p2p网络下分布式带激励信任模型设与研究

《p2p网络下分布式带激励信任模型设与研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、P2P网络下分布式带激励的信任模型设与研究由于P2P网络无中心、匿名性等特点，传统的基于PKI安全机制不能很好地保障其安全，设计一个有针对性的信任机制来保障P2P网络的安全是非常有意义的，在现有信任机制研究成果的基础上提出了一种更加完善的信任机制，基于模拟人类社会推荐信任评价安全策略，具有节点区分、严格奖惩的激励机制，通过模拟试验，与基于投票的信任机制相比，该信任机制能够更好地促进P2P网络的正常交易，抑制恶意的、破坏性的交易，确保P2P网络的安全性、稳定性。 关键词：P2P 激励动态信任模型 

2、  1 引言 目前Internet网上流行的P2P文件共享系统，如E-mule，BitTorrent，KaZaa在传输音乐文件，视频文件，给大家交流文件提供了很好的平台，然而在这些P2P文件共享系统中，存在着恶意的行为模式，如搭便车行为[1](只是下载内容而不提供上载)，钓鱼式攻击(声称是网络中流行的有用文件，但实际上是一个假文件或恶意文件，不仅会影响下载用户，而且还浪费网络带宽，更有甚者，这个文件还会传播到其它的网络节点）。从文献[2]的研究来看，KaZaa中有80%的文件副本是被污染的。因此

3、我们需要寻找一种解决方案来解决这个问题，即孤立网络中这些受污染的节点，并且鼓励这些节点把受污染的文件删除。  2 研究现状及信任模型的提出 已经有大量的文献试图解决这方面的问题，如文献[3－5]主要分析污染文件的机制，主要机制有伪元数据拷贝(插入一个污染文件副本，但是它拥有与正常文件相同的元数据描述)，伪ID对象拷贝(污染的文件对象的ID与正常的文件对象ID是相同的)，文件索引修改(破坏节点的文件索引，使之找不到原有的文件)，这些文献也给出了一些解决方案，但是这些方案还须进一步评价。 在已有的分

4、布式信任机制中Eigentrust，Xrep[6]较有影响力。Eigentrust是一个全局信任模型，每一个节点的信誉值是通过收集网内其它所有节点的评价而计算出来的，它需要网内事先有较高信誉的节点，但这是不现实的。Xrep是一个基于投票的信任机制，从一个节点下载之后，认为内容是没有污染的，就给出一个评价值，但是它只使用节点本地的信誉信息来计算信任值，而且缺少奖惩机制。为此，本文提出一种新的，带激励的分布式节点动态信任模型(下文用New trust system表示)，它能快速鉴别和严惩恶意节点同

5、时能让知错就该的节点一个恢复自己信誉的机会，在计算节点的信任值时，不仅考虑了节点本地的评价信息，同时也考虑了其它节点群的评价信息，类似人类社会中人们不仅会根据自己的经验信息而且还会考虑朋友的推荐信息来了解陌生人，进而评估陌生人是否可信。为了分析本方案的有效性，将它与基于投票的信任系统(Base vote system)[7]做比较。 信任模型的设计 信任模型的设计主要从设计目标，以及涉及的相关概念及定义来介绍，最后用场景实例说明这个模型的工作过程。 3.1 设计目标 a)需要一个隔离和孤立受污染

6、的节点机制，且鼓励被动受污染的节点删除污染的内容。 b)建立一套奖惩机制，惩罚节点在网络中有恶意行为，鼓励节点真实的行为。 c)系统初始化节点时，或新加入的节点没有较高的信任值。 3.2 概念及定义 在网络中，每个节点都可以对其它节点做评价，评价包括两部分：一个是个人评价，另一个是群体评价。 定义Iij为节点i对节点j的个人评价，称个人评价，且      (1)    n是节点i从节点j下载受污染内容的次数，主要目的是惩罚提供污染内容的节点。ad和au分别为惩罚因子和奖励因子，调节奖惩程度的，并

7、设定ad >au，使得系统个人评价值升高的慢但下降的快，能有效严惩节点的恶意行为，Vinit为每个节点对其它节点评价的初始值。当下载的内容是受污染时，Iij为max(0,Iij-adn)，当下载的内容是真实的时，Iij为min(1,Iij-aun)，节点i对节点j一无所知时，Iij为初始值Vinit。   定义Cij为网络中与节点i有联系的其它节点们对节点j的评价，称群体评价，且                                                 (2)    RLi

8、j为节点i为了解节点j的群体评价，发出群体评价查询请求后有响应且对节点j有交往的节点列表。Rik为节点i对节点k的信任值，Ikj为节点k对节点j的个人评价，Vinit为当有响应的节点列表为空时，Cij所设定的初值，即每个节点对其它节点评价的初始值。 定义Rij为节点i对节点k的信任值， (3) Cij为群体评价，Iij为个体评价，b为两者之间的权衡因子。当b大于0时，节点就可以通过群体评价来提高其它节点对自己的信任值了。 另外，为了孤立恶意节点，设置Rthreshold(i)节点i判断其它节点是