如何评估单节点信任？

1.基于数值加权平均的信任评估方法

基于数值加权平均的信任评估方法一般将影响用户信任的因素进行分解，计算各个影响因素的属性值，然后采用加权平均的方式计算得到用户最终的信任值，采用连续数值或者离散数值进行表示。

周国强等人（2012）[61]针对电子商务中的恶意推荐问题，提出了一种角色分离的信任评估模型（RSTrust）。该模型将电子商务中实体的角色分为交易角色和推荐角色，并以此为基础计算节点间的交易满意度、本地推荐信任度、本地交易信任度和全局推荐信任度，最后计算得到实体的全局交易信任度，其计算方式采用公式2-1进行计算。

其中，GTDi为节点i的全局交易信任度，P为所有与节点i有过交易的节点集合，LTDm，i为节点m对节点i的本地交易信任度，GRDm为节点m的全局推荐信任度，通过阀值a限制只有全局推荐信任度大于a的节点才可以进行推荐，实现了推荐行为和交易行为的剥离。

Lax G等人（2008）[62]针对无线互联技术的飞速发展，提出了一个基于无线通信环境的C2C商务声誉模型CellTrust，该模型考虑了用户的交易历史、交易价格、交易反馈及交易中断次数等因素，能够有效抵御共谋、小额欺诈、声誉诋毁等攻击行为。该研究还建立了声誉服务器来使用CellTrust模型计算用户的声誉，并进行声誉认证和签名发放，保证用户声誉的真实性。用户的声誉计算采用公式2-2进行计算。

其中，Rj代表用户j当前交易结束后的声誉值，为用户j的前期声誉值，fj为用户j的当前交易评价，a为调节因子（由用户的反馈可信度FC、交易价格TV和共谋参数C计算产生）。

甘早斌等人（2015）[49]对C2C电子商务的匿名性、随机性和动态性等属性带来的交易风险进行研究，提出了一种C2C电子商务动态信任算法CDTA，该算法首先根据买方与卖方的直接交易体验计算得到买方对卖方的直接信任度，然后通过买方的社会网络计算买方朋友对卖方的推荐信任度，最后计算生成买方对卖方的综合信任值。采用公式2-3进行计算。

其中，T（s，t）为买方s对卖方t的综合信任值，DT（s，t）为买方s对卖方t的直接信任度，RT（s，t）为买方s的社会网络朋友对卖方t的推荐信任度。

王刚等人（2013）[63]则针对社会网络中的反馈激励缺乏和共谋欺骗较为普遍的问题，提出了社会网络中的信任关系计算和交易节点选择算法，该算法通过积分策略来激励交易节点进行积极反馈和资源共享，采用信息熵的方式来计算信任模型中的属性权重，并通过TOPSIS方法来选择服务交易节点。仿真实验表明，该方法能够有效提高节点的互动积极性，且能够有效抑制恶意节点的攻击行为。

基于数值加权平均的信任评估方法是电子商务信任评估的主流方法之一，其优势是实现和计算简单，稳定性好，对于新加入的节点，也能够有效地为其建立信任值；其缺点是方法的灵活性较差。

2.基于概率统计的信任评估方法

基于信任的交互关系常常显现出一定的概率统计特征，因此许多研究人员尝试采用概率统计的信任评估方法对其进行研究，通过研究交互群体的交互概率特性、上下文环境和用户前期的交易特点，计算用户下一次交互行为的可信概率。(www.xing528.com)

Chang L等人（2013）[64]针对传统的Baum-Welch算法在训练电子商务信任评估隐马尔可夫模型时存在参数的不稳定性，提出了将粒子群算法与隐马尔可夫模型融合的优化隐马尔可夫信任评估模型（PSOHMM），该模型具有更好的搜索机制、更强的学习能力和更少的约束条件。仿真实验表明该信任评估模型能够更好地反映电子商务交易双方的动态声誉变化，具有更快的收敛速度。付晓东等人（2011）[65]针对Web服务公告质量和实际服务质量之间存在的随机不确定性，提出了一种随机服务感知的Web服务信誉度量模型，该模型利用经验分布函数来表示服务质量的不确定性，给出了实际服务质量的分布函数增量更新方法，并以随机优势理论为基础，计算Web服务的信誉值。李致远等人（2012）[66]针对移动对等网络中存在的动态安全问题，提出了一种动态安全信任模型，在已知节点信任信息和部分信任信息的情况下，根据节点的历史交互行为对其进行可信度识别，当节点的信任信息未知时，则采用贝叶斯博弈来实现节点的概率选择策略。李文等人（2011）[67]分析了电子商务交易中的“差评敏感”的评估原则，结合Dirichlet概率分布函数，提出了一种适合于电子商务的信誉评估模型，该模型考虑了电子商务交易中“差评敏感”的信誉突变性质，并从概率统计的角度分析了电子商务交易实体的评分结果对交易实体的信誉影响。

