D-Trust:移动网格动态信任模型研究

针对移动网格规模大、开放、动态等特征,基于模糊集合理论建立动态信任管理模型D-Trust。用基于可变权重的模糊综合评价计算直接信任,对各种因素进行权重的动态分配,避免了权重分配的主观性;推荐信任中通过信任阈值和链路长度等参数的约束,以更加有效的方式构建信任链路,克服了广播式查询信任信息的慢收敛、开销大的问题;在总体信任中以动态权重对直接信任和推荐信任进行加权平均,提高了模型的动态自适应能力。

投票行为加权的间接信任评估方法TrustRank

本文提出了一种基于投票行为加权的间接信任评估方法 TrustRank,通过对参与投票节点及其行为的量化分析,根据节点的不同权重和可信任度,计算出相应节点的间接信任等级,并给出了TrustRank方法的数学表达。

考虑人机信任匹配的人机协同控制策略

人机互信水平是影响人机协同系统表现的关键因素之一。提出了一种考虑人机信任匹配的主从博弈协同控制策略。建立评估驾驶人和机器相互信任程度的方法,在此基础上根据人机信任匹配程度进行协同驾驶中的权重分配;采用模型预测控制框架并结合主从博弈进行最优化求解,得出最优的协同控制策略;通过驾驶人在环实验,验证了所提出的协同控制策略的有效性。结果表明,对于不同信任匹配程度的驾驶人,所提出的策略使得驾驶人路径跟踪精度平均提高了70.91%,驾驶负担平均降低了44.03%。所提出的策略能提升车辆的驾驶表现,减轻驾驶人操作负担。

多级访问下多源医疗信息全同态加密仿真

在多级访问控制环境中,静态的加密方法存在解决不同用户权限级别的差异化保护问题,无法根据不同权限级别的信息动态生成不同的加扰序列,并定制出相应的加密密钥及公钥函数,导致数据容易被非法访问或篡改。因此,提出多级访问下多源医疗信息资源全同态分级加密方法。通过对多源医疗信息数据实施初步异常修正后,结合平均加权算法实现多源数据的融合,提高医疗信息数据的有效性,为后续数据加密奠定基础。在此基础上,通过评估信息访问者的直接可信度和推荐可信度,综合评定其可信度,并据此划分不同的用户信任等级,建立了一个多级访问控制框架,从而在加密过程中实现对不同权限级别信息的差异化保护。在此框架内,引入全同态加密技术,并结合动态权重因子计算不同权限信息的加扰序列,并生成不同级别医疗信息的加密秘钥及公钥函数,实现医疗数据的全同态分级加密。实验表明,利用所提方法对医疗数据实施加密后,数据整体隐秘性较强,面对外部入侵时能够保持较高的抗攻击性,为医疗数据的传输、存储和共享提供了有力的安全保障。

在线社交网络中基于多态信任融合的信任估计

为提高大型在线社交网络中信任计算方法的准确性和鲁棒性,采用共被引和转置信任传播操作,提出一种基于多态信任融合的信任估计方法估计连续信任/不信任值。结合信任者、被信任者的相邻用户的信息以及被信任者对信任者的信任,平均估计出两个用户信任或被其它用户信任的差异,以及一个用户信任另一个用户和被该用户信任的差异;利用这些差异,计算4种部分信任估计值,将这些部分估计值加权平均,得到信任者对被信任者的最终信任估计值。仿真结果表明,所提方法比其它最新的现有信任计算算法更准确和鲁棒,对应用于大型网络更高效。

可信网络中信任评估方法的研究综述

信任评估作为可信网络中的关键技术,是近年来网络信息安全的研究热点。阐述信任评估在可信网络中的作用;给出网络实体信任评估的相关概念和特点,并重点介绍基于线性加权、机器学习、Petri网和行为生物学的信任评估方法,通过比较给出上述方法各自的优缺点;讨论网络信任评估研究目前待解决的部分问题,并探讨今后的研究方向。

基于信任度的供应链战略合作企业推选模型

将供应链合作、信任关系作为理论支撑,以历史合作数据为研究基础,对供应链节点企业信任影响因素进行系统性分析,建立信任度评估体系,融合贝叶斯理论,计算企业节点的直接信任度;根据皮尔逊相关系数的理论知识,计算出节点企业的间接信任度;再利用信息熵理论知识,判断出直接信任度和间接信任度对综合信任度的影响大小。最后就模型中各指标对综合信任度的影响大小进行仿真计算,对数据的测算结果表明:该信任评估模型中直接信任度对于权重的选取以及综合信任度大小的影响更大,同时权重的设定可以降低主观带来的结果偏差,为推选出企业战略合作伙伴提供一个参考。

基于零信任安全模型的电力敏感数据访问控制方法

针对大数据环境下数据访问控制难度大、数据窃取行为增多造成的电力敏感数据的大量泄露问题,为保护电力敏感数据安全,提出了以零信任安全模型为基础的电力敏感数据访问控制方法.以零信任安全模型为基础,采集用户访问行为信任因素,构建零信任安全模型,采用层次分解模型分解信任属性,基于权重分配法构建判断矩阵计算用户访问行为信任值,结合自适应机制和时间衰减算法,完善信任值的更新与记录.引用按层生长决策树进行电力敏感数据访问分级,在用户认证基础上设置签密参数,引用公私钥实现访问认证信息签密.实验测试结果表明,该方法能够有效抑制恶性数据访问行为,数据加密时间开销小,平均时间开销低于1.4s内1200条,访问控制失误率低于5%,整体控制效果达到了理想标准.

