[发明专利]一种针对边缘计算中雾节点的信任管理方法

权利要求书

1.一种针对边缘计算中雾节点的信任管理方法，其特征在于：所述信任管理方法包括如下步骤：

步骤1：计算雾节点主观信任值(ST)，雾节点F_i和雾节点F_j在第k次交互完成后，雾节点F_i生成对雾节点F_j的满意度评价雾节点F_i和雾节点F_j在一段时间t内进行了K次交互，则雾节点F_i对雾节点F_j的主观信任计算公式为：

其中α∈[0,1]是观察因子，表达式为Q为雾节点F_i对雾节点F_j关于交互的负面评价的总数，在时间段t内，雾节点F_i和雾节点F_j都没有进行交互，则雾节点F_i和雾节点F_j之间的主观信任值等于零；

步骤2：计算雾节点间接信任值(IT)，雾节点F_j不属于雾节点F_i通信范围内的邻居节点，为了计算雾节点F_i对雾节点F_j的信任值，只能通过邻居节点之间的信任传递来计算，考虑到雾节点F_i对雾节点F_j存在一条或多条信任路径，如果雾节点之间只有一条信任路径R(i,m₁,m₂,…m_z,j)，则判断雾节点F_i对路径上第一个邻居节点F₁的主观信任值ST_i1是否大于等于信任阈值V_T，大于则雾节点F_i对雾节点F_j的间接信任值计算公式为：

其中Z为信任路径上的中间节点个数，否则IT_ij为零，如果存在多条路径，则使用贝尔曼方程求解最短路径R_s；

步骤3：计算雾节点能力信任值(AT)，由节点在通信交互中的两个子信任：容错信任FT和稳定性信任WT组成，计算雾节点F_i对雾节点F_j的能力信任，公式为：

AT_ij＝(w₁×FT_ij)+(w₂×WT_ij)

其中w₁和w₂分别为容错信任和稳定性信任的权重参数，FT_ij和WT_ij分别为雾节点F_i对雾节点F_j的容错信任和稳定性信任；

步骤4、数据模糊化处理，首先对雾节点的主观信任值、间接信任值、能力信任值进行平均聚合，如下式所示：

其中n为网络中总的节点数，得到包含n个雾节点的主观信任值、间接信任值、能力信任值属性数据集，再根据节点的信任值的高斯分布，如下式所示

将信任值划分为高、中、低信任区间S_h,S_m,S_l，其中μ和σ分别代表主观信任值、间接信任值、能力信任值属性的平均值和标准差，最后将整个数据集以8:2的比例分为训练集(D_train)和测试集(D_test)两部分；

步骤5：构建决策树，雾节点属性集合为B＝{B₁,B₂,…,B_n}，属性B_{j∈(j＝1,2,…,n)}有μ个属性值，分别为{θ₁,θ₂,...,θ_μ}，雾节点有M个类别，D_train是雾节点训练集，p_i表示第i个类别雾节点所占的比例，则计算D_train的信息熵，再分别计算主观信任值、间接信任值、能力信任值的信息增益比GainRatio(D_train,B₁),GainRatio(D_train,B₂),GainRatio(D_train,B₃)，选择当前信息增益比最大的属性作为划分属性，将D_train划分为若干子集，如果一个子集里面的雾节点都属于同一类则该子集不再进行划分，如果子集里的雾节点类别不同，则继续对子集进行其他属性的信息增益比计算以及划分，直到子集中的雾节点都属于同一种类或者用于拆分数据的候选属性集为空则终止划分，决策树构建完成；

步骤6：决策树剪枝，从决策树底部至上，计算叶子节点和内部节点的损失函数：

其中|T|表示决策树的叶节点个数，N_t表示从叶节点t中输出的样本数，H_t(T)表示叶节点t的经验熵，γ是正则系数，如果决策树的子树父节点的损失函数大于叶节点的损失函数则将子树的父节点替换为叶子节点；

步骤7：测试集分类，输入雾节点测试集D_test，从决策树根节点开始判断，雾节点当前属性值属于哪一条支路，如果支路下的节点是叶子节点，则输出雾节点的类别，如果是内部节点则继续判断雾节点的属性值属于哪一条支路，直到从叶子节点输出雾节点的类别。