基于信誉担保的网格域动态管理模型

针对目前网格环境下域间管理存在可扩展性、动态适应性差的现状,提出一种基于信誉担保的网格域成员关系管理模型DMRGGD。建立基于信誉值的网格域信誉担保的推荐模型,为新加入的域成员在不依赖中心服务器的情况下建立初始信誉值,在域成员间通过计算直接信任度和多路径间接信任度,实现动态更新信誉值和评估信任关系,通过担保人信誉连带责任制,防止恶意担保。     

车联网环境下数据安全信任模型研究

车联网具有信息安全敏感的需求,面临节点数据被伪造或篡改等多种信息安全威胁,为保障数据融合结果的真实性与可靠性,引入直接信任和间接信任的概念,通过统计方法计算节点的信任度,建立一种基于节点信任度评价的安全数据融合模型。在数据融合过程中将低信任度的节点摒弃,避免影响融合的结果。仿真实验结果表明了该信任模型的有效性,数据融合结果的准确性和可靠性得到提高。     

一种基于二维度量的主观信任模型

Beth、Jφsang和EigenRep等信任模型基于交互历史和声誉等来评价对客体的信任程度,也有作者将模糊理论、云模型引入主观信任管理研究中,但这些信任模型评价客体信任度时均是基于客体的外部信息。然而,任何客体可从外部信息、内部属性丽个角度获得更合理的评价。利用TCG（Trusted Computing Group）可信计算规范下的远程证明机制获得客体的内部属性特征,结合客体的历史表现,本文设计了一种二维（属性、经验）度量的信任模型,使得用户信任度的评估更加灵活可靠。仿真实验表明,提出的二维度量信任模型能不仅更好的抵御信任度恶意积累欺诈,还能有效的解决初始信任度赋值问题。     

一种P2P网络服务环境的信任度计算模型

首先依据新实体能力属性给出了初始信任度计算算法,然后根据实体的直接交互满意度与其他信任实体的推荐信息,设计了直接信任度和推荐信任度计算算法。综合三种信任度,提出了信任度计算模型。该模型为网络实体间信任关系的建立和信任行为的决策提供了有力依据,从而减少实体交互风险,提高网络运行稳定性。     

基于时间序列的P2P网络综合信任模型研究

P2P网络具有动态性,自组织和匿名性等特点,从而导致网络中某些节点存在恶意行为,为了保证节点能提供可靠资源和良好服务,提出一种基于时间序列的P2P综合信任模型,使对等节点之间建立信任关系。该模型在计算直接信任度和间接信任度时引入时间衰减函数,近期的信任值衰减小,对整体信任度的影响大。通过反馈控制机制动态更新簇内节点和簇头节点的信任度,使整体信任值具有时效性,对节点信任度的评价更精确和更可靠。实验证明,该信任模型较DyTrust模型降低了节点之间的交互时延,稳定性和动态自适应性更好,检测恶意节点的能力更强,提高P2P网络的可信度,对P2P网络的安全提供有力保障。     

一种基于群组的P2P网络信任管理模型*

针对 P2P 网络中存在的多种恶意行为,提出一种基于群组的信任管理模型。该模型采用分组策略,引入直接信任度、组内信任度、组间信任度及多种控制因子来计算节点总体信任度,提高了信任机制的可靠性。仿真实验表明,该模型能够有效抑制多种恶意行为,提高系统成功交易率,使节点之间更有效地建立信任关系。     

基于上下文感知的动态信任计算模型

上下文环境对于信任的计算是非常重要的,但在现有模型中常常被忽略,根据P2P网络的特点,提出了一个基于上下文感知的动态自适应信任计算模型,在模型中,直接信任度是采用基于贝叶斯评估方法,推荐信任度是基于直接信任度,结合自身信任经验进行计算的,给出了信任度的综合评估计算模型.仿真结果表明,在交互决策时显示出模型的优越性和健壮性.     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

P2P网络中基于激励机制的信任模型

针对P2P网络提出一种信任模型。通过区分直接信任和间接信任,使推荐信任度主要依赖节点以往的成功推荐次数而非直接信任度,以抵御拥有较高直接信任度的节点对正常节点进行诋毁或欺骗。为避免非恶意节点因为网络延时等原因导致服务失败而被孤立出网络,引入激励机制和信任重建机制,定期提高非恶意节点的信任值,使其能重新加入网络,从而加强网络的容错性。实验结果表明,该模型能有效保护非恶意节点,孤立恶意节点,使网络具有更好的健壮性。     

基于推荐的抗攻击电子商务信任模型

针对目前在线信誉系统面临的自我提升攻击、恶意诋毁攻击和漂白攻击三类常见的攻击,提出了一种基于推荐的集中式信任模型。该模型综合了用户间购买行为的相似度以及评价的时效性确定对某件商品的推荐信任值,同时结合基于自身交易经验的直接信任值,来获取对该商品的综合信任度。通过在真实交易数据中注入三类攻击进行仿真,实验结果证明,相对于现有的信誉管理模型,该模型能更好地抵御攻击,为消费者提供更准确的卖家和商品信誉值。     

