面向移动社交网络的动态信任评估

数百万用户每天在参与移动社交网络互动及相关资源获取,在没有直接联系的2个用户之间建立信任关系,对于提高移动社交网络服务质量和增强用户安全感方面具有重要的作用.在分析移动社交网络体系架构的基础上,设计了一种综合考虑直接信任、推荐信任、信任风险函数、激励机制等多个影响因子的动态信任评估模型,并对信任值计算方法、信任决策和信任更新等进行分析.基于真实社交网络数据集Epinions.com的实验表明,本模型的信任值计算准确可信,且能够有效抵御恶意节点的攻击.     

移动Ad hoc网络中的一种信任评估模型

为了实现从安全管理的角度划分移动Ad hoc网络的网络结构,保证移动Ad hoc网络的有效运行和管理,提出了一种信任评估模型.该模型从信任的定义出发,采用实体行为的服务级管理,针对不同类别服务的实体行为表现成功次数和失败次数对信任关系进行度量,定义了直接信任度、推荐信任度和节点信任度.结果表明该模型适用于移动Ad hoc网络,弥补了移动Ad hoc网络中现有的成簇算法缺少恶意节点检测的缺陷.     

一种改进的DyTrust信任模型

为了提高DyTrust模型信任评价的准确度,解决信任模型的粒度比较粗糙以及节点的个体经验对信任评价带来影响的问题,在DyTrust模型的基础上,通过对节点所提供的服务进行细化和引入经验因子的方法,提出了一种改进的信任评价算法.与DyTrust模型的比较和分析表明,改进后的模型精化了信任算法的粒度,提高了信任评价的准确度,体现了节点的个性化特性,在反馈可信度的算法方面有较大的改善,同时该反馈可信度算法具有较好的可扩展性.     

一种P2P网络分布式多粒度信任模型

鉴于集中式信任机制不适合于P2P网络,提出了一种分布式多粒度信任模型.该模型从文件质量、下载速度、文件类型和文件大小等多个角度评价服务节点的服务能力,并分别计算信任度.相比整体信任度,多粒度信任度可以提供更精确的信任信息,提高了系统实用性.该模型根据历史评价信息计算多粒度信任度,计算简便,没有迭代运算的不收敛问题.计算机仿真证明了该模型的优点.     

信任在Web2.0在线社交网络中的作用

Web 2.0作为互联网中更为先进的技术,最受欢迎的应用形式即以用户为导向的在线社交网络(Online Social Network,OSN).OSN逐渐成为人们社会化以及表达自我和沟通的新形式,也成为了人们日常活动中与人沟通、获取信息和知识的重要部分.因此,OSN建立了一种网络环境下快速有效地信息传播机制.在考虑信任、社会网络以及Web 2.0环境之间相互作用情况下,对OSN中用户间信任如何产生、信任的类型以及信任对OSN中用户行为的作用机制进行深入解析.     

Ad Hoc网络中一种基于救赎机制的信任模型

在Ad Hoc网络中,节点由于自私等恶意原因以及链路错误导致拒绝转发数据,需要采用适当的机制来提高网络的转发性能.提出一种Ad Hoc网络中的信任模型来激励节点间的协作,在此信任模型中,每个节点通过直接监控和其它节点的推荐监控信息共同完成对邻居节点的信任评价,并维护所有邻居节点的信任值,同时在信任值更新和重建中引入信任值衰退和信任救赎机制来体现模型的健壮性.实验表明该信任模型中的信任救赎机制能提高网络可用性,且该模型有效抑制了恶意节点的行为.     

面向社交网络中多背景的信任评估模型

针对信任由背景敏感性导致的在社交网络中难以有效评估用户间接信任值的问题,提出了一种面向多交互背景的间接信任评估模型(multiple-context trust evaluation,MCTE)。该模型利用相关性概念,通过对各背景下网络结构和用户信任关系的综合分析,建立覆盖在信任网络之上的相关性网络,进而利用交互背景的相关性计算跨背景用户的间接信任值。模型避免了多背景以及疏散网络中间接用户信任路径难以寻求,以及信任衰减对评估的影响,有针对性地为用户组建立相关网络,保证了预测的准确性及合理性。对真实社交网络的实验结果表明,MCTE模型不仅可以计算单一背景下用户的间接信任值,更适用于多交互背景下用户信任值的预测。与已有模型相比,评估准确度有较大的提高。     

