使用深度學(xué)習(xí)的社交物聯(lián)網(wǎng)信任預(yù)測(cè)模型*

溫宇垚,徐 湛,職如昕,陳晉輝

(北京信息科技大學(xué) 信息與通信工程學(xué)院,北京 100101)

0 引 言

近年來(lái)，物聯(lián)網(wǎng)設(shè)備的安裝數(shù)量正在呈現(xiàn)爆發(fā)式增長(zhǎng)[1]。在如此龐大的網(wǎng)絡(luò)中，伴隨著低延時(shí)、高速率、高容量的 5G網(wǎng)絡(luò)的發(fā)展，物聯(lián)網(wǎng)面臨著越來(lái)越多的機(jī)遇與挑戰(zhàn)[2]。同時(shí)，大量對(duì)象的連接和事物的智能化進(jìn)一步發(fā)掘了人與物、物與物之間交互的潛力。文獻(xiàn)[3]提出了“社交設(shè)備”的概念，將傳統(tǒng)的網(wǎng)絡(luò)與社交網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)了設(shè)備間的自主交互。文獻(xiàn)[4]正式提出了“社交物聯(lián)網(wǎng)”(Social Internet of Things，SIoT)的概念，將人類社交網(wǎng)絡(luò)中的社會(huì)關(guān)系引入到物與物之間，其中每一個(gè)設(shè)備均可自主建立社交關(guān)系并選擇交互對(duì)象。

在這樣頻繁發(fā)生社交行為的社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中，一旦出現(xiàn)為了自身利益而對(duì)其他設(shè)備進(jìn)行惡意攻擊的行為不端的設(shè)備或所有者，那么良好節(jié)點(diǎn)的服務(wù)請(qǐng)求過(guò)程必將受到干擾。因此，為了使服務(wù)請(qǐng)求方得到更滿意的服務(wù)，提升整體網(wǎng)絡(luò)的效用性，一個(gè)可靠的信任管理是必不可少的。近年來(lái)，信任管理在物聯(lián)網(wǎng)和社交網(wǎng)絡(luò)中已有很多成熟的解決方案，但是應(yīng)用于社交物聯(lián)網(wǎng)中的信任管理協(xié)議仍處于發(fā)展階段。文獻(xiàn)[5]從P2P和社交網(wǎng)絡(luò)的解決方案出發(fā)，定義了主觀和客觀兩種信任管理模型。在文獻(xiàn)[6]的基礎(chǔ)上，文獻(xiàn)[7]提出了新的社交物聯(lián)網(wǎng)模型。根據(jù)這個(gè)模型，可以將一組物體賦予其社會(huì)化的形式，建立更親密友誼關(guān)系的節(jié)點(diǎn)之間具有更高的信任值評(píng)估，更方便它們之間進(jìn)行交互。文獻(xiàn)[8]采用了直接信任、中心性、社區(qū)利益、協(xié)作性、服務(wù)得分等SIoT信任指標(biāo)來(lái)計(jì)算對(duì)象間的信任值。文獻(xiàn)[9]給出了信任和信譽(yù)的明確定義。文獻(xiàn)[10]中提出了一個(gè)名為TMCoI-SIOT的信任管理模型，該模型從節(jié)點(diǎn)級(jí)與管理員級(jí)分別給出了信任協(xié)議。

然而，隨著物聯(lián)網(wǎng)設(shè)備數(shù)量的指數(shù)式增長(zhǎng)，物聯(lián)網(wǎng)網(wǎng)絡(luò)面臨的負(fù)載壓力也在不斷增加。因此，在物聯(lián)網(wǎng)應(yīng)用場(chǎng)景中，會(huì)遇到由于節(jié)點(diǎn)交互過(guò)于密集而導(dǎo)致通信不暢，從而影響任務(wù)交付與信任值評(píng)估的情況。此時(shí)，一些新加入的節(jié)點(diǎn)可能不具備或具備很少與其他節(jié)點(diǎn)交互的歷史信息，從而使得其他節(jié)點(diǎn)使用常規(guī)信任模型難以得到對(duì)其及時(shí)有效的信任值評(píng)估。這個(gè)問(wèn)題也被稱為“冷啟動(dòng)”問(wèn)題[11]。

