基于興趣群組的p2p網(wǎng)絡(luò)信任云模型計算方法
【專利摘要】本發(fā)明公開了一種基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法。本發(fā)明由興趣群組劃分及其消息傳遞過程、信任云構(gòu)建過程和節(jié)點信任度評價過程構(gòu)成。興趣群組劃分及其消息傳遞過程是根據(jù)每個群的興趣把網(wǎng)絡(luò)劃分為不同群組，并分別確定組內(nèi)、組間節(jié)點的消息傳遞方式；信任云構(gòu)建過程是通過云模型的三個數(shù)字特征，即期望、熵和超熵來表達節(jié)點信任關(guān)系，構(gòu)建由直接信任云和推薦信任云組成的綜合信任云；節(jié)點信任度評價過程是通過優(yōu)先考慮直接經(jīng)驗的信任值計算方法評估節(jié)點綜合信任值。本發(fā)明的方法不僅解決了P2P網(wǎng)絡(luò)中過多的消息傳遞以及因興趣不對稱難以建立直接信任關(guān)系的問題，而且能降低節(jié)點獲得不可靠推薦信息的風險。
【專利說明】基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于信任模型研究【技術(shù)領(lǐng)域】，特別是一種針對P2P網(wǎng)絡(luò)中基于興趣群組的信任云模型計算方法。
【背景技術(shù)】
[0002]從互聯(lián)網(wǎng)誕生之日起，P2P就已經(jīng)存在了，它是互聯(lián)網(wǎng)的起源和基礎(chǔ)。早在1979年，Truscott和Ellis就開發(fā)了基于P2P的典型應(yīng)用:新聞討論組，它作為互聯(lián)網(wǎng)上的一種交流方式，起信息傳播的作用。近年來，P2P網(wǎng)絡(luò)憑借其獨特的分布性、自組織性等優(yōu)勢在互聯(lián)網(wǎng)上迅速成長起來，成為互聯(lián)網(wǎng)的重要組成部分，P2P網(wǎng)絡(luò)不依賴于中心節(jié)點，能有效利用網(wǎng)絡(luò)中的各種閑置資源，在很多方面都有很好的發(fā)展。然而由于P2P網(wǎng)絡(luò)的對等性，節(jié)點可以自由出入網(wǎng)絡(luò)，致使網(wǎng)絡(luò)中存在較多的安全隱患，比如網(wǎng)絡(luò)病毒攻擊，行為不一致攻擊等等，針對這些問題，很多學者進行了研究，研究發(fā)現(xiàn)，通過信任模型中信任度的高低來辨識惡意節(jié)點，有助于減少網(wǎng)絡(luò)中惡意文件的傳播；通過在信任模型中加入激勵機制，能夠使得節(jié)點更好的參與到網(wǎng)絡(luò)中來，提供有用的資源，解決網(wǎng)絡(luò)中的存取攻擊；通過信任模型，可以很好的辨識網(wǎng)絡(luò)中希望通過行為不一致來掩蓋其作惡本質(zhì)，欺騙距離較近節(jié)點的攻擊者，可以使得節(jié)點之間更加合作。
[0003]目前針對P2P網(wǎng)絡(luò)中的信任模型的研究有很多，各個模型都有各自的缺點與優(yōu)點，其中較為經(jīng)典的為XRep、EigenTrust、PeerTrust0
[0004]XRep模型采用平均值計算的方法得到節(jié)點的信任值，模型沒有對信任信息進行過濾，認為所有的信任信息都是可靠的，對于信任度計算中的權(quán)重問題沒有進行具體考慮(Damiani Ej Vimercati DC，Paraboschi S，Samarati P, Violante RA reputation-basedapproach for choosing reliable resources in peer-to-peer networks.Proceedingsof9th ACMP Conf on Computer and Communications Security(CCSi 02).WashingtonDC, USAj ACMP Press，2002:207 ?216.)。
