35、移动社交网络与容迟网络中的信任推断及路由策略

最新推荐文章于 2025-10-13 09:22:49 发布

深海孤鲸134

最新推荐文章于 2025-10-13 09:22:49 发布

阅读量41

点赞数

CC 4.0 BY-SA版权

分类专栏：探索IFIP与信息处理的未来文章标签：移动社交网络容迟网络信任推断

本文链接：https://blog.youkuaiyun.com/grafana6viz/article/details/149792537

探索IFIP与信息处理的未来专栏收录该内容

42 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

移动社交网络与容迟网络中的信任推断及路由策略

1. 移动社交网络中的基于接近度的信任推断

在移动社交网络里，基于接近度的信任推断是一种新颖的方法。不同群体的信任情况有所不同，具体如下表所示：
| 群体 | 高度信任节点比例 | 中度信任节点比例 | 轻度信任节点情况 |
| — | — | — | — |
| 朋友 | 36% | - | - |
| 实验室内部同行（如同事） | - | 46% | - |
| 实验室外部群体 | 高于实验室内部群体 | - | 数量增加 |

从这些数据可以看出，朋友之间被评估为高度信任的节点比例最高，而实验室内部同行通常是中度信任。实验室外部群体中高度信任的节点比内部群体多，但轻度信任的节点也在增加。这是因为用户在工作场所以外会遇到更多随机的人，同时身边也会有更亲密的人。

这种基于接近度的信任推断方法适用于移动社交网络应用。它将不同类型的接近度进行了形式化，并引入了接近度数据类型。通过真实接近度数据的评估表明，推断出的值与真实的社交事实相关。

2. 容迟网络中的信任阈值路由

2.1 容迟网络概述

容迟网络（DTNs）是自组织的无线网络，具有大延迟、间歇性连接和资源有限（如电池、计算能力、带宽）等特点。与传统网络不同，DTNs 中的节点以存储 - 转发的方式将消息转发到目标节点，以应对缺乏端到端连接保障的问题。在这样的环境中，关键挑战是在所有遇到的节点中选择合适的“下一个消息载体”，以最大化消息传递率，同时最小化消息开销和延迟。此外，由于缺乏集中的信任实体，还面临着安全漏洞等挑战。

2.2 现有路由协议问题

目前大多数 DTN 路由协议基于相遇模式，但如果预测的相遇未发生，单副本路由的消息可能会丢失，多副本路由则可能导致消息泛滥。而且，在存在自私或恶意节点的情况下，这些方法无法保证可靠的消息传递。一些研究使用声誉来选择消息载体，并通过信用激励鼓励合作行为，但通常需要集中的信用管理系统，而在存在自私或恶意节点的 DTN 中进行分布式信用管理具有挑战性。还有一些基于社交网络的方法，虽然考虑了社交关系和社交网络作为选择消息载体的标准，但没有考虑恶意或自私节点的存在。

2.3 信任阈值路由方法

本文提出了一种基于信任阈值的路由协议，利用两个信任阈值：一个用于接受推荐，另一个用于选择下一个消息载体进行消息转发。信任阈值路由（TTBR）算法基于运行时的点对点信任评估概念。节点会动态评估其对等节点，并使用信任阈值作为标准来确定是否可以信任一个节点作为推荐者或消息载体。

信任值的计算如下：
节点 i 在时间 t 对节点 j 的信任值 $T_{i,j}(t)$ 是健康度、合作性、连接性和能量的加权平均值，即：
$T_{i,j}(t)=w_1T_{i,j}^{healthiness}(t) + w_2T_{i,j}^{cooperativeness}(t)+w_3T_{i,j}^{connectivity}(t) + w_4T_{i,j}^{energy}(t)$
其中，$w_1$、$w_2$、$w_3$ 和 $w_4$ 分别是与健康度、合作性、连接性和能量相关的权重，且 $w_1 + w_2 + w_3 + w_4 = 1$。

当节点 i 在时间 t 遇到节点 m 并持续时间为 $[t, t + \Delta t]$ 时，对节点 j 的信任更新如下：
$T_{i,j}^X(t + \Delta t)= \beta_1T_{i,j}^{direct,X}(t + \Delta t) + \beta_2T_{i,j}^{indirect,X}(t + \Delta t)$
这里，$\beta_1$ 是权衡节点 i 在时间 $t + \Delta t$ 对节点 j 自身信任评估的参数，$\beta_2$ 是权衡来自推荐者的间接信息的参数，且 $\beta_1 + \beta_2 = 1$。