針對(duì)此問(wèn)題，本文擬引入深度學(xué)習(xí)模型對(duì)常規(guī)信任模型進(jìn)行改進(jìn)，提出了一種適用于節(jié)點(diǎn)過(guò)于密集或過(guò)于稀疏導(dǎo)致交互延遲較大影響信任值評(píng)估的社交物聯(lián)網(wǎng)的改進(jìn)型信任預(yù)測(cè)模型，模型主要分為改進(jìn)型節(jié)點(diǎn)級(jí)別信任模型和SIoT服務(wù)器級(jí)別信任模型。在節(jié)點(diǎn)級(jí)別信任模型中，本文提出了一種根據(jù)事件重要程度決定服務(wù)提供方的改進(jìn)型交互規(guī)則。對(duì)于不同重要程度事件進(jìn)行分類從而分配給不同信任度的節(jié)點(diǎn)，使得惡意節(jié)點(diǎn)更難發(fā)動(dòng)攻擊，并同時(shí)給予其變?yōu)榱己霉?jié)點(diǎn)的機(jī)會(huì)。另一方面，此模型對(duì)提供間接信任的友誼節(jié)點(diǎn)進(jìn)行了信任加權(quán)計(jì)算，即信任度越高的節(jié)點(diǎn)提供的建議越具有參考價(jià)值，同時(shí)考慮了相對(duì)中心性，這也更加符合網(wǎng)絡(luò)信任計(jì)算中的一般情況，從而抵擋惡意攻擊。在SIoT服務(wù)器級(jí)別信任模型中，本文針對(duì)上述“冷啟動(dòng)”問(wèn)題，引入深度學(xué)習(xí)模型，對(duì)社區(qū)中新加入節(jié)點(diǎn)的信任值進(jìn)行預(yù)測(cè)。仿真結(jié)果表明，在此預(yù)測(cè)指引下，總交互過(guò)程中交互成功率更高。

本文中多次用到的符號(hào)及其含義：i表示服務(wù)請(qǐng)求方節(jié)點(diǎn)，j表示服務(wù)提供方節(jié)點(diǎn)，TD為直接信任值，TID為間接信任值，T為總信任值，h表示事務(wù)重要程度。

1 節(jié)點(diǎn)級(jí)別信任模型

在社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中，惡意節(jié)點(diǎn)可以通過(guò)執(zhí)行不同的與信任相關(guān)的攻擊來(lái)傳遞不正確或惡意的信息，導(dǎo)致系統(tǒng)發(fā)生不適當(dāng)?shù)母?。本文?duì)可能發(fā)生在網(wǎng)絡(luò)中的惡意攻擊類型進(jìn)行了總結(jié)，將其分為以下三類:

一是惡意節(jié)點(diǎn)通過(guò)提供錯(cuò)誤的建議來(lái)破壞行為良好的節(jié)點(diǎn)的聲譽(yù)，從而降低選擇此良好節(jié)點(diǎn)作為服務(wù)提供商的可能性。在本信任模型中，當(dāng)惡意節(jié)點(diǎn)向良好節(jié)點(diǎn)請(qǐng)求服務(wù)時(shí)，無(wú)論良好節(jié)點(diǎn)提供服務(wù)好壞，惡意節(jié)點(diǎn)均給予其較低信任值。

二是惡意節(jié)點(diǎn)可以通過(guò)向另一個(gè)惡意節(jié)點(diǎn)提供好的建議來(lái)提高其聲譽(yù)，從而增加該節(jié)點(diǎn)被選為服務(wù)提供商的可能性。這也是一種共謀攻擊，即它可以與其他壞節(jié)點(diǎn)協(xié)作，以提高彼此的聲譽(yù)。在本信任模型中，當(dāng)惡意節(jié)點(diǎn)向惡意節(jié)點(diǎn)請(qǐng)求服務(wù)時(shí)，將會(huì)給予較高信任值，實(shí)施共謀攻擊。

三是惡意節(jié)點(diǎn)可以通過(guò)提供良好服務(wù)的方法提升其重要性，以便被選擇為服務(wù)提供者，但隨后在重要的事務(wù)中它會(huì)提供惡意服務(wù)。在本文的模型中，當(dāng)良好節(jié)點(diǎn)向惡意節(jié)點(diǎn)請(qǐng)求服務(wù)時(shí)，惡意節(jié)點(diǎn)將在重要程度低的事務(wù)中提供良好服務(wù)來(lái)增加其信任度，而在重要的事務(wù)中提供糟糕的服務(wù)。

本文借鑒了現(xiàn)有的文獻(xiàn)的研究成果，在節(jié)點(diǎn)級(jí)別的信任計(jì)算中將整體信任分為了直接信任值與間接信任值分別進(jìn)行計(jì)算，綜合兩者共同評(píng)判一個(gè)節(jié)點(diǎn)的信任值。

