一种基于节点多角度信任的无线传感器网络

基于通信的信任模型不能完全解决无线传感器网络面临的安全威胁和节点能量不足的问题.提出一种基于节点通信、数据和能量相结合的信任模型,将传感数据和节点能量加入节点信任评估因素中,通过不同的信任计算方法得出各自的信任值,建立一个节点更加可信的无线传感器网络.模拟实验结果表明.基于通信一种因素的信任模型不足以决定一个节点的可信性,基于多角度的信任模型能够更简单、准确地判断一个节点的可信性.     

无线传感器网络中的一种正反馈信任模型

针对无线传感器网络中单个节点容易受到恶意攻击的妥协性和各个节点能量消耗的非均衡性,提出了一种基于正反馈的信任模型。该模型基于正反馈思想,在簇头节点的任期结束时对簇内节点进行信任考核,并将考核的结果称之为信任列表传给下一轮簇头。因为信任考核包括是否发送正确数据的历史行为和节点剩余能量的个体属性,基于正反馈的思想使得考核结果能在簇头间可靠轮转和增量累积。模拟实验与分析表明：该模型能有效剔除节点发送的虚假数据,并准确识别出失效节点,优化网络的性能,为拓扑控制算法、数据收集压缩算法等提供一个可信的支撑环境。     

基于信任和权重的无线传感器网络数据融合模型

在无线传感器网络中,数据融合的可靠性是一个非常重要的问题并且受到了广泛的关注。为此,提出一种基于信任和权重的无线传感器网络数据融合模型(TWDFM)。在该模型中,传感器节点通过构建信任表选举可靠簇头,簇头根据权重检测异常节点并融合可信数据。仿真实验表明,该模型可以有效提高数据融合的安全性和准确性。     

基于用户信任及推荐反馈机制的社会网络推荐模型

社会网络包括以兴趣为核心的兴趣网络和以信任为核心的信任网络。如何利用社会网络中用户信任与兴趣相似的好友的项目数据来扩展用户本身的项目数据集,缓解用户数据稀疏性,利用目标用户的好友的项目评分数据为其产生推荐,是研究的重点。和传统的推荐方法相比,提出一种改进模型SIMTM(Similar and Trust Model)来提供用户更加高效的推荐体验。该模型融合用户兴趣度和信任度作为初始亲密程度,根据融合后的好友网络进行推荐,同时根据推荐反馈,来不断地优化用户的项目评分数据集,使得亲密的用户好友更加亲密,过滤掉用户的普通好友,优化用户之间的兴趣和信任关联;并重新计算用户之间的亲密程度形成融合用户与其好友的融合网络,直至前后两次根据亲密程度得到的推荐结果相近,根据得到的最优的亲密程度构建融合网络来进行推荐。实验结果表明,该模型在数据稀疏的情况下,能有效提高用户推荐的准确率和覆盖率。     

一种基于组群的P2P网络信任模型*

由于P2P网络的开放、匿名等特点,使得P2P网络对节点缺乏约束机制,节点间缺乏信任。提出了一种应用于非结构化P2P网络的信任模型——BGTrust。该模型对组群内信任采用局部推荐信任和组群间信任采取全局信任的方法进行处理,充分结合了全局信任和局部信任的优点。仿真表明,该信任模型在对交互的信任度评价可信度和抑制恶意节点方面较已有模型有一定改进。     

基于信任模型的分簇WSNs可靠数据采集方法

针对无线传感器网络由于节点异常或受干扰等原因导致网络监测数据可靠性降低的问题,提出一种基于信任模型的可靠数据采集方法。该方法首先利用箱型模型筛选当前时刻采集的数据值变化较大的节点,并判断其是否为异常数据节点;然后,根据异常数据节点的占比和节点可信度确定数据是否被采集。当数据异常节点数量低于设定阈值时,基于信任模型过滤掉可信度低的非正常节点后再对数据进行采集;当高于设定阈值时,启动监测事件发生时的紧急数据传输机制,以保障紧急数据的快速收集。仿真实验结果表明：该算法在不同异常节点占比下较经典信任模型RESN平均检测率高9.14%左右;较原生HEED协议平均数据采集准确率高20%左右。     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。     

