專利名稱：一種p2p網(wǎng)絡(luò)中基于模糊邏輯的共謀團(tuán)體識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種網(wǎng)絡(luò)中共謀團(tuán)體的識(shí)別方法，尤其涉及一種P2P網(wǎng)絡(luò)中的共謀團(tuán)體識(shí)別方法，屬于信息安全技術(shù)領(lǐng)域，特別是P2P網(wǎng)絡(luò)安全領(lǐng)域。

背景技術(shù)：
隨著Peer-to-Peer(簡稱P2P)網(wǎng)絡(luò)應(yīng)用的日益廣泛，P2P網(wǎng)絡(luò)的安全性問題已成為當(dāng)前研究的熱點(diǎn)，但目前P2P網(wǎng)絡(luò)的安全問題依然嚴(yán)峻，這突出表現(xiàn)在P2P網(wǎng)絡(luò)中大量惡意節(jié)點(diǎn)的存在以及欺詐行為對(duì)系統(tǒng)可靠性的巨大損害上。信任模型的使用在一定程度上增強(qiáng)了P2P網(wǎng)絡(luò)的安全性，對(duì)于網(wǎng)絡(luò)中惡意節(jié)點(diǎn)的活動(dòng)具有明顯的抑制作用。但是，信任模型本身由此成為惡意節(jié)點(diǎn)攻擊的目標(biāo)，特別是現(xiàn)有信任模型存在的一些安全漏洞，更為惡意節(jié)點(diǎn)提供了可乘之機(jī)。
鑒于信任模型目前已成為許多P2P網(wǎng)絡(luò)運(yùn)行的重要安全機(jī)制，因此如果信任模型本身的安全性不能得到有效的保障，信任模型不但無法給P2P網(wǎng)絡(luò)提供有效的安全保障，反而會(huì)對(duì)P2P網(wǎng)絡(luò)的安全造成更大的威脅。
目前已發(fā)現(xiàn)多種惡意節(jié)點(diǎn)針對(duì)信任模型的攻擊方式，包括最簡單的單節(jié)點(diǎn)攻擊以及后來居上的團(tuán)體共謀攻擊。與單個(gè)惡意節(jié)點(diǎn)相比，多個(gè)惡意節(jié)點(diǎn)組成共謀團(tuán)體后協(xié)同發(fā)起攻擊造成的危害更大，也更加難以抵制。這是因?yàn)镻2P網(wǎng)絡(luò)中的信任模型大多采用分布式拓?fù)浣Y(jié)構(gòu)，基本消除了單節(jié)點(diǎn)依賴問題，因此單個(gè)惡意節(jié)點(diǎn)所能造成的威脅相對(duì)較小，同時(shí)所能采用的攻擊手法也相對(duì)有限且容易識(shí)別，與之相比，多個(gè)惡意節(jié)點(diǎn)組成的惡意共謀團(tuán)體可以采取更加復(fù)雜隱蔽的攻擊策略，信任模型十分難以識(shí)別和抵御，因此所能造成的安全威脅要嚴(yán)重得多。由于其巨大的破壞性，目前共謀團(tuán)體已成為P2P信任模型所面臨的首要威脅，引起廣泛重視。
能否有效的識(shí)別和遏制惡意共謀團(tuán)體成為衡量信任模型安全性和健壯性的重要指標(biāo)。而現(xiàn)有的信任模型的安全防護(hù)重點(diǎn)依然放在抵制單個(gè)惡意節(jié)點(diǎn)的攻擊行為上，對(duì)共謀團(tuán)體問題尚未充分重視起來，現(xiàn)有的幾種共謀團(tuán)體抵制措施存在較大的局限性，尤其在面對(duì)規(guī)模比較大的共謀團(tuán)體時(shí)性能更差。
此外，現(xiàn)有的信任模型都將節(jié)點(diǎn)信任值作為精確值處理，這種做法受到不少人的質(zhì)疑，因?yàn)镻2P信任模型中節(jié)點(diǎn)的評(píng)價(jià)本質(zhì)上是基于信念的，信念本身不是一種客觀的事實(shí)或者客觀證據(jù)，它是一種節(jié)點(diǎn)對(duì)所觀察到的特定主體的特定特征或行為的主觀判斷。由于這種判斷總是依賴于主觀的觀察者，而觀察者在做出判斷時(shí)，除了根據(jù)一些顯而易見的客觀事實(shí)外，還摻雜了大量的直覺、個(gè)體喜好等多種因素，因此根據(jù)觀察得到的節(jié)點(diǎn)信任值具有很大的不確定性和模糊性，它所反映的主要是觀察者對(duì)該節(jié)點(diǎn)信任情況的一種主觀態(tài)度，而非對(duì)節(jié)點(diǎn)信任值的精確描述，如果使用常規(guī)的精確邏輯來描述和處理，則忽視了信任值的模糊特性，混淆了問題的本質(zhì)，在此基礎(chǔ)上得出的結(jié)論的有效性值得懷疑。
因此有必要在充分考慮上述現(xiàn)實(shí)情況和節(jié)點(diǎn)信任值模糊性的基礎(chǔ)上，提出一種新型的更加有效的共謀團(tuán)體識(shí)別方案。


發(fā)明內(nèi)容
本發(fā)明的目的是提供一種P2P信任模型中基于模糊邏輯的共謀團(tuán)體識(shí)別方法，為P2P網(wǎng)絡(luò)信任機(jī)制提供一種適用范圍更廣、更加有效的共謀團(tuán)體識(shí)別方案。
本發(fā)明充分考慮到節(jié)點(diǎn)評(píng)分值的模糊性，通過對(duì)節(jié)點(diǎn)行為比較全面的分析得到節(jié)點(diǎn)之間的行為相似度，然后根據(jù)得到的節(jié)點(diǎn)相似矩陣檢測(cè)網(wǎng)絡(luò)中是否存在共謀團(tuán)體。與現(xiàn)有的共謀團(tuán)體識(shí)別方案相比，它的理論基礎(chǔ)可靠，對(duì)節(jié)點(diǎn)行為的描述和分析更為全面和深入，適用范圍更為廣泛，可以有效地對(duì)P2P網(wǎng)絡(luò)中的共謀團(tuán)體進(jìn)行識(shí)別。