直接信任值：服務(wù)請(qǐng)求方節(jié)點(diǎn)與服務(wù)提供方節(jié)點(diǎn)之間直接進(jìn)行信息交互所獲得的主觀性節(jié)點(diǎn)信任評(píng)估。

間接信任值：服務(wù)請(qǐng)求方節(jié)點(diǎn)在完成主觀上對(duì)服務(wù)提供方節(jié)點(diǎn)的信任評(píng)估之后，綜合自己的好友節(jié)點(diǎn)對(duì)于服務(wù)提供方節(jié)點(diǎn)的信任值進(jìn)行計(jì)算所獲得的相應(yīng)節(jié)點(diǎn)聲譽(yù)。

在本文的信任模型中，每個(gè)節(jié)點(diǎn)都維護(hù)自己的一套對(duì)其他節(jié)點(diǎn)的信任評(píng)估。并且在實(shí)驗(yàn)進(jìn)行中，每個(gè)節(jié)點(diǎn)在與其他節(jié)點(diǎn)進(jìn)行任務(wù)交互之后，均同時(shí)動(dòng)態(tài)更新其相應(yīng)的直接信任值和間接信任值。

首先，本文對(duì)社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中的所有節(jié)點(diǎn)對(duì)進(jìn)行信任值初始化，規(guī)則見(jiàn)表1。

表1 本文中節(jié)點(diǎn)間初始信任值的設(shè)置

初始設(shè)定節(jié)點(diǎn)間的三種社會(huì)關(guān)系：屬于同一所有者關(guān)系、處于同一地域關(guān)系以及所有者互為好友關(guān)系。設(shè)信任值取值范圍為(0,1),信任值為0，說(shuō)明該節(jié)點(diǎn)完全不可信；信任值為1，則說(shuō)明該節(jié)點(diǎn)完全被信任。若節(jié)點(diǎn)間同時(shí)滿足多種社交關(guān)系，則以信任值高者為準(zhǔn)。其中，屬于同一所有者的節(jié)點(diǎn)由于歸屬于同一所有者，因此有更大概率擁有相似的行為，本文給予其最高的初始信任值。相比于所有者互為好友關(guān)系，如果雙方處于同一工作區(qū)域，那么他們相互遇到以及共同協(xié)作完成任務(wù)的概率就越高。例如：A與同事B處于同一辦公室，那么兩者之間就會(huì)產(chǎn)生頻繁的信息交互，并且為完成同一個(gè)任務(wù)協(xié)商合作；而A與朋友C之間僅可能偶爾為了共同利益會(huì)交互有限次(俗話說(shuō)遠(yuǎn)親不如近鄰)。根據(jù)信任具有時(shí)效性的這一特性，本文給予了后者較小的信任值。在實(shí)際的社交網(wǎng)絡(luò)中，兩個(gè)關(guān)系更為親密的節(jié)點(diǎn)之間相比于無(wú)社交關(guān)系的節(jié)點(diǎn)之間任務(wù)交互成功的概率將會(huì)更高。因此在本文的仿真中，更親密的節(jié)點(diǎn)關(guān)系將會(huì)帶來(lái)更高的任務(wù)交互成功率。

為應(yīng)對(duì)上文提到的惡意攻擊，本文信任模型中引入了事務(wù)因子h來(lái)對(duì)不同事件的重要程度進(jìn)行分類。h的取值范圍為(0,1)。以0.5為分界點(diǎn)，h值大于0.5的稱為重要事件，反之稱為不重要事件，且h值越接近于1的事件越重要。文獻(xiàn)[9]中給出了信任的定義，即信任值表達(dá)了服務(wù)請(qǐng)求方節(jié)點(diǎn)愿意冒著惡意節(jié)點(diǎn)的風(fēng)險(xiǎn)而向?qū)Ψ秸?qǐng)求服務(wù)的自愿程度。因此，在本文模型中為了防御惡意攻擊，重要的事件只交給信任值較高的節(jié)點(diǎn)，而不重要的事件分配給其他節(jié)點(diǎn)。這樣既使得惡意節(jié)點(diǎn)更不容易從低事務(wù)因子事件中獲取高信任值，可以有效抵御部分惡意攻擊，同時(shí)給予了部分惡意節(jié)點(diǎn)變?yōu)榱己霉?jié)點(diǎn)的機(jī)會(huì)。具體做法是：對(duì)于重要事件，將h值大于0.9的事件分配給信任值高于0.9的節(jié)點(diǎn)(若網(wǎng)絡(luò)中沒(méi)有信任值滿足條件的節(jié)點(diǎn)，則選取信任值最高的)，將h值大于0.8的事件分配給信任值高于0.8的節(jié)點(diǎn)，以此類推；對(duì)于不重要事件，將其分配給信任值小于等于0.5的節(jié)點(diǎn)。具體模型算法如下:

