CN101765231A - 一种基于模糊逻辑的无线传感器网络信任评估方法 - Google Patents

Abstract

一种基于模糊逻辑的无线传感器网络信任评估方法，包括以下步骤：步骤一、评估节点初始化被评估节点的直接信任向量；步骤二、评估节点使用模糊推理方法周期性地更新被评估节点的直接信任向量；步骤三、评估节点收集推荐节点对被评估节点的间接信任向量；步骤四、利用被评估节点的直接信任向量和间接信任向量，评估节点计算被评估节点的综合信任向量；步骤五、根据被评估节点的综合信任向量，评估节点对被评估节点进行信任类别的判断和网络协作的决策。本发明采用基于模糊集理论的信任值定义，使用模糊推理算法实现信任的量化，有效地处理了信任的主观模糊性问题，模拟了信任推理的主观认知过程，较传统算法具有更高的灵敏度、准确性和通用性。

Description

一种基于模糊逻辑的无线传感器网络信任评估方法

技术领域

本发明涉及无线传感器网络信任管理技术领域，特别是无线传感器网络中的信任评估，一种基于模糊逻辑的无线传感器网络信任评估方法。

背景技术

无线传感器网络集传感器技术、微机电系统技术、嵌入式计算技术、无线通信技术和分布式信息处理技术于一体，利用大量部署在监测区域内的传感器节点，采集网络覆盖范围内的感知信息，通过多跳的无线通信方式，将收集、处理后的信息提供给终端用户。无线传感器网络不需要固定的网络支持，具有快速展开、抗毁性强等特点，被广泛应用于军事侦察、环境监测、工业控制、医疗监护等多个领域。

无线传感器网络常常被应用于战场侦查或安全监控，部署在缺乏基本维护的环境下。传感器节点极易被敌人俘获，并被改造成为恶意节点对网络实施攻击和破坏。传统的无线传感器网络安全机制依赖于密钥体系，由于被俘节点掌握有效的网络安全密钥，密钥安全机制无法解决其引起的内部安全问题。而信任管理系统不依赖于网络密钥，能通过观察节点的行为和特征，评估节点的可信程度，并藉此查找恶意节点和调整网络安全措施的实施，有效弥补了密钥安全机制的不足。信任评估是信任管理的核心和关键，决定了整个信任管理系统的有效性。

现有的无线传感器网络信任评估方法大致可分为三类：①基于古典概型的信任评估。该类方法通过观察节点的各种网络行为来统计相应的信任因子，并将所有信任因子的加权平均值作为节点的信任值。如，Crosby等人提出统计节点的发包率、转发率和数据包完整率等信任因子，通过加权平均得到节点信任值；②基于贝叶斯原理的信任评估。这类方法先主观假设节点信任的先验分布，利用节点网络行为好坏的统计对节点信任的后验分布进行贝叶斯推理，并将所得后验分布的数学期望作为节点信任值。如，Ganeriwal等人提出的RFSN信任评估框架；③基于经验的信任评估。这类方法根据节点网络行为表现的统计，利用一定的经验公式计算节点的信任值。如，Hur等人通过分析节点监测数据的真实性计算节点的信任值。这三类方法利用简单的统计方法实现了对节点信任的不确定性分析，满足了传感器节点的轻量级要求，但将信任的不确定性完全等同于随机性，忽略了主观模糊性，影响了信任评估的准确性。此外，在基于古典概型的信任评估中，信任因子的加权平均最终使得信任管理对攻击形式单一的恶意节点灵敏度较低，并且其信任因子计算权重也很难确定；在基于贝叶斯原理的信任评估方法中，先验分布的主观假设加重了信任的不确定性，对节点网络行为单纯的好坏分类最终也使得信任管理对攻击形式单一的恶意节点灵敏度较低；基于经验的信任评估方法仅考察节点的单一信任因子，具有片面性，通用性差。

