自组织虚拟计算环境中的组信誉机制

借鉴人类社会中的组织构造与演化机制,提出一种基于组结构的信誉机制--组信誉机制.通过组信誉评价和信誉驱动的组演化机制的结合,一方面使得信誉模型具有更好的自主元素行为刻画能力和收敛特征;另一方面,基于组演化形成的自主元素聚集能够为实现自主元素基于信誉的差异化服务奠定基础,达到激励其积极参与和可靠服务的目的.     

虚拟计算环境中一种基于惩罚激励的信誉模型

基于信誉构建信任机制是解决虚拟计算环境[1]中行为可信问题的重要途径。现有信誉模型对不良行为的动态适应能力和对信誉信息的有效聚合能力不足,缺乏鼓励节点积极参与诚实合作的有效机制。本文提出一种基于惩罚激励机制的信誉管理模型PERep,根据自主元素行为特征和信誉状态区分交易行为的合作与偏离,并对偏离行为进行惩罚;给出了PERep的分布式实现。实验表明,PERep能准确地区分诚实交易和恶意行为,有效提高自主元素诚实交易的积极性并减少恶意行为的危害。     

基于SN-Stamp的信誉传播方案

证明信誉系统中不诚实的服务方可能丢弃对其不利的被鉴定的评分信息,从而间接地提高其信誉,针对这一问题,提出了一种基于SN-Stamp的信誉传播方案。该方案通过数字签名技术实现不可篡改的序号戳,利用序号戳保护对服务方的评分信息的完整性,并且利用中介保留的最近的序号和序号戳中的序号信息能够发现服务方丢弃被鉴定的评分信息的行为。通过安全性和效率分析结果表明,该模型是安全的和有效的,能提高信誉评分传播机制的效率。     

一种需求驱动的自主Web服务聚集方法

引入具有主动搜索需求能力的自主Web服务概念,提出基于环境本体的意图-行为-实现机制,用于描述服务请求和自主Web服务能力,构型了一种需求驱动的自主Web服务聚集的模型.给出了基于意图-行为-实现机制的需求能力匹配算法和自主Web服务聚集算法.最后,通过对应用案例的研究来展示该方法的可行性.     

大数据随机样本划分模型及相关分析计算技术

设计了一种新的适用于大数据的管理和分析模型——大数据随机样本划分（Random sample partition,RSP）模型,它是将大数据文件表达成一系列RSP数据块文件的集合,分布存储在集群节点上。RSP的生成操作使每个RSP数据块的分布与大数据的分布保持统计意义上的一致,因此,每个RSP数据块是大数据的一个随机样本数据,可以用来估计大数据的统计特征,或建立大数据的分类和回归模型。基于RSP模型,大数据的分析任务可以通过对RSP数据块的分析来完成,不需要对整个大数据进行计算,极大地减少了计算量,降低了对计算资源的要求,提高了集群系统的计算能力和扩展能力。本文首先给出RSP模型的定义、理论基础和生成方法;然后介绍基于RSP数据块的渐近式集成学习Alpha计算框架;之后讨论基于RSP模型和Alpha框架的大数据分析相关计算技术,包括：数据探索与清洗、概率密度函数估计、有监督子空间学习、半监督集成学习、聚类集成和异常点检测;最后讨论RSP模型在分而治之大数据分析和抽样方法上的创新,以及RSP模型和Alpha计算框架实现大规模数据分析的优势。     

一个非结构化P2P网络中基于信誉的激励机制

在P2P网络中,freerider节点和恶意节点的不合作行为严重影响了P2P服务的可用性。为此,本文提出了一个应用于非结构化P2P环境下基于信誉的激励机制。该机制通过有限的信任信息的共享,实现信任评估和推荐信任度评估;并以此为基础,通过有效的拓扑构造和服务选择策略及服务请求冲突解析策略的选择,实现对合作节点的激励和对freerider和恶意节点的遏制及惩罚。分析及仿真实验表明,本文提出的基于信誉的激励机制是简单有效的。     

虚拟计算环境中基于重复博弈的惩罚激励机制

如何促进网络中自主元素自觉规范行为、积极有序协作从而形成“可信的计算平台”是下一代互联网亟需解决的重点问题.提出一种基于重复博弈的惩罚激励机制PETrust,旨在有效促进自主元素采取系统期望的诚实协作策略进行规范行为.PETrust根据自主元素信誉特征的变化动态调整惩罚力度.理论分析和实验结果表明,PETrust能够有效区分自主元素的不同行为特征,遏制和惩罚恶意行为,提高自主元素诚实交易的积极性和系统的整体效率,并具有更好的抵御共谋欺骗的能力.PETrust还同时具备计算复杂度低、报文通信量小的特点,利于部署实施.     

