǎng)絡(luò)具有動態(tài)性、匿名性等特點,容易受到惡意用戶的攻擊,還需承受理性用戶“搭便車”的自私行為。為了避免以上安全風險,建立一個可靠的可信度評估模型是至關(guān)重要的[1]。

所謂信任模型,是指在已建立的評價體系中,依據(jù)用戶節(jié)點間的歷史交易記錄,對每個用戶節(jié)點的“被信任程度”進行量化評估[2-3]。一般可將可信度評估模型分為兩類,局部信任模型和全局信任模型[4]。局部信任模型,是指單個用戶節(jié)點參考有限的其他用戶節(jié)點的推薦值,以預(yù)測某個用戶節(jié)點的可信度,此方法獲得的節(jié)點可信度往往是局部的和片面的[5]。VectorTrust[6]和M-Trust[7]是局部可信度計算模型,其中VectorTrust模型借助Bellman-Ford算法,在網(wǎng)絡(luò)中尋找某節(jié)點與其他未交互節(jié)點的最短可達路徑;M-Trust模型將Bellman-Ford、加權(quán)平均等方法進行結(jié)合,進行間接可信度評估。但兩模型方法均需借助已有交互,受可信數(shù)據(jù)完整程度影響,而本文采用偏好相似度預(yù)測方法受其影響較小。

全局信任模型,是指全面考慮所有節(jié)點對該節(jié)點的反饋評價值,并對該節(jié)點的可信程度做出綜合性評價[8]。已存在的一些經(jīng)典全局信任模型[9-11]等,其中EigenTrust[9]模型量化可信度時,基于“全局可信值越高越可信”的假設(shè),即大部分交互發(fā)生在少數(shù)全局可信度較高的節(jié)點上,這不僅使得少數(shù)全局可信度較高節(jié)點負載過重,其他節(jié)點資源浪費,并且忽略了節(jié)點選擇偏好性,導(dǎo)致“可信”量化的不準確,交易成功率較低。

隨著大量新進節(jié)點的加入,P2P網(wǎng)絡(luò)節(jié)點、資源數(shù)目也越來越多。新進節(jié)點加入初期,由于節(jié)點間交互較少,記錄節(jié)點間交互評價的可信度矩陣稀疏,造成可信數(shù)據(jù)的不完整,對于“可信”量化是一個極大的阻礙。

針對以上問題,筆者提出了一種將局部可信度與全局可信度相結(jié)合的混合信任模型,結(jié)合文獻[12]與隨機游走策略,提出相似隨機游走策略預(yù)測間接可信度,解決可信數(shù)據(jù)不完整的問題;對power-law分布進行合理化改進;使用改進的Chord協(xié)議實現(xiàn)了信任數(shù)據(jù)的分布式存儲與查詢。

1PSRTrust信任模型

1.1模型定義和表示

定義1偏好向量。即不同用戶節(jié)點在對提供不同服務(wù)節(jié)點進行反饋評價時,在各評價指標中的不同的偏重程度,評價指標可包括下載速度、文件質(zhì)量、傳輸速度等。定義為(ωi1,ωi2,…,ωik),其中ωik為節(jié)點i對第k個指標的偏重程度,可取[0,5]中的整數(shù)。

定義2偏好相似度。節(jié)點i和節(jié)點j因?qū)υu價指標的偏重程度不同,導(dǎo)致評價行為也不同。計算相似度公式有很多,如皮爾遜相關(guān)系數(shù)公式、廣義Dice系數(shù)法等,筆者使用余弦相似度公式,對不同節(jié)點的偏好向量進行相似度計算。定義為，

(1)

式中,Cij權(quán)重與相似程度成正比。

定義3偏好相似度矩陣。即(Cij)n×n.