本文借鑒文獻(xiàn)[10]中的狄利克雷分布信任計(jì)算，定義節(jié)點(diǎn)間直接信任值：節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j請(qǐng)求服務(wù)并進(jìn)行交互之后，節(jié)點(diǎn)i通過(guò)先前與節(jié)點(diǎn)j交互經(jīng)驗(yàn)計(jì)算對(duì)其的直接信任值TD:

(1)

(2)

(3)

公式(1)中αij表示節(jié)點(diǎn)i與節(jié)點(diǎn)j的成功交互，βij則表示失敗交互。在公式(2)～(3)中給出了兩者的計(jì)算方法，其中N表示相應(yīng)的總交互次數(shù)，hl表示兩節(jié)點(diǎn)在第l次相應(yīng)的交互時(shí)的事務(wù)因子。R(reward)表示成功交互之后的獎(jiǎng)勵(lì)，設(shè)置為1；P(punishment)表示失敗交互之后的懲罰，設(shè)置為2。這里對(duì)不滿意事件的懲罰加倍是為了應(yīng)對(duì)第三種惡意攻擊，即建立信任比失去信任更困難，防止對(duì)象在低權(quán)重服務(wù)上表現(xiàn)良好以建立良好的信譽(yù)，然后在重要服務(wù)上表現(xiàn)不佳。

節(jié)點(diǎn)i在與節(jié)點(diǎn)j交互完成之后，同時(shí)向其好友k發(fā)出信任值請(qǐng)求，即獲取節(jié)點(diǎn)k對(duì)節(jié)點(diǎn)j的信任值，并綜合其所有好友對(duì)節(jié)點(diǎn)j的信任值共同計(jì)算出間接信任值TID(設(shè)節(jié)點(diǎn)i共有n個(gè)朋友)：

(4)

由于不同節(jié)點(diǎn)的狀態(tài)不同，其給予服務(wù)請(qǐng)求方的推薦信任值可信度也不同，因此間接信任值直接取所有推薦者推薦信任值的平均數(shù)在實(shí)際網(wǎng)絡(luò)中是有缺陷的。本模型在此處增加了服務(wù)請(qǐng)求方對(duì)每個(gè)推薦者信任值的加權(quán)。

然后通過(guò)公式(5)得到節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的信任值評(píng)估:

(5)

公式(5)受到了文獻(xiàn)[5]的啟發(fā)，引入了相對(duì)中心性Rij。Rij表示節(jié)點(diǎn)j相對(duì)于節(jié)點(diǎn)i的中心性，而不是它在整個(gè)網(wǎng)絡(luò)中占據(jù)了多少中心位置。這是為了防止惡意節(jié)點(diǎn)建立很多關(guān)系，刻意提高自己在整個(gè)網(wǎng)絡(luò)的中心性之后發(fā)動(dòng)惡意攻擊。Rij的計(jì)算方法如公式(6):

(6)

式中：函數(shù)F表示相應(yīng)節(jié)點(diǎn)的好友集合。

最后綜合節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j之前的交互經(jīng)驗(yàn)，得出節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的總信任值:

Tij(t)=(1-δ)Tij(t-Δt)+δTij(t) 。

(7)

式中：Tij(t-Δt)表示節(jié)點(diǎn)i與j上一次交互后的總信任值。λ∈[0,1]和δ∈[0,1]分別用于加權(quán)直接信任值和間接信任值，加權(quán)當(dāng)前和以前的總信任值，其目的是將信任值的計(jì)算結(jié)果保持在0～1之間。

2 節(jié)點(diǎn)級(jí)別信任模型的仿真分析

在即將到來(lái)的包括智慧城市、車聯(lián)網(wǎng)等在內(nèi)的信息化社會(huì)，用戶設(shè)備需要獲取某種服務(wù)時(shí)，那么它將作為服務(wù)請(qǐng)求方，使用智能設(shè)備向其他設(shè)備發(fā)送服務(wù)請(qǐng)求。這個(gè)過(guò)程不僅對(duì)信息傳輸速率有著較高的要求，傳輸過(guò)程的安全同樣重要。結(jié)合這樣的現(xiàn)實(shí)需要，本文在下列仿真中相應(yīng)的服務(wù)請(qǐng)求方節(jié)點(diǎn)在仿真過(guò)程中始終為良好狀態(tài)(在本文的模擬實(shí)驗(yàn)過(guò)程中，節(jié)點(diǎn)僅存在良好以及惡意兩種狀態(tài))。

