一种端边协同的物联网分布式可信管理方法

1.本发明属于物联网信任管理领域，具体涉及一种端边协同的物联网分布式可信管理方法。


背景技术：

2.物联网是一个开放的环境，很难定义安全边界，将社会属性整合到物联网中一方面能够增强网络架构、提高信息交换速率，但同时也带来了物联网对象通信中的信任问题。在面向服务的物联网架构中，每个设备可以即是服务请求者也是服务提供者，设备经常与其他设备协作完成某项任务或需要向其他设备请求服务。因此信任问题在此尤为重要，当一个设备向另一个设备请求服务或通信时，它必须判断这个设备是否可信，只有与值得信赖的设备进行交互或者合作时，才不会给网络或用户造成损失。在这种情况下，可信度管理模型必须解决一个重要的问题，即识别和判断网络中哪些节点是值得信赖的，哪些节点是恶意的或不诚实的，然后选择可信节点与之进行合作。
3.针对终端所处的物联网环境中传感器类型多、种类不一、复杂异质性等问题，通过智能管理与维护系统面向感知层各类感知终端、网络层的统一接入设备和物联网融合智能网关提供智能化的管理和维护功能，实现终端设备状态管理、故障告警与定位分析等。监测网络规模大、数量多，如前文所述，复杂的物联网网络和多样的终端情况等为诸如女巫攻击、开关攻击等攻击提供了大量机会，整体系统易受多种物联网攻击的损害。所以，对生态环境的智能监测、低成本管理与运维不应只关注于功能，还要关注安全层面，否则会遭成巨大的经济损失。本发明所提的可信管理方法在物联网基础设施中部署使用。
4.近年来，许多学者都对物联网和社交物联网中的信任管理进行了研究。信任被定义为委托人基于对受托人的过去经验来评估其在未来行为的主观信念程度。azzedin对物联网信任模型进行了详细的调查，建模了物联网的信任架构，并对信任相关的攻击模型和信任模型的设计维度进行了细化。wazir回顾了社交物联网中的信任管理解决方案，将信任过程总结为五个阶段，包括信息收集、信任计算、信任决策、信任更新和信任惩罚，物联网中的信任管理总体上被分为基于声誉的、基于上下文的和基于社交关系的信任管理方法。
5.基于声誉的信任管理：benkerrou提出了一种基于信用和诚实的分层协作信任评估系统，该作者将信任定义为物联网设备作为服务者时执行良好服务的能力，以及它作为服务请求者时能够正确评估服务提供者的能力。该文章使用诚实的概念来体现请求者的可信度，引入奖惩机制，请求协作时必须向请求的对象提供事先协商好的信用，若该对象未能很好的完成请求，它将偿还该信用的一部分，该机制能够较好的防御拒绝服务攻击。ka awan提出了一种跨域鲁棒分布式信任系统，在该系统中，信任被分为三个组件即知识、声誉和经验，设备在本地通过对这三个组件的的计算用以评估对不同设备的信任。为了使所提出的系统对恶意攻击具有鲁棒性，该文章引入一个experience组件，使节点能够计算它对其他设备的经验用于构建知识，并将评估数据备份在本地。
6.基于上下文的信任管理：yosra等人提出了一种面对物联网上下文感知和多服务
的信任管理系统，利用设置在不同地理位置的不同信任管理服务器来处理和计算节点的信任。ben设计了一种考虑上下文的集中式信任管理模型，该模型在每个对象中设置一个本地tms(trust management system)，同时在信任服务器上设置一个中央tms，使他们的模型能够适应动态的网络。该文章应用决策树分析网络中的不同组成部分与目标行为之间的关系，模型包括两个模块—信任模块和学习模块，学习模块是基于决策树的，负责对节点的行为进行分类并改进决策。bernabe介绍了一种基于模糊逻辑的信任模型，该模型考虑物联网场景中的上下文信息，遵循多维方法使用设备间的安全因素和社交因素来实现物联网节点的信任计算。这些方案都选择了集中式的信任管理方法，但是集中式信任管理机制在物联网中并不适用，很容易出现单点故障问题。