针对科学研究中，受人类主观认知能力限制而产生的模糊现象，美国控制论专家Zadeh早在1965年提出了模糊集理论，他准确地阐述了模糊性的含义，制定了划分模糊性的数学方法(隶属度、隶属函数、模糊子集等)，为模糊理论的发展了必要的基础。模糊理论引起了众多领域的专家学者关注，发展非常迅速，衍生出了模糊推理、模糊控制、模糊统计等一系列新兴学科。模糊集理论和模糊推理方法分别为主观信任的表达和处理提供了强有力的工具。在无线传感器网络的信任评估中使用模糊理论，可以准确表达信任的主观模糊性，模拟信任推理的主观认知过程，同时解决节点信任的随机性和主观不确定性问题，提高信任评估的准确性、通用性和灵敏度。

发明内容

本发明的目的是提供一种基于模糊逻辑的无线传感器网络信任评估方法，解决现有信任评估方法存在的上述问题，实现无线传感器网络中主观信任的准确评估。

本发明一种基于模糊逻辑的无线传感器网络信任评估方法，采用分布式算法，要求网络中相邻节点相互进行信任的评估，评估的主体称为评估节点，客体称为被评估节点；

本发明所述的该评估方法，对节点的信任值采用可信度和信任向量两种表示形式，具体定义为：

设节点j是节点i的邻居节点，节点i对节点j进行信任评估；其中，i和j代表网络中节点的ID，为自然数；

可信度t：评估节点i对被评估节点j的可信度用t_ij表示，取值区间为[0，1]，t_ij值越大，评估节点i对被评估节点j的信任程度越高；

信任向量T：信任向量的定义基于模糊集理论。将节点的可信任程度分为“不可信”、“不确定”、“较可信”和“绝对可信”四个级别；在节点可信度的论域上划分出与四个级别相对应的模糊子集L_T1，L_T2，L_T3和L_T4，并建立相应的隶属度函数μ_T1(t)，μ_T2(t)，μ_T3(t)和μ_T4(t)；考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；则节点信任向量表示为T＝(v₁，v₂，v₃，v₄)，向量的第k(k＝1，2，3，4)个分量v_k表示节点对第k个信任级别的隶属度；本发明中，DT、IT和CT分别表示评估节点对被评估节点的直接信任向量、间接信任向量和综合信任向量；若评估节点i对被评估节点j的可信度t_ij＝t^*，则评估节点i对被评估节点j的直接信任向量DT_ij＝(μ_T1(t^*)，μ_T2(t^*)，μ_T3(t^*)，μ_T4(t^*))。

本发明一种基于模糊逻辑的无线传感器网络信任评估方法，具体步骤如下：

步骤一：评估节点初始化被评估节点的直接信任向量，具体方法为：

由于缺乏先验信息，评估节点i完全无法确定被评估节点j的可信度，因此将直接信任向量中对应“不确定”信任级别的分量赋值为1，其它分量赋值为0，则直接信任向量的初始值 ${\mathrm{DT}}_{\mathrm{ij}}^0=\left(\mathrm{0,1,0,0}\right).$

步骤二：评估节点使用模糊推理方法周期性地更新被评估节点的直接信任向量，具体作法为：

(1)设评估节点i在0时刻完成对被评估节点j直接信任向量DT_ij的初始化，则评估节点i在lτ至(l+1)τ时段(l≥0，τ为直接信任向量的更新周期)观察被评估节点j的网络行为，并在(l+1)τ时刻统计被评估节点j信任因子γ₁，γ₂，…，γ_m(设节点的信任因子有m个)的变化Δγ₁，Δγ₂，…，Δγ_m；评估节点i通过监听信道实现对被评估节点j网络行为的观察，采用混杂接收的通信模式；

(2)(l+1)τ时刻，评估节点i根据被评估节点j信任因子的变化趋势动态地设置相应的更新权重，设信任因子γ_s(s＝1，2，…，m)的变化为Δγ_s，则其更新权重W_s取值为：