[0005]EigenTrust模型通過迭代計算節(jié)點全局唯一的信任度，每次交易都需要全網(wǎng)絡(luò)的迭代致使通信的代價較大，計算的收斂性是一個問題，而且模型把信任度高的節(jié)點當作可靠的推薦節(jié)點，存在不合理的地方，就好比一個工作認真的人不一定就是個誠實的人，所說的話不一定都是可靠的(Sepandar DKj Mario TSj Hector GM.The EigenTrust algorithmfor reputation management in P2P networks.Proceedings of thel2th Int’I Conf.0nWorld Wide Web.Budapest:ACM Press，2003:640 ?651.)。
[0006]PeerTrust模型從多個方面考慮影響節(jié)點信任度的因素:交易評價、交易數(shù)量、交易時間、交易額度、給出反饋評價節(jié)點的可信度等。該算法抗攻擊性較強，但是未考慮對惡意節(jié)點的懲罰、計算收斂速度以及利用稀疏的數(shù)據(jù)計算相似度可能會帶來較大誤差等問題(Xiong L, Liu L.PeerTrust: Supporting Reputation-Based Trustfor Peer-to-Peer Electronic Communities.1EEE Transaction on knowledge dataengineering, 2004，16(7):843 ?857.)。[0007]從信任度的計算方法來看，目前信任模型中存在多種方法，比如基于云模型的，基于概率的，基于模糊理論的等等。
[0008]Beth提出信任模型是基于經(jīng)驗與概率統(tǒng)計的，模型將信任關(guān)系的描述通過經(jīng)驗的理念來加以說明，給出了信任度的計算方法，同時，提出了運用概率值的表示方法來說明實體間執(zhí)行交易的可能性，模型沒有解決初始信任的獲取問題，未考慮信任本身的模糊特性(Beth T,Boreherding M, Klein B.Valuation of Trust in open network.Proceedingsof the European Symposium on Research in Computer Security (ES0RICS).NewYork:Springer-Verlag, 1994:3 ?18.)。
[0009]唐文等提出的信任模型是在模糊理論的基礎(chǔ)上建立的，該模型將模糊理論運用到信任模型中，通過隸屬度來說明模糊性，同時給出了概念樹這一思想來說明信任類型的方法，但是模型忽視了信任的隨機性(唐文，陳鐘.基于模糊集合理論的主觀信任管理模型研究.軟件學報，2003，14⑶:1401?1408.)。
[0010]張衛(wèi)光等提出了基于云模型的信任評估模型，該模型將云模型這一思想運用到主觀信任研究中，較好的解決了信任的模糊性和隨機性，通過逆向云算法給出了直接信任的計算，同時給出了推薦信任的算法，使得主觀信任推理變得容易理解，但是模型沒有考慮網(wǎng)絡(luò)中存在的各種惡意行為(張光衛(wèi)，康建初，孟祥怡等.基于云模型的主觀信任表示研究.計算機科學，2006，33 (11): 158 ?161.)。
[0011]信任模型研究至今，已經(jīng)在很多方面取得了進步，比如模型的算法，模型的數(shù)據(jù)存儲，模型的安全性等等，這些進步都是各位學者努力的結(jié)果，但是還存在一些問題:
[0012]( I)計算復雜度問題。經(jīng)過多年的研究，已經(jīng)有多位學者給出了各自的信任模型，各個模型所用到的計算方法也各不相同，但是，部分信任模型的計算復雜度較大，使得信任計算效率變低，降低了模型的實用性。