定義4局部可信度。可分為直接可信度和間接可信度。直接可信度Dij,即節(jié)點i通過直接歷史交易記錄對節(jié)點j進行可信評估,計算公式為:

(2)

式中:Sij=Gij-Fij, 其中Gij是以節(jié)點i看來與節(jié)點j交互成功次數(shù);Fij是以節(jié)點i看來與節(jié)點i交互失敗次數(shù),并且Dij=0。

間接可信度Tij,即節(jié)點i與節(jié)點j之間未有交互,節(jié)點i通過其他節(jié)點推薦而得到對節(jié)點j的可信度,本文采用偏好相似度推薦機制,計算公式為:

(3)

式中:R為與節(jié)點j有過交互的節(jié)點集合;Dkj為集合R中推薦節(jié)點k與節(jié)點j直接可信度;Cik為節(jié)點i與推薦節(jié)點k的相似度;Gk為推薦節(jié)點的全局可信度。

定義5可信度矩陣。即直接可信度矩陣(Dij)n×n.

定義6反可信度0~1矩陣。(Nij)n×n為根據(jù)可信度矩陣數(shù)據(jù)取值的0~1矩陣,

(4)

定義7全局可信度。即網(wǎng)絡(luò)中所有節(jié)點對該節(jié)點的綜合評價值,全局信任值向量為,

式中,Gi為節(jié)點i的全局可信度。

1.2模型的詳細介紹

1.2.1相似隨機游走

(5)

該迭代過程由馬爾科夫隨機游走向前推動,每一步考慮自身和所有鄰居節(jié)點的局部可信度的迭代計算。

隨著P2P網(wǎng)絡(luò)規(guī)模擴大,節(jié)點和資源量不斷增加。相較于較大的網(wǎng)絡(luò)規(guī)模,節(jié)點間直接交互變少,使得直接可信度矩陣在一段時間內(nèi)嚴重稀疏,出現(xiàn)了數(shù)據(jù)不完整問題。由于參與迭代的稀疏可信度矩陣造成的數(shù)據(jù)不完整問題,導(dǎo)致最終迭代結(jié)果節(jié)點全局可信度的不準確。

針對以上問題,筆者采用文獻[12]中的第二種思想結(jié)合馬爾科夫隨機游走策略,提出相似隨機游走策略,每一次迭代增加考慮節(jié)點間偏好相似,對缺損迭代矩陣進行修復(fù),其中,間接可信度矩陣(Tij)n×n由式(6)進行偏好相似計算,并根據(jù)式(7)的偏好相似修復(fù)矩陣(Sij)n×n,對(Sij)n×n進行行正規(guī)化使其成為正規(guī)化矩陣,并由式(8)進行矩陣迭代計算。

(6)

(7)

(8)

1.2.2power-law分布合理化改進

在經(jīng)典模型EigenTrust，PowerTrust中,提出模型成立的假設(shè)“節(jié)點全局可信度越高說明該節(jié)點越可信”,其節(jié)點反饋呈現(xiàn)power-law分布,即絕大多數(shù)請求響應(yīng)只發(fā)生在少數(shù)全局可信度較高節(jié)點上。該傾向無疑使得少量全局可信度較高的節(jié)點負載過重,而大多數(shù)節(jié)點處在閑置狀態(tài),造成資源的浪費;并且類似于社會網(wǎng)絡(luò),P2P網(wǎng)絡(luò)中的不同用戶節(jié)點的需求偏好不同,該假設(shè)也減少了個人的選擇空間,其直接交互記錄以及偏好相似用戶的推薦也是在交互選擇中要考慮的因素。

筆者參考了以上因素影響,采取如圖1所示策略。該改進策略中首先考慮節(jié)點i的個人交互記錄,若待選擇節(jié)點j與節(jié)點i之前發(fā)生過交互并且Dij大于可信臨界值,即節(jié)點j是可信的,則節(jié)點j即被設(shè)為可選擇對象;其次,若節(jié)點i通過偏好相似用戶推薦得到節(jié)點j是可信的,則節(jié)點j亦被視為可選擇對象;若兩者未有過交互并且偏好相似用戶推薦失敗,此時查詢節(jié)點j的全局可信度,此后選擇策略與EigenTrust相同。

圖1　合理化改進策略Fig.1　Reasonable updating strategy

2信任模型分布式計算的實現(xiàn)

