戴亚盛 游真旭 朱友康 杨晓慧

摘 要：为解决无线通信链路状态不稳定、节点通信资源有限以及节点行为不可预知条件下节点信誉评价问题，提出一种无线Mesh网络信誉度评价模型。该方法通过可达骨干路由节点的最短跳数构建基础信任关系，并通过协同服务质量QoS评价建模分析，实现信誉度评价反馈。实验结果表明，信誉评价机制能够在空闲状态时反映路由链路特征，且收敛速度较快。该协同服务信誉评价机制能够有效反映不同链路状态和交互结果下节点间的信任关系，更有效地促进节点协作。

关键词：信誉评价;协作服务评价;可信协同;信任路由

DOI：10. 11907/rjdk. 182688

中图分类号：TP393文献标识码：A文章编号：1672-7800（2019）004-0158-05

0 引言

无线Mesh网络（Wireless Mesh Networks，WMN）由Mesh骨干路由网络和Mesh终端构成，具有自组织、自配置、组网灵活、易部署、稳定可靠和自主融合等特点，是下一代网络接入关键技术之一。在无线Mesh网络通信中，由于节点具备的通信资源和计算资源有限，交互过程不可避免地表现出理性、自私、利己等行为，使得无线通信节点在协同服务博弈中采取“理性利己”策略，某些节点甚至直接采取不协同行为。这种理性自私不协同行为直接导致网络性能降低，若网络骨干节点采取理性自私行为，则将导致网络中断[1]。研究表明，激励机制是抑制节点自私性、提高网络协作服务质量的有效方法[2-4]。

激励机制一般基于社会网络交互中节点信誉度评价思想构建[5-6]。其核心思想是利用节点间信任关系、行为特征等分析建模，构建可信协同服务节点集[7-12]。文献[13-15]通过节点间多次协同服务交互进行迭代，更新节点间信任关系，构建协同服务节点集，保障网络服务质量，但其以牺牲通信资源为代价;文献[16]通过将信誉机制融入包转发路由中，节点只需付出较小存储和计算代价即可完成信誉度更新，减少了通信资源开销，但存在节点间信任关系随时间衰减后因区分度不足导致推荐效用降低问题。

针对上述问题，提出一种协同节点信誉度评价方法。该方法以节点到达骨干路由节点最短跳数的倒数为信誉度基准，利用延迟、丢包、抖动等特征进行网络任务服务质量QoS评价方案协同效果反馈，动态更新节点信誉度。该方法通过将信誉认证信息捆绑至网络帧中，降低信誉维护开销，解决信任度随时间衰减导致推荐效用降低问题。

1 相关研究

文献[17]提出一种基于信誉的全局信任模型EigenTrust。该模型是一种利用信任的传递特性，由直接信任度计算全局信任度的信任算法。该算法仅给出了一个迭代计算信任值的方法，通信代价太高，模型抗攻击能力较弱。文献[18]针对P2P在线社区提出一种基于信誉的信任模型PeerTrust，通过引入多维信任度影响因子——交易相关因素、反馈交易评价、反馈评价节点可信度、交易激励机制等，可有效避免P2P网络中恶意节点的摇摆策略攻击行为，但是在大规模P2P系统中迭代收敛速度较慢，且算法时间、空间复杂度较高;文献[19]提出一种基于信誉与风险评价的信任模型，考虑推荐者信誉值、信任评价者对推荐者直接交互经验、推荐者与被评者的交易次数以及交易日期 4 个方面因素，将实体之间信任程度和不確定性统一起来，可以有效识别不同类型恶意节点;文献[20]提出一种基于时间序列的P2P综合信任模型，在计算直接信任度和间接信任度时引入时间衰减函数，通过反馈控制机制动态更新簇内节点和簇头节点信任度，使整体信任值具有时效性，提升了对节点信任度的评价精确性和可靠性;文献[21]提出一种基于上下文因素的P2P动态信任模型，结合考虑时间衰减、交互重要性和交互次数度量实体交互信任，聚合直接交互、评价相似度和信任链传递计算实体的推荐信任，综合直接信任和推荐信任进行实体信任评估，并提出一种新的信任更新和奖惩机制。现有P2P信誉度评价模型已研究不同应用场景下节点信誉度评价方法，并通过信任奖惩机制进行动态信任评价，主要保证恶意行为危害网络时节点能提供可靠资源和良好服务，提高网络安全性。