目前，對(duì)于P2P網(wǎng)絡(luò)中的共謀團(tuán)體尚無完備的形式化定義，但是根據(jù)目前所發(fā)現(xiàn)的共謀團(tuán)體的攻擊行為以及相關(guān)研究成果，我們發(fā)現(xiàn)共謀團(tuán)體具有如下三個(gè)特點(diǎn) 1)共謀團(tuán)體成員對(duì)外表現(xiàn)出整體性； 2)共謀團(tuán)體成員在行動(dòng)上表現(xiàn)出一定的一致性； 3)共謀團(tuán)體成員的行為表現(xiàn)出異常性； 共謀團(tuán)體的上述三個(gè)特點(diǎn)使我們可以采用相應(yīng)的檢測(cè)方法識(shí)別網(wǎng)絡(luò)中存在的共謀團(tuán)體，特別是共謀團(tuán)體成員在攻擊行為時(shí)的一致性，提示我們通過分析網(wǎng)絡(luò)中節(jié)點(diǎn)之間行為的相似度識(shí)別可能存在的共謀團(tuán)體。通過對(duì)現(xiàn)實(shí)網(wǎng)絡(luò)環(huán)境下共謀團(tuán)體攻擊行為的分析，我們可以把共謀團(tuán)體的一致性具體描述如下 1)共謀節(jié)點(diǎn)的攻擊目標(biāo)是一致的，即共謀節(jié)點(diǎn)會(huì)對(duì)同一目標(biāo)發(fā)起協(xié)同攻擊，暫不考慮僅有部分節(jié)點(diǎn)參與攻擊的情形； 2)共謀節(jié)點(diǎn)的攻擊目的是一致的，即在提升還是降低攻擊目標(biāo)的信任值方面，共謀節(jié)點(diǎn)是一致的； 3)共謀節(jié)點(diǎn)的攻擊時(shí)間通常相近，顯然，為達(dá)到更好的攻擊效果，集中攻擊遠(yuǎn)勝過分散攻擊； 如果網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)在行為上表現(xiàn)出上述三種一致性，我們稱其為相似節(jié)點(diǎn)。該方法的工作原理如下根據(jù)上述對(duì)共謀團(tuán)體行為特征的分析，屬于同一共謀團(tuán)體的節(jié)點(diǎn)行為應(yīng)該是相似的，因此，我們可以通過分析網(wǎng)絡(luò)中的相似節(jié)點(diǎn)檢測(cè)共謀團(tuán)體的存在。
本發(fā)明采用多角度描述和模糊分析的方法，在衡量節(jié)點(diǎn)相似度方面作出了新的突破。本發(fā)明的技術(shù)方案如下 一種P2P網(wǎng)絡(luò)中基于模糊邏輯的共謀團(tuán)體識(shí)別方法，其步驟為 1)為網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)分配一個(gè)信任管理節(jié)點(diǎn)，節(jié)點(diǎn)的信任管理節(jié)點(diǎn)監(jiān)測(cè)網(wǎng)絡(luò)中其他節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的評(píng)分行為，并記錄節(jié)點(diǎn)評(píng)分向量如下(r，d，t)。其中r為節(jié)點(diǎn)給出的評(píng)分值，d為節(jié)點(diǎn)評(píng)分偏離度，t為節(jié)點(diǎn)給出評(píng)分的時(shí)間； 2)信任管理節(jié)點(diǎn)定期檢測(cè)在對(duì)所負(fù)責(zé)節(jié)點(diǎn)進(jìn)行評(píng)分的節(jié)點(diǎn)中，評(píng)分行為異常的節(jié)點(diǎn)集合中節(jié)點(diǎn)的數(shù)量是否超過設(shè)定值，如果超過設(shè)定值則啟動(dòng)共謀團(tuán)體檢測(cè)過程； 3)針對(duì)評(píng)分行為異常的節(jié)點(diǎn)集合，共謀團(tuán)體檢測(cè)過程如下首先按照設(shè)定的隸屬度函數(shù)從評(píng)分值、評(píng)分偏離度、評(píng)分時(shí)間等三個(gè)方面對(duì)節(jié)點(diǎn)之間的行為相似度進(jìn)行衡量； 然后綜合上述衡量結(jié)果得到節(jié)點(diǎn)相似度；最后將對(duì)異常節(jié)點(diǎn)的衡量結(jié)果組成相似矩陣并進(jìn)行聚類分析，從而判斷是否存在共謀團(tuán)體； 4)信任管理節(jié)點(diǎn)根據(jù)反饋的檢測(cè)結(jié)果更新節(jié)點(diǎn)的全局信任值。
進(jìn)一步的，所述方法中利用安全hash函數(shù)中的SHA-1算法為節(jié)點(diǎn)分配所述信任管理節(jié)點(diǎn)。
進(jìn)一步的，所述信任管理節(jié)點(diǎn)監(jiān)測(cè)網(wǎng)絡(luò)中其他節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的評(píng)分行為的過程如下任一節(jié)點(diǎn)i完成從該節(jié)點(diǎn)j的下載后，根據(jù)下載結(jié)果形成對(duì)節(jié)點(diǎn)j的評(píng)價(jià)數(shù)據(jù)，然后將評(píng)價(jià)數(shù)據(jù)提交給節(jié)點(diǎn)j的信任管理節(jié)點(diǎn)，信任管理節(jié)點(diǎn)以三元組(r，d，t)的形式記錄節(jié)點(diǎn)評(píng)分行為，同時(shí)節(jié)點(diǎn)j的信任管理節(jié)點(diǎn)判斷所接收的評(píng)分行為是否存在異常，如果存在異常則標(biāo)記節(jié)點(diǎn)i為評(píng)分行為異常的節(jié)點(diǎn)。