2.1可信數(shù)據(jù)的分布式存儲和查詢

P2P網(wǎng)絡(luò)的分布式的特點決定了網(wǎng)絡(luò)中可信數(shù)據(jù)的分布式存儲和查詢,高度自治的特點決定了每個節(jié)點都可自主的進行可信的計算、數(shù)據(jù)的存儲查詢,但為了防止惡意節(jié)點隨意篡改自己的可信度,每個節(jié)點都應(yīng)有其他節(jié)點對其可信數(shù)據(jù)進行存儲管理,這類節(jié)點被稱為信任管理節(jié)點。分布式哈希表(DistributedHashTable,DHT)可用于信任管理節(jié)點的分配,其中CAN協(xié)議[13]和Chord協(xié)議[14]較為常用。

利用Chord協(xié)議進行不同節(jié)點的信任管理者的分配,Chord算法是按節(jié)點標識符(ID)順序排成一個環(huán),ID是由節(jié)點IP地址通過單向Hash函數(shù)(如SHA-1)映射得到的,每個節(jié)點ID是唯一的;鍵值k則是由標識符ID通過另一個單向Hash函數(shù)映射得到的,可知每個節(jié)點對應(yīng)鍵值也是唯一的。若某個節(jié)點IDi是鍵值k按順時針方向相距最近的后繼節(jié)點的標識符,則該節(jié)點i即為鍵值k對應(yīng)節(jié)點的信任管理者,記為Successor(k)=i。管理節(jié)點存儲一張含有m條記錄的指針表(2m?網(wǎng)絡(luò)中節(jié)點總數(shù)),用來映射關(guān)鍵字k和信任管理者的關(guān)系。具體過程如圖2所示。

圖2　m=4Chord協(xié)議Hash邏輯空間Fig.2　Hash space of Chord with m=4

Chord協(xié)議為P2P網(wǎng)絡(luò)中每個節(jié)點分配到一個信任管理者,在P2P環(huán)境中惡意節(jié)點作為信任管理者可隨意篡改其他節(jié)點的可信數(shù)據(jù),而沒有其他節(jié)點的制約,所以Chord協(xié)議中多對一的模型是不可取的。本文對Chord協(xié)議進行改進,使得每個節(jié)點對應(yīng)多個信任管理者,即按順時針方向選取距離關(guān)鍵字k最近的s個后繼節(jié)點,作為k映射節(jié)點的信任管理者。如圖2中ID3節(jié)點更改后的指針表如表1所示。

表1　s=3指針表

在該策略中,節(jié)點i要查詢節(jié)點j的可信數(shù)據(jù)時,節(jié)點j的多個信任管理節(jié)點同時向節(jié)點i發(fā)送可信數(shù)據(jù),其中少量不一致的可信數(shù)據(jù)被排除,并將提供不一致數(shù)據(jù)的惡意管理節(jié)點進行隔離排除,該方法較于EigenTrust中需要選取多個Hash函數(shù)更為簡單易行,改進Chord協(xié)議指針表初始化如算法1所示。

SearchNext(IDArray,ID):在ID有序數(shù)組IDArray中查找ID的下一個id.

Insert(k,ID):為向指針表k的successor(k)中插入ID值.

算法1改進Chord協(xié)議指針表初始化算法。

輸入:管理節(jié)點數(shù)m，鍵值k數(shù)組，ID有序數(shù)組

輸出:改進指針表

01.For(Everyk∈指針表k數(shù)組){

02.ID=successor(k);

03.While(m>1){

04.ID=SearchNext(IDArray,ID);

05.Insert(k,ID);

06.m--;

07.}

08.}

09. 對網(wǎng)絡(luò)中指針表進行以上初始化操作.

2.2間接可信度分布式求解算法

鑒于P2P網(wǎng)絡(luò)中可信數(shù)據(jù)的分布式存儲和查詢,間接可信度需分散到各個信任管理節(jié)點上進行分布式計算。信任管理者中存儲節(jié)點的直接/間接可信度、相似度向量和該節(jié)點的全局可信度,間接可信度計算首先需要通過改進Chord協(xié)議尋找查詢節(jié)點信任管理節(jié)點,信任管理節(jié)點間進行數(shù)據(jù)查詢傳遞,再由節(jié)點的所有信任管理者進行結(jié)果整合、篩選和記錄,具體如算法2所示。

Sk:與節(jié)點j有過交互的節(jié)點的集合.