7.基于社交关系的信任管理：考虑到物联网设备间的社交关系，chen等提出一种通过自适应滤波技术来动态控制权值参数的方法，选取了三种设备间的社交关系—友谊、社会联系和兴趣作为过滤条件来过滤间接信任的反馈，以最大化应用程序性能。al-hamadi提出了“智能服务社区”(ssc)的概念以应对在智慧城市环境中提供类似服务的大量物联网设备的巨大挑战并建议将scc构建为可通过移动应用程序访问的安装在云端的实用程序。该文章提出了一种基于主观信任的服务管理，用户利用“口味相似可信度”，“参与可信度”以及“位置可信度”参数对每个服务提供商给出一个基于主观的一对一的信任分数，动态反映系统中每一对节点之间的关系，由云服务器上的实用程序根据用户选择的参数对每个节点的信任分数进行计算并将节点的信任反馈给用户。但该文章所提出的模型仅适用于智慧城市中的餐厅场景，无法为物联网提供一个更普适性的架构。
8.上述信任管理研究成果应用于大规模物联网环境中仍存在局限性。由于感知终端设备种类多，类型不一，存在复杂异构性，单一的信任管理方法无法有效满足其需求，同时，上述研究忽略了物联网设备间社交关系的动态性和区域性，无法适应于大规模物联网环境，会存在信任收敛速度慢，抗攻击弹性差等问题。


技术实现要素：

9.针对现有的方法大多仅考虑了小型物联网环境下的信任问题，信任收敛速度慢、可扩展性差，且没有考虑到对象间社交关系的动态性，存在信任评估偏差等问题。本发明考虑社交信任理论并结合物联网设备的独特性，提出了一种适用于大规模物联网环境下的信任模型，该模型综合考虑了对象间的动态社交关系和物联网络中客观存在的区域性结构，并结合区块链技术实现对对象信任的动态评估和可靠存储。本发明提出了基于动态多源社区的社交物联网分布式信任管理模型，为了能够准确在物联网中建立逻辑社区，首先对社交物联网中存在的社交关系进行分析并量化表示，综合考虑物联网设备间的兴趣、协作和朋友相似度。根据建模后的社交关系对网络进行增量动态社区划分，引入逻辑上和物理上形成的社区作为构建网络的基本构件，在社区内对设备进行信任管理，同时设计了一种适用于本模型的区块链信任存储方案，实现对象社交关系提取、信任计算、信任存储的闭环方案。
10.本发明采用如下技术方案以解决上述技术问题：
11.一种端边协同的物联网分布式可信管理方法，所述方法包括：
12.将物联网划分出多个社区结构，并将边节点作为社区内的管理员、端节点作为社
区内的成员，获得在社区内的每个时刻的设备节点集合；
13.根据当前时刻和前一时刻的设备节点集合确定出在社区内当前时刻的增量节点集合；
14.将所述增量节点集合的节点分别按照标签传播算法进行增量动态社区划分，并将节点划分到社区中；
15.将节点间的社交相似度作为初始信任，根据节点在服务中的直接表现计算直接信任值，根据节点之间的社交相似度和直接信任值，计算出节点之间的推荐信任值；根据节点之间的直接信任值和推荐信任值计算出节点之间的综合信任值，边节点按照所述综合信任值对社区内的端节点进行管理。
16.进一步的，本发明还根据节点之间的综合信任值，计算出该节点在社区内的全局信任值，按照该节点在社区内的全局信任值计算出该节点的权益值；选择出社区内节点的权益值大于预设阈值的节点作为共识节点；所述共识节点根据全局信任值随机选择出多个验证节点；所述共识节点根据dpos共识算法由竞争成功的共识节点负责发布更新后的信任数据，并由所述验证节点进行验证，验证结束后最终由该共识节点将信任数据记录到区块中。
17.本发明的有益效果：
18.本发明进一步考虑社交关系的动态性与区域性，并提出通过在网络中建立动态多源社区进行信任管理来降低信任模型的收敛时间，划分动态社区能够缩小网络规模，在社区内的节点相比社区外的节点联系更紧密，在计算信任值时可以降低复杂度，减少冗余计算，同时动态社区也考虑到了节点间社交关系的时序性，由此计算出的信任值更贴近真实信任值。此外，本发明利用区块链方案来解决分布式信任管理中的单点失效的问题，保障节点信任数据的安全、可靠和不可篡改。
附图说明
19.图1是本发明实施例中信任管理模型架构图；