融合社会网络与信任度的个性化推荐方法研究

针对协同推荐技术存在的数据稀疏性和恶意评价行为等问题, 提出了一种新颖的基于社会网络的协同过滤推荐算法。该方法借助社会网络分析技术对协同推荐方法加以改进, 结合用户信任关系与用户自身兴趣, 通过计算网络节点的可信度来消减虚假评分或恶意评分给推荐系统带来的负面影响, 从而提高了推荐系统的准确度。实验表明, 相对于传统的协同过滤算法, 该算法可以有效缓解用户评分稀疏性及恶意评价行为带来的问题, 显著提高推荐系统的推荐质量。     

基于数据预处理的无线气象传感网数据重构模型

针对无线气象传感网内由于节点数量大、感知数据冗余度高而导致节点通信耗能过高的问题,提出了数据联合稀疏预处理模型,利用监测区域气象要素预报值和各簇头要素值计算出一个全网公共分量并对网内数据进行预处理。将分布式压缩感知应用于簇型传感网中,对各节点感知数据进行压缩观测,在汇聚节点进行数据重构,从根本上降低节点通信量,均衡负载;同时设计了一个基于公共分量异常数据稀疏方法。仿真实验中,相对于单独使用压缩感知,数据联合稀疏预处理模型能够有效利用数据时空相关性提高数据稀疏度,压缩性能提高了25%,重构性能提高46%;同时,异常数据处理方案能够以96%的高概率恢复异常数据。因此,该数据预处理模型能够提高数据重构效率,有效降低网内数据通信量,延长网络寿命。     

基于贝叶斯网络的时问感知的P2P信任管理模型

P2P安全是P2P网络中的关键问题,如何选择信任度最高的节点提供资源是目前P2P信任管理的一个热点问题。指出了P2P网络信任弱点,分析了国内外常见的信任模型以及信任度量算法。目前,在各种信任模型中都没有考虑服务节点的离线给资源下载造成的影响,提出了剩余在线时间的概念,并应用到信任模型中。充分考虑节点对资源要求的多样性,有相同需求的节点形成一个簇,簇内节点对同样资源的信任评价角度相似,这样,推荐信任值就得到了保证。提出了系列信任评价指标,并把这些指标用贝叶斯网络形式存储。最后对提出的信任模型在查询周期平台上进行了实验分析,证明该模型具有一定的优越性。     

对等网络中一种基于概率的信任机制研究

P2P网络由于其开放性和自治性,充斥着大量的不确定性因素。为了提高网络的整体可用性和服务质量,提出了一种基于P2P技术的信任机制,该机制使用beta概率分布来估价结点的信任,同时使用Gossip算法来传递聚集信誉。模拟实验表明,时间关联因子以及Gossip搜索机制的引入,能更有效地估价结点间的信任关系,减少网络拥塞,提高查询效率。     

Certification-based trust models in mobile ad hoc networks: A survey and taxonomy

A mobile ad hoc network is a wireless communication network which does not rely on a pre-existing infrastructure or any centralized management. Securing the exchanges in such network is compulsory to guarantee a widespread development of services for this kind of networks. The deployment of any security policy requires the definition of a trust model that defines who trusts who and how. There is a host of research efforts in trust models framework to securing mobile ad hoc networks. The majority of well-known approaches is based on public-key certificates, and gave birth to miscellaneous trust models ranging from centralized models to web-of-trust and distributed certificate authorities. In this paper, we survey and classify the existing trust models that are based on public-key certificates proposed for mobile ad hoc networks, and then we discuss and compare them with respect to some relevant criteria. Also, we have developed analysis and comparison among trust models using stochastic Petri nets in order to measure the performance of each one with what relates to the certification service availability.     

基于二项分布的无线传感器网络信任管理系统

由于无线传感器网络不同于传统网络的特点,导致其很容易受到来自妥协节点的内部攻击。信任管理系统是防御无线传感器网络内部攻击的最有效方法。针对无线传感器网络节点信誉和信任的评估,我们改进了用于无线传感器网络的基于贝塔的信誉系统BRSN( Beta Reputation System for Sensor Networks),提出了基于二项分布的无线传感器网络信任评估系统BTMS( Binomial-based Trust Management System)。 BTMS基于对节点行为的监控,利用二项分布来描述节点信誉的分布,并进一步得到节点信任值,从而指导中继节点的选择,降低内部攻击的危害。实验结果表明,利用BTMS可以有效的防御来自妥协节点的内部攻击,提高网络安全性。     

Building trust networks in the absence of trust relations

User-specified trust relations are often very sparse and dynamic, making them difficult to accurately predict from online social media. In addition, trust relations are usually unavailable for most social media platforms. These issues pose a great challenge for predicting trust relations and further building trust networks. In this study, we investigate whether we can predict trust relations via a sparse learning model, and propose to build a trust network without trust relations using only pervasively available interaction data and homophily effect in an online world. In particular, we analyze the reliability of predicting trust relations by interaction behaviors, and provide a principled way to mathematically incorporate interaction behaviors and homophily effect in a novel framework, bTrust. Results of experiments on real-world datasets from Epinions and Ciao demonstrated the effectiveness of the proposed framework. Further experiments were conducted to understand the importance of interaction behaviorsand homophily effect in building trust networks.     