在此仿真中，本文設(shè)置了8個(gè)所有者所擁有的40個(gè)設(shè)備節(jié)點(diǎn)，并對(duì)所有者的友誼關(guān)系進(jìn)行了初始化，其中不同所有者擁有的設(shè)備及設(shè)備數(shù)量隨機(jī)分配。只要節(jié)點(diǎn)雙方滿足屬于同一所有者、處于同一地域或所有者互為好友關(guān)系中的一種，則視雙方為朋友關(guān)系。同時(shí)，本文將這40個(gè)節(jié)點(diǎn)分配到4個(gè)不同的地域及8個(gè)不同的興趣社區(qū)。每個(gè)節(jié)點(diǎn)只能處于一個(gè)地域中，而根據(jù)自己的興趣不同可以同時(shí)處于多個(gè)不同的興趣社區(qū)。

在信任值及總信任值計(jì)算中，文獻(xiàn)[10]仿真分析已經(jīng)論證：信任值評(píng)估中使用較高的λ值可以幫助節(jié)點(diǎn)快速收斂到真實(shí)的節(jié)點(diǎn)狀態(tài)。另一方面，惡意節(jié)點(diǎn)不能依賴其良好的歷史來(lái)進(jìn)行不當(dāng)行為，因此當(dāng)新的交互發(fā)生時(shí)，舊的交互的比重應(yīng)該降低。綜上所述，本文考慮了間接信任的可信度不如直接信任，同時(shí)為了與文獻(xiàn)[10]的模型仿真對(duì)比結(jié)果更加明晰，因此本文沿用文獻(xiàn)[10]的模型權(quán)重參數(shù)，即參數(shù)和的初始值均設(shè)為0.8。

本文仿真擬進(jìn)行20 000次交互，每次交互的服務(wù)請(qǐng)求方節(jié)點(diǎn)隨機(jī)選取，并在仿真中保證：同一次交互的不同模型仿真中，有著相同的事務(wù)因子與興趣社區(qū)選擇。每次進(jìn)行交互前，服務(wù)請(qǐng)求方隨機(jī)取(1，8)8個(gè)種類中的一種任務(wù)，向其相應(yīng)的興趣社區(qū)請(qǐng)求服務(wù)。在相應(yīng)的社區(qū)內(nèi)根據(jù)不同模型各自的規(guī)則選取服務(wù)提供方節(jié)點(diǎn)之后，服務(wù)請(qǐng)求方節(jié)點(diǎn)隨機(jī)取事務(wù)因子為h的任務(wù)開始進(jìn)行交互(h的取值范圍為(0，1)，取值越大代表該事務(wù)越重要)。在此次交互完畢之后，服務(wù)請(qǐng)求方節(jié)點(diǎn)對(duì)服務(wù)提供方節(jié)點(diǎn)所提供的服務(wù)進(jìn)行評(píng)估：若此次交互評(píng)估滿意，則記為1；若不滿意，則記為0。

本文首先隨機(jī)選取了兩個(gè)良好節(jié)點(diǎn)，編號(hào)分別為1和2，即在隨機(jī)選擇服務(wù)提供方節(jié)點(diǎn)的20 000次交互中，僅記錄節(jié)點(diǎn)1向該良好節(jié)點(diǎn)提供服務(wù)請(qǐng)求的交互事件。在低惡意節(jié)點(diǎn)比例環(huán)境(惡意節(jié)點(diǎn)比例為20%)與較高惡意節(jié)點(diǎn)比例環(huán)境(惡意節(jié)點(diǎn)比例為50%)下分別對(duì)本文節(jié)點(diǎn)級(jí)信任模型與其他信任模型進(jìn)行了仿真對(duì)比，結(jié)果如圖1和圖2所示(仿真過(guò)程中間隔固定時(shí)段取計(jì)數(shù)點(diǎn))。