進(jìn)一步的，所述節(jié)點(diǎn)間相似度的計(jì)算方法為首先分別設(shè)定節(jié)點(diǎn)評(píng)分值r的評(píng)分相似度隸屬值、評(píng)分偏離度d的偏離相似度隸屬值和評(píng)分時(shí)間t的時(shí)間相似度隸屬值；然后根據(jù)設(shè)定的評(píng)分相似度隸屬值得到當(dāng)前的評(píng)分相似度隸屬值、根據(jù)設(shè)定的偏離相似度隸屬值得到當(dāng)前的偏離相似度隸屬值、根據(jù)設(shè)定的時(shí)間相似度隸屬值得到當(dāng)前的時(shí)間相似度隸屬值，最后采用一票否決或權(quán)衡判定方法確定節(jié)點(diǎn)間的相似度。我們利用語言變量“相似”描述節(jié)點(diǎn)之間行為的相似度，模糊語言變量“相似”的論域US＝{1，2，3，4，5}，表示節(jié)點(diǎn)之間行為相似的不同等級(jí)，“相似”的語言值集合為T(S)＝{不相似，有點(diǎn)相似，大體相似，非常相似，完全相似}。
進(jìn)一步的，所述評(píng)分行為異常的節(jié)點(diǎn)的確定方法為首先分別設(shè)定節(jié)點(diǎn)評(píng)分值r的評(píng)分異常度隸屬值、評(píng)分偏離度d的偏離異常度隸屬值；然后信任管理節(jié)點(diǎn)實(shí)時(shí)監(jiān)控其他節(jié)點(diǎn)對(duì)其所負(fù)責(zé)節(jié)點(diǎn)的評(píng)分，并得到節(jié)點(diǎn)的評(píng)分異常度隸屬值和偏離異常度隸屬值；最后采用一票否決或權(quán)衡判定方法識(shí)別并標(biāo)記評(píng)分行為異常的節(jié)點(diǎn)。我們用語言變量“異?！泵枋龉?jié)點(diǎn)行為的異常程度，模糊語言變量“異?！钡恼撚騏S＝{1，2，3，4，5}，表示節(jié)點(diǎn)行為異常的不同等級(jí)，則“異?！钡恼Z言值集合為T(A)＝{正常，有點(diǎn)異常，比較異常，非常異常，極端異常}。
進(jìn)一步的，我們從評(píng)分值、評(píng)分偏離度、評(píng)分時(shí)間等三方面分別給出節(jié)點(diǎn)行為相似的隸屬度函數(shù)，從評(píng)分值和評(píng)分偏離度兩方面給出節(jié)點(diǎn)異常的隸屬度函數(shù)，上述函數(shù)的定義可以根據(jù)實(shí)際需要和反饋結(jié)果通過多種方法進(jìn)行。
進(jìn)一步的，我們采用層次分析法得到評(píng)分值、評(píng)分偏離度、評(píng)分時(shí)間等三者在衡量節(jié)點(diǎn)相似度時(shí)的權(quán)重系數(shù)以及評(píng)分值和評(píng)分偏離度在衡量節(jié)點(diǎn)異常度時(shí)的權(quán)重系數(shù)，并使用矩陣隨機(jī)一致性比率公式檢驗(yàn)上述過程得到的權(quán)數(shù)是否合理，其中，CR稱為判斷矩陣的隨機(jī)一致性比率，CI稱為判斷矩陣的一般一致性指標(biāo)，它由下式給出 RI稱為判斷矩陣的平均隨機(jī)一致性指標(biāo)，對(duì)于1-9階判斷矩陣，RI值如下表所示 表1判斷矩陣的平均隨機(jī)一致性 當(dāng)CR＜0.10時(shí)，認(rèn)為判斷矩陣具有滿意的一致性，說明權(quán)數(shù)是合理的，否則就需要調(diào)整判斷矩陣，直到取得滿意的一致性為止。
進(jìn)一步的，我們?cè)跈z測(cè)共謀團(tuán)體時(shí)，檢測(cè)范圍僅限于異常節(jié)點(diǎn)。
進(jìn)一步的，信任管理節(jié)點(diǎn)計(jì)算得到異常節(jié)點(diǎn)之間的行為相似度之后 1)將節(jié)點(diǎn)相似度數(shù)據(jù)組成一對(duì)稱矩陣其中n為節(jié)點(diǎn)數(shù)目，si，j為矩陣Sn×n中任一元素，它表示節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的行為相似度； 2)使用最大樹算法處理矩陣Sn×n，最終得到節(jié)點(diǎn)間的共謀情況； 3)輸出各共謀團(tuán)體的成員節(jié)點(diǎn)，并據(jù)此更新所管理節(jié)點(diǎn)的信任值。
本發(fā)明中所說的節(jié)點(diǎn)行為具體來說是指節(jié)點(diǎn)對(duì)其他節(jié)點(diǎn)的評(píng)分行為，下面我們以基于分布式哈希表(DHT)的P2P網(wǎng)絡(luò)為例進(jìn)行說明。
本發(fā)明的具體實(shí)現(xiàn)步驟如下所示 1)從節(jié)點(diǎn)評(píng)分、評(píng)分偏離度和評(píng)分時(shí)間等三方面設(shè)定節(jié)點(diǎn)之間行為相似度的隸屬度函數(shù)； 2)從節(jié)點(diǎn)評(píng)分和評(píng)分偏離度等兩個(gè)方面設(shè)定節(jié)點(diǎn)行為異常的隸屬度函數(shù)； 3)每個(gè)節(jié)點(diǎn)在加入到P2P網(wǎng)絡(luò)中時(shí)，都由系統(tǒng)隨機(jī)分配一個(gè)節(jié)點(diǎn)作為它的信任管理節(jié)點(diǎn)； 4)信任管理節(jié)點(diǎn)負(fù)責(zé)記錄其他節(jié)點(diǎn)提交的評(píng)價(jià)數(shù)據(jù)，并監(jiān)測(cè)網(wǎng)絡(luò)中其它節(jié)點(diǎn)對(duì)其所負(fù)責(zé)管理節(jié)點(diǎn)的評(píng)分行為以及在評(píng)分時(shí)是否存在行為異常； 