P2P网络中基于权重的动态信任模型*

针对现有模型存在的不足,借鉴人类对信任的评判习惯并参考交易涉及的主要因素,提出了P2P环境下一种基于权重的信任评价模型,在进行节点信任值评定时,着重考虑了交易权重对信任值变化的影响,并给出了信任值计算的方法和仿真实验。实验结果表明该信任评价模型能够准确地反映节点当前的信任度,特别对策略性欺骗和不诚实推荐具有很好的抑制作用。     

基于信任迭代的P2P网络信任管理模型

多数P2P网络信任管理模型无法准确计算节点间的推荐信任值,且节点交易过程中不能有效防止恶意推荐.为此,提出一种基于信任迭代的信任管理模型,通过引入信任迭代、推荐可信度和迭代信任值的概念,根据节点间的直接交易经验计算节点间的推荐信任值,将推荐链划分为主链和副链,从而更全面地参考推荐信息,减小因推荐链的取舍对推荐信任值造成的影响,并给出一种新的推荐信任值迭代计算方法,使计算结果更合理.仿真实验结果表明,该模型能够准确地计算推荐信任值,抑制恶意推荐行为.     

P2P网络下基于推荐的信任模型

基于推荐信任机制,引入正态概率密度函数的概念,对信任度进行描述。提出一种对信任度进行概率分析的评估方法,可动态地适应用户的安全需求,减弱在多路径推荐中由于恶意实体推荐所带来的负面影响,提高信任计算结果的稳定性。分析和模拟试验表明该模型的必要性和有效性,可以更好地解决P2P网络带来的安全问题。     

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。     

一种基于推荐的P2P网络信任管理模型

研究网络管理,提高网络质量,鉴于现有的P2P网络推荐信任机制缺少完整的系统解决方案,结合局部信任机制的特点,依据在P2P网络中对相关的节点的评价能力及历史信息的搜集、分析,并加强安全性管理,提出一种基于推荐的P2P网络信任管理模型.在信息的收集过程中,仅限于与某节点有过交易历史并有较高成功经验的节点或与节点有关的信息,并且有机融合节点特征,建立了综合评判机制,分析了网络中存在的恶意行为及对恶意行为的抑制方法.仿真实验表明模型的可信性和实用性,可以有效地减少恶意节点的破坏,提高P2P网络的整体安全性能.     

P2P网络环境下信任模型的研究

由于对等(P2P)网络的开放性和匿名性,各种恶意节点的恶意行为层出不穷,严重影响了网络的正常运行,加之传统的信任管理模型并不能很好地适应对等网络环境,提出了一种基于分级推荐的P2P网络信任模型(GRTM)。仿真实验表明,基于分级推荐的信任模型能有效评估节点的信任度,交易成功率优于传统的信任管理模型。     

一种基于概率统计方法的P2P系统信任评价模型

现有的P2P系统信任评价模型正面临着两种恶意节点的攻击行为--策略性欺骗和不诚实推荐,严重影响了模型计算节点信任评价的准确性和有效性.针对现有模型存在的不足,提出了一种基于概率统计方法的信任评价模型.该模型借鉴人类社会中主观信任关系的概念,依据直接经验和反馈信息,利用概率统计方法分别计算节点的直接信任和推荐信任,并通过区分直接经验的重要程度,区分反馈信息及其推荐者的可信度,提高信任评价模型的有效性.仿真实验分析说明,与已有的信任评价模型相比,该模型能够更有效地抑制策略性欺骗和不诚实推荐的威胁,特别是复杂的协同作弊方式对系统的攻击.     