[0013](2)推薦可信度問題。網(wǎng)絡(luò)中存在大量的不誠實推薦節(jié)點，比如夸大、詆毀、合作欺騙節(jié)點，使得獲取的推薦信息不可靠，從而影響信任評價的結(jié)果，目前大多數(shù)的信任模型都是通過計算節(jié)點評價行為相似度來判斷推薦節(jié)點的可信度，這就存在這樣一個問題，如果評價信息較少，通過相似性獲得的可信度就存在較大誤差。
[0014](3)信任模型的“懲罰獎勵”機制。目前存在的諸多的信任模型中有較多模型沒有給出對應(yīng)的“獎勵”機制，從而導致大多數(shù)的節(jié)點不愿意參與到網(wǎng)絡(luò)中來提供服務(wù)，因為這對它們來說沒有太大的意義，得不到很多好處，這就造成網(wǎng)絡(luò)中提供服務(wù)的節(jié)點很少，同時，對于惡意節(jié)點，也需要一個有效的“懲罰”機制對其進行處理。
[0015](4)信任關(guān)系的建立及其網(wǎng)絡(luò)流量問題。隨著網(wǎng)絡(luò)規(guī)模的不斷擴大，節(jié)點之間發(fā)生交易的機會逐漸變小，要在節(jié)點之間建立直接信任關(guān)系將變得困難重重，同時也會造成網(wǎng)絡(luò)中大量的消息傳遞。

【發(fā)明內(nèi)容】

[0016]本發(fā)明的目的在于為P2P網(wǎng)絡(luò)中的信任模型提供一個可靠的計算方法，解決現(xiàn)有技術(shù)中存在的計算復雜、準確度不高、缺少獎懲機制等問題。
[0017]實現(xiàn)本發(fā)明目的技術(shù)解決法案為:一種基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算包括興趣群組劃分、興趣群組消息傳遞過程、信任云構(gòu)建過程和節(jié)點信任度評價過程四個步驟。
[0018]步驟I興趣群組劃分:首先確定興趣群組的數(shù)目，每個興趣群組最大興趣愛好數(shù)目以及網(wǎng)絡(luò)中文件資源數(shù)目；然后確定組頭節(jié)點，根據(jù)設(shè)定的群組數(shù)，興趣愛好數(shù)，網(wǎng)絡(luò)中的文件資源數(shù)目，確定網(wǎng)絡(luò)中的節(jié)點所屬的群組，最后非組頭節(jié)點通過查詢請求查找與之主題興趣相同的組頭節(jié)點，組頭節(jié)點彼此之間建立連接；
[0019]步驟2興趣群組消息傳遞過程:根據(jù)節(jié)點查詢的內(nèi)容確定群組消息傳遞方式，若為主題興趣，則進行組內(nèi)查詢，若為次要興趣，則進行組間查詢；
[0020]步驟3信任云構(gòu)建過程:首先獲取節(jié)點i與節(jié)點j的直接交互次數(shù)h ;其次比較交互次數(shù)h與給定的交互次數(shù)閾值H大小，如果交互次數(shù)h大于或等于給定的交互次數(shù)閾值H時，將節(jié)點i對節(jié)點j的直接信任評價值輸入一維逆向正態(tài)云生成算法，得到直接信任云7T%(ExD，EnD，IieDh如果節(jié)點i與節(jié)點j的直接交互數(shù)等于O時，節(jié)點i只能通過其他節(jié)
點的推薦來度量對節(jié)點j的信任值，計算推薦節(jié)點Rk的推薦可信度，僅將可靠推薦節(jié)點的推薦評價值輸入一維逆向正態(tài)云生成算法，可靠推薦節(jié)點的推薦可信度〃>0’從而得到推薦信任云？^；如果交互次數(shù)h大于0，小于給定的交互次數(shù)閾值H，組合節(jié)點i對節(jié)點j的直接信任云和推薦信任云共同決定節(jié)點i對節(jié)點j的綜合信任云
TCfol(EXto, ^ Heto,);
[0021]步驟4節(jié)點信任度評價過程:首先將節(jié)點i對節(jié)點j的綜合信任云
的期望的信任值T(j);然后比較節(jié)點j的信任值T(j)
