P2P网络动态信任模型的研究的综述报告.docx

P2P网络动态信任模型的研究的综述报告
P2P网络是一个去中心化的网络结构，在其中各节点可以相互通讯和数据共享。P2P网络的优点在于其能够高效地利用节点的资源且具有一定的抗故障能力，同时也使得它具有自身的安全隐患。P2P网络中的节点分为两种类型，即合法节点和恶意节点，如何区分它们是P2P网络安全性的核心问题之一。为此，许多学者研究了P2P网络动态信任模型，以解决这一问题。本文将对P2P网络动态信任模型的研究进行综述分析。
1.传统的动态信任模型
传统的动态信任模型主要通过历史行为和反馈信息这两种方式来对节点进行信任度评估。历史行为是通过记录节点的历史行为信息并通过该信息来评估其信任度的，反馈信息则是其他节点对该节点所提供的信息和服务的评价。传统的动态信任模型在早期的P2P网络中取得了较好的信任机制效果，但是随着P2P网络复杂性的增加，其遭受攻击的概率也在增加。
2.评价指标
P2P网络动态信任模型中的评价指标包括：真实性、安全性、鲁棒性和可评估性。真实性指所评估的节点的信任度评价与其在实际上对网络的贡献相符合。安全性指网络动态信任模型所评估的节点的信任度与网络实体节点的信誉相符。鲁棒性指网络动态信任模型所实现的系统随着网络节点规模的扩大，性能和性能仍然能够得到保持。可评估性则述评估者可以利用历史数据和组提供的信息来对一份信息的可信程度进行评估并给出合理的结果。
3.基于推荐算法的动态信任模型
基于推荐算法的动态信任模型主要是通过将信任度评估看做推荐中的一种推荐算法问题来解决的。利用推荐算法可以把评价用户和被评价资源之间的关系模型化，并计算出用户对资源的兴趣程度，从而推荐给用户其可能感兴趣的资源。这里有两种应用推荐算法的动态信任模型算法。第一种算法是以信誉度作为对目标节点的评价指标，并通过对目标节点的历史行为进行分析计算其评价值。第二种算法是基于WEB推荐引擎中的协同过滤算法，由于节点之间不能够交换个人信息，所以主要依赖节点之间的信息协同。
4.基于机器学习的动态信任模型
基于机器学习的动态信任模型主要通过分析节点的历史数据，并通过机器学习算法提取相关特征，来训练一个分类器，来区分合法节点和恶意节点。主要包括有贝叶斯分类算法、支持向量机算法、决策树算法等，同时其也可被应用在自适应动态信任模型的设计中。
5.基于组合信任模型的动态信任模型
基于组合信任模型的动态信任模型主要是通过将不同节点对于目标节点的评价组合起来进行求解，并使用组合公式计算最终权重值。这种方式的优点是相比于传统基于历史数据的动态信任模型，其具有更高的可靠性和准确性。同时，综合考虑不同节点对目标节点的评价意见可以降低因数据质量问题而导致的错误结果。
6.结论
本文综述了P2P网络动态信任模型的研究，主要包括传统的动态信任模型、评价指标、基于推荐算法的动态信任模型、基于机器学习的动态信任模型和基于组合信任模型的动态信任模型。我们可以发现，P2P网络动态信任模型的发展是基于技术的不断进步和需求的不断提升。不同的动态信任模型可以根据其特点来针对不同的网络环境需求进行选择，以提高P2P网络的安全性和可靠性。