算法2間接可信度分布式算法.

輸入:直接可信度,相似度,全局可信度

輸出:節(jié)點間接可信度

01.For(Everyk∈Sk){

02.Mk=successor(kk);

03.For(Everyr∈Mk){

04.計算temp[k]=Dkj×Cik×Gk;

05.將temp[k]和Cik推薦給節(jié)點i;

06.}

07.Mk中節(jié)點進行temp[k]和Cik選擇;

08.Sum=Sum+temp[k];

09.CSum=CSum+Cik;

10.}

11.計算Tij=Sum/CSum;

12.將Tij存儲在i的信任管理者集合Mi中.

3實驗與結(jié)果分析

選用QuantitativeTrustManagement(QTM)[15]仿真系統(tǒng),用Java代碼實現(xiàn)所描述的PSRTrust模型,由于本模型在全局可信度計算方面與EigenTrust模型相近,完成了本文模型與EigenTrust、在無信任系統(tǒng)情況下的對比實驗。

在QTM仿真實驗中,通過設(shè)置表2中參數(shù)對P2P網(wǎng)絡(luò)進行初始定義,生成的路徑文件仿真P2P網(wǎng)絡(luò)中節(jié)點與擁有文件的映射關(guān)系,該映射中包括了對擁有文件是否有效的仿真,以及節(jié)點對(下載)需求文件的映射關(guān)系。在本文中用交易成功率對不同的模型進行比較。

表2　仿真參數(shù)

3.1可信矩陣稀疏性實驗仿真與討論

分別進行了兩次與可信度矩陣稀疏性相關(guān)的仿真實驗。第一次仿真研究可信矩陣的稀疏性對節(jié)點間交易成功率的影響,另一個研究了在不同規(guī)模網(wǎng)絡(luò)中不同稀疏性的PSRTrust模型性能是否保持穩(wěn)定的問題。

如圖3所示,在稀疏度為5%~55%的變化過程中,由于可信矩陣稀疏度較大,而PSRTrust模型可信數(shù)據(jù)較于EigenTrust、None更為完整,所以在該稀疏度變化過程中,PSRTrust模型有更高的交易成功率,較EigenTrust可提高4%~11%的交易成功率,并且在稀疏度25%時處于交易成功率最高值;而后隨著可信數(shù)據(jù)的不斷增加,在60%~85%的變化區(qū)間內(nèi),由于可信數(shù)據(jù)完整性較好,PSRTrust與EigenTrust的交易成功率差距逐漸變小,最后兩模型性能接近重合。

圖3　可信矩陣稀疏性對交易成功率影響Fig.3　Effect of sparse rate in trust matrixto success rate of transactions

如圖4所示,仿真可信度矩陣稀疏度為10%,20%,30%和40%情況下的PSRTrust模型在不同規(guī)模P2P網(wǎng)絡(luò)下性能表現(xiàn)。隨著網(wǎng)絡(luò)規(guī)模的不斷擴大,對于相同可信度矩陣稀疏度下的PSRTrust模型,其交易成功率變化在0%~0.6%之間趨于平緩;而在不同可信度矩陣稀疏度情況下的PSRTrust模型交易成功率差異較小,差異約在1%的范圍內(nèi)上下浮動。

圖4　網(wǎng)絡(luò)規(guī)模對不同稀疏性模型影響Fig.4　Effect of system size to modelwith different sparse rates

結(jié)合兩個對比實驗說明,PSRTrust模型通過相似隨機游走策略可較為準確的預(yù)測缺省數(shù)據(jù),使得在可信數(shù)據(jù)較少的情況下也具有較好的交易成功率,并且在可信數(shù)據(jù)較為完整情況下亦可達到EigenTrust模型交易成功率,且仿真結(jié)果PSRTrust模型受網(wǎng)絡(luò)規(guī)模的影響較小,所以也適用于真實大規(guī)模P2P網(wǎng)絡(luò)環(huán)境。