圖1 20%惡意節(jié)點(diǎn)比例下不同模型中的節(jié)點(diǎn)1對(duì)良好節(jié)點(diǎn)信任值對(duì)比

圖2 50%惡意節(jié)點(diǎn)比例下不同模型中的節(jié)點(diǎn)1對(duì)良好節(jié)點(diǎn)信任值對(duì)比

從圖1和圖2中可以看出，本文節(jié)點(diǎn)級(jí)信任模型中良好節(jié)點(diǎn)間的信任值評(píng)估相較于文獻(xiàn)[10]的更高，使相應(yīng)良好節(jié)點(diǎn)更容易被選作下一次的服務(wù)提供方。這是由于在本文節(jié)點(diǎn)級(jí)信任模型中，每次交互的服務(wù)請(qǐng)求方會(huì)根據(jù)事務(wù)因子的大小來(lái)選擇合適的服務(wù)提供方，從而更好地避免了將重要事務(wù)交付給惡意節(jié)點(diǎn)使其對(duì)良好節(jié)點(diǎn)進(jìn)行第三種惡意攻擊。同時(shí)，由于在本文模型中計(jì)算間接信任值時(shí)，加入了服務(wù)請(qǐng)求方節(jié)點(diǎn)對(duì)推薦者信任值的加權(quán)，使得在惡意節(jié)點(diǎn)比例增加后本文信任模型依然可以在一定程度上抵擋惡意節(jié)點(diǎn)對(duì)良好節(jié)點(diǎn)的第一種和第二種惡意攻擊。相比于本文與文獻(xiàn)[10]的信任模型，文獻(xiàn)[8]與文獻(xiàn)[9]中的信任模型雖然在大多數(shù)時(shí)間表現(xiàn)可觀，但波動(dòng)較大。這是由于它們?nèi)狈?duì)當(dāng)前總信任值和以前總信任值的加權(quán)綜合，而僅根據(jù)之前交互的滿意度來(lái)計(jì)算信任值。這在實(shí)際社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中是有缺陷的。而本文模型則兼顧了兩者。

接下來(lái)，本文保留良好節(jié)點(diǎn)1，并隨機(jī)選取惡意節(jié)點(diǎn)26，僅記錄節(jié)點(diǎn)1向該惡意節(jié)點(diǎn)提供服務(wù)請(qǐng)求的交互事件。在低惡意節(jié)點(diǎn)比例環(huán)境(惡意節(jié)點(diǎn)比例為20%)與較高惡意節(jié)點(diǎn)比例環(huán)境(惡意節(jié)點(diǎn)比例為50%)下分別對(duì)本文節(jié)點(diǎn)級(jí)信任模型與其他信任模型進(jìn)行了仿真對(duì)比，結(jié)果如圖3和圖4所示。

圖3 20%惡意節(jié)點(diǎn)比例下不同模型中的節(jié)點(diǎn)1對(duì)惡意節(jié)點(diǎn)信任值對(duì)比

圖4 50%惡意節(jié)點(diǎn)比例下不同模型中的節(jié)點(diǎn)1對(duì)惡意節(jié)點(diǎn)信任值對(duì)比

綜合圖3和圖4，本文信任模型與文獻(xiàn)[8]的信任模型中，良好節(jié)點(diǎn)對(duì)于惡意節(jié)點(diǎn)的信任值評(píng)估在下降到不可信的閾值(即小于0.5)之后，經(jīng)過(guò)一段時(shí)間會(huì)重新回到閾值。而文獻(xiàn)[9]和文獻(xiàn)[10]的信任值曲線總體均處于下降趨勢(shì)，并分別收斂到一個(gè)較低的值。這是由于在本文模型與文獻(xiàn)[8]中，會(huì)將事務(wù)因子較低的事務(wù)分配給信任值在閾值以下的節(jié)點(diǎn)，給予他們一個(gè)信任值重新回到閾值以上的機(jī)會(huì)。在實(shí)際網(wǎng)絡(luò)中節(jié)點(diǎn)的狀態(tài)是動(dòng)態(tài)的，即一個(gè)節(jié)點(diǎn)可能從良好節(jié)點(diǎn)變?yōu)閻阂夤?jié)點(diǎn)，也可能從惡意節(jié)點(diǎn)變?yōu)榱己霉?jié)點(diǎn)。因此，給予可能變?yōu)榱己霉?jié)點(diǎn)的惡意節(jié)點(diǎn)提升自己信任值的機(jī)會(huì)是很有必要的。同時(shí)，由于本文模型中綜合了以前的總信任值，因此對(duì)于惡意節(jié)點(diǎn)的信任值評(píng)估波動(dòng)相較于文獻(xiàn)[8]更小。這不僅給予了惡意節(jié)點(diǎn)更多表現(xiàn)自己良好行為的機(jī)會(huì)，同時(shí)也避免了惡意節(jié)點(diǎn)過(guò)度提升自己的信任值評(píng)估導(dǎo)致其在重要事務(wù)中發(fā)起攻擊的情況。