文献[22]针对无线传感器网络节点能量受限及部署环境恶劣所导致的典型网络攻击，提出一种具有轻量级特性并能同时抵御多种典型网络攻击的信任感知安全路由机制（TSSRM），从节点行为维度与能量维度构建综合节点信任度计算模型，通过对多项 QoS指标量化，实现安全路径选择算法优化;文献[23]将量子蚁群算法应用于大规模无线传感网路由设计，考虑到无线传感网节点间缺乏信任机制，采用可信网络思想，以节点可信度作为信息素分配策略，然后用量子位编码表示信息素，通过量子旋转门更新信息素，综合能量消耗预测进行路径选择，实现基于全局能量均衡的无线传感网可信安全路由算法。现有无线传感网络信誉度评价模型主要在有限能量下优化网络能耗，保证节点提供共享资源和获得服务质量，增强网络安全性。

2 协同节点信誉度评价机制

2.1 信誉度评价模型

2.2 信誉度交互机制

当节点加入网络时，通过广播探知周围潜在的可信协同传输节点，并通过多跳路由向Mesh路由节点获取自身初始信任度和周围可信协同节点信任度。当节点发起协同传输任务时，根据任务需求，设定协同节点的最小信誉阈值，并向可信协同邻居节点集合广播协同传输任务并请求REQ，只有高于信誉阈值的邻居节点才能进行转发。节点[Ni]收到来自邻居节点的响应后，以机会路由方式根据信任度大小选择节点建立协同传输路径。

建立协同传输路径时，需进行节点信任认证，如图1所示。

当请求节点[Ni]向协同节点[Nj]请求协同服务时，首先基于传输层协议，在数据报文帧头部加入信任度和节点标识的数字签名，由目的节点进行签名验证。若节点[Ni]与[Nj]是首次交互，则从骨干路由节点获取对方信誉度作为信任度。当信任认证成功后，双方将建立传输链路。完成协同传输任务后，由请求节点对本次协同服务质量进行评价，并回馈协同节点信任度，加以认证。

2.3 协同节点服务质量QoS评价

根据文献[24]的分类方法，将不同网络传输任务需求分为硬QoS型、软QoS型I类、软QoS型II类任务，并针对不同任务需求类型，针对服务请求节点对协同节点的服务质量QoS评价[U]进行建模。

2.3.1 刚需QoS型业务

刚需QoS型业务是指用户对传输速率、延迟和丢包等具有严格要求。通常用户业务具有实时性质，例如实时监控、互联网协议语音、实时测绘等。对于刚需用户，在网络质量满足其要求时评分置1，否则置0，显然其评分曲线具有跃迁性质。设[D]为最大延迟（ms），[G]为最大延迟抖动（ms），[V]为最小传输速率（KB/s），则QoS评分[U]如式（3）。

刚需QoS型业务对网络中断零容忍，允许在通讯期间内进行通讯链路切换和服务平滑性迁移[24]。迁移过程不允许发生帧丢失，链路切换时延不可大于传输时延。如果发生网络中断或数据丢失，则都会使QoS评分为0。设任务进行200s时发生了网络中断导致数据帧丢失，此次任务评分为0，模型仿真结果如图3所示。

2.3.2 软QoS业务I型

软QoS业务I型主要是“尽力而为”型业务，如Web浏览、小文件下载等。若协同传输速率满足期望，则任务评分为1，否则任务评分随协同传输速率增大而增大。软QoS 业务I型评分模型如式（4）。

2.3.3 软QoS业务II型

与软QoS业务I型类似，软QoS 业务II型对用户实时传输速率具有最低要求，如网络视频音频点播、大文件下载等。若实时传输速率不满足最低速率要求，则任务评分为0。软QoS业务II型评分模型如式（5）。

3 实验

为分析信誉机制在不同链路状态下的有效性，通过FG-trust[13]、TMIRS[14]、TOR[16]信任评价模型进行对比分析。设仿真网络规模为300，网络节点均为静态节点，节点网卡特征遵从IEEE 802.1标准，采样周期30min，以分钟统计系统参量。

仿真环境：服务端采用JDK1.8+Apache Tomcat 8.0+Mysql 5.7，WinServer2010系統，突发性性能实例Intel Xeon 4核4G内存，单核主频2.5Ghz，带宽1Mbps;客户端Win7系统，i5双核4线程，核心频率2.7GHz，内存8G。采用Chrome浏览器基于Google V8 Engine展示网络节点动态交互过程。