20.图2是本发明实施例中一种端边协同的物联网分布式可信管理方法流程图；
21.图3是本发明实施例中五种对象数目下三种方案收敛速度图；
22.图4是本发明实施例中pm＝20％下良好节点的信任值图；
23.图5是本发明实施例中pm占比对模型收敛速度的影响图；
24.图6是本发明实施例中衰减参数对信任收敛的影响图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.本发明的信息模型整体分为三层，可如图1所示，包括物理层、社区层和区块链层。物理层由数量众多的异构智能联网设备组成，将众多异构设备分为两种类型的节点：资源受限的端节点(如各种传感器)，拥有充足计算资源和存储资源的边节点(如mec服务器)。本
发明将边节点选为社区内的管理员，负责存储端节点的服务描述文件或配置文件、定期收集社区内其他节点的信息并计算节点的社交相似度和每个社区成员的信任值。
27.图2是本发明实施例中一种端边协同的物联网分布式可信管理方法流程图，如图2所示，所述方法包括：
28.101、将物联网划分出多个社区结构，并将边节点作为社区内的管理员、端节点作为社区内的成员，获得在社区内的每个时刻的设备节点集合；
29.在本发明实施例中，物联网中客观存在有区域性结构，即物联网中的社区结构是客观存在的，在网络中进行社区划分不仅能够将具有相似利益的节点聚合到相同的社区中，简化物联网结构，将复杂的物联网切分成若干个小型系统，同时在社区内对节点进行信任管理所付出的计算开销更小，系统健壮性更强，更能适应大规模物联网环境。
30.在本发明实施例中，为了简化计算，将众多异构设备分为两种类型的节点：资源受限的端节点(如各种传感器)，拥有充足计算资源和存储资源的边节点(如mec服务器)。本发明将边节点选为社区内的管理员，负责存储端节点的服务描述文件或配置文件、定期收集社区内其他节点的信息，并负责计算节点的社交相似度和每个社区成员的信任值。
31.为了捕捉设备节点之间的社交关系，本发明设dsn＝{dsn1,dsn2,...,dsnn}表示物联网的动态社交网络，其中，dsn
t
＝(n
t
,e
t
)表示t时刻的网络快照，n
t
表示t时刻时网络中的节点集合，e
t
表示t时刻时网络中的边集合，cm
t
＝{c
t,1
,c
t,2
,...,c
t,i
}表示t时刻的社区集合，c
t,i
表示t时刻生成的第i个社区；利用不同时刻的网络快照即可获得在不同时刻的设备节点集合。
32.102、根据当前时刻和前一时刻的设备节点集合确定出在社区内当前时刻的增量节点集合；
33.在本发明实施例中，假设di∈c
t-1,u
即节点di在时刻t-1属于社区cu，当在时刻t时有di∈c
t-1,v
即节点di在时刻t-1属于社区cv，且u≠v，则称节点di在时刻t改变了它的社区归属，设所属社区发生改变的节点集合称为增量节点集合is
t
，则增量节点集合定义如下：
[0034][0035]
其中和分别表示t时刻存在但t-1时不存在的边和t-1时刻存在但t时不存在的边，c
t,u
和c
t,v
分别表示t时刻网络中节点di和dj所归属的社区，则表示时刻t新增的节点。增量节点集合is
t
包括时刻t-1属于不同社区而时刻t属于相同社区的节点、时刻t-1属于社区而时刻t属于不同社区的节点和时刻t的新增节点。
[0036]
103、将所述增量节点集合的节点分别按照标签传播算法进行增量动态社区划分，并将节点划分到社区中；
[0037]
在本发明实施例中，需要调用标签传播算法获取物联网的初始社区结构，若当前社区的社区稳定度超过初始社区或者前一时刻社区的社区稳定度，则根据当前增量节点集合中的节点对社区进行动态更新。
[0038]
其中，所述标签传播算法可以是传统的标签传播算法(label propagation algorithm，lpa)，也可以是改进的标签传播算法(speaker-listener label propagation algorithm，slpa)；本发明可以对此不作具体限定，当然，优选实施例中可以选择slpa算法。