與善意行為評價閾值GT大小，如果T (j)小于善意行為評價閾值GT，則不對節(jié)點進行信任度的獎勵與懲罰，如果T (j)大于`或等于善意行為評價閾值GT，則比較節(jié)點j的行為不確定因子Λ與評價閾值GT大小，用于區(qū)分惡意節(jié)點和善意節(jié)點；若節(jié)點j的行為不確定因子Λ小于行為不確定因子閾值Θ，則對節(jié)點j進行獎勵，提高其信任度，若節(jié)點j的行為不確定因子Λ大于行為不確定因子閾值Θ，則對節(jié)點j進行懲罰，降低其信任度。
[0022]本發(fā)明與現(xiàn)有的技術(shù)相比，其顯著的優(yōu)點為:(I)借鑒了人類心理認知習慣中優(yōu)先采納直接經(jīng)驗進行判斷節(jié)點信任度的思想，使得當兩個節(jié)點之間交易次數(shù)超過交互次數(shù)信任閾值H時，節(jié)點就可以通過自身進行信任判斷，不需要推薦信息，從而簡化了信任計算的復雜度；(2)提出了一種新的計算“推薦可信度”的方法，過濾掉不可信的推薦信息，使得模型能更好地抵御不誠實推薦節(jié)點的惡意行為；(3)應(yīng)用傳統(tǒng)云模型中表征不確定性的兩個參數(shù)一熵和超熵，引入獎勵因子和懲罰因子分別對善意節(jié)點實施獎勵、對惡意節(jié)點實施懲罰，使得在善惡節(jié)點的辨別上變得更加容易；(4)引入“主題興趣”，“次要興趣”概念，使得興趣分組更加合理，能更好的解決信任模型中因為興趣不同難以形成直接的信任關(guān)系，同時，有效減少網(wǎng)絡(luò)中消息傳遞數(shù)目。
【專利附圖】

【附圖說明】
[0023]圖1是/[目任值計算過程。
[0024]圖2是分組過程圖。
[0025]圖3是分組后P2P網(wǎng)絡(luò)工作原理圖。[0026]圖4是綜合信任云流程圖。
[0027]圖5是信任度獎勵懲罰流程圖。
[0028]圖6是平均消息復雜度(AMC)隨網(wǎng)絡(luò)規(guī)模的變化規(guī)律。
[0029]圖7是平均交互次數(shù)(ANT)隨網(wǎng)絡(luò)規(guī)模的變化規(guī)律。
[0030]圖8是失敗下載總數(shù)(TFN)隨仿真周期的變化規(guī)律。
[0031]圖9是合作欺騙惡意節(jié)點CDMP存在下的成功下載率。
[0032]圖10是策略型惡意節(jié)點SMP存在下的成功下載率。
【具體實施方式】
[0033]下面結(jié)合附圖對本發(fā)明作進一步詳細描述。
[0034]結(jié)合圖1，本發(fā)明基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，步驟如下:
[0035]第一步，興趣群組劃分和及其消息傳遞過程。首先結(jié)合圖2闡述興趣群組劃分過程:
[0036]步驟1:記U = IC1, C2, (V..CJ為P2P網(wǎng)絡(luò)的興趣集合，則每個節(jié)點i都有其感興
趣的內(nèi)容類別記為Ui = IC1, C2，CfC1J，其中OfZi=C/，m表示網(wǎng)絡(luò)中所擁有的節(jié)點總數(shù)，




?=1
但每個節(jié)點有一個最感興趣的內(nèi)容類別，即每個節(jié)點都有一個主題興趣，是用來作為劃分興趣群組的依據(jù)。除了主題興趣外，每個節(jié)點還可以有多個感興趣的次要主題，節(jié)點對次要興趣感興趣的程度低于主題興趣，各個次要興趣也可根據(jù)按照優(yōu)先級排序；因此，每個節(jié)點都保存有一張興趣愛好列表。
[0037]步驟2:初始時，根據(jù)節(jié)點i的處理、存儲、帶寬等方面性能，確定其是否為組頭節(jié)點，如果在這些方面，節(jié)點的性能較好，則確定為組頭節(jié)點，否則為非組頭節(jié)點；為了防止單點失效，每個組中也可以有多個組頭節(jié)點，一旦連接的組頭節(jié)點離開網(wǎng)絡(luò)，可以選擇組中其他的組頭節(jié)點。