3.1 空闲状态Mesh网络节点平均信誉度变化

如图6所示，FG-trust贝叶斯概率模型基于节点间交互记录构建，空闲状态下节点间信任度恒为0。TMIRS模型基于簇信誉和节点直接信任度构建，节点间信任度恒为0.13。TOR模型基于节点间消息路由构建，在14min时部分节点由于长时间未收到任务请求，其信誉度开始随时间逐渐衰减，20min时衰减至0，其衰减过程为线性衰减。本文Mesh可信协同模型综合考虑节点的服务能力和信任关系等因素，节点间信任度初值最高为0.3，在第3min时开始衰减，直至20min时达到0.128左右，其衰减过程为线性衰减。

仿真结果表明：在空闲状态下，FG-trust贝叶斯概率模型无法体现信誉度特征，TMIRS模型体现了初始状态下的信誉特征，但其信誉度未体现时间衰减特征。TOR模型和本文Mesh可信协同模型能体现节点间信誉随时间衰减的特征。但是，TOR模型随时间衰减后，节点间信任度为0，不具有区分意义，而本文信誉模型能够体现空闲状态时节点信誉度变化，并随时间衰减后仍具有区分节点协作效果的意义。

3.2 基于QoS反馈的Mesh网络节点平均信誉度变化

设仿真背景为文件上传和下载，服务质量评价随机选择刚需QoS型业务、软QoS 业务I型或软QoS 业务II型，交易频率[f]满足[0

FG-trust贝叶斯概率模型和TMIRS模型，前5min由于节点协同热情较低，节点间信誉度增速较缓，连续交付成功后，其信誉度变化快速增长，FG-trust模型收敛于第26min左右，TMIRS模型收敛于22min左右。TOR模型基于节点间消息路由构建，前5min信誉度快速增长，但由于高服务能力节点竞争能力强，主动承担了大量协同任务，服务能力的节点无法参与协同任务，导致协同的热情度降低，信誉增速放缓，直至22min收敛至1。本文Mesh可信协同模型在前5min激励了大量节点进行协作，节点信誉度快速增长，同时由于高信誉节点无法通过完成小协同任务价值以维持信誉，使得低信誉节点收到协同任务，信誉度在13min时就快速收敛。

信誉度仿真结果表明：FG-trust贝叶斯概率模型和TMIRS模型节点信誉评价机制能够选择到最合适节点进行交互，而该模型需要较长学习时间。TOR模型能够激励节点间协作，而由于大量任务被服务能力强的节点强占，导致信誉度增速缓慢。本文Mesh可信协同模型能够有效激励节点间协作，同时节点根据服务能力选择协作任务，平衡了协同任务竞争，激励了低信誉节点参与热情。

3.3 协作服务分析

协作任务接收率是指由源节点发起协作任务后，得到可达目的节点的协作节点响应概率。如图8所示，前10min，由于热心节点参与任务协作，节点信誉度得以增长，带动大批用户参与“跟风”，协作任务接收率呈曲线上升。本文Mesh可信协同模型第11min接收率达到98%，TOR模型为18min，TMIRS模型和FG-trust贝叶斯概率模型花费22min，协作任务接收率收敛速度满足：Mesh可信协同模型>TOR评价模型>TMIRS模型>FG-trust贝叶斯概率模型。相比贝叶斯概率模型，本文Mesh可信模型减少了近50%收敛时间。

由图9可知，由源节点发起任务后，协作任务传输效率呈曲线上升，验证了信誉机制能够有效激励节点协作，使得网络任务可信可靠传输。在前8min，由于节点采取“跟风”策略，协作任务得到大批响应，但节点通信资源存在差异，第8-10min部分节点出现协作疲态，协作成功率小幅下降。在第10min后，经过信誉机制的筛选，协同节点的可信度和可靠性得到保障，协作任务交付成功度不断提高。在第25min时，各模型协作任务交付成功率达到0.9，在30min时收敛于0.91。

图8和图9所示结果表明，信誉机制能够有效解决节点自私性问题，其激发节点协作的结果能够有效提升系统效率，增强系统鲁棒性。

4 结语

针对合理评价节点信誉度问题，本文提出了一种基于节点协作服务质量评价的节点信誉评价模型，并基于任务分类的服务质量QoS评价反馈更新节点信誉度。实验结果表明，该机制能够更有效反映在不同链路状态和交互结果下节点间的信任关系，更有效促进节点协作。由于信任机制引入势必带来信任计算开销，如何优化信任计算和路由机制能耗，将信任机制更深入融合到协作路由中，则是下一步研究工作。

参考文献：

[1] NORMALIA S，ZURIATI A Z，WINSTON K G S， et al. Cooperation stimulation mechanisms for wireless multihop networks： a survey[J]. Journal of Network and Computer Applications，2015，54：88-106.