基于证据理论信任模型的众包质量监控

针对现有众包系统不能快速有效地检测众包交互过程中的恶意行为现状,从信誉角度提出基于证据理论的信任评估模型(DS_CQC)来实现众包平台的质量监控。首先,基于时间窗口获得持续可信证据序列和持续不可信证据序列;其次,从证据重要性、证据间关联和证人可信度三方面对原始D-S证据理论进行改进,获得改进的基本概率信度函数;最后,利用改进的D-S证据理论对证据序列进行融合,计算其直接信誉和间接信誉,最终获得接包方的综合信誉。模型中引入奖惩机制,用以激励接包方参与众包并提供高质量众包,同时遏制恶意的接包方。通过仿真实验和对真实众包数据的实验表明,与基于概率的信任模型相比,DS_CQC检测出持续恶意工作者、策略性恶意工作者的速度和效率至少分别提高了50%和3.1%,具有较强的抗攻击能力。     

面向对等社区的信誉证据服务

对等社区是一类支持网络节点对等的进行信息交换和交易的分布式系统。单个网络节点通常参与多个对等社区,但是现有信誉系统仅根据社区内部证据计算节点信誉,忽略了信誉只有综合考虑其参与的所有社区中的证据才能得到这一社会特性。提出了一种新的信誉组合服务体系结构RepCom在众多社区间实现相关信誉证据的安全收集和管理。RepCom引入一种信誉权威网络实现证据的发布、搜索和获取,并利用逻辑引擎实现基于社区的证据信任策略。RepCom有助于构造全新的通用信誉管理服务,使信誉能够反映节点在不同社区的全局行为。     

区块链的物联网信誉数据管理系统模型和关键机制研究

目前以集中式结构为基础数据服务模式,存在信誉数据容易被篡改,缺乏公开可信的信誉数据管理平台等问题。针对以上问题,采用区块链技术,构建一套面向物联网的信誉数据服务体系,并将其与信誉文档体系相融合,实现信誉信息在链上的安全存储,信誉信息的不可伪造、可追踪。在此基础上,提出了基于环签名的用户匿名评估保护机制,区块链与Redis的信誉信息缓冲机制以及信誉信息存取控制机制等,进一步保证了信誉数据管理系统模型的安全性和可靠性。     

深层网中基于入口查询的表单填充策略

针对深层网中数据量大导致无法被传统搜索引擎索引的问题,在提取网页中,改进启发式规则识别表单查询入口,在表单标签与内容匹配时,改进基于语义的相似度匹配算法进行表单内容填充。实验结果表明,提取表单标签的准确率达到94.23%,匹配成功率达到88.83%,填充成功率达到95.43%。     

一种个性化域名信誉评价机制

域名解析是互联网信息服务的前提,但目前关于域名信誉评价的相关研究却尚不成熟。针对域名服务的复杂性、恶意攻击的普遍性以及用户需求的多样性等问题,提出了一种个性化域名信誉评价机制。主要贡献在于：(1)提出了基于多元指标的域名信誉评价框架;(2)设计了抵御恶意攻击的信誉计算模型,提高了计算精度和适应能力;(3)参考用户个人偏好区分域名类型,为用户选择偏好域名提供依据,优化用户体验。实验结果表明,该机制能准确反映域名的信誉状况,排除恶意评价的影响,并根据域名信誉值和用户个人偏好选择个性化域名服务,提升用户满意度。     

User‐centric trust and reputation model for personal and trusted service selection

Improving quality of services (QoS) through applying trust and reputation management technology is increasingly popular in the literature and industry. Most existing trust and reputation systems calculate a general trust value or vector based on the gathered feedback without regard to trust's locality and subjectivity; therefore, they cannot effectively support a personal selection with consumer preferences. Our goal is to build a trust and reputation mechanism for facilitating a trustworthy and personal service selection in a service‐oriented Web, where service peers can act as a service provider and/or a service consumer. A user‐centric trust and reputation mechanism distinguishing the different trust context and content to enable a personal service selection with regard to trust preference in a service‐oriented Web is represented in detail. It is widely recognized that reputation‐based trust methods must face the challenge of malicious behaviors. To deal with the malicious feedback behaviors, we introduce a “bidirectional'' feedback mechanism based on QoS experience similarity in our trust and reputation framework. The test run demonstrates that our method can significantly increase the success rate of service transactions and is effective in resisting various malicious behaviors of service peers, when it is compared to other similar methods. © 2011 Wiley Periodicals, Inc.     

