一种基于贝叶斯理论与熵理论的动态轻量级信任评估方法

摘要

本发明提出一种基于贝叶斯理论和熵理论的动态轻量级信任评估方法，它属于无线传感器网络安全技术领域，包括以下步骤：步骤一、根据贝叶斯理论，评估主体计算评估客体的直接信任值；步骤二、评估主体利用衰减因子与有效历史记录周期性更新评估客体的直接信任值；步骤三、评估主体计算评估客体直接信任值的置信度，并判断该置信度是否大于某一阈值以决定是否需进一步计算评估客体的间接信任值；步骤四、确定推荐信任值传递路径，使用熵理论确定各推荐信任值的权重，计算评估客体的间接信任值，并结合直接信任值计算评估客体的综合信任值。本发明符合网络节点能量、计算、存储等资源有限的特性，具有动态性、自适应性、轻量级等优点。

主权项

一种基于贝叶斯理论和熵理论的动态轻量级信任评估方法，其特征在于：通过贝叶斯理论得出评估客体的直接信任值，并根据有效历史记录及衰减因子进行周期性更新；根据评估客体直接信任值的置信度大小决定计算综合信任值时是否需考虑间接信任值；并结合熵理论确定各信任值的权重；假设评估节点i对被评估节点j进行信任评估：其中节点i称为评估主体，节点j称为评估客体，该方法具体步骤如下：步骤一：根据贝叶斯理论，评估主体计算评估客体的直接信任值，具体方法为：假设节点i与节点j的直接信任值的先验概率分布函数为贝塔分布Beta(α_ij，β_ij)，其中α_ij表示节点i与节点j合作成功的次数，β_ij表示节点i与节点j合作失败的次数；根据贝叶斯规则可知贝塔分布为共轭先验分布，因此直接信任值的后验概率分布函数仍为贝塔分布Beta(α_ij+1，β_ij+1)，将所得后验分布的数学期望作为节点j的直接信任值：$D_{\mathrm{ij}}=E\left[\mathrm{Beta}({\alpha }_{\mathrm{ij}}+1,{\beta }_{\mathrm{ij}}+1)\right]=\frac{({\alpha }_{\mathrm{ij}}+1)}{(({\alpha }_{\mathrm{ij}}+{\beta }_{\mathrm{ij}}+2)}---\left(1\right)$初始时假定α_ij＝0，β_ij＝0；步骤二：评估主体利用衰减因子与有效历史记录周期性更新评估客体的直接信任值，具体步骤为：(1)设评估主体i在0时刻完成对评估客体j直接信任向量D_ij的初始化，直接信任向量的更新周期为t，为提高动态适应能力并节约节点i的存储，引入有效历史记录数h(h≥1，且为整数)，即将周期t拆分为h个时段，节点i只在该周期内的各时段初始时刻观察评估客体j的网络行为，并记录各时段的合作成功次数α_ij(k)与合作失败次数β_ij(k)，此为有效历史记录；记录t时刻节点j网络行为的观察结果，s＝1表示该次行为为正常行为，s＝0表示该次行为为恶意行为；评估主体i通过监听信道实现对评估客体j网络行为的观察，采用混杂接收的通信模式；(2)评估主体i根据历史记录值可信程度随时间衰减的特性，引入衰减因子λ(0≤λ≤1)，动态地设置相应记录值的权重；(3)评估主体根据各有效历史记录，并代入各个历史记录的权重，即可得到评估客体j在t时刻的直接信任：${\alpha }_{\mathrm{ij}}\left(t\right)=\left(\underset{k=0}{\overset{k=(h-1)t/h}{\Sigma }}{\lambda }^{(h-1)t/h-k}{\alpha }_{\mathrm{ij}}\left(k\right)\right)/\underset{k=0}{\overset{k=(h-1)t/h}{\Sigma }}{\lambda }^{(h-1)t/h-k}+s---\left(2\right)$${\beta }_{\mathrm{ij}}\left(t\right)=\left(\underset{k=0}{\overset{k=(h-1)t/h}{\Sigma }}{\lambda }^{(h-1)t/h-k}{\alpha }_{\mathrm{ij}}\left(k\right)\right)/\underset{k=0}{\overset{k=(h-1)t/h}{\Sigma }}{\lambda }^{(h-1)t/h-k}+(1-s)---\left(3\right)$$D_{\mathrm{ij}}\left(t\right)=\frac{{\alpha }_{\mathrm{ij}}\left(t\right)+1}{{\alpha }_{\mathrm{ij}}\left(t\right)+{\beta }_{\mathrm{ij}}\left(t\right)+2}---\left(4\right)$步骤三：评估主体计算评估客体直接信任值的置信度，并判断该置信度是否大于某一阈值以决定是否需进一步计算评估客体的间接信任值，具体方法为：设为评估客体的直接信任值D_ij置信度为γ的置信区间，0＜ε＜min(1‑D_ij,D_ij)，ε取值视具体应用环境而定，则$\gamma =\frac{{\int }_{D_{\mathrm{ij}}-ϵ}^{D_{\mathrm{ij}}+ϵ}{p}^{{\alpha }_{\mathrm{ij}}-1}{(1-p)}^{{\beta }_{\mathrm{ij}}-1}\mathrm{dp}}{{\int }_0^1{p}^{{\alpha }_{\mathrm{ij}}-1}{(1-p)}^{{\beta }_{\mathrm{ij}}-1}\mathrm{dp}}---\left(5\right)$设置信度阈值为γ₀(0.8≤γ₀≤1)；若γ≥γ₀，则评估客体的直接信任值即可作为其综合信任值T_ij＝D_ij，本轮评估过程结束；否则转至步骤四；步骤四：确定推荐信任值传递路径，使用熵理论确定各推荐信任值的权重，计算评估客体的间接信任值，并结合直接信任值计算评估客体的综合信任值，具体步骤为：(1)评估主体向周围发送广播消息，寻找推荐节点，建立评估主体与评估客体之间的推荐信任值传递路径，具体方法为：评估主体i向周围广播评估客体j的推荐信任值的查询命令，评估主体和评估客体的共同邻居节点称为推荐节点，如节点x，收到查询命令后，将自身对评估客体的直接观察记录(α_xj，β_xj)发送给评估主体；(2)评估主体利用自身对推荐节点，如节点x，的直接观察记录(α_ix，β_ix)，与推荐节点发回的结果(α_xj，β_xj)，计算出节点x对评估客体的推荐信任值R_ij^x：$R^x{\alpha }_{\mathrm{ij}}=\frac{2*{\alpha }_{\mathrm{ij}}*{\alpha }_{\mathrm{xj}}}{({\beta }_{\mathrm{ix}}+2)*({\alpha }_{\mathrm{xj}}+{\beta }_{\mathrm{xj}}+2)+(2*{\alpha }_{\mathrm{ix}})}---\left(6\right)$$R^x{\beta }_{\mathrm{ij}}=\frac{2*{\alpha }_{\mathrm{ix}}*{\beta }_{\mathrm{xj}}}{({\beta }_{\mathrm{ix}}+2)*({\alpha }_{\mathrm{xj}}+{\beta }_{\mathrm{xj}}+2)+(2*{\alpha }_{\mathrm{ix}})}---\left(7\right)$$R_{\mathrm{ij}}^x=E\left[\mathrm{Beta}(R^x{\alpha }_{\mathrm{ij}}+1,R^x{\beta }_{\mathrm{ij}}+1)\right]=\frac{(R^x{\alpha }_{\mathrm{ij}}+1)}{\left((R^x{\alpha }_{\mathrm{ij}}+R^x{\beta }_{\mathrm{ij}}+2\right)}---\left(8\right)$(3)假设有n个推荐节点则存在n个推荐信任值通过信息熵理论确立各推荐信任值的权重并进行推荐信任值的动态综合，具体方法如下：①计算各推荐信任值的熵，以计算第x个推荐信任值的熵为例：$H\left(R_{\mathrm{ij}}^x\right)=-R_{\mathrm{ij}}^x{\log }_2{R}_{\mathrm{ij}}^x-(1-R_{\mathrm{ij}}^x){\log }_2(1-R_{\mathrm{ij}}^x)---\left(9\right)$②根据所得熵，计算各推荐信任值的权重，以计算第x个推荐信任值的权重为例$w_x=\frac{1-\frac{H\left(R_{\mathrm{ij}}^x\right)}{{\log }_2{R}_{\mathrm{ij}}^x}}{\underset{x=1}{\overset{x=n}{\Sigma }}(1-\frac{H\left(R_{\mathrm{ij}}^x\right)}{{\log }_2{R}_{\mathrm{ij}}^x})}---\left(10\right)$③利用所得各推荐信任值的权重，进行推荐信任值的动态综合：$R_{\mathrm{ij}}=\underset{x=1}{\overset{x=n}{\Sigma }}(w_x*R_{\mathrm{ij}}^x)---\left(11\right)$(4)评估主体根据评估客体直接信任值与间接信任值计算评估客体的综合信任值T_ij，具体方法如下：①计算评估客体的直接信任值与间接信任值的熵：H(D_ij)＝‑D_ijlog₂D_ij‑(1‑D_ij)log₂(1‑D_ij)   (12)H(R_ij)＝‑R_ijlog₂R_ij‑(1‑R_ij)log₂(1‑R_ij)   (13)②计算评估客体的直接信任值与间接信任值的权重：直接信任值的权重$w_D=\frac{1-\frac{H\left(D_{\mathrm{ij}}\right)}{{\log }_2{D}_{\mathrm{ij}}}}{(1-\frac{H\left(D_{\mathrm{ij}}\right)}{{\log }_2{D}_{\mathrm{ij}}})+(1-\frac{H\left(R_{\mathrm{ij}}\right)}{{\log }_2{R}_{\mathrm{ij}}})}---\left(14\right)$间接信任值的权重$w_R=\frac{1-\frac{H\left(R_{\mathrm{ij}}\right)}{{\log }_2{R}_{\mathrm{ij}}}}{(1-\frac{H\left(D_{\mathrm{ij}}\right)}{{\log }_2{D}_{\mathrm{ij}}})+(1-\frac{H\left(R_{\mathrm{ij}}\right)}{{\log }_2{R}_{\mathrm{ij}}})}---\left(15\right)$③评估主体计算评估客体的综合信任值：T_ij＝w_DD_ij+w_RR_ij   (16)。