[0039]
具体的，对于is
t
集合中的节点使用slpa算法重新进行社区划分，若新生成的社区规模小于指定阈值cs
min
且存在节点为非新增节点，则认为该社区规模过小，不能构成一个独立的社区，将该社区进行解散并将解散后的节点加入独立节点集合is
t-indpend
。对于独立节点集合is
t-indpend
中的每个节点，则并行遍历每个社区，将其加入到社区中，计算其与每个社区中节点的社交相似度并求和，将该节点划分到社交相似度最大的社区中，该社区即为该节点的最终归属社区。
[0040]
其中，考虑到随着时间的推移，社区发现算法的结果误差会随之累积，因此需要一个指标来判断是否需要对社区结果进行动态更新，因此本发明定义社区稳定度如下：
[0041][0042]
其中和分别表示在t时刻时社区c中增加的边数和减少的边数，和分别表示在t时刻时社区c中增加的节点数和减少的节点数，ρ1和ρ2表示对应的权值，且0《ρ1,ρ1《1。
[0043]
为了更好的说明本发明的增量动态社区划分，本发明提供如下描述：
[0044]
通过设备间的社交相似度来划分社区，具体的方法引用konstantin提到的通过speaker-listener标签传播模型来划分虚拟社区的方法。首先调用slpa算法进行社区划分，得到初始社区结构，然后再根据增量节点集合和社区稳定度对社区进行更新，具体操作步骤如下所示。
[0045]
step1：判断初始社区权值是否小于wc
min
且社区大小是否小于cs
min
，若小于，解散该社区，将其加入到is
t
；
[0046]
step2：重复执行step1直至每个社区判断完毕；
[0047]
step3：对任意is
t
中的节点使用slpa算法生成新社区；
[0048]
step4：对每个新社区，若社区大小小于cs
min
解散该社区，将节点从is
t
中删除加入到is
t-indpend
；
[0049]
step5：将剩余社区加入时刻t-1社区集合ns
t-1
；
[0050]
step6：重复执行step4-step5直至新社区判断完毕；
[0051]
step7：对每个di∈is
t-indpend
，计算节点与相邻社区的社交相似度sim
community
，将节点加入搭配相似度最高的社区；
[0052]
step8：重复执行step1-step7直至动态社区划分完毕。可以理解的是，与社区外的节点相比，社区内的节点彼此之间更可信，因为它们共享相似的利益。此外，在社区内对恶意节点进行筛选所付出的代价将比在整个网络中筛选恶意节点的代价更小。同时，考虑到网络不是一成不变的，而是具有动态性的，因此本发明采用增量聚类算法对网络进行社区检测。在初始时首先对整个网络进行社区划分，然后再根据前一时刻的社区发现结果，计算后一时刻变化的边或节点，结合当前网络的拓扑结构及其他特征只对相邻时刻有变化的增量部分进行调整。
[0053]
104、将节点间的社交相似度作为初始信任，根据节点在服务中的直接表现计算直接信任值，根据节点之间的社交相似度和直接信任值，计算出节点之间的推荐信任值；
[0054]
在本发明实施例中，将节点之间的总体信任分为直接信任和推荐信任，来综合考
量节点之间的综合信任。
[0055]
其中，一方面，本发明采用贝叶斯框架作为评估节点直接信任的模型。选择贝叶斯模型的原因是因为贝叶斯模型是一个比较成熟的框架，且经常被用在信任/声誉系统中。当节点di向节点dj请求服务后，di将根据dj在此次服务中的直接表现做出相应的服务满意度评价，这些表现包括服务完成时间、故障概率、服务完成程度等。本发明假设节点间的服务提供情况只有两个结果{满意，不满意}，并且每一次提供的服务都是一个独立的过程，由s
i,j
表示，其中1表示节点di对节点dj本次提供的服务满意，0表示不满意，因此评价结果服从二项分布。假设节点dj对节点di提供了n次服务，其中节点di满意的服务共有k次。似然函数方程如下。