5)當(dāng)信任管理節(jié)點(diǎn)在監(jiān)測(cè)過程中發(fā)現(xiàn)在對(duì)所負(fù)責(zé)節(jié)點(diǎn)進(jìn)行評(píng)分的節(jié)點(diǎn)中，評(píng)分行為表現(xiàn)異常的節(jié)點(diǎn)超過設(shè)定數(shù)量時(shí)，則認(rèn)為可能存在共謀團(tuán)體攻擊，并啟動(dòng)共謀團(tuán)體檢測(cè)過程； 6)在啟動(dòng)共謀團(tuán)體檢測(cè)過程后，信任管理節(jié)點(diǎn)首先從節(jié)點(diǎn)評(píng)分值、評(píng)分偏離度和評(píng)分時(shí)間等三個(gè)方面分別對(duì)節(jié)點(diǎn)行為相似度進(jìn)行衡量，并根據(jù)上述結(jié)果和設(shè)定的權(quán)重系數(shù)，利用最大隸屬度原則計(jì)算判定異常節(jié)點(diǎn)之間的相似度； 7)將計(jì)算結(jié)果匯總構(gòu)造模糊相似矩陣，并利用最大樹算法等聚類方法對(duì)相似度矩陣中節(jié)點(diǎn)進(jìn)行聚類分析； 8)根據(jù)分析結(jié)果得到共謀節(jié)點(diǎn)，并將檢測(cè)結(jié)果反饋回信任管理節(jié)點(diǎn)，由信任管理節(jié)點(diǎn)根據(jù)檢測(cè)結(jié)果更新節(jié)點(diǎn)的信任值，保證節(jié)點(diǎn)信任值的真實(shí)可靠。
本發(fā)明的積極效果為 本發(fā)明所采用的基于模糊邏輯的共謀團(tuán)體檢測(cè)算法，在充分考慮節(jié)點(diǎn)行為模糊性的基礎(chǔ)上，引入模糊邏輯和語言變量從節(jié)點(diǎn)評(píng)分值、評(píng)分偏離度、評(píng)分時(shí)間等三個(gè)方面檢測(cè)網(wǎng)絡(luò)中節(jié)點(diǎn)的評(píng)分行為，從而發(fā)現(xiàn)那些可能存在共謀的節(jié)點(diǎn)。與其他識(shí)別算法相比，本發(fā)明適用范圍更廣，對(duì)節(jié)點(diǎn)行為的描述更加全面，大大提高P2P網(wǎng)絡(luò)信任模型對(duì)共謀攻擊的抵制能力。



圖1為本發(fā)明的原理示意圖； 圖2為本發(fā)明的運(yùn)行流程圖。

具體實(shí)施例方式 下面結(jié)合附圖詳細(xì)描述本發(fā)明的
具體實(shí)施例方式 首先，從評(píng)分值、評(píng)分偏離度和評(píng)分時(shí)間等三方面設(shè)定行為相似的隸屬度函數(shù)，從評(píng)分值和評(píng)分偏離度兩方面設(shè)定節(jié)點(diǎn)異常度檢測(cè)的隸屬度函數(shù)。
模糊數(shù)學(xué)中隸屬度函數(shù)的構(gòu)造是一個(gè)既重要又困難的過程，同時(shí)多帶有濃重的主觀色彩。為便于描述，本實(shí)施例對(duì)問題本身和隸屬函數(shù)的構(gòu)造做了較大的簡化處理，這樣有利于擺脫細(xì)節(jié)問題的干擾，將更多的注意力放在總體框架的設(shè)計(jì)和說明上。為此，在本實(shí)施例中使用相對(duì)簡單的“指派法”確定隸屬度值。
下面，我們分別從評(píng)分r、評(píng)分偏離度d、評(píng)分時(shí)間t三個(gè)方面分析如何衡量節(jié)點(diǎn)相似度。
1.基于節(jié)點(diǎn)評(píng)分值r的行為相似度衡量 首先我們?cè)O(shè)定節(jié)點(diǎn)評(píng)分為
之間的整數(shù)值，即r∈{0，1，2，3，4，5}。然后令Δr＝|r1-r2|，通過分析兩節(jié)點(diǎn)評(píng)分的差值Δr設(shè)定它們的相似度隸屬值。本實(shí)施例使用的設(shè)定如表2所示，信任管理節(jié)點(diǎn)可以從表2中得到兩節(jié)點(diǎn)的評(píng)分相似度隸屬值 表2評(píng)分相似度隸屬值 2.基于節(jié)點(diǎn)評(píng)分偏離度d的行為相似度衡量 設(shè)節(jié)點(diǎn)給出評(píng)分r時(shí)被評(píng)分節(jié)點(diǎn)的信任值為R，則節(jié)點(diǎn)評(píng)分偏離度 考慮R＝0的特殊情況，為了處理方便，當(dāng)R＝0時(shí)，我們可以賦予其小值代替。本實(shí)施例中當(dāng)R＝0時(shí)，令R＝0.1，則節(jié)點(diǎn)偏離度的計(jì)算過程如下 從上式我們可以看出，d可能為正值、負(fù)值或者零，分別反映了該評(píng)分行為對(duì)原始信任值的作用方向，值的大小反映了該評(píng)分行為偏離原始信任值的程度。
我們通過分析兩節(jié)點(diǎn)評(píng)分偏離度的比值Δd衡量不同偏離度之間的相似隸屬度。其中Δd的計(jì)算過程如下所示 當(dāng)max(d1，d2)≠0時(shí)
當(dāng)max(d1，d2)＝0時(shí) 對(duì)不同偏離度比值Δd的相似隸屬度設(shè)定如表3所示，信任管理節(jié)點(diǎn)可以從表3計(jì)算得到兩節(jié)點(diǎn)的偏離相似度隸屬值 表3偏離相似度隸屬值 3.基于節(jié)點(diǎn)評(píng)分時(shí)間t的行為相似度衡量 我們將節(jié)點(diǎn)評(píng)分時(shí)間t作為描述節(jié)點(diǎn)評(píng)分行為的指標(biāo)之一，通過兩節(jié)點(diǎn)評(píng)分時(shí)間的差異Δt分析兩節(jié)點(diǎn)之間的行為相似度。t是一個(gè)長整數(shù)，表示從格林尼治時(shí)間1970年1月1日0時(shí)0分0秒到現(xiàn)在經(jīng)過的秒數(shù)。
