基于信任网的推荐机制

为深入分析信任和声誉模型中推荐机制对推荐链的依赖关系,解决推荐机制无法惩罚恶意推荐实体等问题,结合主观逻辑提出了基于信任网的推荐机制,给出了信任网的基本定义,对信任网中推荐链的依赖关系进行了形式化描述,给出了相应的解决策略,并利用信任强度解决了主观逻辑中无法对恶意推荐实体进行惩罚的问题,提高了推荐信息的精确度.模拟实验结果表明,基于信任网的推荐机制能在一定程度上减少访问到恶意实体的次数,并惩罚提供恶意推荐的实体.

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。

用于Web服务的分布式信任和声誉模型

为了提高以Web服务为基础的电子商务的安全性,提出了分布式信任和声誉模型.实施此模型只需对普通Web服务体系结构做功能扩充.通过改进信任和声誉初值的方法,使好的新注册Web服务获得机会.根据Web服务的服务情况,在不同阶段信任和声誉取值来源重点各不相同.在其他用户推荐时,考虑交易金额和时间因素,可以有效地抵御共谋团体的欺诈行为.仿真测试表明提出的信任和声誉模型能达到设计目的.

P2P网络中基于Eigentrust算法的信任模型研究

在点对点(P2P)网络中,信任模型能够有效的降低恶意节点的影响。Eigen Trust是最具有权威性的信任度算法之一,本文提出了一个基于反馈的推荐信任度算法,通过区分服务信任值和推荐信任值,防止拥有较高服务信任值的节点对正常节点的诋毁和欺骗。引入请求信任值,对不积极参与文件共享的节点和恶意服务节点进行访问权限的限制,识别并拒绝使用该类恶意节点的推荐信息,有效提高交互成功率。