直接信任评估：
$T_{i,j}^{direct,X}(t + \Delta t)=\begin{cases}T_{i,m}^{encounter,X}(t + \Delta t), & if\ m = j \ e^{-\lambda_d\Delta t} \times T_{i,j}^X(t), & if\ m \neq j\end{cases}$
- 若新遇到的节点 m 就是节点 j，节点 i 可以直接评估节点 j。$T_{i,m}^{encounter,X}(t + \Delta t)$ 表示节点 i 在相遇区间 $[t, t + \Delta t]$ 内基于对节点 m 的直接观察对节点 m 在信任属性 X 上的评估结果。
- 若节点 j 不是新遇到的节点，节点 i 将使用在时间 t 获得的对节点 j 的过去信任，并在时间间隔 $\Delta t$ 内进行衰减来模拟信任随时间的衰减。

不同信任属性的评估方式：
- 健康度 $T_{i,m}^{encounter,healthiness}(t + \Delta t)$：基于节点 i 在相遇区间 $[t, t + \Delta t]$ 内对节点 m 的直接观察，判断节点 m 是否未被破坏。可以通过健康度方面的不良经历数量与总健康度经历数量的比值来计算。
- 合作性 $T_{i,m}^{encounter,cooperativeness}(t + \Delta t)$：基于节点 i 在相遇区间 $[t, t + \Delta t]$ 内的直接观察，评估节点 m 的合作程度。可以通过合作性方面的不良经历数量与总合作性经历数量的比值来计算。
- 连接性 $T_{i,m}^{encounter,connectivity}(t + \Delta t)$：表示节点 m 与节点 d（未来可能成为数据包转发目标节点）相遇的概率。可以通过节点 i 观察到的节点 m 与节点 d 的相遇次数与节点 d 与其他任何节点的最大相遇次数的比值来计算。
- 能量 $T_{i,m}^{encounter,energy}(t + \Delta t)$：基于节点 i 对节点 m 的直接观察，判断节点 m 的能量状态。节点 i 可以通过监测节点 m 在 $[t, t + \Delta t]$ 内的传输信号强度来估计节点 m 的能量状态。

间接信任评估：
仅使用节点 i 的 1 跳邻居作为推荐者。定义推荐者信任阈值 $T_{rec}$，如果 $T_{i,j}(t) > T_{rec}$，节点 i 将在时间 t 认为节点 j 是“值得信赖”的推荐者。
$T_{i,j}^{indirect,X}(t + \Delta t)=\begin{cases}e^{-\lambda_d\Delta t} \times T_{i,m}^X(t), & if\ m = j \ e^{-\lambda_d\Delta t} \times T_{i,j}^X(t), & if\ m \neq j\ and\ |R_i| = 0 \ \frac{\sum_{c \in R_i} T_{i,c}^X(t + \Delta t) \times T_{c,j}^X(t + \Delta t)}{\sum_{c \in R_i} T_{i,c}^X(t + \Delta t)}, & if\ m \neq j\ and\ |R_i| > 0\end{cases}$
其中，$R_i$ 是包含节点 i 的 1 跳邻居且 $T_{i,c}(t + \Delta t) > T_{rec}$ 的集合，$|R_i|$ 表示 $R_i$ 的基数。

当节点 i 遇到节点 m 时，使用 $T_{i,m}(t)$ 来决定节点 m 是否可以作为下一个消息载体。采用 $\Omega$ - 允许策略，以 $T_f$ 作为选择下一个消息载体的最小信任阈值。即如果 $T_{i,m}(t + \Delta t) \geq T_f$ 且 $T_{i,m}(t)$ 在所有 $T_{i,j}(t)$ 中处于前 $\Omega$ 百分位，节点 i 将把消息转发给节点 m。

2.4 性能模型

为了分析所提出的基于信任阈值的路由协议的性能，开发了一个基于随机 Petri 网（SPN）技术的概率模型。SPN 模型由 4 个事件子网组成，按顺时针顺序分别是能量、位置、合作性和受损情况。

下面是 SPN 模型的 mermaid 流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(能量):::process --> B(位置):::process
    B --> C(合作性):::process
    C --> D(受损情况):::process
    D --> A

该模型的目的是在存在不合作和恶意节点的情况下，得出节点的真实状态（即健康度、合作性、连接性和能量），并推导其与系统中其他节点的信任关系。假设一个方形操作区域，由 $m \times m$ 个子网格区域组成，宽度和高度等于无线电范围 R。初始时，节点根据均匀分布随机分布在操作区域上。