3 SIoT服務(wù)器級(jí)別信任模型

本文中采用了如圖5所示的物聯(lián)網(wǎng)架構(gòu)。在此網(wǎng)絡(luò)中有多個(gè)不同的社區(qū)，并且處于網(wǎng)絡(luò)中的不同智能設(shè)備(例如智能手機(jī)、計(jì)算機(jī)等)根據(jù)其不同興趣分別選擇自己的興趣社區(qū)。SIoT服務(wù)器負(fù)責(zé)管理新加入網(wǎng)絡(luò)中的節(jié)點(diǎn)，即每個(gè)想要加入該社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中的對(duì)象都必須進(jìn)行身份驗(yàn)證并注冊(cè)到SIoT服務(wù)器，且在該節(jié)點(diǎn)處于新加入狀態(tài)時(shí)(在本文中設(shè)置交互次數(shù)10次為狀態(tài)閾值，即交互10次以下的為新加入的陌生節(jié)點(diǎn))，網(wǎng)絡(luò)中其他節(jié)點(diǎn)可向SIoT服務(wù)器請(qǐng)求其相關(guān)信息。同時(shí)，任何未經(jīng)SIoT服務(wù)器同意即離開本網(wǎng)絡(luò)的節(jié)點(diǎn)均被SIoT服務(wù)器加入其黑名單中。

圖5 本文中采用的社交物聯(lián)網(wǎng)架構(gòu)

由于本文主要研究對(duì)于事務(wù)交互密集導(dǎo)致通信不暢的社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中(以密集網(wǎng)絡(luò)為例)交互經(jīng)驗(yàn)相對(duì)匱乏的陌生節(jié)點(diǎn)的信任值預(yù)測(cè)，因此在執(zhí)行信任值預(yù)測(cè)前，需要利用改進(jìn)型的節(jié)點(diǎn)級(jí)信任模型在社區(qū)中先模擬若干次交互(由于本文設(shè)置節(jié)點(diǎn)數(shù)較多，故模擬20 000次隨機(jī)交互作為訓(xùn)練集數(shù)據(jù))。SIoT服務(wù)器對(duì)于成功交互次數(shù)達(dá)10次以上的節(jié)點(diǎn)對(duì)，收集節(jié)點(diǎn)對(duì)之間的社交關(guān)系、前若干次(在這里設(shè)置為10次)交互成功事務(wù)的事務(wù)權(quán)重之和與所有交互事務(wù)的事務(wù)權(quán)重之和之比、雙方的節(jié)點(diǎn)屬性(例如好友數(shù)量、所處地域、興趣社區(qū)、所有者等)以及相應(yīng)目標(biāo)節(jié)點(diǎn)交互若干次之后所得到的最終信任值評(píng)估。SIoT服務(wù)器將收集到的若干組信息作為訓(xùn)練集輸入到如圖6所示的DNN深度學(xué)習(xí)模型中。

圖6 本文所用深度學(xué)習(xí)模型

在圖6所示的DNN深度學(xué)習(xí)模型中，左邊輸入層分別為合作性、社區(qū)利益、相對(duì)中心性、是否為同一所有者(是記為1，否記為0)、是否處于同一地域、所有者是否為朋友關(guān)系、前若干次交互成功事務(wù)的事務(wù)權(quán)重之和與所有交互事務(wù)的事務(wù)權(quán)重之和之比(若沒(méi)有交互經(jīng)驗(yàn)則記為0.5)；中間的隱藏層設(shè)定為3層，第一層有64個(gè)神經(jīng)元，第二層有128個(gè)神經(jīng)元，第三層有32個(gè)神經(jīng)元；最后的輸出值即為目標(biāo)節(jié)點(diǎn)的信任預(yù)測(cè)值。

其中，相對(duì)中心性Rij已經(jīng)在公式(6)中給出了計(jì)算方法，合作性COij與社區(qū)利益CIij計(jì)算公式如下：

(8)

(9)

式中：函數(shù)community表示相應(yīng)節(jié)點(diǎn)興趣社區(qū)的集合。

本文訓(xùn)練深度學(xué)習(xí)模型時(shí)的各項(xiàng)參數(shù)見(jiàn)表2。

表2 本文訓(xùn)練深度學(xué)習(xí)模型的參數(shù)