一种基于相似社团和节点角色划分的社交网络用户推荐方案

针对现有的社交网络用户推荐方案中主要考虑个体相似性问题以及节点角色无层次差别的问题,提出一种基于相似社团和节点角色划分的推荐方案。在传统的用户相似度计算基础上,从社团结构和属性两方面,综合考虑社团间联系的紧密程度和社团用户兴趣爱好相似程度,提出一种社团相似度的计算方法;其次,从用户节点所在的社团内部和外部2个维度度量节点间紧密度,并据此度量节点的社会影响力,进而将它们划分成不同角色,实现用户推荐的差异化。通过新浪微博真实社交数据对方案进行验证,实验结果表明,该方案适用于存在社团现象的社交网络层次化用户推荐,并具有良好的推荐效果。     

一种社交网络用户领导者挖掘算法

社交网络中的用户领导者挖掘是用户影响力分析的重要问题.提出一种基于用户影响力评估的社交网络用户领导者挖掘算法.首先,描述问题模型以及模型相关定义;其次,提出了基于用户影响力和用户活跃度计算的用户领导力评估方法;最后,依据用户领导力和用户中心度计算实现用户领导者的挖掘.实验印证了该方法对于社交网络挖掘用户领导者的可行性和有效性.     

一种面向社交网络的资源服务推送方法分析与研究

传统的基于协同过滤推荐、内容推荐等技术在资源服务推荐中虽然得到了广泛地应用,但这些方法针对矩阵稀疏、冷启动等问题,在一定程度上还是未能有效地解决,以致推荐效果不是很理想。根据用户社交网络中关系,把用户之间的相似关系和信任因关系作为构建服务推荐目标用户列表的计算因子,从而对网络资源服务向目标用户做出有效而精确地推荐。通过实验分析,这种方法在面向社交网络平台上的资源服务推荐有着明显的优越性。     

基于复杂网络的社交网络用户影响力研究

基于复杂网络理论对社交网络用户影响力进行分析,可以为社会营销、舆情监测、信息检索等众多领域的研究提供支持.传统的网页排序算法虽然可以对有向社交网络的用户影响力进行分析,但仍存在缺陷且复杂度较高.本文提出了一种对无向社交网络进行用户影响力评价的方法,弱化了将有向网络视为无向网络研究而带来的误差,并可以高效地得到重要节点,适用范围更广.首先,本文采用网络节点的度中心性、介数中心性、接近中心性、聚类系数作为节点重要度评价指标,通过对计算数据归一化处理并取均值得到用户影响力排序的基准.其次,采用k-核分解法粗粒化地将重要度相似的节点进行归类,来检验排序的合理性.最后,通过仿真实验以及k-核分解、与HITS算法比较验证了此方法的科学性和正确性.     

P2P网络中一种基于信任的访问控制模型

对于P2P这样高度自主的分布式系统而言,安全性的提高应该依靠对节点相关机制和对文档相关机制的共同控制来实现.设计了存贮节点直接交互评价和对下载资源评价的数据结构,给出了过滤推荐节点的方法.在此基础上,提出了一种P2P文件系统信任模型及访问控制方案.通过计算节点的信任值和资源的信任值,并设置资源提供者信任阈值和共享文件信任阈值2种限制,保证选取安全可靠的下载源,从而实现安全访问策略.仿真实验结果表明,在P2P文件共享网络中,该模型能有效遏制恶意节点的不良行为,提高真实文件的下载成功率.     

在线社交网络中基于机器学习的多维用户信任评估方法

为了解决在线社交网络中识别不可信用户的问题,提出了基于机器学习的多维用户信任评估方法.该方法首先定义了最大平均值对数偏差用于计算特征;其次,充分考虑在线社交网络的特点以及现实中信任建立的过程,从用户的历史数据中提取出一共4类13项特征用以计算用户的信任值.此外,方法使用了6种不同的机器学习模型,用来衡量所提出的特征识别不可信用户的效果.在真实数据集上的测试结果表明,基于最大平均值对数误差计算得到的特征能够在正确率等各项指标上取得优异表现.     