基于推荐的信任链管理模型

针对目前信任链管理中信任计算时信任信息不完备的问题,提出了一种基于推荐的信任链管理模型RTCM(recommendation based trust chain management model)。通过构建信任网络,在信任链选择时考虑信任传递衰减、时间衰减、路径权重等因素,使得信任链搜索的时间复杂度大幅降低。充分包含了信任的相关信息,并利用加权紧密度对信任链上的推荐信任进行合并,同时给出了抑制节点恶意推荐的策略。仿真实验表明,该模型提高了网络的可信性。

一种结合语义Web和用户信任网络的协同过滤推荐模型

协同过滤由于数据稀疏、冷启动等问题导致了相似用户发现变得困难,从而影响推荐结果的质量。为克服这一不足,提出一种以本体、语义Web为基础的方法,通过构建用户之间的信任网络以及计算用户间的信任权重值,从而增加系统中相似用户发现的数量,改善推荐结果的准确性、可靠性。实例证明,该方法能够帮助推荐系统发现更多的相似用户。

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。

基于信任度加权的合作频谱感知算法

为进一步提高认知无线电频谱感知性能,提出一种基于信任度加权的软合并感知算法TWCS(trustweighted cooperation sensing)。该算法首先定义一个模糊型指数信任度函数,对两认知用户间的信任程度进行量化处理,并通过信任度矩阵度量各认知用户测得数据的综合信任程度,以合理分配测得数据在融合过程中所占权重。仿真结果表明,与最大比合并和信噪比加权合并等算法相比,TWCS算法不仅具有更强的可靠性,而且使系统整体感知性能得到了较大提高。

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。

基于信任传播的协同过滤算法

电子商务环境下为用户提供高效的推荐是一个非常有意义的课题,然而稀疏性问题严重影响了推荐系统的推荐质量。为了有效解决这个问题,提出了一种基于信任传播的TSRCF协同过滤算法,在信任传播的基础上,提出了信任度,相似度,关系度的混合权重TSR,取代了传统的协同过滤算法的相似度,作为寻找邻居用户的标准。TSRCF算法在一定程度上缓解了稀疏性问题,帮助用户在信息过载的情境下得到高质量的推荐。在Epinions数据集和Film Trust数据集上的仿真实验也验证了TSRCF算法比传统CF算法有更高的推荐精确度。

信任模型在无线传感器网络入侵检测中的应用

主要针对信任模型在无线传感器网络入侵检测中应用的关键技术进行了研究,建立以信任值的计算、更新和分发为核心内容的检测模型。为了调节节点的历史行为与目前行为对信任值更新结果的影响,防止恶意节点先积累高信任值然后破坏网络行为的发生,信任计算中引入了更新权值。采用甄别机制以提高对恶意节点及其行为的鉴别。经仿真,结果表明模型可抵御中间人攻击等常见攻击。

网格环境下基于灰色理论多属性综合信任评价模型

针对传统信任模型的不足,提出了以灰色系统理论为基础的多属性综合信任评价模型。模型通过定义信任评价等级灰类及其白化权函数,计算网络实体各个属性的灰色评价权,结合层次分析法计算属性权重,最后给出实体灰色综合信任值及信任等级灰类。实例表明,该模型计算简便、评价可靠,为网格环境下解决多属性综合信任评价问题提供了新的方案。

基于信任域的分布式动态信任管理模型

针对现有动态信任模型在适应性、健壮性和激励机制方面存在的不足,提出一种分布式信任评估模型。引入时间调整函数和稳定度函数,分别解决了模型的动态适应问题和总体信任计算过程中的权重分配问题。综合考虑交互历史和信任分布情况,制定相应评估策略,节约了计算资源。此外,通过给出一种直接推荐考察表,有效地识别和限制了故意夸大、恶意诋毁等虚假推荐行为,保证了模型的健壮性。仿真实验表明,该模型在抵御更加复杂的恶意攻击和恶意欺骗等行为方面,体现了良好的准确性、收敛性和适应性。

基于正交变换与置信域的量测方差估计与权重设置算法

在状态估计实际应用中,量测方差获取和权重设置存在一定的困难。伴随状态估计运算量越来越繁重,现有量测方差估计算法的收敛性无法得到保证。为此提出了一种基于正交变换与置信域的量测方差估计和权重设置算法。利用正交变换降低迭代系数矩阵条件数,提高量测方差估计的数值稳定性;根据正交变换的化简结果,结合拉格朗日乘子法,建立新的量测方差估计模型;对于迭代过程的中间数据,采用置信域作为目标函数的约束,确保每次估计结果落在置信区间内;最后,通过IEEE 14/30/118标准系统算例证明了该算法的有效性。

基于名声评价的信任模型研究

根据交易者在交易环境中的角色划分设立商家名声与消费者名声,提出了基于评价时间顺序、交易金额和消费者信任值权重的信任模型;通过金额和消费者信任值加权计算商家加权平均分,在判断消费者评价可信度基础上,考虑时间衰减因子计算商家信任值。实验证明,该信任模型能够准确地判断诋毁消费者和不诚信商家,提高了信任模型的抗攻击能力和可用性,可有效帮助消费者识别商家的信任值变化趋势。

一种可靠信任推荐文本分类特征权重算法

从可信计算角度,提出一种可靠信任推荐文本分类特征权重算法,分析了特征在文档中的特性,基于Beta分布函数研究了特征与文档类之间的信任关系,建立特征权重计算模型,并实现简单高效的线性文本分类器。在比较实验中采用20newsgroup和复旦中文语料集。与TFIDF算法进行性能比较,实验结果显示该算法性能较TFIDF显著提高,并对非平衡语料具有良好的适应性。