其中，0＜W_L＜＜W_H＜1；

(3)评估节点i更新被评估节点j所有的信任因子值：

${\mathrm{\γ}}_s^{l+1}=(1-W_i)\×{\mathrm{\γ}}_s^l+W_s\×\mathrm{\Δ}{\mathrm{\γ}}_s---\left(2\right)$

其中，γ_s ^l和γ_s ^l+1分别为lτ和(l+1)τ时刻被评估节点j的信任因子值；

(4)评估节点i根据γ₁ ^l+1，γ₂ ^l+1，……，γ₃ ^l+1，模糊推理自身在(l+1)τ时刻对被评估节点j的可信度t_ij ^l+1，并将t_ij ^l+1代入各个信任级别对应的隶属度函数，即可得到评估节点i对被评估节点j在(l+1)τ时刻的直接信任向量DT_ij ^l+1：

${\mathrm{DT}}_{\mathrm{ij}}^{l+1}=({\mathrm{\μ}}_{T1}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T2}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T3}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T4}\left(t_{\mathrm{ij}}^{l+1}\right))---\left(3\right)$

其中，评估节点i根据被评估节点j的信任因子值，模糊推理自身对被评估节点j可信度的具体方法为：

①评估节点i在信任评估前预先建立好节点可信度的模糊推理规则，并提取信任因子与节点可信度之间的模糊蕴含关系R_γ-t，具体为：

a.节点可信度的模糊推理规则必须在信任评估前预先建立好，具体建立方法为：

首先，将信任因子γ_s(s＝1，2，…，m)分为“坏”，“一般”和“好”共三个优劣级别，并在其论域上建立对应的模糊子集r_s，1，r_s，2，r_s，3以及隶属度函数μ_rs，1(γ_s)，μ_rs，2(γ_s)，μ_rs，3(γ_s)；考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；

其次，根据信任推理的一般知识和经验，建立节点可信度的模糊推理规则(共建Q＝3^m条规则)，建立标准为：

当任一信任因子为“坏”时，则节点的可信度均为“不可信”；

当少数的信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“不确定”；

当大多数信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“较可信”；

当所有信任因子为“好”时，则节点的可信度为“绝对可信”；

b.评估节点i根据模糊推理规则，提取信任因子与节点可信度之间模糊蕴含关系R_γ-t的具体方法为：

首先，提取单条模糊规则下的蕴涵关系T_α(α＝1，2，...，Q)：

其中，μ_r1 ^α(γ₁)，μ_r2 ^α(γ₂)，......，μ_rm ^α(γ_m)为第α条模糊规则下各个信任因子优劣级别的隶属度函数，μ_T ^α(t)为第α条模糊规则下节点信任级别的隶属度函数；

其次，将所有模糊规则下的蕴含关系进行综合，得到蕴含关系R_γ-t：

②评估节点i将被评估节点j的信任因子值γ₁ ^*，γ₂ ^*，……，γ_m ^*与R_γ-t进行推理合成，得到节点可信度的模糊输出μ_T ^*(t)：

③评估节点i利用重心法将μ_T ^*(t)反模糊化，求得对被评估节点j的可信度t_ij：

$t_{\mathrm{ij}}=\mathrm{COG}=\underset{{\mathrm{\μ}}_T^{*}}{\∫}{\mathrm{\μ}}_T^{*}\left(t\right)\·\mathrm{tdt}/\underset{{\mathrm{\μ}}_T^{*}}{\∫}{\mathrm{\μ}}_T^{*}\left(t\right)\mathrm{dt}---\left(7\right)$

步骤三：当需要与被评估节点进行网络协作时，评估节点收集推荐节点对被评估节点的间接信任向量，具体方法为：

当评估节点i需要决定是否与被评估节点j进行网络协作时候，向周围广播被评估节点间接信任向量的查询命令；推荐节点在收到查询命令后，将自身对评估节点j的直接信任向量作为间接信任向量，发送给评估节点i；这里，推荐节点只能是评估节点和被评估节点的共同邻居节点。

