基于声誉的机会网络信任模型

机会网络中,节点间进行交互必须考虑其他节点的可信性。针对机会网络节点间信任问题,提出基于声誉的机会网络信任模型。该模型采用贝叶斯方法计算节点的直接声誉,并将时间退变因子引入到间接声誉的计算当中,利用加权求合的方法合成信任值,根据此信任值节点双方进行访问控制并更新信任表。最后研究模型各个参数对信任值的影响,该模型能够有效地提高节点交互成功率。     

DWATrust:一种基于“二次加权法”的P2P网络动态综合信任模型

针对现有的P2P网络信任模型在聚合节点信任值时对节点行为的差异性与动态性考虑不足,提出了一种基于“二次加权法的”的P2P网络动态综合信任模型—DWATrust。该模型在对节点进行评价时,首先通过引入“时序立体数据表”来记录节点在过去某几段时间内不同评价指标下的评价得分,然后通过“嫡值法”分别计算出各个时间段内各个节点对于各个评价指标的不同权值并进行第一次加权综合,得到各个节点在不同时间段内的综合信任值。最后,通过求解一个“非线性规划问题”计算出各个时间段的权值并进行第二次加权综合,得到各个节点在整个时间段上的综合信任值。由此可见,该模型不仅充分考虑到交易上下文及节点上下文的动态变化对节点信任值的影响,而且引入时间粒度来反映这种变化。仿真实验表明,该模型可以较好地识别节点进行周期性振荡欺骗等恶意行为,从而大大改善P2P网络的交易成功率。     

综合指数法的信任网格动态综合评价模型

在网络安全问题的研究中,信任评价是网格安全领域中的难点内容.为了保障信息网格领域中节点的可靠性、解决传统信任评价模型不能有效评估节点综合信任度的问题,保证网络传输的安全性,利用综合指数法,对网格节点的直接、间接信任度、时间衰减度建立了一种综合信任评价模型.模型可从网格实体间交互情况提取信任信息,从而综合评价某节点的总体信任度.通过设置系统阈值对网格中的实体进行交互控制,并进行仿真.仿真实验表明,信任管理模型能够提高信息网格中任务运行的成功率,有效的减少网格环境的不确定性对任务执行的影响,确保了网络的安全.     

对抗共谋及节点行为动态性的P2P信任模型

针对现有P2P信任模型存在的网络开销大、不能很好地处理节点行为的动态性改变及共谋攻击等问题,提出了一种新的信任模型。通过直接交互节点的局部评价加权其评价可信度计算节点的全局信誉值;采用基于局部评价标准差、局部评价集中度的方法识别和抑制共谋攻击;根据节点行为的改变动态更新其信誉值和评价可信度。仿真实验表明,提出的模型较现有模型在网络开销、抑制共谋攻击和节点行为的动态性等方面有较大改进。     

面向云数据安全自毁的分布式哈希表网络节点信任评估机制

在云环境下的数据自毁机制中,针对分布式哈希表（DHT）网络的恶意节点和不诚信节点容易造成密钥分量丢失或泄露等问题,提出面向云数据安全自毁的DHT网络节点信任评估机制。该机制首先为节点建立二维信任评估模型,对节点可信程度进行定性和定量的考察;接着改进节点直接信任值和推荐信任值的计算方法,充分考虑节点内外因素,从节点运行环境和交互经验两个维度出发并细化到不同层级计算节点信任值,得到信任评价子云;然后将各个信任评价子云加权合成得到综合信任云,采用云发生器描绘出综合信任云一维高斯云图形;最后结合信任决策算法选出最优可信节点。实验结果表明该机制能够帮助原有的数据自毁机制找到更适合存储密钥分量的DHT网络节点,提高了系统的容灾能力并降低了系统计算负载。     

直接评价节点诚信度的P2P动态信任模型

为解决现有P2P信任模型计算开销大、动态适应能力差、推荐可信度的动态性未得到足够重视等问题,提出了一种新的动态信任模型。通过直接交互节点的局部评价加权其推荐可信度计算节点的全局信誉值,避免了迭代过程,降低了网络开销。采用基于时间帧的方法更新节点的全局信誉值和推荐可信度,以抑制节点提供服务和推荐两方面的动态性。仿真实验结果表明,新模型较现有模型在网络开销、节点动态性推荐的抑制等方面有较大改进。     

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网络中一种可信访问控制模型

信任模型强调成员以及数据的可信性,通过对网络中的不端行为进行通告和限制,为用户能够更加合理地使用网络提供保证。提出了一个基于相似度加权推荐的全局信任模型（GSTrust）。在模型中,信任值的请求者使用推荐者和自己之间的节点评分行为相似度加权推荐意见,以节点评价行为的相似度加权其推荐度计算全局信任值,并提出了基于群组的激励机制作为信任模型的有效补充,仿真实验证明了模型的有效性。     

基于Shapley熵的主观信任模型

针对开放网络信任的主观性、不确定性等特点,建立了一种基于Shapley熵的主观模糊信任综合评价模型。该模型运用模糊综合评价法得出节点间的直接信任值,并提出评价取向相似度、反馈评价不确定度、推荐节点可信度三个概念,利用Shapley熵计算节点推荐信任值。仿真实验表明,该模型能准确地计算信任值,并在保证节点交易成功率的同时体现了评价的主观性。     

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。