[0038]步驟3:如果該節(jié)點為非組頭節(jié)點，則通過查詢路由協(xié)議QRP與組頭節(jié)點進行查詢路由表QRT地交換，非組頭節(jié)點向組頭節(jié)點發(fā)送對應(yīng)的QRT，組頭節(jié)點將接收到的QRT與其自身的QRT進行整合，同時與網(wǎng)絡(luò)中的其他組頭節(jié)點進行QRT交換。
[0039]步驟4:如果找不到主題興趣相同的組頭節(jié)點，可以根據(jù)次要興趣的排序，連入次要興趣組；
[0040]步驟5:如果該節(jié)點為組頭節(jié)點，則其會與之最近的組頭節(jié)點進行連接。
[0041]接著，結(jié)合圖3給出分組后網(wǎng)絡(luò)中的消息傳遞過程，消息傳遞可分為組內(nèi)查詢和組件查詢。
[0042]?組內(nèi)查詢
[0043]若為組內(nèi)查詢，則節(jié)點查詢的內(nèi)容為主題興趣。首先，向組頭節(jié)點發(fā)送一個查詢請求，組頭節(jié)點根據(jù)具體的查詢內(nèi)容發(fā)送給組中其他的`非組頭節(jié)點；非組頭節(jié)點收到查詢請求后，根據(jù)本身的情況，若存在對應(yīng)的內(nèi)容，則對該請求進行響應(yīng)；查詢節(jié)點收到響應(yīng)后，與之建立連接，實現(xiàn)資源共享。
[0044]?組間查詢
[0045]若節(jié)點要查詢的內(nèi)容為次要興趣內(nèi)容，則組頭節(jié)點以廣播的方式發(fā)送給與之相連的其他組的組頭節(jié)點，通過這種方式，將查詢請求一直傳遞下去，直到找到需要查詢的次要興趣群組的組頭節(jié)點，然后再由次要興趣組的組頭節(jié)點轉(zhuǎn)發(fā)給該組的非組頭節(jié)點。具體的步驟如下:首先向本組的組頭節(jié)點發(fā)送一個查詢請求，本組的組頭節(jié)點根據(jù)具體的查詢內(nèi)容發(fā)現(xiàn)不是本組的內(nèi)容，則依靠QRT發(fā)送給次要興趣的組頭節(jié)點；其次，次要興趣組頭節(jié)點根據(jù)查詢的內(nèi)容，發(fā)送給組中與之相連的非組頭節(jié)點；然后，次要興趣非組頭節(jié)點收到查詢請求后，根據(jù)本身的情況，若存在對應(yīng)的內(nèi)容，則對該請求進行響應(yīng)；最后，查詢節(jié)點收到響應(yīng)后，與之建立連接，實現(xiàn)資源共享。
[0046]第二步，綜合信任云構(gòu)建過程，結(jié)合圖4闡述云模型與人類心理認知習慣相結(jié)合給出了計算節(jié)點綜合信任云的過程，其方法如下:
[0047]步驟1:構(gòu)造直接信任云。當節(jié)點i想要判斷節(jié)點j的信任度時，獲取節(jié)點i與節(jié)點j之間h次直接交互經(jīng)驗,直接交互經(jīng)驗表示成節(jié)點i對節(jié)點j的提供服務(wù)的滿意度評分值，評分值在區(qū)間[0，1.0]之間，其中評分值O表示節(jié)點提供最差的服務(wù)，很不滿意；評分值0.25表示節(jié)點提供交易不成功，不滿意；評分值0.5表示節(jié)點提供服務(wù)普通，一般滿意；評分值0.75表示節(jié)點提供交易成功，滿意；評分值1.0表示節(jié)點提供交易很成功，很滿意。假設(shè)善意節(jié)點只提供滿意度為0.75和1.0的服務(wù)，惡意節(jié)點作惡時提供滿意度為
0.0和0.25的服務(wù)，不作惡時提供0.75和1.0的服務(wù)，0.5作為節(jié)點的初始信任度。若h> O,將節(jié)點i對節(jié)點j的直接信任評價值輸入一維逆向正態(tài)云生成算法得到直接信任云T(l(ExD,EnD,HeD)，具體的一維逆向正態(tài)云生成過程如下:
輸入:樣本點Xi，其中ζ: = 1，2，3...η
輸出:反映定性概念的三個數(shù)字特征(Ex,En,He)