步骤四：评估节点以推荐节点的可信度为综合权重，对间接信任向量与直接信任向量进行合成，得到被评估节点的综合信任向量，具体方法为：

设评估节点i接收到p(p≥0)个推荐节点对被评估节点j的间接信任向量IT_1j，IT_2j，……，IT_Pj；评估节点i以自身对这些推荐节点的可信度t_i1，t_i2，......，t_ip为综合权重，将这p个间接信任向量与直接信任向量DT_ij进行合成，计算对被评估节点j的综合信任向量CT_ij：

${\mathrm{CT}}_{\mathrm{ij}}=\frac{{\mathrm{DT}}_{\mathrm{ij}}+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}\·{\mathrm{IT}}_{\mathrm{uj}}}{1+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}}---\left(8\right)$

步骤五：评估节点根据被评估节点的综合信任向量，判断被评估节点的信任级别，并灵活调整自身与被评估节点间网络协作行为，具体方法为：

评估节点i将综合信任向量CT_ij中最大分量所对应的信任级别，作为被评估节点j所属的信任级别；根据被评估节点j的信任级别，评估节点i决定是否与被评估节点j进行网络协作的标准是：若被评估节点j属于“绝对不可信”级别，则评估节点i拒绝与其进行协作；若被评估节点j属于“不确定”级别，则评估节点i只与其进行风险较低的网络协作；若被评估节点j属于“较可信”级别，则评估节点与其进行风险一般的网络协作；若被评估节点j属于“绝对可信”级别，则评估节点i与其进行任意风险的网络协作。

本发明的优点在于：

(1)本发明采用模糊集理论对节点信任进行模糊分类，利用模糊推理算法实现节点信任的量化，模拟信任推理的主观认知过程，较传统方法具有更高的准确性；

(2)基于严格的节点信任模糊推理规则，对攻击形式单一的恶意节点，较传统方法具有更高的灵敏度；

(3)针对不同的网络环境，可根据实际经验建立相应的模糊规则，具有较强的通用性。

附图说明

图1为本发明一种模糊逻辑的无线传感器网络信任评估方法，信任评估的流程图；

图2为本发明中直接信任向量周期性更新的流程图；

图3为本发明中评估节点模糊推理被评估节点可信度的原理图；

图4为本发明中评估节点获取间接信任的原理图；

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

本发明一种基于模糊逻辑的无线传感器网络信任评估方法，采用分布式算法，要求网络中的相邻节点相互进行信任的评估，评估的主体称为评估节点，客体称为被评估节点；

本发明一种基于模糊逻辑的无线传感器网络信任评估方法，给出了可信度和信任向量两种节点信任值的表示方式，具体定义为：

设节点j是节点i的邻居节点，节点i对节点j进行信任评估；其中，i和j代表网络中节点的ID，为自然数；

可信度t：评估节点i对被评估节点j的可信度用t_ij表示，取值区间为[0，1]，t_ij值越大，评估节点i对被评估节点j的信任程度越高；

信任向量T：信任向量的定义基于模糊集理论。将节点的可信任程度分为“不可信”、“不确定”、“较可信”和“绝对可信”四个级别；在节点可信度的论域上划分出与四个级别相对应的模糊子集L_T1，L_T2，L_T3和L_T4，并建立相应的隶属度函数μ_T1(t)，μ_T2(t)，μ_T3(t)和μ_T4(t)；考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；则节点信任向量表示为T＝(v₁，v₂，v₃，v₄)，向量的第k(k＝1，2，3，4)个分量v_k表示节点对第k个信任级别的隶属度；本发明中，DT、IT和CT分别表示评估节点对被评估节点的直接信任向量、间接信任向量和综合信任向量；若评估节点i对被评估节点j的可信度t_ij＝t^*，则评估节点i对被评估节点j的直接信任向量DT_ij＝μ_T1(t^*)，μ_T2(t^*)，μ_T3(t^*)，μ_T4(t^*))；

