面向开放多智能体系统的生物学启发信任模型：抗快速性能波动鲁棒性研究

信任管理为 securing 开放、动态和分布式多智能体系统提供了替代方案，传统加密方法在此场景下显得不实用。然而，现有信任模型面临智能体移动性、行为变化和冷启动问题。为此，我们提出一种生物学启发的信任模型，其中信任对象对自身能力进行评估并本地存储信任数据。该设计提高了移动性支持，降低了通信开销，抵御了虚假信息，并保护了隐私。尽管已有优势，但 prior 评估显示该模型在适应提供者 population 变化和持续性能波动方面存在局限。本文提出一种新型算法，引入自分类机制以检测可能对服务消费者造成 harm 的性能下降。仿真结果表明，新算法在处理动态信任行为方面优于原版本和 FIRE—a 著名的信任与声誉模型——尤其擅长应对多变环境。尽管 FIRE 在极端环境变化下仍具竞争力，但该算法在各种条件下展现出更大的适应性。与现有信任建模研究不同，本文采用广泛认可的信任模型标准，对模型进行全面评估，评估其抵御常见信任相关攻击的鲁棒性，并识别其优势、局限及潜在对策。最后，提出若干关键的未来研究方向。