位置（连接性）子网：当节点以速率 $\sigma_0/R$ 从当前位置向四个不同方向（即北、西、南和东）随机选择一个区域移动时，触发转换 T_LOCATION。为避免边缘效应，移动会反弹。结合其他节点在时间 t 的位置信息，可以得到任意时间 t 两个节点相遇的概率。
能量子网：位置 ENERGY 表示节点的当前能量水平。每个节点的初始能量水平根据节点异质性信息分配。当转换 T_ENERGY 触发时，取出一个令牌。转换 T_ENERGY 的速率表示能量消耗率，它取决于节点的真实状态（即不合作性和健康度）。
健康度子网：当转换 T_COMPRO 触发时，节点受损，然后在位置 CN 放置一个令牌，表示节点已被捕获并受损。T_COMPRO 的速率是 $\lambda_{com}$，即每个节点的受损率，作为输入提供给 SPN 模型。
合作性子网：位置 UCPN 表示节点是否不合作。如果节点变得不合作，通过触发 T_UNCOOPER，一个令牌进入 UCPN。T_UNCOOPER 的转换速率是 $\lambda_{uncooper}$，即每个节点的不合作率，作为输入提供给 SPN 模型。

3. 信任阈值路由的优势与分析

3.1 优势体现

信任阈值路由（TTBR）具有多方面的优势。首先，它将社会信任和服务质量（QoS）信任整合为一个综合信任指标，能够更全面地评估节点作为消息载体的可靠性。社会信任考虑了节点的健康度和合作性，确保节点在社交层面上值得信赖；QoS 信任则关注节点的连接性和能量，保证节点有能力快速将消息传递到目标节点。

其次，TTBR 是分布式的，不需要复杂的信用管理系统。每个节点可以根据应用特点自主运行 TTBR，使用相同的信任阈值设置来评估其对等节点，从而选择值得信赖的节点作为消息载体。这种分布式特性使得 TTBR 在容迟网络这种缺乏集中信任实体的环境中具有更好的适应性。

3.2 性能对比分析

通过概率模型，对 TTBR 与其他路由算法进行了对比分析，包括流行病路由、仅考虑社会信任指标的社会信任路由和仅考虑 QoS 信任指标的 QoS 信任路由。分析结果表明，在适当的信任阈值下，TTBR 能够在消息延迟和消息开销之间进行有效的权衡，显著提高消息传递率。

3.3 最佳阈值确定

分析还帮助确定了最佳的信任阈值设置，以平衡社会信任和 QoS 信任指标的影响，在不影响消息延迟和消息开销要求的前提下，最大限度地提高消息传递率。通过调整 $T_{rec}$ 和 $T_f$ 这两个信任阈值，节点可以更准确地评估推荐者和消息载体的可信度，从而优化路由决策。

4. 总结与展望

4.1 总结

基于接近度的信任推断为移动社交网络提供了一种有效的信任评估方法，能够根据不同群体的特点推断节点的信任程度，并且推断结果与真实社交事实相关。而在容迟网络中，信任阈值路由通过综合考虑社会信任和 QoS 信任，利用信任阈值来选择推荐者和消息载体，有效解决了现有路由协议存在的问题，在消息传递率、消息延迟和消息开销方面表现出优势。

4.2 未来工作方向

未来可以从多个方面对这些方法进行进一步的研究和优化。

数据集创建与评估 ：创建和评估不同类型接近度的大型数据集，并将用户的信任意见纳入其中。这有助于更准确地反映实际情况，提高信任推断和路由决策的准确性。
模糊逻辑应用 ：使用模糊逻辑来聚合不同的接近度信息，根据它们对信任值的贡献程度进行综合考虑。模糊逻辑可以处理不确定性和模糊性，使信任评估更加灵活和准确。
其他方法的适应性研究 ：探索其他在估计和推荐领域的方法，将其应用于信任推荐和传递性分析中。这些方法可能为信任管理提供新的思路和技术。
实际部署与应用 ：将这些方法部署到实际的移动社交应用和容迟网络中，进行进一步的评估和验证。通过实际应用，可以发现潜在的问题并进行改进，提高方法的实用性和可靠性。

以下是未来工作方向的 mermaid 流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(数据集创建与评估):::process --> B(模糊逻辑应用):::process
    B --> C(其他方法适应性研究):::process
    C --> D(实际部署与应用):::process

综上所述，基于接近度的信任推断和信任阈值路由在移动社交网络和容迟网络中具有重要的应用价值，未来的研究和优化将进一步提升它们的性能和实用性。