基于信任管理模型的移动Agent安全机制研究

针对移动Agent系统的安全问题,分析了信任管理模型的概念及其形式化定义.基于可信计算的相关思想,在传统安全管理的基础上融合了基于动态信任管理模型的安全体系结构并对相关关键算法进行了设计,同时与传统的安全性能进行了对比和分析.     

基于信任模式的P2P超级节点选取机制研究

本文提出了一种基于信任模式的P2P超级节点选取机制,通过计算节点的总体信任度作为评选超级节点的一项重要指标,并在计算节点信任度的过程中引入奖励惩罚因子和时间衰减因子,同时在选取超级节点时采用阈值过滤算法从普通节点中筛选备选超级节点集合,然后再从备选超级节点集合中选取最优的节点作为超级节点。通过在Matlab实验环境下仿真表明,该机制能够有效提高P2P超级节点选取的准确性。     

社区模型的移动Ad hoc网络信任管理方案

分析了移动自组网面临的安全问题,特别是由网络内部恶意结点引起的威胁。通过跟踪结点的行为,对结点的信任度进行计算和管理;可以有效限制恶意节点行为,增强网络安全性和可靠性。根据Ad hoc网络的特点,在所提出的方案中对信任概念的内容进行了扩展,通过网络社区模型,建立了对结点进行信任计算的公式和管理方案。仿真实验证实了该方案相对于传统方案具有更高的效能。     

一种信任关系网络中的社团结构检测算法

针对群智计算和感知服务中不可信服务节点可能引入的安全威胁问题,提出了一种基于节点间信任关系网络的社团结构检测算法。该算法通过分析信任关系网络的功能和结构特点,引入连接的方向和权值因素,建立有向加权网络模型,定义最优路径相似度作为节点聚合标准,提出社团离散指数作为评价函数控制检测过程,从而准确识别信任关系网络中的可信节点集合,为服务节点选择提供参考。算法引入节点相似度阈值和归属判定指数控制社团聚合,与误分类节点再筛选环节配合,有效降低了检测过程中的节点误判概率,有针对性地设计社团离散指数作为评价函数,动态评估检测结果并调节聚合参数,保证了社团结构检测结果的准确率及合理性。实验结果表明:该算法能够有效实现信任关系网络中社团结构的检测与识别,与已有算法相比,检测准确率提高了5.88%。     

一种移动社交网络的协同定位隐私保护方法

基于位置服务的移动社交网络中用户分享携带位置和好友标签的信息,不仅会影响用户位置隐私也会泄漏好友的位置信息,从而导致基于协同定位信息攻击的位置隐私泄露问题.为此,文中提出了一种防御协同定位信息攻击的位置隐私保护方法,设计了基于用户与好友线上交互的关系强度计算方法,给出了关系强度与位置隐私保护需求的关联和量化方法,实现了一种基于协同定位信息隐藏和时间调整(CCTA)的位置隐私保护算法.在推特数据集上的实验结果表明,文中方法能满足用户位置隐私保护需求,且保护效果最佳.     

基于广义意见动态模型的社交信任网络意见最大化问题

提出了一种广义意见动态模型（GODM），此模型可以通过动态计算每个人的表达意见来解决社交信任网络中的意见最大化问题。在模型中提出了一个新的、合理的、可解释的自信指数${\alpha _{{i}}}$，${\alpha _{{i}}}$由个人的社会地位与其周围人的评价共同决定。并且利用对角占优理论，得到模型达到纳什均衡状态时的最优解析解。设计了一种具有l₁ 形式的交替方向乘子法来最大化现有的总体意见。进行了一系列实验，实验结果表明，此方法在4个数据集上都有较好的结果。在4个数据集上，解决内部意见问题的平均效益分别提升了 66.4%，88.7%，47.8% 和 34.1%。实验结果充分验证了所提模型的优越性。     

社交网络中基于信任评估的推荐控制模型

针对社交网络中无法有效管理陌生推荐安全性难题,提出了一种基于信任的评估推荐控制模型(TRCM).该模型描述了社交网络推荐中个体角色、推荐路径、可信任值、控制规则等方面内容.模型结合社交网络个体之间取信度、信誉度评估方法,分别计算串路型、并路型和复合型3类推荐信任度,并给出了客观偏移度和信心指数评估.同时,TRCM定义了一组信任控制规则以管理社交网络中的推荐行为.实验表明,该方法是有效可行的.