1.基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，所述系统包括：信任处理代理，用于对直接管理数据源的直接可信度进行计算并存储；

大数据需求商，用于向信任处理代理发送对特定数据源的综合可信度的获取请求；

所述信任处理代理，还用于基于对特定数据源的获取请求，在所述信任处理代理所存储的直接可信度中查询结果，根据查询结果计算特定数据源的综合可信度并输出所述综合可信度至大数据需求商；

所述信任处理代理包括：

信任数据库，用于存储数据源的直接可信度和邻居信任处理代理的链接信息；

信任收集器，用于在所属信任处理代理未存储有大数据需求商所请求获取的特定数据源的直接可信度时，通过所属信任处理代理的邻居信任处理代理的链接信息对信任传播网络内的其他信任处理代理进行遍历以获取遍历结果；

信任计算器，用于计算所属信任处理代理直接管理数据源的直接可信度、计算特定数据源的推荐可信度，以及根据信任收集器的遍历结果计算间接可信度、根据间接可信度/直接可信度和推荐可信度计算综合可信度；

信任值发布器，用于输出综合可信度至大数据需求商；

其中，所述邻居信任处理代理表示对于所述信任收集器所属的信任处理代理来说是可信任的信任处理代理，信任处理代理之间通过大数据生产和消费关系建立信任，通过信任处理代理节点与其邻居信任处理代理之间的信任关系形成信任传播网络；

所述间接可信度是遍历获取的其他信任处理代理所存储的直接可信度进行计算的，所述推荐可信度则表示特定数据源所处的大数据网络对特定数据源的评价，所述信任传播网络由相互之间存在邻居关系的至少两个信任处理代理组成；

所述综合可信度T的计算方式为：

其中，Td(t)表示t时刻的直接可信度，Ti(t)表示t时刻的间接可信度，Tr(t)表示t时刻的推荐可信度，且 所述t表示在信任计算器计算综合可信度T的时刻；

所述间接可信度Ti(t)的计算方式为：其中，Px(t)表示信任收集器获取到特定数据源的直接可信度的第x条路径的衰减可信度，Txy表示第x条路径上第y个信任处理代理的信用传递的衰减程度，Txy(t)＝axy，axy表示第x条路径上第y个信任处理代理的衰减系数， 表示信任的聚合算法或表示算术平均，表示信任处理代理之间的直接可信度的传递；

所述推荐可信度Tr(t)为：

其中，设F表示待验证的特定数据源，PRF(t)表示t时刻数据源F在大数据生产消费关系网络中的排名值PR，Tr(t)是大数据数据源F的推荐值，且是数据源F排名值PRF(t)的归一化结果；PRmax(t)和PRmin(t)分别代表t时刻大数据生产消费关系网络中的最大排名值和最小排名值；

定义邻接矩阵为G，若数据源r生产数据给数据源s使用，则grs＝1，否则grs＝0，设t时刻大数据生产消费关系网络中有L个数据源，则邻接矩阵G为L×L的01矩阵，r≤L，s≤L；设邻接矩阵为G的列求和Cs、行求和dr分别为：cs＝∑rgrs

dr＝∑sgrs

其中，Cs给出了数据源s的使用其他数据源的数量，dr给出了数据源r的提供给其他数据源使用的数量；定义转移概率矩阵为M＝(drs)，则：设推荐向量 为用户使用数据源的概率，xL为用户选用数据源L的概率， 也是数据源的推荐向量；当数据源F为大数据生产消费关系网络的一个数据源时，PRF＝xF，xF表示数据源F的排名PR值，设对于 而言，数据源排名值PRF初始值为xr＝1/N，则L个数据源组成的推荐向量初始值设为 而对于推荐向量 而言， 则表示经过遍历后用户选择数据源时，用户使用每个数据源的概率分布，对 进行遍历更新的过程具体为：

其中，e表示用户选择当前数据源的概率，1‑e表示用户选择其他数据源的概率，计算时将e设定为0.85；当n→∞时， 最终收敛，并保持在一个稳定值附近，此时再使用户选择作为参考，计算数据源F对应的排名制PRF。

2.如权利要求1所述的基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，

其中，

所述信任收集器，还用于根据所属信任处理代理与其它信任处理代理之间产生的生产和消费关系建立其它信任处理代理对于所属信任处理代理的单向信任关系；

所述信任数据库，还用于根据其它信任处理代理对于所属信任处理代理的单向信任关系，存储所述的其它信任处理代理的链接信息为所属信任处理代理的邻居信任处理代理。

3.如权利要求1所述的基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，

所述信任计算器用于计算所属信任处理代理直接管理数据源的直接可信度，具体为获取直接管理数据源的信用评价并将所述信用评价按D‑S证据的识别框架和直接管理数据源的评价属性进行分类；

根据直接管理数据源的评价属性的分类结果确认直接管理数据源对应的基本概率分配函数并对所述基本概率分配函数进行证据合成以获取直接管理数据源对应的信任函数及似然函数；

根据直接管理数据源对应的信任函数及似然函数计算直接可信度。

4.如权利要求3所述的基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，对于焦元A而言，可能性计算公式为：对于直接可信度Td(t)而言，焦元A应为框架内的信任焦元{T}，综上所述，直接可信度Td(t)的计算方式为：

其中，|A|和|Θ|分别代表焦元A和识别框架Θ所包含的元素数量，|{T}|＝1，|{T，‑T}|＝2，所述Pl(A)为D‑S证据理论中的似然函数，所述Bel(A)为D‑S证据理论中的信任函数，所述Pl(A)和Bel(A)用于组成信度区间[Bel(A),Pl(A)]以表示对A的确认程度，A表示识别框架Θ的焦元，{T}表示信任计算器所属的信任处理代理与特定数据源之间的关系为信任，{T，‑T}表示信任计算器所属的信任处理代理与特定数据源之间的关系为不确定，在验证直接可信度时，所述识别框架Θ包括信任{T}、不信任{‑T}、不确定{T，‑T}这3个焦元，{‑T}表示信任计算器所属的信任处理代理与特定数据源之间的关系为不可信。

5.如权利要求4所述的基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，

其中，

所述信任计算器用于根据信任收集器的遍历结果计算间接可信度，具体为：根据信任收集器的遍历结果确认所属信任处理代理从其他信任处理代理处获取到的特定数据源的直接可信度及特定数据源的直接可信度的获取路径，并根据特定数据源的直接可信度及特定数据源的直接可信度的获取路径计算特定数据源的间接可信度。

6.如权利要求3所述的基于分布式协同信任管理框架的大数据信任管理系统，其特征在于，所述证据合成计算为：

设对特定数据源的n个mass函数进行证据合成计算，则所述证据合成公式为：所述K为归一化常数，具体为：

其中， 为正交和运算，An表示识别框架Θ的子集，所述Bel(A)及Pl(A)需基于证据合成的计算结果中的信任多元组{m(A1)，m(A2)…m(An)}进行计算，所述信任多元组中的m(An)表示集合An的基础概率函数，A为焦元A。