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，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[1]。在如此龐大的網(wǎng)絡(luò)中，伴隨著低延時、高速率、高容量的 5G網(wǎng)絡(luò)的發(fā)展，物聯(lián)網(wǎng)面臨著越來越多的機遇與挑戰(zhàn)[2]。同時，大量對象的連接和事物的智能化進一步發(fā)掘了人與物、物與物之間交互的潛力。文獻[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，實現(xiàn)了設(shè)備間的自主交互。文獻[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)中的社會關(guān)系引入到物與物之間，其中每一個設(shè)備均可自主建立社交關(guān)系并選擇交互對象。

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)為了自身利益而對其他設(shè)備進行惡意攻擊的行為不端的設(shè)備或所有者，那么良好節(jié)點的服務(wù)請求過程必將受到干擾。因此，為了使服務(wù)請求方得到更滿意的服務(wù)，提升整體網(wǎng)絡(luò)的效用性，一個可靠的信任管理是必不可少的。近年來，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[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[6]的基礎(chǔ)上，文獻[7]提出了新的社交物聯(lián)網(wǎng)模型。根據(jù)這個模型，可以將一組物體賦予其社會化的形式，建立更親密友誼關(guān)系的節(jié)點之間具有更高的信任值評估，更方便它們之間進行交互。文獻[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)來計算對象間的信任值。文獻[9]給出了信任和信譽的明確定義。文獻[10]中提出了一個名為TMCoI-SIOT的信任管理模型，該模型從節(jié)點級與管理員級分別給出了信任協(xié)議。

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

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

本文中多次用到的符號及其含義：i表示服務(wù)請求方節(jié)點，j表示服務(wù)提供方節(jié)點，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)點級別信任模型

在社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中，惡意節(jié)點可以通過執(zhí)行不同的與信任相關(guān)的攻擊來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?。本文對可能發(fā)生在網(wǎng)絡(luò)中的惡意攻擊類型進行了總結(jié)，將其分為以下三類:

一是惡意節(jié)點通過提供錯誤的建議來破壞行為良好的節(jié)點的聲譽，從而降低選擇此良好節(jié)點作為服務(wù)提供商的可能性。在本信任模型中，當(dāng)惡意節(jié)點向良好節(jié)點請求服務(wù)時，無論良好節(jié)點提供服務(wù)好壞，惡意節(jié)點均給予其較低信任值。

二是惡意節(jié)點可以通過向另一個惡意節(jié)點提供好的建議來提高其聲譽，從而增加該節(jié)點被選為服務(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)點協(xié)作，以提高彼此的聲譽。在本信任模型中，當(dāng)惡意節(jié)點向惡意節(jié)點請求服務(wù)時，將會給予較高信任值，實施共謀攻擊。

三是惡意節(jié)點可以通過提供良好服務(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)中它會提供惡意服務(wù)。在本文的模型中，當(dāng)良好節(jié)點向惡意節(jié)點請求服務(wù)時，惡意節(jié)點將在重要程度低的事務(wù)中提供良好服務(wù)來增加其信任度，而在重要的事務(wù)中提供糟糕的服務(wù)。

本文借鑒了現(xiàn)有的文獻的研究成果，在節(jié)點級別的信任計算中將整體信任分為了直接信任值與間接信任值分別進行計算，綜合兩者共同評判一個節(jié)點的信任值。

直接信任值：服務(wù)請求方節(jié)點與服務(wù)提供方節(jié)點之間直接進行信息交互所獲得的主觀性節(jié)點信任評估。

間接信任值：服務(wù)請求方節(jié)點在完成主觀上對服務(wù)提供方節(jié)點的信任評估之后，綜合自己的好友節(jié)點對于服務(wù)提供方節(jié)點的信任值進行計算所獲得的相應(yīng)節(jié)點聲譽。

在本文的信任模型中，每個節(jié)點都維護自己的一套對其他節(jié)點的信任評估。并且在實驗進行中，每個節(jié)點在與其他節(jié)點進行任務(wù)交互之后，均同時動態(tài)更新其相應(yīng)的直接信任值和間接信任值。

首先，本文對社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中的所有節(jié)點對進行信任值初始化，規(guī)則見表1。

