基于主体的可信网构软件开发和运行的关键技术研究

Internetware is a novel software paradigm under the currently open, dynamic, and uncertain network computing environment. Researchers have begun to focus on how to guarantee the trustworthy of internetware during its developing and running. We plan to carry out our research on key issues of developing and running of agent based trusted internetware. Firstly, in model checking, due to the mismatch of the current modeling language and the language that model checking tool uses, we research the automatic/semi-automatic transition method between them and realize the corresponding algorithms and tools. Secondly, in dynamic trust prediction, we build a internetware trust model based on recommend deviation. Then we give the algorithms of dynamic trust prediction and make simulation experiment. Finally, in fault diagnose, we build a fault diagnose model for agent based internetware, describe formally the model with dynamic description language (DDL). Then we give the corresponding algorighms, develop diagnose tool and make simulation experiment. The above research will provide guarantee for agent based trusted internetware from theories, modeling and technologies.

网构软件(Internetware)是在当前开放、动态、难控的网络计算环境下产生的新的软件形态。如何在网构软件的开发和运行的过程中保障网构软件的可信性已经成为研究者们关注的热点问题。本课题拟对基于主体的可信网构软件的开发和运行中的关键技术进行研究。首先，在模型检测方面，针对已有的适用于基于主体的网构软件的建模语言与模型检测工具输入语言不匹配的问题，研究二者间自动/半自动的转换方法，给出相关算法并实现相关工具；其次，在信任动态预测方面，建立一种基于推荐偏差的网构软件信任模型，给出信任动态预测算法并进行仿真实验；最后，在故障诊断方面，建立基于主体的网构软件的故障诊断模型，研究使用动态描述逻辑DDL对诊断模型进行形式化描述的方法，给出相应的诊断算法，开发诊断工具并进行仿真实验。上述研究将从理论、模型和技术上为基于主体的可信网构软件的开发提供可信保障。

本课题对基于主体的可信网构软件的开发和运行中的关键技术进行研究，主要研究内容及取得的研究成果如下：(1)基于主体的网构软件建模语言与流行的多主体系统模型检测工具输入语言的转换：给出了一种基于AUML和时态认知逻辑CTLKD-ADC的网构软件模型检测框架；给出了AUML模型的形式化描述与ISPL语言的转换算法；最后实现了转换工具AUML2ISPL。(2)基于推荐偏差的多主体系统信任推荐模型的构建：针对已有的信任推荐模型认为推荐信任会沿传递路径衰减这一不完全符合人类的信任习惯的问题，提出了推荐偏差的概念，并给出了主体响应推荐请求的算法，最后通过实验场景的描述验证了我们提出的算法的正确性。(3）带有BDI推理功能的多主体系统的设计与实现：为了实现多主体系统的智能推理，在已有的多主体系统运行平台MAGE的基础上进行了扩展，将基于BDI的推理机加入到系统中；同时对多主体系统设计和开发平台VAStudio进行了扩展，使其能够支持带有推理功能的多主体系统的开发。（4）适用于推荐系统的协同深度学习：首先，为了当解决最大频繁项目集算法DFMIA在挖掘候选项目集维数较大而最大频繁项目集维数较小的情况下产生大量候选项目集的问题，提出一种改进的基于FP-Tree的最大频繁项目集挖掘的FP-EMFIA算法；其次，设计实现了一种基于Spark分布式平台的高效并行自动编码机，该算法可以有效地进行特征表示学习，并且利用分布式计算平台Spark对算法进行加速，优化了对稀疏数据的操作，大大提升了运行效率。通过在文本数据特征学习以及协同过滤两个任务上的实验，表明我们所实现的并行自动编码机的有效性和高效性。.本项目通过三年的研究工作，基本完成了计划内容。相关成果发表在国内外重要期刊和会议上。