[发明专利]一种机会网络中分布式动态信誉评估方法

权利要求书

1.一种机会网络中分布式动态信誉评估方法，其特征在于：所述方法应用于机会网络中，所述机会网络包括了异常节点，所述异常节点分为恶意节点和自私节点，所述方法基于信任模型，所述信任模型包括行为监测机制、信任的传递与存储、及信任的聚合处理与转发策略；所述节点行为监测针对异常节点的恶意行为，记录节点在网络中的消息转发次数、作为源节点发送、拒绝合作的次数及消息成功交付的反馈数目；信任的传递与存储涉及节点对本地直接信任与间接信任的存储以及选择性接受邻居节点的信任推荐；节点的信任由向量组成，并将信任量化为连通度、健康度、满意度三个维度；信任计算与处理根据本地信任和传递信任进行信任的聚合计算，并采取随时间衰减的策略；信任决策分为是否接受消息发送请求、是否进行消息转发、是否接受信任推荐；所述方法在信誉预估时采用自适应平滑指数马尔可夫链信誉预估算法，通过马尔科夫链来提高指数平滑法预测精准度，同时，根据当前及历史状况自适应地选择平滑次数和平滑系数。

2.根据权利要求1所述的分布式动态信誉评估方法，其特征在于：所述自适应平滑指数马尔可夫链信誉预估算法包括以下步骤：

A.根据当前网络状态和数据状态自适应地确定平滑系数α：α取值的取值与历史数据的波动成正相关；

B.使用平滑指数模型进行预测，将在节点加入网络的初始时间段采用简单的一次指数平滑预测拟合变动小的数据序列，而在节点加入网络一段时间后则开始根据历史数据的趋势自适应选择二次或三次指数平滑预测拟合有直线趋势或去向趋势的数据序列，并均计算预测值其中，i为节点i的标识，t为时刻t；

C.在求出后，预测相对误差率并划分误差状态，使用指数平滑模型趋势预测项与实际计算项F_i(t+1)比较，即计算将其划分为n个状态；其中，T为周期；

D.针对各相对误差状态的状态转移概率建立马尔可夫状态转移概率矩阵，并计算出修正后的预测结果。

3.根据权利要求1所述的分布式动态信誉评估方法，其特征在于：所述评估信誉度包括量化信誉度，利用信誉的直接计算法和间接计算法计算信誉度。

4.根据权利要求3所述的分布式动态信誉评估方法，其特征在于：所述计算信誉度采用效率高、速度快的加权平均法对信誉值进行初步计算：

T＝γT_social×(1-γ)T_unsocial

其中T_social＝α×R_p+β×R_q+γ×R_n，α+β+γ＝1；在影响因子中将引入社交型因子T_social，相遇次数R_p、成功协作次数R_q，双方共同好友数R_n，而T_unsocial则是除了社交因子外的其它影响信誉的因素。

5.根据权利要求1所述的分布式动态信誉评估方法，其特征在于：所述方法对传统的贝叶斯算法进行改进，参考信任属性的划分方法，将信任度划分为连通度、健康度、满意度三个部分，并定义了不同的量化方法；在计算直接信任时，使用了两跳反馈消息和提取消息转发路径信息的方法，充分记录了节点的行为特征；在选择推荐信任时，同时考虑了推荐节点的可信程度和其推荐的信任的重要性；最后使用不同的信任度分量对节点的接收和发送行为的判别决策，减小了贝叶斯使用单一信任决策的缺点。

6.根据权利要求1所述的分布式动态信誉评估方法，其特征在于：所述恶意行为包括节点拒绝合作、丢弃消息、滥发垃圾消息、提供虚假反馈消息。

7.根据权利要求1所述的分布式动态信誉评估方法，其特征在于：所述信任决策还包括黑名单决策，当节点的健康度和满意度中某一个低于一定阈值时，计算此时的Confidence重要性，并将节点列为黑名单节点，将该黑名单节点告知给周围邻居节点，邻居节点降低对黑名单节点的信任值。