基于社会网络与信誉的C2C信任评价模型

将概率论和社会网络理论应用到信任传递以及多信任路径建模中,针对C2C交易平台实际的商业网络特征,提出基于社会网络与信誉的C2C信任评价模型。引入相似度计算建立簇与簇之间的关联,以解决C2C交易网络存在的买卖分工明确、稀疏性、聚簇问题。对淘宝网C2C交易平台数据的分析表明,该模型对淘宝网现有信誉机制具有较好的改进和补充作用,更符合现实生活中人与人之间的信任和推荐关系。     

Peer—to—Peer环境下的信任模型研究

开放、共享、匿名的peer-to-peer网络已经取得了越来越多的应用，无中心对等的特性也吸引了越来越多的用户，但同时也成为了网络攻击者传播恶意内容或病毒的温床。由于其网络中的节点不受约束，节点间存在着自愿的交易行为，因此节点之间的信任很难通过传统网络的机制来制约和建立。本文旨在通过借鉴人类社会网络中的信任关系来建立一种信任模型，通过定义一系列信任的因子，用以制约用户行为，同时为用户寻求服务前提供参考。最后通过和其他信任模型的对比，我们的模型能够有效地激励用户提供反馈，遏制节点的不诚实行为。     

融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好的利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。     

Experiments of Trust Prediction in Social Networks by Artificial Neural Networks

Social network online services are growing at an exponential pace, both in quantity of users and diversity of services; thus, the evaluation of trust in the interaction among users and toward the system is a central issue from the user point of view. Trust can be grounded in past direct experience or in the indirect information provided by trusted third-party users shaping the trustee reputation. When there is no previous history of interactions, the truster must resort to some form of prediction in order to establish Trust or Distrust on a potential trustee. In this study, we deal with the prediction of trust relationships on the basis of reputation information. Trust can be positive or negative (Distrust), hence, we have a two-class problem. Feature vectors for the classification have binary-valued components. Artificial neural network and statistical classifiers provide state-of-the-art results with these features on a benchmarking trust database. In this article, we propose the application of a sample generation method for the minority class in order to reduce some of the effect of class imbalance among Trust and Distrust classes. Specifically, the approach shows high resiliency to system growth.     

基于绝对信任模型的Ad Hoc网络自组织公钥管理机制

传统网络中的身份认证工作一般都是由证书权威(CA)来完成,但在分布式的移动AdHoc网络中很难实现这种集中式的身份认证机制,引入这样的中心机构会带来潜在的安全威胁,一旦中心机构遭到破坏,将导致整个网络瘫痪,所以只能寻找其它更合适的方式来进行认证.本文提出一种基于绝对信任模型的自组织公钥管理方案,通信实体自己产生公私钥并颁发证书,不需要任何信任第三方以及认证服务器,信任关系按照自然人的可信关系得到可信传播,相对传统的自组织公钥管理,具备更短的平均认证路径长度以及较高的认证通过率,更重要的是,绝对信任证书模型更加符合实际中通信主机之间的信任需求.     

融合信任关系与评论文本的矩阵分解推荐算法

针对推荐系统中用户评分数据稀疏所导致推荐结果不精确的问题,本文尝试将用户评分、信任关系和项目评论文本信息融合在概率矩阵分解方法中以缓解评分数据稀疏性问题.首先以共同好友数目及项目流行度改进皮尔逊用户偏好相似程度并将其作为用户间的直接信任值,然后考虑用户间信任传播过程中所有路径的影响构建新的信任网络;其次通过BERT预训练(Pre-training of Deep Bidirectional Transformers for Language Understanding)模型提取项目的评论文本向量,构造项目的评论文本特征矩阵;最后基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型融合用户的评分数据、用户的信任关系以及项目的评论文本信息进行推荐.通过不断的理论分析并在真实的Yelp数据集上进行实验验证,均表明本文算法的有效性.