引入关联分析的用户行为信任评估在云计算平台中的研究

关联规则是数据挖掘的重要方法。随着国内外云计算应用及研究的不断推进,云计算的安全性成为云计算的核心问题之一。通过进行用户的状态行为关联分析,提取信任信息,结合可信云的思想,提出一个云计算下基于信任的防御系统模型。     

拨开迷雾入“云端”

“拨开迷雾入云端”这是安永第十四届全球信息安全调查报告的主题。作为全球历史最悠久、认可度最高的信息安全调查,安永的每一次报告发布都备受关注。安全是个永恒的话题,而当越来越多的企业将公司的运营建立在信息化之上,安全也因此变得史无前例得重要。试想,如果企业未能做好信息安全工作,那么他们的客户如何能信任其提供的信息甚至其所有业务呢？     

服装企业社会责任对顾客购买意向的影响研究

为了使企业足够了解消费者购买意向,高效实施企业社会责任,基于企业形象和消费者信任,构建服装企业社会责任和购买意向之间的关系模型,通过结构方程模型实证检验几者之间的影响关系.结果发现:服装企业社会责任部分维度对消费者信任、企业形象和顾客购买意向有直接正向影响;消费者信任对购买意向有直接正向影响,由此为服装企业社会责任的权衡和完善提出对策建议.     

带权强分离信任委托路径搜索*

在委托证书路径搜索和一致性证明时,在Keynote提出的证书图的基础上,采用有向图中深度优先遍历的思想以及图的动态特性,提出了一种新的一致性验证算法,通过找出一条最佳的带权分离委托路径可以表达否定安全凭证,同时通过有向图的搜索边标记提高搜索效率并有效避免回路循环搜索的问题.     

有效的IPSec安全策略管理方案*

针对IPSec协议在安全策略管理存在的问题,引入信任管理的思想,介绍了一种基于信任管理的IPSec安全策略管理方案。该方案对分布式网络中的策略可以进行统一的描述,并通过一致性证明能够实现策略的委托授权管理,这样大大提高了IPSec安全策略管理效率和IPSec的灵活性。     

基于家族基因的网格信任模型

针对现有基于PKI (Public Key Infrastructure)的网格信任系统的不足,证书主体信息不明确, 认证过程复杂等缺陷提出了一种新颖的基于家族基因的网格信任模型。该模型解决了传统信任模型存在的问题,如采用将用户的全部身份信息放在用户的基因里方法解决了证书主体信息的不明确,用基因检测解决了认证过程的复杂,用基因指派解决了访问控制的繁琐,并且给出了网格家族、家族基因、基因指派、基因鉴别和信任等概念,并建立了模型的形式化描述,理论分析和实验结果表明这种模型是网格信任领域一种较好的解决方案。     

结合矩阵分解的混合型社会化推荐算法

推荐系统是用来解决当今时代信息过载的重要工具。随着在线社交网络的出现和普及,一些基于网络推荐算法研究的出现,已经引起研究者的广泛关注。信任是社会网络中的重要信息之一,通常用来改进基于社交网络的推荐系统,然而,大多数信任感知的推荐系统忽略了用户有不同行为偏好在不同的兴趣域;本文不仅考虑了用户间特定域信任网络,并且结合推荐项目之间特征属性信息,提出了一种新型社会化推荐算法(H-PMF)。实验表明,H-PMF算法在评分误差和推荐精度上都取得了更好的效果。     

基于信任的网络群体异常行为发现

现今大规模网络群体异常事件往往由多个复杂安全事件融合,且这些安全事件之间隐藏着社会化利益与联系,表现出典型的群体性与控制性.对恶意网络群体事件的感知与响应是网络安全管理的重要任务之一.传统的异常检测机制与基于偶图模型的群体异常行为发现方法均未深入分析这些恶意网络行为潜在的社会化关系,且没有考虑交互过程对节点关系的影响.基于此,文中提出一种基于信任的网络群体异常行为发现模型.该模型首先使用网络交互拓扑信息建立网络节点间的信任矩阵;进而结合直接信任度和相关信任度计算网络节点间的相似度,并通过松弛谱聚类算法中的约束条件,增强类数目的自动识别能力,提高节点聚类准确性.实验表明该模型交互能够有效感知网络中的分布式拒绝服务攻击、蠕虫与僵尸网络的异常行为,并对潜伏期内的安全事件行为有较高识别度,同时比基于偶图的行为分类模型具有更高的准确性.     

结合信任的推荐系统的性质

结合信任的推荐系统可以有效地缓解传统协同过滤算法中存在的数据稀疏问题,并能给每个用户提供可信且准确的推荐。然而系统中的每个用户都是不同的,因此考虑针对不同用户应采用不同推荐模式来查找推荐群体,以做出更具个性化的推荐。研究了微观层次上的节点特性,引入了兴趣的概念,证明了被推荐者的多种节点特性对于推荐结果的影响效果。最后通过多组实验验证了推荐系统在具有不同特性的节点上的推荐效果差异。     

基于模糊预测的无线传感器网络信任模型

针对无线传感器网络(WSN)中的信任值更新问题,提出了一种基于模糊预测(FP)的无线传感器网络信任值更新的方法——RMFP。算法采用模糊数学理论方法,利用模糊隶属函数来全面地刻画节点的表现行为,并将其转换成节点的模糊隶属度,最后将模糊隶属度进行整合以实现节点的信任值更新。仿真实验表明,所提算法在整合节点信任值精确度方面提高了10.8%,在判断可疑节点的速度方面提高了两倍。这说明基于模糊预测的节点信任值更新算法在发现并摒除恶意节点的准确率和速度上均有显著的效果,尤其是针对前期取得高信任的恶意节点的判断具有很强的优势。