面向有效任务协作的快速且连续信任评估框架——Siamese 模型

信任正在成为确保协作系统中任务成功完成的有效工具。然而，在任务执行期间快速且持续地评估协作者的可信度是一个面临分布式设备、复杂操作环境和动态资源变化的重大挑战。为此，本文提出了一种以 Siamese 模型为基础的快速且持续的信任评估框架（SRCTE），以促进有效的任务协作。首先，收集处于可信状态的协作者的通信和计算资源属性，以及历史协作数据，并使用带属性控制流图（ACFG）表示，这捕获与信任相关的语义信息，并作为与任务执行期间收集的数据进行比较的参考。在每个时间槽的任务执行期间，实时收集协作者的通信和计算资源属性以及任务完成效果，并使用 ACFG 表示其信任相关的语义信息。随后，采用由两个共享参数 Structure2vec 网络组成的 Siamese 模型来学习每对 ACFG 的深层语义并生成其嵌入。最后，计算每对 ACFG 嵌入之间的相似性，以确定每个时间槽的协作者信任值。我们使用两个 Dell EMC 5200 服务器和一台 Google Pixel 8 构建了实际系统，以测试所提出 SRCTE 框架的有效性。实验结果表明，SRCTE 只需少量数据即可快速收敛，并在信任异常检测率方面优于基线算法。