[0056][0057]
p表示节点di对节点dj所提供服务满意的概率，因为二项分布的共轭先验是贝塔分布，假设节点di对节点dj所提供服务满意的概率分布是bata(α
i,j
,β
i,j
)，因此先验分布为：
[0058][0059]
其中γ是伽马函数，当α
i,j
《1时p≠0，当β
i,j
《1时p≠1。根据贝叶斯推断，后验分布为f(p|k)f(k|p)f(p)。因此后验分布为：
[0060][0061]
后验分布也是一个贝塔分布，记为bata(k α
i,j
,n-k β
i,j
)，该公式描述了p的概率分布情况，因此p的期望值可以看作是节点di对节点dj的直接信任值。考虑到信任衰减问题，参数α
i,j
和β
i,j
的更新由式(6)表示。
[0062][0063]
其中是一个指数衰减函数，是一个很小的数字用来建模随着信任更新而被逐渐遗忘之前的信任。s
i,j
表示正向观察，而1-s
i,j
则表示负向观察，δt是信任更新间隔。于是节点di对节点dj的直接信任由式(7)计算得出。
[0064][0065]
在本发明中考虑到建立社区的同时也即使用到了节点之间的社交关系相似度，因此本发明将节点间的社交相似度即节点的社交能力作为先验知识，设置α
i,j
和β
i,j
的初始值分别为sim(di,dj)和1-sim(di,dj)。
[0066]
其中，另一方面，本发明采用节点交互模型作为评估节点推荐信任的模型。当两个节点没有直接交互历史时，节点di可以根据与节点dj有过直接交互的邻居节点给出的推荐信任评估节点dj的可信程度。本发明在第一部分建立了社区，节点di可以通过社区网络寻找与节点dj有直接交互历史的其它节点计算对节点dj的推荐信任。设共有x个节点与dj有过直接交互，由节点集dx＝{d1,d2,...,d
x
}表示，每个节点对dj的直接信任为且与dj的社交相似度为sim(d
x
,dv)，则节点di对节点dj的推荐信任由下式给出。
[0067][0068]
在本发明实施例中，直接信任值和推荐信任值都与节点之间的社交相似度相关，因此，本发明对社交相似度的计算给出了如下方式：
[0069]
根据物联网节点提供的资源或服务，计算出节点之间的兴趣相似度；
[0070]
根据物联网节点之间的协作关系，计算出节点之间的协作相似度；
[0071]
根据物联网节点的朋友设备关系，计算出节点之间的朋友相似度；
[0072]
将兴趣相似度、协作相似度和朋友相似度进行加权求和，确定出节点之间的社交相似度。
[0073]
以下将分别介绍节点之间的兴趣相似度、节点之间的协作相似度、朋友相似度以及节点之间的社交相似度的计算方式。
[0074]
对于节点之间的兴趣相似度，设备的兴趣可以用它们请求的共同资源或服务的相似度来表示，资源或服务的属性是多维的，节点间的关联属性通常较为弱小，关联属性的差异可以用关键资源或服务的出现频率来表示。对于资源ri，其偏好向量表示为：
[0075][0076]
其中ki表示第k个关键资源或服务，表示其关键资源的权值。对于节点di和dj，它们的兴趣偏好用余弦相似度来计算，计算公式如下：
[0077][0078]
其中m表示节点提供的资源或服务的总数，和分别表示设备di和dj的第x项服务的权值。
[0079]
对于节点之间的协作相似度，设备之间经常需要完成某种任务或提供某种服务而与其他设备进行协作，合作性通常表现为集体性，某个服务可能是由多个设备共同拆分完成的，因此设备间的协作关系可以用合作服务的频繁度来表示。设ci＝{(d1,η1),(d2,η2),...,(d
x
,η
x
)}为与设备di节有过合作关系的设备集合，η
x
表示与节点di合作的次数也即频繁度。对于设备di和dj，它们的协作集合分别为ci和cj，协作相似度将由下式计算：
[0080][0081]
