一种新型P2P网络信任模型研究

本文提出了一种新的P2P网络信任模型——层次化分布域信任模型HDRTM。该模型基于历史交互信息和信誉推荐,采用量化方法和合成规则方法得到的信任度对P2P网络中的节点信任进行评估,同时引入了惩罚调节因子、合成规则权重因子等加强了信任度的可靠性与真实性。对HDRTM的仿真证明能够有效抵制恶意节点,具有较好的安全性与信任性。     

构建风险敏感的对等网安全信任模型

为在对等(P2P)网环境中构建一个高效、可扩展和安全的信任模型,研究了对等网信任模型,并提出了一种风险敏感的对等网信任模型. 该模型构建了一种新的风险信誉关系模型,并将风险因素推广到推荐信誉中. 借用了新的风险评估函数和串联概率模型计算方法,更加精确地量化了直接交易与间接推荐带来的风险. 为防止恶意节点的诋毁和协同作弊攻击,对推荐的局部信誉和局部信誉风险度采用了中心偏离度方法做去噪处理. 仿真实验和分析证明,该模型较其他模型有较大的性能提高,能大大增强系统的安全性.     

信任对服务网络性能的影响

为了利用信任增强服务网络中的个体合作,量化分析信任对网络性能和网络结构演化的影响,在现有服务网络模型基础上,为网络agent设计了2种伙伴选择策略——基于信任的策略和随机策略,进而比较不同策略引起的不同网络性能和网络结构.仿真实验结果表明,信任能有效地提高交互成功概率,从而提高网络服务完成概率.同时,信任关系能加速网络结构的演化,使其达到稳定.     

基于推荐的对等网络信任模型

提出了一种基于推荐的信任模型,并给出该模型的数学表述和分布式实现方法.它根据节点的交互经验和其他节点的推荐,做出对对方行为的评价和预测,此模型建立在完全分布的P2P体系结构上,能很好地激励用户提供反馈,遏制节点的不诚实行为.分析及仿真表明:该信任模型可以有效地防止恶意节点的串谋信任攻击,解决了新进入节点的信任这一信任问题,确保了P2P网络的安全.     

融合多指标的WSN动态信任评估预测模型

针对无线传感器网络中恶意节点引发的安全问题,在贝叶斯信任模型基础上,引入信誉维护函数自适应降低前期节点交互行为次数的影响,引入异常弱化因子,降低由网络自身故障所带来的节点异常行为的误检,结合模糊评判方法进行直接信任计算,为提高推荐信任评估的可靠性,采用贴近度理论对不同的推荐节点赋予权重再分配获取间接信任,为提高信任模型的检测精度,采用加权因子,由直接信任值以及间接信任中的变量共同确定综合信任值的大小,借助自适应权值动态更新综合信任值,有效避免短时间内信任的迅速提升,并利用滑动时间窗对综合信任值进行预测,搭建了融合多指标的WSN动态信任评估预测模型FSEPM,将预测信任值与实际信任值的差值与信任阈值相比较,以判定节点性质。仿真结果表明：该信任评估模型可精确可靠评估节点之间的信任关系,能够有效检测出网络中的恶意节点,提高网络的安全性。     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.     

一种基于用户信任网络的推荐方法

为了解决推荐中存在的数据稀疏、准确度不高等问题,提出了一种基于用户信任网络的推荐方法. 首先利用基本的社会网络,融合用户的基本信任关系、角色影响力、属性相似关系、偏好相似关系构造带权重的社会网络,然后基于此网络提出关键路径发现算法以发现满足约束条件的用户信任网络,最后基于用户信任网络进行推荐. 在Filmtipset数据集上对影响推荐质量的各个因素进行了对比分析,结果表明,基于用户信任网络的方法能得到更好的推荐效果.     