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。     

基于间接信任表的无线传感网络信任模型

提出了一种基于间接信任表的应用于无线传感网络的信任模型,在节点进行交互时,考虑了间接信任可信度对间接信任值的影响,可信度越大的交易行为在信任值的计算中的参考价值也就越大。理论分析和仿真实验表明,该模型能更好的反映无线传感网络环境下节点间的本质联系,在交互成功率上有明显的提高。     

基于H指数的网络信任管理模型

网络信任管理是通过对网络节点间的历史交易数据进行收集、分析和处理,通过建立相应的网络信任模型来提高网络的安全性。本文分析了节点信任和节点声誉的区别,给出了节点声誉的定义,并对网络中全局声誉模型进行了研究。给出了网络信任管理中基于H指数理论的全局声誉信任模型,该模型中利用网络节点的全局声誉值作为节点间是否进行交易的决策依据。     

基于推荐的网格计算的信任模型*

明确给出了网格环境下信任的定义,详细分析了信任属性。根据网格的特点,提出了以域为单位的两层信任模型,包括域间信任关系和域内信任关系,着重介绍了域间信任的计算模型。在信任计算模型中,信任评估采用基于贝叶斯评估方法;对信任的推荐采用基于PageRank技术的全局推荐信任计算。最后给出了应用中综合评估信任度的策略。     

物联网量化信任管理模型研究

信任管理模型是物联网可信性评估问题的潜在解决方案,目前关于物联网信任模型的研究主要集中在定性分析和无线传感器网络上,可操作的定量分析成果很少。本文主要研究了在物联网分层架构下,智能物品追踪场景下的可信建模问题。从信任的建立、信任的建模、信任的计算、信任的传递、信任的决策5个典型的信任管理生命周期依次量化建模,建立物联网的量化信任管理模型。仿真结果表明所提模型相对于以往信任模型具有更好的鲁棒性和任务执行效率。     

自治网络中信任信誉模型的安全现状研究

随着P2P网络、Ad hoc、无线传感器网络的深入研究,信任和信誉成为保障这类自治网络安全的一个重要手段.虽然信任信誉系统在自治网络中起到了重要的作用,但其采用了间接推荐等技术,给信任信誉带来很多安全问题.介绍了信任信誉模型的相关概念,总结了目前对信任信誉模型的新攻击手段,并针对这些攻击,比较分析了在自治网络环境中具备一定防御能力的典型信任信誉模型的各自防御方法、防御效果以及性能情况.最后,在分析了现有研究存在的主要问题的基础上,展望了今后提高信任信誉模型安全性研究的主要方向.     

RepTrust : P2P环境下基于声誉的信任模型

声誉是一种新型的信任建立机制,在P2P网络中,利用基于声誉的信任机制可以孤立劣质节点,选择更为可信的节点进行交互,以规避和减少风险。针对目前研究中存在的与网络结构藕合过紧、防止联合欺作和声誉时效性处理不佳等问题,提出了一种新的基于声誉的信任模型RepTrust。模型采用与获取路径甚至评价者rater无关的声誉信息计算信任度,利用基于大多数原则的算法过滤不实声誉,利用衰减因子处理声誉的动态性。仿真实验表明模型在信任度计算、对付欺作和动态声誉处理等方面效果明显。     

一种基于信任机制的网构软件的构件选择方法研究

目前网构软件成为一种新的软件形态,如何选择可信构件来构造网构软件,并使其具有尽可能高的用户信赖度,已成为亟待解决的问题。提出了一种基于信任机制的构件选择模型,它运用历史交互构件软件的可信性评价、朋友推荐及构件声誉来计算构件的各项描述的可信性,从而选择可信构件。并提出了一种基于以上可信构件选择模型的构件选择方法,最后通过实验验证了该方法的可行性和有效性。     

多Agent系统中信任的动态性处理

信任是多Agent系统中进行决策和交互的重要内容。收集必要的信息确定信任关系,动态地管理、维护信任关系,以及监控和重估已有的信任关系是多Agent系统中信任管理的关键问题。虽然研究者对上述关键问题提出了一系列解决方案,但依然存在一些问题有待进一步解决。本文针对信任的动态性处理这一问题,在分析现有的典型信任模型基础之上,提出一个具有动态性的Confidence-Reputation信任模型。模型中,我们不仅考虑了Agent的直接交互历史(Confidence)和信誉(Reputation),同时也考虑了信任的本体性。     

基于动态学习机制的MAS信任评价方法

为准确评价协作目标,在agent信任评价模型中引入动态学习机制。采用该机制,agent在协作中可以根据环境参数、历史交互信息动态调整信任评价方式,并且在模型中引入陌生人信誉,根据对陌生人熟悉度和可靠度的计算结果处理与陌生人的交互。实验表明,采用该机制,MAS在取得目标奖励的同时,可以动态选择信任评价方式,有效地对目标agent进行评价。