表1 本文中節(jié)點間初始信任值的設(shè)置

初始設(shè)定節(jié)點間的三種社會關(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，說明該節(jié)點完全不可信；信任值為1，則說明該節(jié)點完全被信任。若節(jié)點間同時滿足多種社交關(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，那么兩者之間就會產(chǎn)生頻繁的信息交互，并且為完成同一個任務(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交互有限次(俗話說遠親不如近鄰)。根據(jù)信任具有時效性的這一特性，本文給予了后者較小的信任值。在實際的社交網(wǎng)絡(luò)中，兩個關(guān)系更為親密的節(jié)點之間相比于無社交關(guān)系的節(jié)點之間任務(wù)交互成功的概率將會更高。因此在本文的仿真中，更親密的節(jié)點關(guān)系將會帶來更高的任務(wù)交互成功率。

為應(yīng)對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來對不同事件的重要程度進行分類。h的取值范圍為(0,1)。以0.5為分界點，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[9]中給出了信任的定義，即信任值表達了服務(wù)請求方節(jié)點愿意冒著惡意節(jié)點的風(fēng)險而向?qū)Ψ秸埱蠓?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，而不重要的事件分配給其他節(jié)點。這樣既使得惡意節(jié)點更不容易從低事務(wù)因子事件中獲取高信任值，可以有效抵御部分惡意攻擊，同時給予了部分惡意節(jié)點變?yōu)榱己霉?jié)點的機會。具體做法是：對于重要事件，將h值大于0.9的事件分配給信任值高于0.9的節(jié)點(若網(wǎng)絡(luò)中沒有信任值滿足條件的節(jié)點，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，以此類推；對于不重要事件，將其分配給信任值小于等于0.5的節(jié)點。具體模型算法如下:

本文借鑒文獻[10]中的狄利克雷分布信任計算，定義節(jié)點間直接信任值：節(jié)點i對節(jié)點j請求服務(wù)并進行交互之后，節(jié)點i通過先前與節(jié)點j交互經(jīng)驗計算對其的直接信任值TD:

(1)

(2)

(3)

公式(1)中αij表示節(jié)點i與節(jié)點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)點在第l次相應(yīng)的交互時的事務(wù)因子。R(reward)表示成功交互之后的獎勵，設(shè)置為1；P(punishment)表示失敗交互之后的懲罰，設(shè)置為2。這里對不滿意事件的懲罰加倍是為了應(yīng)對第三種惡意攻擊，即建立信任比失去信任更困難，防止對象在低權(quán)重服務(wù)上表現(xiàn)良好以建立良好的信譽，然后在重要服務(wù)上表現(xiàn)不佳。

節(jié)點i在與節(jié)點j交互完成之后，同時向其好友k發(fā)出信任值請求，即獲取節(jié)點k對節(jié)點j的信任值，并綜合其所有好友對節(jié)點j的信任值共同計算出間接信任值TID(設(shè)節(jié)點i共有n個朋友)：

(4)

由于不同節(jié)點的狀態(tài)不同，其給予服務(wù)請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)在實際網(wǎng)絡(luò)中是有缺陷的。本模型在此處增加了服務(wù)請求方對每個推薦者信任值的加權(quán)。

然后通過公式(5)得到節(jié)點i對節(jié)點j的信任值評估:

(5)

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

(6)

式中：函數(shù)F表示相應(yīng)節(jié)點的好友集合。

最后綜合節(jié)點i對節(jié)點j之前的交互經(jīng)驗，得出節(jié)點i對節(jié)點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算結(jié)果保持在0～1之間。

2 節(jié)點級別信任模型的仿真分析

在即將到來的包括智慧城市、車聯(lián)網(wǎng)等在內(nèi)的信息化社會，用戶設(shè)備需要獲取某種服務(wù)時，那么它將作為服務(wù)請求方，使用智能設(shè)備向其他設(shè)備發(fā)送服務(wù)請求。這個過程不僅對信息傳輸速率有著較高的要求，傳輸過程的安全同樣重要。結(jié)合這樣的現(xiàn)實需要，本文在下列仿真中相應(yīng)的服務(wù)請求方節(jié)點在仿真過程中始終為良好狀態(tài)(在本文的模擬實驗過程中，節(jié)點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個所有者所擁有的40個設(shè)備節(jié)點，并對所有者的友誼關(guān)系進行了初始化，其中不同所有者擁有的設(shè)備及設(shè)備數(shù)量隨機分配。只要節(jié)點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，本文將這40個節(jié)點分配到4個不同的地域及8個不同的興趣社區(qū)。每個節(jié)點只能處于一個地域中，而根據(jù)自己的興趣不同可以同時處于多個不同的興趣社區(qū)。