本发明一种基于模糊逻辑的无线传感器网络信任评估方法，评估节点对被评估节点的信任评估流程如图1所示，通过以下步骤来实现：

步骤一：评估节点初始化被评估节点的直接信任向量，具体方法为：

由于缺乏先验信息，评估节点i完全无法确定被评估节点j的可信任程度，因此将直接信任向量中对应“不确定”信任级别的分量赋值为1，其它分量赋值为0，则直接信任向量的初始值 ${\mathrm{DT}}_{\mathrm{ij}}^0=\left(\mathrm{0,1,0,0}\right).$

步骤二：评估节点使用模糊推理方法周期性地更新被评估节点直接信任向量的的流程如图2所示，具体步骤为：

(1)设评估节点i在0时刻完成对被评估节点j直接信任向量DT_ij的初始化，则评估节点i在lτ至(l+1)τ时段(l≥0，τ为直接信任向量的更新周期)观察对被评估节点j的网络行为观察，并在(l+1)τ时刻统计被评估节点j信任因子γ₁，γ₂，…，γ_m(设节点的信任因子有m个，初始值均为0)的变化Δγ₁，Δγ₂，…，Δγ_m；评估节点i通过监听信道实现对被评估节点j网络行为的观察，采用混杂接收的通信模式；

(2)(l+1)τ时刻，评估节点i根据被评估节点j信任因子的变化趋势动态地设置相应的更新权重，设信任因子γ_s(s＝1，2，…，m)的变化为Δγ_s，则其更新权重W_s取值为：

其中0＜W_L＜＜W_H＜1；

(3)评估节点i更新被评估节点j所有的信任因子值：

${\mathrm{\γ}}_s^{l+1}=(1-W_i)\×{\mathrm{\γ}}_s^l+W_s\×\mathrm{\Δ}{\mathrm{\γ}}_s---\left(2\right)$

其中，γ_s ^l和γ_s ^l+1分别为lτ和(l+1)τ时刻被评估节点j的信任因子值；

(4)评估节点i根据γ₁ ^l+1，γ₂ ^l+1，……，γ₃ ^l+1，模糊推理自身在(l+1)τ时刻对被评估节点j的可信度t_ij ^l+1，并将t_ij ^l+1代入各个信任级别对应的隶属度函数，即可得到评估节点i对被评估节点j在(l+1)τ时刻的直接信任向量DT_ij ^l+1：

${\mathrm{DT}}_{\mathrm{ij}}^{l+1}=({\mathrm{\μ}}_{T1}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T2}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T3}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T4}\left(t_{\mathrm{ij}}^{l+1}\right))---\left(3\right)$

其中，评估节点根据被评估节点的信任因子值，模糊推理被评估节点可信度的原理如图3所示，具体方法为：

①根据节点可信度的模糊推理规则，评估节点i提取信任因子与节点可信度之间的模糊蕴含关系R_γ-t，具体为：

a.模糊推理规则是在信任评估前预先建立好的，具体建立方法为：

首先，将信任因子γ_s(s＝1，2，…，m)分为“坏”，“一般”和“好”共三个优劣级别，并在其论域上建立对应的模糊子集r_s，1，r_s，2，r_s，3以及隶属度函数μ_rs，1(γ_s)，μ_rs，1(γ_s)，μ_rs，1(γ_s)；考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；

其次，根据信任推理的一般知识和经验，建立节点可信度的模糊推理规则(共建Q＝3^m条规则)，建立标准为：

当任一信任因子为“坏”时，则节点的可信度均为“不可信”；

当少数的信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“不确定”；

当大多数信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“较可信”；

当所有信任因子为“好”时，则节点的可信度为“绝对可信”；

b.评估节点根据模糊推理规则，提取信任因子与节点可信度之间模糊蕴含关系R_γ-t的具体方法为：

首先，提取单条模糊规则下的蕴涵关系T_α(α＝1，2，...，Q)：

其中，μ_r1 ^α(γ₁)，μ_r2 ^α(γ₂)，......，μ_rm ^α(γ_m)为第α条模糊规则下各个信任因子优劣级别的隶属度函数，μ_T ^α(t)为第α条模糊规则下节点信任级别的隶属度函数；