其中 為簡化問題描述，我們將評(píng)分時(shí)間差異分為如下6個(gè)區(qū)間
T。
最后，共謀檢測(cè)過程對(duì)節(jié)點(diǎn)行為相似度進(jìn)行分析，其原理示意圖如圖1所示，信任管理節(jié)點(diǎn)通過評(píng)分值、評(píng)分偏離度和評(píng)分時(shí)間等三方面對(duì)節(jié)點(diǎn)之間的行為相似度進(jìn)行分析，然后綜合得到節(jié)點(diǎn)相似度，并構(gòu)建相似度矩陣以檢測(cè)其中是否存在共謀團(tuán)體。如果發(fā)現(xiàn)共謀團(tuán)體，則利用該檢測(cè)結(jié)果重新計(jì)算節(jié)點(diǎn)的信任值，以排除該團(tuán)體對(duì)信任值計(jì)算的干擾。
其中，對(duì)節(jié)點(diǎn)行為相似度進(jìn)行綜合判定的方法如下 為提高系統(tǒng)處理效率和簡化分析過程，我們的判斷規(guī)則分為兩種1)一票否決與2)權(quán)衡判定。
一票否決制主要應(yīng)用于一些比較特殊的極端情況。一個(gè)顯而易見的事實(shí)是，真正相似的節(jié)點(diǎn)之間不應(yīng)該出現(xiàn)某一或某幾個(gè)指標(biāo)非常不相似的情況，因此，當(dāng)兩個(gè)節(jié)點(diǎn)的三個(gè)指標(biāo)中的某一指標(biāo)非常不相似時(shí)(即某個(gè)指標(biāo)的相似度低于設(shè)定的閾值)，即使其他指標(biāo)相似，這兩個(gè)節(jié)點(diǎn)也應(yīng)該被認(rèn)為是不相似的。采用一票否決制一方面減少了判斷誤差，另一方面也使判斷過程更加簡潔高效，降低系統(tǒng)負(fù)擔(dān)。
行為表現(xiàn)極端的節(jié)點(diǎn)總是更加容易分析和辨別，但一般來說，這樣的節(jié)點(diǎn)數(shù)量不多，更多的是各方面表現(xiàn)比較中庸的節(jié)點(diǎn)，對(duì)于這些節(jié)點(diǎn)我們采用綜合權(quán)衡判定的方法，將上述三個(gè)指標(biāo)判定結(jié)果綜合分析得到最終結(jié)果。
權(quán)衡判定的關(guān)鍵在于權(quán)重的確定，本實(shí)施例中我們采用層次分析法確定各指標(biāo)的權(quán)重值，具體過程如下 1.判斷各指標(biāo)在判定過程中的重要性并構(gòu)造判斷矩陣。
首先，根據(jù)各因素的重要性對(duì)其進(jìn)行標(biāo)度。本實(shí)施例認(rèn)為節(jié)點(diǎn)評(píng)分u1與節(jié)點(diǎn)評(píng)分偏離度u2相比，u1稍微重要一些，因此根據(jù)判斷矩陣對(duì)標(biāo)度的定義令p12＝3，節(jié)點(diǎn)評(píng)分u1與評(píng)分時(shí)間u3相比，u1顯然重要得多，因此令p13＝6，節(jié)點(diǎn)評(píng)分偏離度u2與評(píng)分時(shí)間相比，u2明顯重要，因此令p23＝5。最終構(gòu)造判斷矩陣P如下
2.根據(jù)判斷矩陣，求出最大特征根所對(duì)應(yīng)的特征向量，該特征向量即為各評(píng)價(jià)因素的重要性排序，也就是權(quán)重分配。下面采用方根法求判斷矩陣P的特征向量。
2.1計(jì)算判斷矩陣每一行元素的乘積 M1＝18 M2＝5/3 M3＝1/30 2.2計(jì)算Mi的n次方根 2.3對(duì)向量W＝[2.6207，1.1856，0.3218]T做正規(guī)化處理，此即為所求特征向量 2.4計(jì)算判斷矩陣P的最大特征根λmax 那么 3.我們使用矩陣隨機(jī)一致性比率公式檢驗(yàn)上述過程得到的權(quán)重是否合理，其中n為矩陣階數(shù)，3階矩陣的RI值為0.58，因此 一般來說，當(dāng)CR＜0.10時(shí)，即認(rèn)為判斷矩陣具有令人滿意的一致性，所得權(quán)重分配是合理。因此我們選取的權(quán)重分配W＝
T符合要求。
參考本發(fā)明的流程圖2，下面給出詳細(xì)過程。
第一步，為每個(gè)節(jié)點(diǎn)分配信任管理節(jié)點(diǎn)，具體分配過程如下 使用哈希函數(shù)H對(duì)節(jié)點(diǎn)ID進(jìn)行哈希運(yùn)算，得到結(jié)果X，然后利用P2P網(wǎng)絡(luò)的節(jié)點(diǎn)定位規(guī)則確定節(jié)點(diǎn)P(節(jié)點(diǎn)ID為loc(X))為該節(jié)點(diǎn)的信任管理節(jié)點(diǎn)，其中，loc表示P2P網(wǎng)絡(luò)定位算法。
信任管理節(jié)點(diǎn)負(fù)責(zé)匯總其他節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的評(píng)分，并計(jì)算得到該節(jié)點(diǎn)的全局信任值R，同時(shí)，本發(fā)明中檢測(cè)共謀團(tuán)體的核心算法也是由信任管理節(jié)點(diǎn)負(fù)責(zé)執(zhí)行。