在信任值及總信任值計算中，文獻[10]仿真分析已經(jīng)論證：信任值評估中使用較高的λ值可以幫助節(jié)點快速收斂到真實的節(jié)點狀態(tài)。另一方面，惡意節(jié)點不能依賴其良好的歷史來進行不當(dāng)行為，因此當(dāng)新的交互發(fā)生時，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，同時為了與文獻[10]的模型仿真對比結(jié)果更加明晰，因此本文沿用文獻[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。

本文仿真擬進行20 000次交互，每次交互的服務(wù)請求方節(jié)點隨機選取，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。每次進行交互前，服務(wù)請求方隨機取(1，8)8個種類中的一種任務(wù)，向其相應(yīng)的興趣社區(qū)請求服務(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)點之后，服務(wù)請求方節(jié)點隨機取事務(wù)因子為h的任務(wù)開始進行交互(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)請求方節(jié)點對服務(wù)提供方節(jié)點所提供的服務(wù)進行評估：若此次交互評估滿意，則記為1；若不滿意，則記為0。

本文首先隨機選取了兩個良好節(jié)點，編號分別為1和2，即在隨機選擇服務(wù)提供方節(jié)點的20 000次交互中，僅記錄節(jié)點1向該良好節(jié)點提供服務(wù)請求的交互事件。在低惡意節(jié)點比例環(huán)境(惡意節(jié)點比例為20%)與較高惡意節(jié)點比例環(huán)境(惡意節(jié)點比例為50%)下分別對本文節(jié)點級信任模型與其他信任模型進行了仿真對比，結(jié)果如圖1和圖2所示(仿真過程中間隔固定時段取計數(shù)點)。

圖1 20%惡意節(jié)點比例下不同模型中的節(jié)點1對良好節(jié)點信任值對比

圖2 50%惡意節(jié)點比例下不同模型中的節(jié)點1對良好節(jié)點信任值對比

從圖1和圖2中可以看出，本文節(jié)點級信任模型中良好節(jié)點間的信任值評估相較于文獻[10]的更高，使相應(yīng)良好節(jié)點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)點級信任模型中，每次交互的服務(wù)請求方會根據(jù)事務(wù)因子的大小來選擇合適的服務(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)點使其對良好節(jié)點進行第三種惡意攻擊。同時，由于在本文模型中計算間接信任值時，加入了服務(wù)請求方節(jié)點對推薦者信任值的加權(quán)，使得在惡意節(jié)點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)點對良好節(jié)點的第一種和第二種惡意攻擊。相比于本文與文獻[10]的信任模型，文獻[8]與文獻[9]中的信任模型雖然在大多數(shù)時間表現(xiàn)可觀，但波動較大。這是由于它們?nèi)狈Ξ?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計算信任值。這在實際社交物聯(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，本文保留良好節(jié)點1，并隨機選取惡意節(jié)點26，僅記錄節(jié)點1向該惡意節(jié)點提供服務(wù)請求的交互事件。在低惡意節(jié)點比例環(huán)境(惡意節(jié)點比例為20%)與較高惡意節(jié)點比例環(huán)境(惡意節(jié)點比例為50%)下分別對本文節(jié)點級信任模型與其他信任模型進行了仿真對比，結(jié)果如圖3和圖4所示。

