基于推荐的抗攻击电子商务信任模型

针对目前在线信誉系统面临的自我提升攻击、恶意诋毁攻击和漂白攻击三类常见的攻击,提出了一种基于推荐的集中式信任模型。该模型综合了用户间购买行为的相似度以及评价的时效性确定对某件商品的推荐信任值,同时结合基于自身交易经验的直接信任值,来获取对该商品的综合信任度。通过在真实交易数据中注入三类攻击进行仿真,实验结果证明,相对于现有的信誉管理模型,该模型能更好地抵御攻击,为消费者提供更准确的卖家和商品信誉值。

一种基于推荐的信誉系统初始化定值策略

为了解决在面向开放网络的信誉系统中,不合理的初始化定值策略使信誉收敛速度受阻并引发漂白攻击问题,提出一种基于推荐的信誉系统初始化定值策略.首先构建了信誉收敛形式化模型、系统动态模型和系统恶劣度模型.然后依据对乐观初始化、悲观初始化和动态初始化等初始化策略的理论分析,提出基于推荐的初始化策略,采用打分和双向匿名机制保障初始化策略的有效性和安全性.仿真结果表明,新的策略可以有效地加快信誉收敛速度和遏制漂白攻击.