[2] 张晓宇，尚涛，刘建伟. 基于探测-支付机制的网络编码自私节点激励方案[J]. 计算机研究与发展， 2017， 54（11）：2620-2627.

[3] 乐光学，李仁发. P2P大规模可信流媒体节点抖动分析与建模[J].计算机研究与发展，2012，49（2）： 217-230.

[4] 乐光学，李仁发，陈志，等. P2P网络中搭便车行为分析与抑制机制建模[J]. 计算机研究与发展， 2011， 48 （3）： 382-397.

[5] WU W， MA R T B， LUI J C S. Distributed caching via rewarding： an incentive scheme design in P2P vod systems[J]. IEEE Transactions on Parallel and Distributed Systems， 2014， 25（3）：612-621.

[6] GAO Y，CHEN Y，LIU K. On cost-effective incentive mechanisms in microtask crowdsourcing[J]. IEEE Transactions on Computational Intelligence and AI in Games，2015，7（1）： 3-15.

[7] 胡文斌，邱振宇，聂聪，等. 数据广播调度自适应信道划分与分配方法[J]. 软件学报，2018，35（9）：2844-2860.

[8] 邓晓衡，关培源，万志文，等. 基于综合信任的边缘计算资源协同研究[J]. 计算机研究与发展，2018，55（3）：449-477.

[9] GAI KEKE，QIU MEIKANG，ZHAO HUI，et al. Dynamic energy aware cloudlet-based mobile cloud computing model for green computing[J]. Journal of Network & Computer Applications，2016，59（C）： 46-54.

[10] 吴黎兵，刘冰艺，聂雷，等. VANET-Cellular环境下安全消息广播中继选择方法研究[J]. 计算机学报，2017，40（4）：1004-1016.

[11] 车楠，李治军，姜守旭. 异构无线网络中Relay节点部署算法[J]. 计算机学报，2016， 39（5）： 905-918.

[12] 柴丹炜，张若昕，刘建生. 基于差分演化的复杂网络社区挖掘算法研究[J]. 江西理工大学学报，2016，37（1）：95-101.

[13] 田俊峰，田瑞. 基于领域和贝叶斯网络的P2P电子商务细粒度信任模型[J]. 计算机研究与发展，2011，48（6）： 974-982.

[14] 夏怒，李伟，陆悠，等. 一种面向域间路由系统的信任模型[J]. 计算机研究与发展， 2016， 53（4）： 845-860.

[15] 胡健，覃慧，梁雪雷. 基于用户量化属性的多维相似度的协同过滤推荐算法[J]. 江西理工大学学报， 2017， 38（3）： 86-91.

[16] 李峰，司亚利，陈真，等. 基于信任机制的机会网络安全路由决策方法[J]. 软件学报，2018，29（9）： 2829-2843.

[17] KAMVAR S. The eigentrust algorithm for reputation management in P2P networks[C]. 12th International World Wide Web Conference，2003： 640-651.

[18] XIONG L， LIU L. PeerTrust： supporting reputation-based trust for peer-to-peer electronic communities[J]. IEEE Transactions on Knowledge Data Engineering，2004，16（7）： 843-857.

[19] 田春岐，邹仕洪，田慧蓉，等. 一种基于信誉和风险评价的分布式P2P 信任模型[J].电子与信息学报，2007，29（7）：1628-1632.

[20] 赵治国，谭邦，夏石莹，等. 基于时间序列的P2P网络综合信任模型研究[J]. 计算机工程与应用，2017，53（15）：127-131.

[21] 刘义春，梁英宏. 基于上下文因素的P2P动态信任模型[J]. 通信学报，2016， 37（8）： 34- 45.

[22] 秦丹阳，贾爽，杨松祥，等. 基于信任感知的无线传感器网络安全路由机制研究[J]. 通信学报，2017，38（10）： 60-70.

[23] 尹宝， 姜丽莹，王潮. 量子蚁群算法的大规模无线传感器可信安全路由设计[J]. 信息网络安全， 2015 （3）：14-18.

[24] 付雷. 无线协同通信系统多业务的调度算法[D]. 北京：北京邮电大学，2010.

（責任编辑：何 丽）