(I )根據(jù)Xi計算這組數(shù)據(jù)的樣本均值尤e丄I； X,，一階樣本絕對中心矩





n i=i
[0048]i ΣI X,.-ExI ,樣本方差 S1 — I (X1- Hf ;
nη —I ?-ι
C2)期望Ere無；
(3)熵jlx 丄 ?|χ,_ —￡?| ；

V 2 η ?=ι
(4)超熵-En2 ；
[0049]步驟2:構(gòu)造推薦信任云。若節(jié)點i與節(jié)點j之間無直接交互經(jīng)驗，即直接交互次數(shù)等于O時，則當節(jié)點i想要獲取節(jié)點j的推薦信任值時，節(jié)點i需要根據(jù)節(jié)點j的推薦節(jié)點集合來獲取近期內(nèi)所有曾經(jīng)與節(jié)點j有過交互歷史經(jīng)驗的節(jié)點對節(jié)點j提供服務(wù)的評價值。但為了保證推薦節(jié)點的可靠性，需要為每個推薦節(jié)點Rk都保存了歷史推薦統(tǒng)計信息，包括成功推薦次數(shù)1?""?、失敗推薦次數(shù)FC0M?k和推薦可信度^12^，查詢節(jié)點i每次在
采用推薦信息時，如果該推薦節(jié)點的可信度>0'則認為節(jié)點Rk的推薦信息可靠，可
以采用，反之，則不采用，即僅將推薦可信度^/\ > O的節(jié)點的推薦評價值輸入一維逆向
正態(tài)云生成算法，得到推薦信任云π?，),在推薦信任云構(gòu)造過程中，推薦節(jié)點的推薦可信度通過如下步驟計算得到:
[0050]步驟2.1:節(jié)點i在與節(jié)點j完成一次交易后，根據(jù)獲取到的服務(wù)質(zhì)量，參考滿意度評分標準，給出評價值，結(jié)合原有的評價數(shù)據(jù)，通過平均值計算的方法得到對節(jié)點j的直接信任度MTrustij ；
[0051]步驟2.2:獲取推薦節(jié)點Rk對節(jié)點j的推薦信任度；
[0052]步驟2.3:計算MTrustij與RTnislH.」差值的絕對值，如果
-RTrus/4 S ΔΑ，其中Λ T為推薦可信度閾值，一般為信任評價中好的服務(wù)質(zhì)量
最大差值，則成功的推薦次數(shù)夂^?&加I,反之，失敗的推薦次數(shù)FCmmk加i ;
[0053]步驟2.4:通過計算SC0.、-FCountRt,更新推薦可信度腿&。
[0054]步驟3:構(gòu)造綜合信任云。當節(jié)點i與節(jié)點j的直接交互次數(shù)h大于或等于給定的交互次數(shù)閾值H時，認為節(jié)點i根據(jù)自己已有的歷史經(jīng)驗，完全能夠判斷節(jié)點j，則直接信任云TCUExmE^,HeD)就是緣合信任云TCUExlol,E~，HelJ ；當節(jié)點i與節(jié)點j的直接交互次數(shù)h等于O時，節(jié)點i只能通過推薦節(jié)點來獲取對節(jié)點j的信任評價，此時綜合信任云退化為推薦信任云當節(jié)點i與節(jié)點j的直接交互次數(shù)h在O到H范圍內(nèi)的時候，綜合信任云由直接信任云和推薦信任云共同決定，此時需先計算直接信任云！^〖(^^，^^，//^^，然后計算推薦信任云^^成.^，^^,，/^)，最后將這
兩種信任云進行綜合,得到綜合信任云?^(￡^，辦；以上計算方法的公式如下:
[0055]
【權(quán)利要求】