需要說明的是，當(dāng)出現(xiàn)網(wǎng)絡(luò)波動(dòng)與網(wǎng)絡(luò)環(huán)境發(fā)生變化時(shí)，信任管理節(jié)點(diǎn)的位置可能隨之變動(dòng)。不過，P2P網(wǎng)絡(luò)的定位機(jī)制能保證始終可以通過上述計(jì)算過程找到當(dāng)前的信任管理節(jié)點(diǎn)。
本發(fā)明使用SHA-1算法作為節(jié)點(diǎn)分配過程中所使用的安全哈希函數(shù)，利用該函數(shù)的安全單向性，我們可以保證信任管理節(jié)點(diǎn)的分配過程是安全可靠的，可以最大限度的避免出現(xiàn)被管理節(jié)點(diǎn)與信任管理節(jié)點(diǎn)之間協(xié)同作弊的可能，因?yàn)槭褂冒踩：瘮?shù)SHA-1的分配過程可以保證 1)節(jié)點(diǎn)無法主動(dòng)選擇哪個(gè)節(jié)點(diǎn)來管理自己 2)節(jié)點(diǎn)同時(shí)也無法選擇自己將要管理哪個(gè)節(jié)點(diǎn) 在節(jié)點(diǎn)分配過程中，所有節(jié)點(diǎn)只能被動(dòng)接受哈希函數(shù)的隨機(jī)分配結(jié)果，這樣就避免了節(jié)點(diǎn)之間的共謀作弊問題，提高了數(shù)據(jù)管理的安全性； 第二步，節(jié)點(diǎn)在完成下載后對(duì)來源節(jié)點(diǎn)進(jìn)行評(píng)分，將評(píng)分提交給來源節(jié)點(diǎn)的信任管理節(jié)點(diǎn)。
節(jié)點(diǎn)完成下載后，需要首先對(duì)下載結(jié)果進(jìn)行鑒別，根據(jù)鑒別結(jié)果做出相應(yīng)的評(píng)價(jià)并將此評(píng)價(jià)數(shù)據(jù)提交給來源節(jié)點(diǎn)的信任管理節(jié)點(diǎn)，由其對(duì)評(píng)分進(jìn)行匯總。
第三步，節(jié)點(diǎn)i向下載來源節(jié)點(diǎn)j的信任管理節(jié)點(diǎn)提交評(píng)價(jià)數(shù)據(jù)后，除節(jié)點(diǎn)i給出的本次評(píng)分值r外，信任管理節(jié)點(diǎn)還需同時(shí)記錄此次評(píng)分的偏離度d和評(píng)分時(shí)間t； 第四步，信任管理節(jié)點(diǎn)同時(shí)要利用節(jié)點(diǎn)的評(píng)分和評(píng)分偏離度兩個(gè)指標(biāo)衡量節(jié)點(diǎn)行為異常度，檢查是否存在行為異常的節(jié)點(diǎn)，如果發(fā)現(xiàn)行為異常節(jié)點(diǎn)，則將其標(biāo)記為異常節(jié)點(diǎn)并放到集合A中。檢測(cè)單節(jié)點(diǎn)行為異常是進(jìn)行共謀團(tuán)體檢測(cè)的重要一步。
第五步，信任管理節(jié)點(diǎn)定期檢查集合A中目前為止檢測(cè)到的節(jié)點(diǎn)數(shù)，若累計(jì)數(shù)量超過一定值，則啟動(dòng)共謀團(tuán)體檢測(cè)算法。
第六步，按照預(yù)先設(shè)定的相似度的隸屬度函數(shù)，共謀團(tuán)體檢測(cè)算法對(duì)異常節(jié)點(diǎn)集合中的節(jié)點(diǎn)分別從節(jié)點(diǎn)評(píng)分值、評(píng)分偏離度和評(píng)分時(shí)間等三個(gè)方面進(jìn)行衡量，然后對(duì)分析結(jié)果進(jìn)行綜合權(quán)衡得到節(jié)點(diǎn)間的最終相似度； 第七步，將計(jì)算得到的節(jié)點(diǎn)相似度組成相似矩陣作為下一步分析的對(duì)象，這是一個(gè)對(duì)稱矩陣； 第八步，利用最大樹算法對(duì)相似矩陣進(jìn)行分析，檢測(cè)其中存在的行為相似節(jié)點(diǎn)集合中節(jié)點(diǎn)數(shù)量是否超過設(shè)定值，如果超過設(shè)定值，則這些異常節(jié)點(diǎn)集合分別構(gòu)成所要查找的共謀團(tuán)體； 第九步，信任管理節(jié)點(diǎn)根據(jù)檢測(cè)結(jié)果重新計(jì)算節(jié)點(diǎn)信任值，目的是消除共謀團(tuán)體在計(jì)算過程中的影響，保證計(jì)算結(jié)果的真實(shí)可靠性，具體實(shí)現(xiàn)可能根據(jù)信任模型計(jì)算全局信任值時(shí)的方法不同而不同。最直觀的做法就是在剔除所有共謀團(tuán)體成員的評(píng)分?jǐn)?shù)據(jù)之后重新計(jì)算節(jié)點(diǎn)的全局信任值。
至此，基于節(jié)點(diǎn)行為相似度的共謀團(tuán)體識(shí)別過程結(jié)束。
本發(fā)明所提出的共謀團(tuán)體檢測(cè)方法所涉及的相關(guān)算法分別敘述如下(其中參數(shù)為方便說明問題而設(shè)定，實(shí)際運(yùn)用中需根據(jù)實(shí)際情況調(diào)整) 1，檢測(cè)節(jié)點(diǎn)是否異常的算法 輸入節(jié)點(diǎn)i的評(píng)分r和評(píng)分偏離度d； 輸出節(jié)點(diǎn)i是否異常(ABNORMAL)； Procedure DetectAbnormal(r，d) { if(r＝0‖r＝5){return ABNORMAL；} elseif(d≥0.8‖d≤-0.8) {return ABNORMAL；} else { Get Ai，r and Ai，d from Table 4，5； [wr，wd]＝