其次，将所有模糊规则下的蕴含关系进行综合，得到蕴含关系R_γ-t：

②评估节点i将被评估节点j的信任因子实际值γ₁ ^*，γ₂ ^*，……，γ_m ^*与R_γ-t进行推理合成，得到节点可信度的模糊输出μ_T ^*(t)：

③评估节点i利用重心法将μ_T ^*(t)反模糊化，求得对被评估节点j的可信度t_ij：

$t_{\mathrm{ij}}=\mathrm{COG}=\underset{{\mathrm{\μ}}_T^{*}}{\∫}{\mathrm{\μ}}_T^{*}\left(t\right)\·\mathrm{tdt}/\underset{{\mathrm{\μ}}_T^{*}}{\∫}{\mathrm{\μ}}_T^{*}\left(t\right)\mathrm{dt}---\left(7\right)$

步骤三：当需要与被评估节点进行网络协作时，评估节点收集推荐节点对被评估节点的间接信任向量的原理如图4所示，具体方法为：

当评估节点需要与被评估节点进行网络协作时候，向周围广播被评估节点间接信任向量的查询命令；推荐节点在收到查询命令后，将自身对评估节点的直接信任向量作为间接信任向量，发送给评估节点；这里，推荐节点只能是评估节点和被评估节点的共同邻居节点。

步骤四：评估节点以推荐节点的可信度为综合权重，将间接信任向量与直接信任向量进行合成，得到被评估节点的综合信任向量，具体方法为：

设评估节点i接收到p(p≥0)个推荐节点对被评估节点j的间接信任向量IT_1j，IT_2j，……，IT_Pj；评估节点i以自身对这些推荐节点的可信度t_i1，t_i2，......，t_ip为综合权重，将这p个间接信任向量与直接信任向量DT_ij进行合成，计算对被评估节点j的综合信任向量CT_ij：

${\mathrm{CT}}_{\mathrm{ij}}=\frac{{\mathrm{DT}}_{\mathrm{ij}}+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}\·{\mathrm{IT}}_{\mathrm{uj}}}{1+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}}---\left(8\right)$

步骤五：评估节点根据被评估节点的综合信任向量，判断被评估节点的信任级别，灵活调整自身与被评估节点间的网络协作行为，具体方法为：

评估节点i将综合信任向量CT_ij中最大分量所对应的信任级别，作为被评估节点j所属的信任级别；根据被评估节点j的信任级别，评估节点i决定是否与被评估节点j进行网络协作的标准是：若被评估节点j属于“绝对不可信”级别，则评估节点i拒绝与其进行协作；若被评估节点j属于“不确定”级别，则评估节点i只与其进行风险较低的网络协作；若被评估节点j属于“较可信”级别，则评估节点与其进行风险一般的网络协作；若被评估节点j属于“绝对可信”级别，则评估节点i与其进行任意风险的网络协作。

终上所述，本发明提出了一种基于模糊理论的无线传感器网络信任评估方法，给出了节点信任值基于模糊集理论的向量形式定义，利用模糊推理方法量化节点直接信任向量，并通过直接、间接信任向量的加权合成计算节点的综合信任值；模拟了信任推导的主观认知过程，具有较强的通用性，且较传统方法具有更高的灵敏度和准确性。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (1)

1.一种基于模糊逻辑的无线传感器网络信任评估方法，采用分布式算法，要求网络中相邻节点相互进行信任的评估，评估的主体称为评估节点，客体称为被评估节点；

对节点的信任值采用可信度和信任向量两种表示形式，具体定义为：

设节点j是节点i的邻居节点，节点i对节点j进行信任评估；其中，i和j代表网络中节点的ID，为自然数；

可信度t：评估节点i对被评估节点j的可信度用t_ij表示，取值区间为[0，1]，t_ij值越大，评估节点i对被评估节点j的信任程度越高；

信任向量T：信任向量的定义基于模糊集理论；将节点的可信任程度分为“不可信”、“不确定”、“较可信”和“绝对可信”四个级别；在节点可信度的论域上划分出与四个级别相对应的模糊子集L_T1，L_T2，L_T3和L_T4，并建立相应的隶属度函数μ_T1(t)，μ_T2(t)，μ_T3(t)和μ_T4(t)；