此外，对于节点之间的朋友相似度，设备的朋友也影响设备间的社交相似度，本发明采用邻居关系来量化设备的位置关系，则设备di和dj的朋友相似度由下式计算：
[0082][0083]
由于本发明是通过衡量设备间的社交相似度来进行社区划分，社交相似度可以表
示为设备的兴趣偏好度和协作相似度以及位置相似度的加权和，因此设备di和dj的社交相似度可以表示为：
[0084][0085]
其中0≤λ1,λ2,λ3≤1且λ1 λ2 λ3＝1，节点di与某个社区的相似度由di与该社区内每个节点的社交相似度求和得到，如下公式所示：
[0086][0087]
通过上述计算方式，不仅能够可以利用社交相似度计算出节点的社区归属问题，还可利用社交相似度计算出节点的信任值，本发明充分利用了社交相似度在信任管理中的作用。
[0088]
105、根据节点之间的直接信任值和推荐信任值计算出节点之间的综合信任值，边节点按照所述综合信任值对社区内的端节点进行管理。
[0089]
结合上述过程计算出的直接信任值和推荐信任值，节点di对节点dj的综合信任由下式计算。
[0090][0091]
其中0≤ψ1≤1分别表示直接信任和推荐信任的权重，节点dj在社区内的全局信任为全局信任表示节点在社区内的总体信任程度，是一对多的关系，而节点di对节点dj的总和信任是一对一的信任关系。
[0092]
本发明将在社区内对节点进行信任管理，一方面属于同一社区内的节点相比社区外的节点具有更高的可信度，另一方面，相较于整个物联网络，在社区内进行恶意节点的识别将更容易。信任的评估是基于节点对过去交互的直接满意度和其他节点的推荐。本发明的信任管理模型是分布式的，网络中不存在可信第三方，而是由节点根据共识算法和分布式账本技术自行存储节点的信任数据。本发明中社区内所有节点的信任评估由边节点做出，边节点充当社区内管理员的角色，每个社区各自维护社区内节点的信任评估。
[0093]
本发明假设区块链是安全的，本发明所提模型不考虑区块链层的威胁攻击，如女巫攻击、劫持攻击或日蚀攻击等。考虑到物联网系统中设备的存储资源和计算资源有限，工作量证明(pow)共识算法需要节点具有强大的算力，不适用于物联网环境，因此本发明选择的共识算法为委托权益证明共识算法(dpos)，本发明中权益值节点的存储能力和可信度。
[0094]
设经过社区划分后网络中共存在n个社区，每个社区内有nm个节点，在第t个共识周期内节点i为网络提供的时空证明容量为该节点的信任值为t
it
，因此节点的权益由下式计算。
[0095][0096]
取社区内节点权益st
it
》st
th
的节点作为共识节点，st
th
表示权益阈值，若有多个节点权益相同，则取信任值最高的节点为共识节点。每个社区选取出nc个共识节点，这些共识节点再根据信任值随机选取出nv个验证节点。共识节点选出后将根据dpos共识算法由竞争成功的共识节点负责发布更新后的信任数据，由验证节点验证，验证结束后最终由该共识节点将信任数据记录到区块中。
[0097]
为对本发明方法的性能进行验证，在公开的物联网数据集上实验。该数据集是一个siot场景下的大型数据集，通过利用物联网开源平台fiwarw来提取西班牙桑坦德智慧城市中的物联网对象的基本信息，是一个由16216台设备组成的大型网络，该网络包含14600个用户设备(比如：手机、智能家居设备等)和1616个公共对象(比如：智能停车场、智能商店等)。这些设备在11天内建立了属于自己的社交关系，每个对象主要包含以下信息：对象的基本属性(例如对象标识、对象所有者，所属品牌等)、对象位置和时间戳信息、对象配置文件、对象可以安装的应用程序列表和描述对象社会关系的邻接矩阵。具体信息如下表所示。
[0098]
表1 对象描述信息
[0099][0100][0101]
表2 device_profile表
[0102][0103]