基于直接和推荐可信度的P2P综合信任模型

提出了一种新的P2P网络环境下的综合信任模型。明确区分了服务质量和反馈质量,不是简单地将节点的信任度作为推荐权重,而是通过节点推荐可信度来计算节点的推荐信任度,并且通过动态权重因子平衡自身交互历史经验和其他节点的推荐信任来计算节点的综合信任度,同时为每个节点引入信誉积分属性以鼓励节点提供服务和推荐信息,提高节点参与网络活动的主动性,给出了信任模型的实现算法和仿真实验。实验结果表明,信任模型能准确计算节点信任度,并且能抵抗恶意节点的夸大、诋毁、协同作弊等恶意行为,具有良好的性能。     

云计算环境下基于Agent的信任信息收集机制

利用Agent自治协作的特点,研究了一种基于Agent的云计算环境下的信任信息收集机制.其中研究的信任计算所涉及的因素分为直接信息、推荐与信誉3个方面,为了综合解决集中式信息存取模型导致的存储压力问题与分布式模式导致的管理复杂度问题,该机制利用集中分布式的方式收集与存储信任信息.引入信誉管理Agent来集中管理云服务等资源的信誉以及用户的朋友关系等信息,同时将云计算中的资源分布式划分为不同的资源社区,引入资源社区信任管理Agent分布式管理交互信息等.提出了基于Agent的信任信息收集整体框架与工作流程,以及信息收集模块的设计与信任信息预处理的相关方法,最后进行了模拟仿真试验,试验结果显示了信任预处理机制的有效性.     

P2P电子商务中的信任评价模型研究

网络电子商务中各个实体（节点）相互依赖的信任关系形成一个信任网络。将实体之间的信任分为推荐信任、直接信任、间接信任,引入模糊综合评价法实行对信任的评价量化。介绍了评价直接信任和推荐信任以及进行信任综合评价的模型。     

开放网络中基于担保的主观信任模型

针对目前存在的主观信任模型不能很好地解决信任初始值的设定和实体匿名问题,利用主观逻辑理论对实体的信任关系进行建模,提出了一种开放网络中的新型主观信任模型,定义了担保信任和全局信誉,依靠实体之间的担保关系设定信任初始值,给出了推荐信任和担保信任的搜索算法。模型有效地描述了实体间主观信任关系,保证了实体的匿名性和信任消息的完整性,从而防止了针对欺骗和联合欺骗。通过仿真实验证明了模型的有效性。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

无结构对等网络中基于信誉的激励模型研究

将社会网中的信任机制引入到无结构对等网络中,通过社会网相关理论在节点间构建信任关系.把网络中每个节点同时拥有的＂服务贡献者＂和＂服务消费者＂这两个不同角色,分别采用不同的信誉值进行衡量与评估,并以此构建激励模型.在推荐信誉值的评估中,进行了针对恶意节点虚假推荐值的去噪声处理,提高了信誉值评估的抗干扰性.实验结果表明,该模型能够有效抑制搭便车和恶意节点等不合作节点的行为,在保障系统公平性的同时,提高了系统的可靠性与服务质量.     

P2P网络环境下的推荐信任模型方案

P2P网络的匿名性和动态性带来了许多安全问题,传统的信任管理模型并不能很好的适应对等网络环境。提出了一种基于推荐的P2P网络信任模型,将节点提供服务和推荐的能力进行区分,用信誉值表示节点的推荐能力,根据节点的直接信任值、其它节点的推荐信任值和相应的惩罚值来计算节点的信任度,节点依据信任度选择交易对象。仿真实验表明,基于推荐的信任模型能有效的评估节点的信任度,在交易成功率上要优于传统的信任管理模型。     

多安全域角色信任访问控制模型

为解决网络中多安全域间的访问控制难题,提出一种基于角色和信任度的访问控制模型. 将角色和信任度相关联,根据用户角色等级定义角色评价权重,利用角色评价权重和角色行为计算其信任度. 在引入直接信任度、推荐信任度和反馈信任度的基础上,通过调节各自的评价权重参与综合信任度评价,实现了细粒度的访问控制. 在局域网环境下利用web应用系统构建具有多安全域的访问控制模型,并进行了仿真实验,实验结果证明该模型具有较高的安全性、可扩展性和灵活性.     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。