； //計(jì)算節(jié)點(diǎn)的隸屬度 //根據(jù)最大隸屬度原則得到最終結(jié)果； if(si＝max(a1，a2，a3，a4，a5)){result＝i；} //ω是節(jié)點(diǎn)是否異常的閾值；； ω＝3； if(result≤ω){return NORMAL；} else{return ABNORMAL；} } } 2，識(shí)別共謀團(tuán)體的核心算法 輸入異常節(jié)點(diǎn)集合A； 輸出判定存在的共謀團(tuán)體并更新信任值計(jì)算結(jié)果； Procedure DetectCollusion() { //檢查該評(píng)分行為是否有效；； if(Rating有效){ //檢測(cè)節(jié)點(diǎn)行為是否異常 result_abnormal＝DetectAbnormal()； if(result_abnormail＝＝ABNORMAL){Add peer i to set C； //啟動(dòng)DetectCollusion過程；if(|C|＞1){Cluster()；} } if(Ci is detected){ 剔除集合C中節(jié)點(diǎn)所提交的評(píng)價(jià)； 更新j信任值； } } } 本實(shí)施例采用Kruskal算法構(gòu)造最大樹，具體算法過程如下所示 輸入節(jié)點(diǎn)行為相似矩陣Rj； 輸出行為相似的節(jié)點(diǎn)聚類集合； Procedure Cluster() { 由矩陣R構(gòu)造圖Gj＝(V，E)； //使用Kruskal算法構(gòu)造最大樹；；

n＝|V|；

{ ei＝max(S(e))； E＝E-ei； if(E(T*)+ei不會(huì)導(dǎo)致T*中出現(xiàn)回路) {E(T*)＝E(T*)+ei} else{拋棄ei；} } if(|E(T*)|＜n-1) {cout＜＜”NOT MaxTree”；} return FALSE； //刪除權(quán)值小于λ的邊； λ＝3； for(i＝1；i＜＝n-1；i++){if(S(ei)＜λ){E(T*)＝E(T*)-ei；} } Get k trees:T*1，T*2，…，T*k for(i＝1；i＜＝k；i++){ //V(T*i)是樹T*i的點(diǎn)集合，表示一個(gè)共謀團(tuán)體；if(|E(T*i)|＞0){return V(T*i)；} } } 本發(fā)明中的隸屬度函數(shù)和相關(guān)權(quán)重系數(shù)的設(shè)定是根據(jù)具體情況而定的，其中的通用算法如Kruskal算法等也可以用其他的等價(jià)算法代替，同時(shí)，對(duì)于本領(lǐng)域技術(shù)人員，還可以根據(jù)具體信任模型的不同以及本發(fā)明的核心思想設(shè)計(jì)和構(gòu)造自己的共謀團(tuán)體檢測(cè)算法，在具體環(huán)境中達(dá)到最好的效果，從而更好的檢測(cè)網(wǎng)絡(luò)中存在的共謀團(tuán)體，提升P2P網(wǎng)絡(luò)的安全性。需要特別說明的是，本實(shí)施例對(duì)本發(fā)明的說明是以P2P網(wǎng)絡(luò)中面向節(jié)點(diǎn)的信任模型為例，但是對(duì)本發(fā)明進(jìn)行適當(dāng)?shù)恼{(diào)整后，它同樣適用于面向資源的信任模型。此外，本發(fā)明采用三種衡量因子描述節(jié)點(diǎn)行為，相對(duì)而言對(duì)節(jié)點(diǎn)行為的描述更加全面和深入，類似地，本領(lǐng)域技術(shù)人員也可以引入更多的衡量因子，以達(dá)到更加準(zhǔn)確全面描述節(jié)點(diǎn)行為的目的，類似地，我們也可以在這種方法之上建立起相應(yīng)的共謀團(tuán)體識(shí)別方案。
最后，盡管為說明目的公開了本發(fā)明的具體實(shí)施例和附圖，其目的在于幫助理解本發(fā)明的內(nèi)容并據(jù)以實(shí)施，但是本領(lǐng)域的技術(shù)人員可以理解在不脫離本發(fā)明及所附的權(quán)利要求的精神和范圍內(nèi)，各種替換、變化和修改都是可能的。因此，本發(fā)明不應(yīng)局限于最佳實(shí)施例和附圖所公開的內(nèi)容，本發(fā)明要求保護(hù)的范圍以權(quán)利要求書界定的范圍為準(zhǔn)。
權(quán)利要求
1、一種P2P網(wǎng)絡(luò)中基于模糊邏輯的共謀團(tuán)體識(shí)別方法，其步驟為
1)為網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)分配一個(gè)信任管理節(jié)點(diǎn)；
2)每個(gè)節(jié)點(diǎn)的信任管理節(jié)點(diǎn)負(fù)責(zé)記錄網(wǎng)絡(luò)中其他節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的評(píng)分行為，同時(shí)將評(píng)分行為異常的節(jié)點(diǎn)加入到該節(jié)點(diǎn)的異常節(jié)點(diǎn)集合中；
3)信任管理節(jié)點(diǎn)對(duì)其所負(fù)責(zé)節(jié)點(diǎn)的異常節(jié)點(diǎn)集合進(jìn)行定期檢測(cè)，如果異常節(jié)點(diǎn)集合中節(jié)點(diǎn)數(shù)量大于設(shè)定值則啟動(dòng)共謀團(tuán)體檢測(cè)過程；
