基于模糊聚类的网格信任模型研究

《基于模糊聚类的网格信任模型研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于模糊聚类的网格信任模型研究摘要：由于网格的开放性和复杂性，对网格的安全提出了更高的要求。在网格信任模型屮，采用模糊聚类的方法对网格屮的实体进行信任等级和推荐采纳系数的划分；计算推荐信任引入蚁群算法更加全面的反映出推荐信任。通过仿真实验，该模型能够有效的遏制恶意节点对网格信任模型带來的影响，提高了网格信任模型的安全性。关键词：推荐信任；模糊聚类；蚁群算法；信任模型网格是一-个开放性的环境，网格的目的是实现互联网上所有资源的全面连通和全面共亨，为用八提供各种透明的服务。因此网格一般需要跨越多个虚拟组织，来实现资源的协同和共寧。但由于网格本身的动态性、开放性、弄构性、共享性

2、等特点，资源提供者与资源使用者双方难以事先建立可靠的信任关系，在网格中如何建立可靠的信任关系成为目前网格信任模型研究的一个热点。一、网格中的信任模型信任的定义：D.Gambetta提出的信任定义为：信任是事先期望一个实体执行特定动作的主观可能性程度。信任通常分为肓接信任和推荐（间接）信任。肓接信任表示两个实体已经通过交易或服务建立的一种信任关系；推荐（间接）信任指两个实体间Z前不存在直接交易或服务而通过第三方建立的一种信任关系。肯接信任和推荐（间接）信任关系如图1所示：M.Blaze等人在1996年第1次提出了信任管理的概念，Beth信任度评估模型把经验的概念引入进来，利

3、川经验來对信任关系进行度量和表述。由于该模型在考虑信任时，只考虑到肯定经验和直接信任，无法避免恶意推荐，影响信任模型的安全箱。信任度评估模型把事实空间和观念空间的引入到信任模型中，并用来度屋和描述信任关系。尽管该模型引入了事实空间中的肯定和否定事件，对直接信任和推荐信任区分不明且计算信任吋只考虑推荐因子，无法有效的消除恶意推荐给信任模型带来的影响。二、基于模糊聚类的网格信任模型本文中在对Beth和两种模型研究分析的基础上，提出了把模糊数学中的聚类分析应用到网格中信任模型的研究中來。首先，引入模糊聚类对网格中的实体进行信任等级和推荐采纳系数的划分；对于网格屮实体的信任值需考

4、虑肓接信任和推荐信任的合成运算；对于推荐信任，两交易实体之间的推荐路径存在不止一条时，引入了蚁群算法通过迭代求解最优推荐路径从而计算出推荐信任，使推荐信任的计算更加准确；使该信任模型的评估更加准确、有效、安全。（一）模糊聚类分析模糊聚类分析的主要步骤为：1•获取原始数据矩阵根据隶属度函数，获取特征向量组成的原始数据矩阵。2.矩阵标准化，采用标准芜变换将矩阵标准化2.建立模糊相似矩阵。3.聚类。选収合理的阈值，对信任等级进行划分。（-）直接信任值的计算公式公式（1）（三）推荐信任值的计算1.蚁群算法获取推荐信任路径在参考文献［4］屮，利用蚁群算法寻找存在多条最优的推荐信任路

5、径。添加限制参数：搜索深度lengtho蚁群算法的初始化阶段所冇解的信息量都是一样的，但随着算法的推进最优解上的信息量增加而使该算法逐渐收敛。在网格环境下，把网格屮的信任关系抽象理解为网络拓扑结构图，，其中代表肓接信任值，代表源实体，代表目标实体，表示信任路径的最大长度，信任路径的长度为1,l<=max.通过公式（2.2）计算出这条信任路径上的推荐信任值。公式（2）2.推荐信任值的计算公式为。公式（3）（四）综合信任值的计算在网格环境下，综合信任值是将直接信任和推荐信任进行合成计算。如下：1•节点之间存在直接信任综合信任值采用公式计算：公式（4）2.不存在直接信任关系在计

6、算综合信任值只考虑推荐信任值。即综合信任值等于推荐信任值。综合信任值采用公式计公式（5）三、仿真实验及结果分析（一）仿真实验设计I假设网格中存在八个主体，特征参数（表示时间衰减因子，表示奖惩因子，表示交易因子）。数据矩阵如下：对于矩阵进行标准化后，得到矩阵。再通过模糊相似变话把矩阵变化为。选収合理的阈值二0.72对信任等级进行划分，得到如图2所示的信任等级分类图。（二）仿真实验设计II实验环境：硬件为Intel（R）Core（TM）2DuoCPUT58702.00GHz,内存为2G；软件为开发工具eclipse3.2SDK,模拟实验用比眩语言编写。下而给出了网格信任模型安

7、全性方而的模拟实验。对网格中的节点分类：正常节点、恶意节点。实验结果如图3所示，信任模型中有效识别恶意节点。随着交易次数的増加，模型能够对计算结果进行预先判断，提高系统的整休性能和安全性。（三）仿真实验设计ni蚁群算法ACA迭代求解最优推荐信任路径，在识别恶意节点及抵御协同作弊方面具有更好的识别性、安全性，下面给出了检验ACA算法有效性的实验。模拟环境为：设置推荐信任值与直接关系的实体为800个依据随机函数而分布的。为使ACA算法发挥最好的效能,提前设置算法的参数。ant=50,二0.7,=7,=10实验结果如图4所示：从图4