P2P网络中基于动态推荐的信任模型

针对P2P网络中节点交易风险较大的问题,模拟社会网络的人际交互过程,提出一种基于动态推荐的信任管理模型。采用模糊聚类方法,结合交互的上下文动态地选择推荐节点,在推荐因子的计算上融入聚类分析结果,提高了推荐的可靠性。分析和模拟实验表明,该模型能有效提高推荐的准确性,增强P2P网络的可用性。     

一种改进的信任模型研究

在开放网络环境中,电子商务活动越来越频繁,信息共享等服务越来越普遍,但是其中的安全性问题,严重影响了它在实际中的应用.在网络安全策略中引入信任机制,成为一种好的解决方法.在研究相关模型的基础上,提出了改进策略,很好地应对了信任合成中的欺骗与串谋等行为,并可将此类恶意行为的影响降低到最小.对模型进行了仿真检验,结果表明设计方案具有极高的准确性和可行性.     

BBK主观信任模型中推荐信任合成算法的改进

BBK信任模型提出了对实体信任度进行计算的方法,其中推荐信任合成算法不能有效地抵制恶意推荐带来的影响。文章基于推荐路径互相独立、推荐路径中善意推荐路径数量远大于恶意推荐路径数量和恶意推荐信任值合善意推荐信任值相差很大的假设,用相似程度参数Sdegre对推荐信任值分类,选择其中所占比例最大的一类信任值进行合成,有效地排除占少数的恶意推荐,从而有效抵制恶意推荐带来的影响。     

一种移动环境中的P2P网络信任模型

针对移动P2P网络大规模分布式和高度动态性的特点,提出一种基于动态反馈机制的信任模型.该模型引入了距离因子和推荐因子两个参数来控制推荐信任链的规模,提高推荐信任度的准确性.模型将反馈机制和惩罚机制集成到节点间的近期信任度和长期信任度的更新计算之中,提高了模型随时间和历史变化的动态适应性.模拟实验表明,该模型具有很好的动态适应能力,能够有效隔离恶意节点.     

基于时间因子和惩罚措施的P2P网络信任模型

提出了一种基于时间因子和惩罚措施的信任模型,在进行节点信任值评定时,考虑了时间因子对信任值的影响,距离当前时间越远的交易行为在信任值评定时的参考价值越小。当交易失败或发生欺骗时,目标节点会受到惩罚。理论分析和仿真实验表明,该模型能很好地反映节点的当前状态,并能抵御虚假推荐进行的欺骗。     

P2P网络环境下基于推荐的信任模型

基于网络中节点之间不仅仅局限于直接交易建立起来的信任关系,还包括了第三方推荐信任的事实,提出了在P2P网络环境下基于推荐的信任模型。该模型用成功次数与失败次数在总交易数目中的比例作为直接信任度,将交易信誉与推荐信誉明确区分出来,引入了偏移因子计算推荐节点的可信性,通过惩罚因子和风险因素动态平衡节点直接信任度和其他节点的推荐信任度,得到目标节点的综合信任值,并给出仿真实验验证。实验结果证明,模型计算的综合信任值更趋近其真实值,并且能抵抗恶意节点的诋毁、协同作弊等威胁。     

一种基于优先度推荐的新型P2P网络信任模型

为解决现有的P2P网络存在的诸多问题,提出了一种基于优先度推荐的P2P信任模型,引入了时间衰减因子来解决信任模型的滞后性问题,同时将优先度加权推荐机制与反馈结果相结合来综合考量节点信任度的计算。实验表明,该信任模型能有效解决节点信任的敏感度和公平性问题,并且可以迅速提高P2P网络的服务质量。     

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。     

P2P环境中基于粒子群算法的信任模型

P2P系统的开放和匿名等特征,使其成为一些恶意节点发布虚假信息的温床,因此在P2P环境中构建一个完善的信任机制显得尤为重要。针对现有信任模型对于寻找信任路径速度慢且难以防止联合欺诈等缺点,提出了一种适合P2P环境的基于粒子群算法的信任模型。在BBK信任模型的基础上引入粒子群算法,将信任路径转化为每个粒子,通过对粒子速度和位置的更新来寻找信任度高的路径,最终再根据BBK模型得出全局信任度。通过数学分析和证明,该模型具有较好的防止联合欺诈的性质。实验表明,算法效率较高,较其他算法具有明显优势。