3.2惡意節(jié)點實驗仿真與討論

惡意節(jié)點的種類可分為孤立的惡意節(jié)點、協(xié)同的惡意節(jié)點和偽裝的惡意節(jié)點[15],文中由于重點不在對不同種類惡意節(jié)點的處理方式上,所以文中提到的惡意節(jié)點為孤立的惡意節(jié)點,如圖5所示。

圖5　不同規(guī)模惡意節(jié)點對交易成功率影響Fig.5　Effect of malicious nodes with differentsize to success rate of transactions

隨著惡意節(jié)點率增加,三者均承下降趨勢,但三者下降速度不同,其中PSRTrust模型下降速度最慢。PSRTrust模型的交易成功率最高,較于EigenTrust模型,本文模型交易成功率提高了約1%~5%,較于None模型,本文模型提高了約1%~21%的交易成功率,并且在惡意節(jié)點率0%~25%區(qū)間內(nèi),PSRTrust模型的交易成功率均在90%以上,在區(qū)間0%~40%內(nèi)交易成功率在80%以上,而假設(shè)網(wǎng)絡(luò)中絕大多數(shù)用戶均為惡意用戶時便沒有了現(xiàn)實意義,因此該模型在現(xiàn)實P2P網(wǎng)絡(luò)中有較好的性能。

如圖6所示,在不同稀疏度下的PSRTrust模型隨著惡意節(jié)點率增加下降趨勢基本一致,也同樣說明PSRTrust可較為準確的預(yù)測缺省數(shù)據(jù),可使在較低稀疏性情況下的PSRTrust模型亦有較好的性能,其中在稀疏度40%下的PSRTrust模型的交易成功率稍高。較于None模型,在稀疏度為35%時模型交易成功率相差最大為21%。

圖6　不同規(guī)模惡意節(jié)點對不同稀疏性系統(tǒng)影響Fig.6　Effect of malicious nodes with differentsize to model with different sparse rates

本模型中改進Chord協(xié)議為防止惡意節(jié)點篡改信任值,為每個用戶節(jié)點設(shè)定多個信任管理者,以上兩個對比實驗表明本模型在遏制惡意節(jié)點影響上有一定提高,但結(jié)果表明,隨著惡意節(jié)點率增加,受影響程度越大,這也是以后論文努力的方向。

4結(jié)論

針對可信數(shù)據(jù)不完整問題,借鑒相似隨機游走處理數(shù)據(jù)不完整問題的方法,構(gòu)造了一個基于偏好相似度推薦的混合信任模型。仿真實驗結(jié)果表明,該模型適用于大規(guī)模P2P網(wǎng)絡(luò),在可信數(shù)據(jù)不完整情況下能保持很好的性能,并且在遏制惡意節(jié)點攻擊上有一定提高。

筆者并未介紹不同類型的惡意節(jié)點及其對應(yīng)的遏制機制,同樣,獎懲機制也是P2P網(wǎng)絡(luò)安全機制中重要的組成部分,可以對惡意節(jié)點施加嚴厲的懲罰,更快的發(fā)現(xiàn)惡意節(jié)點。今后將在這兩方面做進一步的研究工作。

參考文獻：

[1]李勇軍,代亞非.對等網(wǎng)絡(luò)信任機制研究[J].計算機學報,2010,33(3):390-405.

[2]竇文.信任敏感的P2P拓撲構(gòu)造及其相關(guān)技術(shù)研究[D].長沙:國防科學技術(shù)大學,2003.

[3]李景濤,荊一楠,肖曉雪,等.基于相似度加權(quán)推薦的P2P環(huán)境下的信任模型[J].軟件學報,2007,18(1):157-167.

[4]朱銳,王懷民,馮大為.基于偏好推薦的可信服務(wù)選擇[J].軟件學報,2011,22(5):852-864.

[5]竇文,王懷民,賈焰,等.構(gòu)造基于推薦的Peer-to-Peer環(huán)境下的Trust模型[J].軟件學報,2004,15(4):571-583.

[6]ZHAOH,LIX.VectorTrust:trustvectoraggregationschemefortrustmanagementinpeer-to-peernetworks[J].JournalofSupercomputing,2013,64(3):805-829.

