开放系统中一种基于模糊修正的证据信任模型

针对现有证据信任模型中普遍存在的局部信任度计算对门限值敏感度高及信任主体不能准确理解推荐信任度的含义等引起的模型性能下降问题,该文提出一种基于模糊修正的证据信任模型,一方面,通过采用模糊成员函数对信任评价进行加权处理,使得局部信任度随着门限值的变化而渐变变化,可以有效避免实质性突变的发生;另一方面,该文提出了一种推荐信任度修正算法使得推荐信任度的实际意义能够被信任主体准确理解,提高了信任度量的准确性。仿真实验表明,与已有证据信任模型相比,该文模型具有较强的抗干扰和抗攻击能力,能适用于各种动态环境中,同时在度量的精准度方面也有较大提高。