1.一種基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，其特征在于包括興趣群組劃分、興趣群組消息傳遞過程、信任云構(gòu)建過程和節(jié)點信任度評價過程，具體步驟如下: 步驟I所述的興趣群組劃分過程如下:首先確定興趣群組的數(shù)目，每個興趣群組最大興趣愛好數(shù)目以及網(wǎng)絡(luò)中文件資源數(shù)目；然后確定組頭節(jié)點，根據(jù)設(shè)定的群組數(shù)、興趣愛好數(shù)、網(wǎng)絡(luò)中的文件資源數(shù)目，確定網(wǎng)絡(luò)中的節(jié)點所屬的群組，最后非組頭節(jié)點通過查詢請求查找與之主題興趣相同的組頭節(jié)點，而組頭節(jié)點彼此之間建立連接； 步驟2所述的興趣群組消息傳遞過程如下:根據(jù)節(jié)點查詢的內(nèi)容確定群組消息傳遞方式，若為主題興趣，則進行組內(nèi)查詢，若為次要興趣，則進行組間查詢； 步驟3所述的信任云構(gòu)建過程如下:首先獲取節(jié)點i與節(jié)點j的直接交互次數(shù)h ;其次比較交互次數(shù)h與給定的交互次數(shù)閾值H大小，如果交互次數(shù)h大于或等于給定的交互次數(shù)閾值H時，將節(jié)點i對節(jié)點j的直接信任評價值輸入一維逆向正態(tài)云生成算法，得到直接信任云埤山如果節(jié)點i與節(jié)點j的直接交互數(shù)等于O時，節(jié)點i只能通過其他節(jié)點的推薦來度量對節(jié)點j的信任值，計算推薦節(jié)點Ri的推薦可信度，僅將可靠推薦節(jié)點的推薦評價值輸入一維逆向正態(tài)云生成算法，其中可靠推薦節(jié)點的推薦可信度RTDRk > 0，從而得到推薦信任云TCUExnEnliHei)；如果交互次數(shù)h大于O，小于給定的交互次數(shù)閾值H，則組合節(jié)點i對節(jié)點j的直接信任云和推薦信任云共同決定節(jié)點i對節(jié)點j的綜合信任云 TCvtol (Extol, Enlol, Hetol)； 步驟4所述的節(jié)點信任度評價過程如下:首先將節(jié)點i對節(jié)點j的綜合信任云 的期望Extol作為節(jié)點j的信任值T(j);然后比較節(jié)點j的信任值T(J)與善意行為評價閾值GT大小，如果T (j)小于善意行為評價閾值GT，則不對節(jié)點進行信任度的獎勵與懲罰，如果T (j)大于或等于善意行為評價閾值GT，則比較節(jié)點j的行為不確定因子△與評價閾值GT大小，用于區(qū)分惡意節(jié)點和善意節(jié)點；若節(jié)點j的行為不確定因子Λ小于行為不確定因子閾值Θ，則對節(jié)點j進行獎勵，提高其信任度，若節(jié)點j的行為不確定因子△大于行為不確定因子閾值Θ，則對節(jié)點j進行懲罰，降低其信任度。
2.根據(jù)權(quán)利要求1所述的基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，其特征在于所述的步驟I中興趣群組劃分步驟如下: 步驟1.1設(shè)定組頭節(jié)點ID號，需要分組的群組數(shù)n，每個節(jié)點擁有的興趣愛好數(shù)m，m<=n,網(wǎng)絡(luò)中所有文件總數(shù)； 步驟1.2根據(jù)設(shè)定的組頭節(jié)點ID號，確定組頭節(jié)點，根據(jù)設(shè)定的群組數(shù)，興趣愛好數(shù)，網(wǎng)絡(luò)中的文件數(shù)，確定網(wǎng)絡(luò)中的節(jié)點所屬的群組，節(jié)點擁有的興趣及其擁有的文件數(shù)量，其中興趣愛好分為主題興趣和次要興趣，主題興趣的ID號與節(jié)點分配到的群組ID號是相同的； 步驟1.3非組頭節(jié)點通過組頭節(jié)點查詢請求查找與之主題興趣ID號相同的組頭節(jié)占.步驟1.4組頭節(jié)點收到組頭結(jié)點查詢請求后，如果發(fā)現(xiàn)對應(yīng)的主題興趣與自己相同，將該非組頭節(jié)點作為自己的鄰居節(jié)點，同時非組頭節(jié)點也將該組頭節(jié)點作為自己的鄰居節(jié)占.步驟1.5組頭節(jié)點彼此之間建立連接。