本发明选择两种对比方案进行验证，方案1提出了基于soa的物联网信任管理，采用了分布式协同过滤的方式，基于对象间的友谊、社会联系及兴趣的相似性来计算对象信任值。以下，本发明使用t-soa表示该方法。方案2提出了基于声誉的物联网信任评估模型，使用了模糊逻辑模型来处理对象间的直接信任。以下，本发明使用t-rep表示该方法。
[0104]
本发明的仿真实验中，选取了不同数量规模的对象进行验证分析，既考虑了在小规模下本发明所提模型的性能也考虑了在大型物联网情况所提模型的性能，具体分为五组n＝{1000,2000,3000,4000,5000}。信任更新间隔为δt＝4小时，如果此时由于服务请求和完成而没有直接信任更新，则直接信任将根据等式(7)指数衰减，衰减因子为推
荐信任则根据等式(8)进行更新。为了验证本发明所提模型在对抗恶意攻击上的弹性，如图3所示，本仿真实验将恶意节点所占比例分为五组pm＝{20％,30％,40％,50％}，考虑到直接信任是由节点根据交互节点的行为做出的主观评分，因此直接信任的权重应大于推荐信任，故设置ψ＝0.6。初始时，将节点di对其他节点的信任值设置为0.55，之后，当节点彼此相遇、请求和完成服务时，节点的信任将会根据获取的反馈动态更新。实验结果表明本发明信任收敛时间比t-soa分别降低14小时和11小时，比t-sep降低16小时和14小时，且抗恶意攻击弹性均大于其他两种方案。
[0105]
如图3所示，本发明所提方法与其他两种方法相比，在不同对象数量下信任收敛速度均为最快，这是因为本发明所提方法同时考虑到了对象间存在的区域性和社会相似度，而t-soa和t-sep分别只考虑了对象之间的社会相似度和模糊声誉，没有考虑到对象间的区域性。当对象数量较大时，就会存在信任计算复杂和冗余计算的问题，而本发明所提方法在信任计算时引入客观存在的社区结构，将交互频繁且社交关系相似的节点划分到同一个社区，从而降低了对象的信任收敛速度。从整体来看，三种方案都可以在90小时内达到信任收敛，但本发明方法总体都能保持较低的收敛时间，特别是在对象数量较大时，比如在对象数量为4000和5000时，本发明方法的收敛时间比t-soa分别降低14小时和11小时，比t-sep降低16小时和14小时。
[0106]
如图4所示，为了进一步探索本发明所提方法的性能，本实验在pm＝20％，对象数量为30000的条件下比较三种方案。由图4可知，三种方案都能在60小时内达到收敛状态，但本发明方法的收敛速度更快，总体呈现出收敛速度：本发明方法》t-sep》t-soa。
[0107]
如图5所示，为了观察本发明方法面对恶意攻击的弹性，本实验设置在对象数量为3000的情况下，本方法在不同恶意节点占比情况下的性能表现。由图5可知，随着恶意节点占比增加，节点的信任收敛时间和信任偏差都会相应的增加，本发明所提方法在pm＝20％时表现最好，在pm＝40％时仍具有良好的收敛性和准确性。当pm≥50％时，虽然经过一段较长时间后仍然可以达到收敛，但信任偏差变得更为显著，这表明本发明所提的信任管理方法对恶意攻击具有良好的弹性。
[0108]
如图6所示，为了探究衰减因子对模型的影响，本实验分别设置四个等级的衰减参数值设定恶意节点占比pm＝20％，对象数量3000，仿真结果如图6所示。由上图可知，当衰减参数逐渐增大时，信任收敛所需的时间也相应增加，这是因为节点信任值的计算受到节点之前的行为的影响，当衰减参数设置为一个较大的值时即意味着节点之前的信任状态在当前的信任计算中占据一个较小的影响，而信任计算则更多的依赖于节点的社会状态。
[0109]
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0110]
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两
个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0111]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。