考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；则节点信任向量表示为T＝(v₁，v₂，v₃，v₄)，向量的第k(k＝1，2，3，4)个分量v_k表示节点对第k个信任级别的隶属度；DT、IT和CT分别表示评估节点对被评估节点的直接信任向量、间接信任向量和综合信任向量；若评估节点i对被评估节点j的可信度t_ij＝t^*，则评估节点i对被评估节点j的直接信任向量DT_ij＝(μ_T1(t^*)，μ_T2(t^*)，μ_T3(t^*)，μ_T4(t^*))；

其特征在于：该评估方法的具体步骤如下：

步骤一：评估节点初始化被评估节点的直接信任向量，具体方法为：

由于缺乏先验信息，评估节点i完全无法确定被评估节点j的可信度，因此将直接信任向

量中对应“不确定”信任级别的分量赋值为1，其它分量赋值为0，则直接信任向量的初始值 ${\mathrm{DT}}_{\mathrm{ij}}^0=\left(\mathrm{0,1,0,0}\right);$

步骤二：评估节点使用模糊推理方法周期性地更新被评估节点的直接信任向量，具体作法为：

(1)设评估节点i在0时刻完成对被评估节点j直接信任向量DT_ij的初始化，则评估节点i在lτ至(l+1)τ时段观察被评估节点j的网络行为，其中l≥0，τ为直接信任向量的更新周期，并在(l+1)τ时刻统计被评估节点j信任因子γ₁，γ₂，…，γ_m的变化Δγ₁，Δγ₂，…，Δγ_m；评估节点i通过监听信道实现对被评估节点j网络行为的观察，采用混杂接收的通信模式；

(2)(l+1)τ时刻，评估节点i根据被评估节点j信任因子的变化趋势动态地设置相应的更新权重，设信任因子γ_s的变化为Δγ_s，则其更新权重W_s取值为：

其中，0＜W_L＜＜W_H＜1；

(3)评估节点i更新被评估节点j所有的信任因子值：

${\mathrm{\γ}}_s^{l+1}=(1-W_i)\×{\mathrm{\γ}}_s^l+W_s\×\mathrm{\Δ}{\mathrm{\γ}}_s---\left(2\right)$

其中，γ_s ^l和γ_s ^l+1分别为lτ和(l+1)τ时刻被评估节点j的信任因子值；

(4)评估节点i根据γ₁ ^l+1，γ₂ ^l+1，……，γ₃ ^l+1，模糊推理自身在(l+1)τ时刻对被评估节点j的可信度t_ij ^l+1，并将t_ij ^l+1代入各个信任级别对应的隶属度函数，即可得到评估节点i对被评估节点j在(l+1)τ时刻的直接信任向量DT_ij ^l+1：

${\mathrm{DT}}_{\mathrm{ij}}^{l+1}=({\mathrm{\μ}}_{T1}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T2}\left(t_{\mathrm{ij}}^{l;+1}\right),{\mathrm{\μ}}_{T3}\left(t_{\mathrm{ij}}^{l+1}\right),{\mathrm{\μ}}_{T4}\left(t_{\mathrm{ij}}^{l+1}\right))---\left(3\right)$

其中，评估节点i根据被评估节点j的信任因子值，模糊推理自身对被评估节点j可信度的具体方法为：

①评估节点i在信任评估前预先建立好节点可信度的模糊推理规则，并提取信任因子与节点可信度之间的模糊蕴含关系R_γ-t，具体为：

a.节点可信度的模糊推理规则必须在信任评估前预先建立好，具体建立方法为：

首先，将信任因子γ_s分为“坏”，“一般”和“好”共三个优劣级别，并在其论域上建立对应的模糊子集r_s，1，r_s，2，r_s，3以及隶属度函数μ_rs，1(γ_s)，μ_rs，2(γ_s)，μ_rs，3(γ_s)；考虑到节点资源的限制，隶属度函数采用三角或梯形函数形式；