3.根據(jù)權(quán)利要求1所述的基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，其特征在于所述的步驟2中興趣群組消息傳遞過程如下: 步驟2.1判斷節(jié)點查詢的內(nèi)容，如果節(jié)點查詢的內(nèi)容為主題興趣，則執(zhí)行步驟2.2，如果節(jié)點要查詢的內(nèi)容為次要興趣內(nèi)容，則執(zhí)行步驟2.3 ； 步驟2.2進行組內(nèi)查詢，通過以下步驟進行查詢: 步驟2.2.1向組頭節(jié)點發(fā)送一個文件查詢請求，組頭節(jié)點根據(jù)具體的查詢內(nèi)容發(fā)送給組中其他的非組頭節(jié)點； 步驟2.2.2非組頭節(jié)點收到文件查詢請求后，若與自身的主題興趣相匹配，則對該請求進行響應(yīng)； 步驟2.2.3查詢節(jié)點收到響應(yīng)后，與響應(yīng)節(jié)點建立連接，進行文件下載； 步驟2.3進行組間查詢，通過以下步驟進行查詢: 步驟2.3.1首先向本組的組頭節(jié)點發(fā)送一個組間查詢請求,本組的組頭節(jié)點根據(jù)具體的查詢內(nèi)容發(fā)現(xiàn)不是本組的內(nèi)容，則發(fā)送給次要興趣的組頭節(jié)點； 步驟2.3.2次要興趣組頭節(jié)點根據(jù)查詢的內(nèi)容，發(fā)送給組中與之相連的非組頭節(jié)點；步驟2.3.3次要興趣非組頭節(jié)點收到組間查詢請求后，若與自身的主題興趣相匹配，則對該請求進行響應(yīng)； 步驟2.3.4查詢節(jié)點收到響應(yīng)后，與之建立連接，進行文件下載。
4.根據(jù)權(quán)利要求1所述的基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，其特征在于所屬的步驟3中信任云構(gòu)建過程步驟如下: 步驟3.1構(gòu)造直接信任云，若節(jié)點i與節(jié)點j存在直接交互，即直接交互次數(shù)h>0，則節(jié)點i根據(jù)自己已有的歷史經(jīng)驗來獲得節(jié)點i對節(jié)點j的直接信任評價，即通過把節(jié)點i對節(jié)點j的直接信任評價值輸入一維逆向正態(tài)云生成算法，可得到直接信任云TCUExmEnmHel^，其中ExD、En11和He11分別為期望、熵和超熵； 步驟3.2構(gòu)造推薦信任云，若節(jié)點i與節(jié)點j不存在直接交互，即直接交互次數(shù)h=0，節(jié)點i只能通過與節(jié)點j有直接交互經(jīng)歷的推薦節(jié)點來獲得節(jié)點i對節(jié)點j的信任值，即為了保證推薦節(jié)點Rk的推薦可靠性，設(shè)推薦節(jié)點的推薦可信度，僅將推薦可信&RTD丨、的推薦節(jié)點的推薦評價值輸入一維逆向正態(tài)云生成算法，得到推薦信任云.，其中推薦節(jié)點Rk的推薦可信度計算過程如下: 步驟3.2.1節(jié)點s(s古i)在與節(jié)點j完成一次交易后，根據(jù)獲取到的服務(wù)質(zhì)量，參考滿意度評分標準，給出評價值，結(jié)合原有的評價數(shù)據(jù)，通過平均值計算的方法得到對節(jié)點j的直接信任度MTrustsj ； 步驟3.2.2獲取推薦節(jié)點Rk對節(jié)點j的推薦信任度Stliu ;
步驟 3.2.3 計算 MTrustij 與 RTrustthj 差值的絕對值，如果
5.根據(jù)權(quán)利要求1所述的基于興趣群組的P2P網(wǎng)絡(luò)信任云模型計算方法，其特征在于所述的步驟4中節(jié)點信任度評價過程按照以下方式進行: 行為不確定因子
【文檔編號】H04L29/08GK103561047SQ201310328657
【公開日】2014年2月5日 申請日期:2013年7月31日 優(yōu)先權(quán)日:2013年7月31日
【發(fā)明者】徐建, 張宏, 衷宜, 陸玲玲, 張琨, 董圣杰, 沈海波 申請人:南京理工大學