3.基于模糊逻辑的信任评估方法

信任具有主观属性特征，因此许多研究人员采用基于模糊逻辑的信任评估方法来对信任关系进行研究，采用隶属度函数来描述用户的信任级别，使用模糊逻辑推理来计算用户的信任值。

Song等人（2005）[68]针对网格计算中的信任问题，提出了一种分布式安全特征融合的模糊逻辑信任评估模型，该模型根据网格节点声誉、自我保护和风险抵御能力分配信任索引，然后基于节点的信任索引来为节点进行任务分配。模拟实验表明该模型能够有效提高整个网格环境的安全性，并能够在高风险条件下较好地实现任务分配。针对节点评分行为的模糊性，Wei等人（2008）[69]针对虚拟企业存在的信任难以量化的问题，提出了一种模糊认知时间图理论，用来进行虚拟企业的信任评估和信任关系预测。陈超等人（2010）[70]针对开放网络环境中的信任NP完全问题，提出了一种基于模糊理论的信任描述、信任传递、信任推理和信任更新机制。苗光胜等人（2012）[71]针对P2P信任模型中日益严重的共谋行为，提出了一种基于语言变量和模糊逻辑的共谋群体识别方法。Xia等人（2013）[72]提出了一种针对移动ad hoc网络的信任预测模型，该模型采用扩展的模糊逻辑规则、根据节点的历史行为对节点的未来行为进行预测，将该模型应用于网络路由协议中，能够安全实现数据包的最短路由路径传送。

4.基于证据理论的信任评估方法

基于概率统计的信任评估方法和基于模糊逻辑的信任评估方法都是采用不确定性方法来表达信任的主观特性和不确定性，前一种评估方法采用概率统计进行计算，但需要给出知识的先验概率或随机概率分布，而模糊逻辑信任评估方法则是采用隶属度函数来表达信任的不确定性。因为D-S证据理论能够有效表达“不确定”和“不清楚”的含义，能够直接应用于信息不完备条件下的不确定性问题推理，因此，适合用于开放网络环境下的信任评估，成为近年来信任评估方法研究的热点。

张琳等人（2013）[73]针对分布式共享网络的信任安全，提出了一种改进的D-S证据理论信任模型，该模型能够将三元信任关系进行有效归一化，能够更加精确地反映节点的信任值，更快地抑制恶意节点的攻击行为。赵秋月等人（2014）[74]针对社会网络中的信任安全问题，提出了一种改进D-S证据理论的信任评估方法，该方法综合考虑用户的被关注度、用户信誉、用户活跃度和兴趣相似度四个方面的属性，采用模糊理论的隶属度函数进行信任权重分配，然后基于这四个属性，构建多源属性证据信任关系融合信任模型，对社会网络中的节点信任值进行评估。Jiang L等人（2014）[75]针对开放分布式系统，提出了一个改进的D-S证据理论，该理论引入了时间有效期函数、多层证据推理及改进的冲突证据融合方法。基于该项理论，作者提出了一个新的分布式信任模型，提高了信任预测的精度，并解决了证据不相容的问题。

5.其他信任评估方法

除了以上四种主流信任评估方法，还有研究人员将其他学科领域的理论应用于信任评估方法中，也取得了较好的研究成果。

王英等人（2014）[76]利用社会学领域的社会等级理论和同质性理论来研究社会网络中的节点信任问题，提出了基于这两种理论的社会等级正则化和同质性正则化方法，并利用非负矩阵的三维分解方法对社会网络中的信任关系进行建模，实现社会网络节点的信任关系预测。Bentahar J等人（2012）[77]采用博弈论来对agent行为进行理论分析和研究，建立有效的声誉模型来对controller agent、service agent和consumer agent的交互行为进行管理，通过声誉机制促进它们进行诚信交易，并惩罚它们的不诚信行为。张维玉等人（2016）[78]针对社交网络中的评分数据和信任关系稀疏性问题，提出了一种基于协同矩阵分解的评分和信任关系预测模型，该模型能够保证对信任关系矩阵和评分信息矩阵进行分解时，产生较少的数据损失，并能够将分解后得到的低维潜变量关系矩阵进行乘积，进行用户间信任关系和评分信息的预测。肖云鹏等人（2016）[79]针对无线传感器网络提出了一种基于云模型的信誉安全方案，该方案基于李德毅院士提出的云模型来进行推荐信任计算和信任决策，解决了对单一节点发动攻击时造成的决策困难和恶意节点识别问题。