在本文模型中，共收集了150組節(jié)點(diǎn)對(duì)的數(shù)據(jù)，其中120組作為訓(xùn)練集，30組作為測(cè)試集。

服務(wù)請(qǐng)求方通過(guò)向SIoT服務(wù)器提供深度學(xué)習(xí)模型所需的相應(yīng)輸入數(shù)據(jù)，可以得到對(duì)新加入節(jié)點(diǎn)的信任值預(yù)測(cè)，并將其保存在自己的日志中。這樣使得相應(yīng)服務(wù)請(qǐng)求方節(jié)點(diǎn)即使面對(duì)交互經(jīng)驗(yàn)相對(duì)匱乏的陌生節(jié)點(diǎn)也可以有相應(yīng)的信任值評(píng)估，從而按照信任模型中的規(guī)則決定是否將任務(wù)交付給對(duì)方。

4 信任預(yù)測(cè)模型的仿真分析

本節(jié)在第1節(jié)節(jié)點(diǎn)級(jí)別信任模型基礎(chǔ)上仿真模擬密集網(wǎng)絡(luò)。由于在密集網(wǎng)絡(luò)中節(jié)點(diǎn)間交互密集，有時(shí)可能出現(xiàn)網(wǎng)絡(luò)負(fù)載過(guò)大、交互不成功的情況。在此設(shè)置節(jié)點(diǎn)間交互成功率為80%，其余仿真初始設(shè)置沿用本文第2節(jié)的設(shè)定。

在此仿真中，以50%惡意節(jié)點(diǎn)比例為例(所有惡意節(jié)點(diǎn)屬性在仿真初始即設(shè)置完成)，初始化新加入社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中的良好節(jié)點(diǎn)。其中，網(wǎng)絡(luò)中所有節(jié)點(diǎn)均可向SIoT服務(wù)器請(qǐng)求新加入節(jié)點(diǎn)的社交屬性及其歷史交互信息等(若歷史交互次數(shù)達(dá)到10次以上，則僅記錄前10次的信息)。為了使仿真結(jié)果更加明晰，本次仿真中僅記錄發(fā)生在節(jié)點(diǎn)1與新加入節(jié)點(diǎn)之間的交互，并同時(shí)統(tǒng)計(jì)向新加入節(jié)點(diǎn)所在興趣社區(qū)發(fā)起服務(wù)請(qǐng)求的總交互中交互成功的次數(shù)和交互失敗的次數(shù)，結(jié)果如圖7和表3所示。

圖7 50%惡意節(jié)點(diǎn)比例時(shí)節(jié)點(diǎn)1對(duì)新節(jié)點(diǎn)在是否使用深度學(xué)習(xí)模型下的信任值對(duì)比

表3 仿真中成功與失敗交互次數(shù)對(duì)比

綜合圖7與表3可以看出，在使用深度學(xué)習(xí)模型預(yù)測(cè)后，良好節(jié)點(diǎn)間的信任值評(píng)估相比于不使用深度學(xué)習(xí)時(shí)更高，且整體交互過(guò)程中成功交互次數(shù)更多，失敗次數(shù)較少。仿真結(jié)果顯示，使用深度學(xué)習(xí)模型預(yù)測(cè)后的成功交互率提升約1.8%，系統(tǒng)性能明顯提升。

5 結(jié)束語(yǔ)

本文提出了一種適用于社交物聯(lián)網(wǎng)網(wǎng)絡(luò)的信任預(yù)測(cè)模型，模型分為節(jié)點(diǎn)級(jí)別信任模型和SIoT服務(wù)器級(jí)別信任模型兩部分。在節(jié)點(diǎn)級(jí)別信任模型的仿真實(shí)驗(yàn)中，本文引入了其他三個(gè)信任模型作為對(duì)照組，通過(guò)仿真證明本文模型具有更好的穩(wěn)定性，可以更好地應(yīng)對(duì)網(wǎng)絡(luò)中的惡意攻擊。在SIoT服務(wù)器級(jí)別信任模型的仿真實(shí)驗(yàn)中，本文模擬了“冷啟動(dòng)”環(huán)境，通過(guò)對(duì)比仿真證明使用深度學(xué)習(xí)預(yù)測(cè)后的模型可以獲得更多的成功交互，并且在較高惡意節(jié)點(diǎn)比例下依然有效，成功交互率提升約1.8%。

目前，在本文的仿真實(shí)驗(yàn)中僅模擬了密集網(wǎng)絡(luò)的狀況，對(duì)于稀疏網(wǎng)絡(luò)的仿真實(shí)驗(yàn)是未來(lái)進(jìn)一步研究的內(nèi)容。