其次，根据信任推理的一般知识和经验，建立节点可信度的模糊推理规则，共建Q＝3^m条规则，建立标准为：

当任一信任因子为“坏”时，则节点的可信度均为“不可信”；

当少数的信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“不确定”；

当大多数信任因子为“好”，且没有信任因子为“坏”时，则节点的可信度为“较可信”；

当所有信任因子为“好”时，则节点的可信度为“绝对可信”；

b.评估节点i根据模糊推理规则，提取信任因子与节点可信度之间模糊蕴含关系R_γ-t，具体方法为：

首先，提取单条模糊规则下的蕴涵关系R_α，α＝1，2，...，Q

其中，μ_r1 ^α(γ₁)，μ_r2 ^α(γ₂)，......，μ_rm ^α(γ_m)为第α条模糊规则下各个信任因子优劣级别的隶属度函数，μ_T ^α(t)为第α条模糊规则下节点信任级别的隶属度函数；

其次，将所有模糊规则下的蕴含关系进行综合，得到蕴含关系R_γ-t：

②评估节点i将被评估节点j的信任因子值γ₁ ^*，γ₂ ^*，……，γ_m ^*与R_γ-t进行推理合成，得到节点可信度的模糊输出μ_T ^*(t)：

③评估节点i利用重心法将μ_T ^*(t)反模糊化，求得对被评估节点j的可信度t_ij：

$t_{\mathrm{ij}}=\mathrm{COG}=\underset{{\mathrm{\μ}}_T^{*}}{\∫}{\mathrm{\μ}}_T^{*}\left(t\right)\·\mathrm{tdt}/\underset{{\mathrm{\μ}}_T^{*}}{\∫}\left(t\right)\mathrm{dt}---\left(7\right)$

步骤三：当需要与被评估节点进行网络协作时，评估节点收集推荐节点对被评估节点的间接信任向量，具体方法为：

当评估节点i需要决定是否与被评估节点j进行网络协作时候，向周围广播被评估节点间接信任向量的查询命令；推荐节点在收到查询命令后，将自身对评估节点j的直接信任向量作为间接信任向量，发送给评估节点i；这里，推荐节点只能是评估节点和被评估节点的共同邻居节点；

步骤四：评估节点以推荐节点的可信度为综合权重，对间接信任向量与直接信任向量进行合成，得到被评估节点的综合信任向量，具体方法为：

设评估节点i接收到p(p≥0)个推荐节点对被评估节点j的间接信任向量IT_1j，IT_2j，……，IT_Pj；评估节点i以自身对这些推荐节点的可信度t_i1，t_i2，......，t_ip为综合权重，将这p个间接信任向量与直接信任向量DT_ij进行合成，计算对被评估节点j的综合信任向量CT_ij：

${\mathrm{CT}}_{\mathrm{ij}}=\frac{{\mathrm{DT}}_{\mathrm{ij}}+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}\·{\mathrm{IT}}_{\mathrm{uj}}}{1+\underset{u=1}{\overset{p}{\mathrm{\Σ}}}{t}_{\mathrm{iu}}}---\left(8\right)$

步骤五：评估节点根据被评估节点的综合信任向量，判断被评估节点的信任级别，并灵活调整自身与被评估节点间网络协作行为，具体方法为：

评估节点i将综合信任向量CT_ij中最大分量所对应的信任级别，作为被评估节点j所属的信任级别；根据被评估节点j的信任级别，评估节点i决定是否与被评估节点j进行网络协作的标准是：若被评估节点j属于“绝对不可信”级别，则评估节点i拒绝与其进行协作；若被评估节点j属于“不确定”级别，则评估节点i只与其进行风险较低的网络协作；若被评估节点j属于“较可信”级别，则评估节点与其进行风险一般的网络协作；若被评估节点j属于“绝对可信”级别，则评估节点i与其进行任意风险的网络协作。

Images