一种自约束信誉更新模型

在分析信誉计算模型的基础上，提出了一种自约束的信誉更新模型，由于节点的信誉主要反映历史信誉，信誉变化主要表现在新的评价分与以前信誉的变化上，因此通过自约束因子来表达这种变化。对该模型与Bayesian模型作了仿真分析比较。结果显示：信誉评估模型体现恶意行为的惩罚思想，当一个可信节点连续出现交易失败或不可信行为时，信誉值会指数级下降，恢复其信誉则是缓慢上升。     

一种基于声誉的不良网页协作检测机制

大量不良网页的出现威胁了互联网安全。为了检测不良网页，提出了一种基于声誉的协作检测机制，WebShield。用户对网页评分，服务器汇聚用户评分得到网页的综合评分，并依此检测不良网页。设计了一种基于贡献的声誉模型，通过用户声誉加强评分汇聚的准确性和鲁棒性。模拟表明，WebShield对不良网页的检测效率较高、对恶意用户的抵抗性较好。     

一种直接评价节点诚信度的分布式信任机制

基于信誉的信任机制能够有效解决P2P网络中病毒泛滥和欺诈行为等问题.现有信任机制大多采用单个信誉值描述节点的诚信度,不能防止恶意节点用诚信买行为掩盖恶意卖行为;而且从信誉值上无法区分初始节点和恶意节点.提出一种新的分布式信任机制,基于交易历史,通过迭代求解,为每个节点计算全局买信誉值和卖信誉值,根据信誉值便能判断节点的善恶.仿真实验对比和性能分析表明,与EigenTrust算法相比,该算法能够迅速降低恶意节点的全局信誉值,抑制合谋攻击,降低恶意交易概率.     

P2P环境下基于模糊理论的Dirichlet信任评估模型

针对P2P（Peer-to-Peer）网络中存在的恶意评价、摇摆服务等现象,提出一种基于模糊理论的Dirichlet信任评估模型。提出的模型利用模糊聚类的方式过滤掉一些恶意评价,并抑制节点摇摆服务的影响,从而为网络节点信任值的计算提供了公平、良好的评估环境。在此基础上,考虑到主观信任动态变化的特点,结合模糊理论中贴近度概念,提出一种新的模糊信任更新机制,从而更有效提高节点提供优质服务的积极性。实验结果表明,提出的模型具有良好的评估特性,适用于P2P网络信任评估的环境。     

基于蚁群算法的加强型可抵御攻击信任管理模型

通过将网络节点推荐行为分析和网络恶意节点密度的自适应机制纳入信誉度评价过程,提出了基于蚁群算法的加强型可抵御攻击信任管理模型--EAraTRM,以解决传统信任模型因较少考虑节点的推荐欺骗行为而导致容易在恶意节点的合谋攻击影响下失准的问题。在对比研究中发现,EAraTRM可以在网络中恶意节点密度达到90%,其他传统信任模型已经失效的情况下,仍保持较高的正确性。实验结果表明,EAraTRM能提高节点评价其他节点信誉度时的精度,并降低整个网络中恶意节点间进行合谋攻击的成功率。     

基于用户及其行为社会属性的信任测度模型

信任测度是信任机制的核心和基础,现有的信任机制面临着恶意用户操纵信誉的安全威胁。基于用户及其行为社会属性的信任测度模型对传统的信任机制进行了扩充,引入用户及其行为所映射的本质特性即社会属性来描述和分析恶意用户及其行为的特征,在信任测度过程中增加信誉评审过程来修正对信任测度的攻击,从而保证了分布式环境中的信任测度的可信性。模拟实验表明,该信任测度模型能有效地应对恶意用户对信誉的操纵攻击。