4)共謀團(tuán)體檢測(cè)過程根據(jù)評(píng)分行為計(jì)算異常節(jié)點(diǎn)集合中的節(jié)點(diǎn)間相似度，然后將節(jié)點(diǎn)間相似度組成相似矩陣進(jìn)行聚類分析，判斷是否存在共謀團(tuán)體；
5)信任管理節(jié)點(diǎn)根據(jù)反饋的檢測(cè)結(jié)果更新節(jié)點(diǎn)的全局信任值。
2.如權(quán)利要求1所述的方法，其特征在于利用安全哈希函數(shù)中的SHA-1算法為每個(gè)節(jié)點(diǎn)隨機(jī)分配一個(gè)所述信任管理節(jié)點(diǎn)。
3.如權(quán)利要求1所述的方法，其特征在于所述評(píng)分行為包括評(píng)分值r、評(píng)分偏離度d和評(píng)分時(shí)間t。
4.如權(quán)利要求3所述的方法，其特征在于所述評(píng)分行為異常的節(jié)點(diǎn)的確定方法為首先分別設(shè)定節(jié)點(diǎn)評(píng)分值r的評(píng)分異常度隸屬值、評(píng)分偏離度d的偏離異常度隸屬值；然后信任管理節(jié)點(diǎn)實(shí)時(shí)監(jiān)控其他節(jié)點(diǎn)對(duì)其所負(fù)責(zé)節(jié)點(diǎn)的評(píng)分，并得到節(jié)點(diǎn)的評(píng)分異常度隸屬值和偏離異常度隸屬值；最后采用一票否決或權(quán)衡判定方法識(shí)別并標(biāo)記評(píng)分行為異常的節(jié)點(diǎn)。
5.如權(quán)利要求1或4所述的方法，其特征在于所述信任管理節(jié)點(diǎn)采用模糊語言變量來描述節(jié)點(diǎn)行為的異常程度，其中異常程度的模糊語言變量論域?yàn)閁S＝{1，2，3，4，5}，表示節(jié)點(diǎn)行為異常程度的不同等級(jí)，異常程度的模糊語言變量的語言值集合為T(A)＝{正常，有點(diǎn)異常，比較異常，非常異常，極端異常}。
6.如權(quán)利要求3所述的方法，其特征在于所述節(jié)點(diǎn)間相似度的計(jì)算方法為首先分別設(shè)定節(jié)點(diǎn)評(píng)分值r的評(píng)分相似度隸屬值、評(píng)分偏離度d的偏離相似度隸屬值和評(píng)分時(shí)間t的時(shí)間相似度隸屬值；然后根據(jù)設(shè)定的評(píng)分相似度隸屬值得到當(dāng)前的評(píng)分相似度隸屬值、根據(jù)設(shè)定的偏離相似度隸屬值得到當(dāng)前的偏離相似度隸屬值、根據(jù)設(shè)定的時(shí)間相似度隸屬值得到當(dāng)前的時(shí)間相似度隸屬值，最后采用一票否決或權(quán)衡判定方法確定節(jié)點(diǎn)間的相似度。
7.如權(quán)利要求1或6所述的方法，其特征在于所述信任管理節(jié)點(diǎn)利用模糊語言變量來描述節(jié)點(diǎn)之間行為的相似度，其中相似度的模糊語言變量論域?yàn)閁S＝{1，2，3，4，5}，表示節(jié)點(diǎn)之間行為相似的不同等級(jí)，相似度的模糊語言變量的語言值集合為T(S)＝{不相似，有點(diǎn)相似，大體相似，非常相似，完全相似}。
8.如權(quán)利要求4或6所述的方法，其特征在于采用層次分析法確定所述權(quán)衡判定方法中的權(quán)重系數(shù)，并使用矩陣隨機(jī)一致性比率公式檢驗(yàn)得到的所述權(quán)重系數(shù)是否合理。
9.如權(quán)利要求1所述的方法，其特征在于利用最大樹算法對(duì)所述相似矩陣進(jìn)行聚類分析。
10.如權(quán)利要求9所述的方法，其特征在于所述最大樹算法包括Prim算法、Kruskal算法、減弧法；所述相似矩陣是一個(gè)對(duì)稱矩陣。
全文摘要
本發(fā)明公開了一種P2P網(wǎng)絡(luò)中基于模糊邏輯的共謀團(tuán)體識(shí)別方法，屬于信息安全技術(shù)領(lǐng)域。本發(fā)明的方法為首先為網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)分配一個(gè)信任管理節(jié)點(diǎn)，其負(fù)責(zé)記錄網(wǎng)絡(luò)中其他節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的評(píng)分行為，同時(shí)將評(píng)分行為異常的節(jié)點(diǎn)加入到該節(jié)點(diǎn)的異常節(jié)點(diǎn)集合中；然后信任管理節(jié)點(diǎn)對(duì)其所負(fù)責(zé)節(jié)點(diǎn)的異常節(jié)點(diǎn)集合定期進(jìn)行檢測(cè)，如果異常節(jié)點(diǎn)集合中節(jié)點(diǎn)數(shù)量大于設(shè)定值則啟動(dòng)共謀團(tuán)體檢測(cè)過程；最后信任管理節(jié)點(diǎn)根據(jù)反饋的檢測(cè)結(jié)果更新節(jié)點(diǎn)的全局信任值。與現(xiàn)有技術(shù)相比，本發(fā)明適用范圍更廣，對(duì)節(jié)點(diǎn)行為的描述更加全面，大大提高P2P網(wǎng)絡(luò)信任模型對(duì)共謀攻擊的抵制能力。
文檔編號(hào)H04L12/26GK101610184SQ20091008965
公開日2009年12月23日 申請(qǐng)日期2009年7月28日 優(yōu)先權(quán)日2009年7月28日
發(fā)明者苗光勝, 馮登國, 蘇璞睿 申請(qǐng)人:中國科學(xué)院軟件研究所