圖3 20%惡意節(jié)點比例下不同模型中的節(jié)點1對惡意節(jié)點信任值對比

圖4 50%惡意節(jié)點比例下不同模型中的節(jié)點1對惡意節(jié)點信任值對比

綜合圖3和圖4，本文信任模型與文獻[8]的信任模型中，良好節(jié)點對于惡意節(jié)點的信任值評估在下降到不可信的閾值(即小于0.5)之后，經(jīng)過一段時間會重新回到閾值。而文獻[9]和文獻[10]的信任值曲線總體均處于下降趨勢，并分別收斂到一個較低的值。這是由于在本文模型與文獻[8]中，會將事務(wù)因子較低的事務(wù)分配給信任值在閾值以下的節(jié)點，給予他們一個信任值重新回到閾值以上的機會。在實際網(wǎng)絡(luò)中節(jié)點的狀態(tài)是動態(tài)的，即一個節(jié)點可能從良好節(jié)點變?yōu)閻阂夤?jié)點，也可能從惡意節(jié)點變?yōu)榱己霉?jié)點。因此，給予可能變?yōu)榱己霉?jié)點的惡意節(jié)點提升自己信任值的機會是很有必要的。同時，由于本文模型中綜合了以前的總信任值，因此對于惡意節(jié)點的信任值評估波動相較于文獻[8]更小。這不僅給予了惡意節(jié)點更多表現(xiàn)自己良好行為的機會，同時也避免了惡意節(jié)點過度提升自己的信任值評估導(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、計算機等)根據(jù)其不同興趣分別選擇自己的興趣社區(qū)。SIoT服務(wù)器負責(zé)管理新加入網(wǎng)絡(luò)中的節(jié)點，即每個想要加入該社交物聯(lián)網(wǎng)網(wǎng)絡(luò)中的對象都必須進行身份驗證并注冊到SIoT服務(wù)器，且在該節(jié)點處于新加入狀態(tài)時(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)，網(wǎng)絡(luò)中其他節(jié)點可向SIoT服務(wù)器請求其相關(guān)信息。同時，任何未經(jīng)SIoT服務(wù)器同意即離開本網(wǎng)絡(luò)的節(jié)點均被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)驗相對匱乏的陌生節(jié)點的信任值預(yù)測，因此在執(zhí)行信任值預(yù)測前，需要利用改進型的節(jié)點級信任模型在社區(qū)中先模擬若干次交互(由于本文設(shè)置節(jié)點數(shù)較多，故模擬20 000次隨機交互作為訓(xùn)練集數(shù)據(jù))。SIoT服務(wù)器對于成功交互次數(shù)達10次以上的節(jié)點對，收集節(jié)點對之間的社交關(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)點交互若干次之后所得到的最終信任值評估。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(若沒有交互經(jīng)驗則記為0.5)；中間的隱藏層設(shè)定為3層，第一層有64個神經(jīng)元，第二層有128個神經(jīng)元，第三層有32個神經(jīng)元；最后的輸出值即為目標(biāo)節(jié)點的信任預(yù)測值。

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

(8)

(9)

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

本文訓(xùn)練深度學(xué)習(xí)模型時的各項參數(shù)見表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)點對的數(shù)據(jù)，其中120組作為訓(xùn)練集，30組作為測試集。

服務(wù)請求方通過向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)，可以得到對新加入節(jié)點的信任值預(yù)測，并將其保存在自己的日志中。這樣使得相應(yīng)服務(wù)請求方節(jié)點即使面對交互經(jīng)驗相對匱乏的陌生節(jié)點也可以有相應(yīng)的信任值評估，從而按照信任模型中的規(guī)則決定是否將任務(wù)交付給對方。

4 信任預(yù)測模型的仿真分析

本節(jié)在第1節(jié)節(jié)點級別信任模型基礎(chǔ)上仿真模擬密集網(wǎng)絡(luò)。由于在密集網(wǎng)絡(luò)中節(jié)點間交互密集，有時可能出現(xiàn)網(wǎng)絡(luò)負載過大、交互不成功的情況。在此設(shè)置節(jié)點間交互成功率為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)點比例為例(所有惡意節(jié)點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。其中，網(wǎng)絡(luò)中所有節(jié)點均可向SIoT服務(wù)器請求新加入節(jié)點的社交屬性及其歷史交互信息等(若歷史交互次數(shù)達到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1與新加入節(jié)點之間的交互，并同時統(tǒng)計向新加入節(jié)點所在興趣社區(qū)發(fā)起服務(wù)請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)點比例時節(jié)點1對新節(jié)點在是否使用深度學(xué)習(xí)模型下的信任值對比

表3 仿真中成功與失敗交互次數(shù)對比

綜合圖7與表3可以看出，在使用深度學(xué)習(xí)模型預(yù)測后，良好節(jié)點間的信任值評估相比于不使用深度學(xué)習(xí)時更高，且整體交互過程中成功交互次數(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

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)測模型，模型分為節(jié)點級別信任模型和SIoT服務(wù)器級別信任模型兩部分。在節(jié)點級別信任模型的仿真實驗中，本文引入了其他三個信任模型作為對照組，通過仿真證明本文模型具有更好的穩(wěn)定性，可以更好地應(yīng)對網(wǎng)絡(luò)中的惡意攻擊。在SIoT服務(wù)器級別信任模型的仿真實驗中，本文模擬了“冷啟動”環(huán)境，通過對比仿真證明使用深度學(xué)習(xí)預(yù)測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，在本文的仿真實驗中僅模擬了密集網(wǎng)絡(luò)的狀況，對于稀疏網(wǎng)絡(luò)的仿真實驗是未來進一步研究的內(nèi)容。