[7]QURESHIB,MING,KOUVATSOSD.M-Trust:AtrustmanagementschemeformobileP2Pnetworks[C]∥IEEE.ProceedingsoftheIEEETrustcom2010inconjunctionwith7thIEEE/IFIP.China:HongKong,2010:476-483.

[8]胡建理,吳泉源,周斌,等.一種基于反饋可信度的分布式P2P信任模型[J].軟件學報,2009，20(10):2885-2898.

[9]KAMVARS,SCHLOSSERM,GARCIA-MOLINAH.TheeigenTrustalgorithmforreputationmanagementinP2Pnetworks[C]∥ACM.ProceedingofACMWorldWideWebConf.NewYork:ACMPress,2003:640-651.

[10]ZHOUR,HWANGK.PowerTrust:Arobustandscalablereputationsystemfortrustedpeer-to-peercomputing[J].IEEETransactionsonParallelandDistributedSystems,2007,18(4):460-473.

[11]XIONGL,LIUL.PeerTrust:supportingreputation-basedtrustforpeer-to-peerelectroniccommunities[J].IEEETransactionsonKnowledgeandDataEngineering,2004,16(7):843-857.

[12]王雙成,林士敏,陸玉昌.用Bayesian網(wǎng)絡(luò)處理具有不完整數(shù)據(jù)的問題分析[J].清華大學學報,2000,40(9):65-68.

[13]RATNASAMYS,FRANCISP,HANDLEYM,etal.Ascalablecontentaddressablenetwork[C]∥ACM.ProceedingsofACMSIGCOMM,NewYork:ACMPress,2001,31(4):161-172.

[14]STOICAI,MORRISR,KARGERD,etal.Chord:Ascalablepeer-to-peerlookupserviceforinternetapplications[C]∥ACM.Proceedingsofthe2001ConferenceonApplications,Technologies,Architectures,andProtocolsforComputerCommunications.NewYouk:ACMPress,2001:149-160.

[15]ZHENGY.TrustModelingandManagementinDigitalEnviromentalsfromSocialconcepttosystemdevelopment[M].WESTAG,LEEI,KANNANS,etal.Anevaluationframeworkforreputationmanagementsystems.PA:InformationScienceReference,c2010:283-308.

(編輯：朱倩)

Preference Similarity-Based Mixed Trust Recommendation Model

TAN Wenan1,2，SHEN Tengteng1，SUN Yong1

(1.CollegeofComputerScienceandTechnology,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016，China;2.SchoolofComputerandInformation,ShanghaiSecondPolytechnicUniversity,Shanghai201209，China)

Abstract:A large number of new nodes in peer-to-peer network make the trust matrix sparse and data insufficient. This leads to inaccurate global trusts of peers which are computed by trust matrix iteration and finally the low success rate of transaction.PSR-Trust,a mixed trust model combining global trusts and local trusts based on preference similarities, restores sparse trust matrix by Similarity Random Walk. This model optimizes the unreasonable assumption, gives a distributed implementation method and data storage. Mathematic analyses and simulations results show that the proposed model is more robust under general conditions where malicious peers cooperate in an attempt to deliberately subvert the system, and the success rate of transactions is higher compared with current trust model.

Key words:peer-to-peer; trust; sparse trust calculation; preference similarity;distributed hash table

中圖分類號:TP301

文獻標識碼:A

DOI：10.16355/j.cnki.issn1007-9432tyut.2016.01.013

作者簡介：譚文安(1965-)，男，湖北荊州人，博士，教授，主要從事軟件構(gòu)架技術(shù)、協(xié)同計算、服務(wù)計算與知識管理、信息化工程及其支持環(huán)境研究等的研究，(E-mail)wtan@foxmail.com

基金項目：國家自然科學基金資助項目:跨組織工作流系統(tǒng)可靠服務(wù)計算關(guān)鍵技術(shù)研究(6127036)；上海第二工業(yè)大學重點學科基金資助項目(XXKZD1301)

收稿日期：2015-05-23

文章編號:1007-9432(2016)01-0062-06