在线社交网络和媒体的迅速发展极大地推动了人们的在线互动。但随着越来越多的用户将交互转移到社交网络中来,网络变得复杂。进一步地,出现了信息过载的状况,使用户在辨别和规避垃圾信息以及评估信息可信度时,要比在传统网络中困难得多。因此,有必要引入信任机制以帮助用户做出更正确的决策。以用户间的信任关系为导向建立一个整体或局部的信任网络可以解决信息过载的问题。对于没有直接交互的用户,直观的解决方法是找到从源用户到目标用户间的可行信任路径进行信任传播。在可靠信任路径的搜索过程中,信任路径的长度和搜索方法的选择是关键问题。然而,传统的信任路径搜索算法基于单向搜索算法进行信任传播,导致寻路耗时长;另一方面,通过设置信任阈值以及限制搜索宽度等方法,导致信任路径减少,降低信任预测准确性。基于此,如何快速地搜索和形成可靠的、最优的间接信任关系成为挑战。本文从启发式搜索的角度出发研究可靠信任路径的搜索问题,并提出了动态双向启发式信任路径搜索算法。首先,考虑到路径长度不是唯一的决定因素,在一些路径稍长但信任值更高的路径中,信任链更可信。因此,找到最短路径后,基于六度空间找到可采纳的路径集;然后,考虑搜索树的结构,引入调节因子δ,改进MM（Meet in the Middle,MM）算法,动态分配搜索权重,使搜索进程在更有利于生成树较小的方向中进行,以提高搜索效率;最后,沿搜索到的可靠信任路径进行信任预测并输出最终信任值。实验结果表明,本文算法进行信任预测的精度和效率均比现有算法有所提高。其次,本文提出了动态加权的任意时刻有界成本搜索算法。首先,通过设定动态加权因子wd对当前最优成本进行加权,得到一个可接受成本界,并在该成本界内快速地找到一个可用解;然后,通过迭代地收紧成本界以改善当前解的质量,直至时间耗尽。实验结果表明,本文算法有效地改进了现有算法的搜索效率问题。
针对边缘计算环境中的设备资源受限、现有信任模型忽略计算负载与信任路径冗余的问题,提出了一种基于图论的边缘计算信任评估优化模型。首先,基于边缘计算构建信任模型的体系架构,将边缘设备间复杂庞大的信任关系抽象成有向加权图,并对设备间的信任关系进行定义说明,再采用基于信息熵理论的自适应聚合方法对信任值进行聚合计算,修正多源信任之间的差异度;其次,通过添加信任阈值、路径长度限制、滑动窗口等多重约束条件,事先过滤明显不符合信任要求的节点和信任边,降低不必要的计算消耗;最后,利用改进后的深度优先搜索算法(depth first search,DFS),在信任路径搜索过程中规避冗余信任边,从而避免环路以及节点绕路问题,并采用递归函数Combine聚合反馈信任值。使用MATLAB仿真软件确定实验参数,验证模型区分恶意节点与正常节点的能力。并在交互成功率、时间开销以及能量开销3个方面进行实验,将本文模型与PSM模型、RFSN模型以及随机选择模型进行对比。实验结果表明,相较于其他模型,本文模型在不同诚实程度的网络环境下都能快速达到稳定状态,且时间与能量开销均低于其他模型,证明该模型在保证有效性的同时,能够在一定程度上减轻边缘设备的资源开销,提高网络的生存周期。
暂无评论