复杂网络的无标度特性,主要体现在网络中存在具有大量连接边数的“中心节点”和具有少量连接的“末梢节点”,这使得其对意外故障具有惊人的强韧性而对于定向攻击中心节点的情况却异常脆弱。研究表明,由中心节点所构成的中心子网处于支配地位,只要5%-10%的中心节点同时失效就可导致整个网络瘫痪。因此,提高中心节点的交互安全性对于提高整个网络的可靠性和抗毁性具有重要意义。本文借鉴PPI网络的自主调节原理,从提高节点自身抗攻击能力的角度出发,在复杂网络中心节点交互过程中引入信任评估机制,通过中心节点之间的自主通信与信任度量,辅助中心节点进行交互决策,免受恶意节点攻击。本文首先介绍了复杂网络以及信任的相关理论知识。随后为提高中心节点间交互的可靠性和安全性,设计了一种复杂网络环境下基于推荐的信任模型。实验结果表明,本文给出的模型不仅可以降低信任查询和反馈所带来的网络流量,而且还可以减少虚假推荐,提高推荐准确度。本文的研究工作主要包括以下三个方面：第一,基于指数平滑法的直接信任预测。每次交互完成后,服务请求节点给出关于本次交互的满意度。基于人类社会中越早的交互经验越不可靠的思想,引入时效性因子,设置一个有效时间窗口,采用指数平滑方法预测下一次交互的满意度。第二,基于人脉关系的推荐信任搜集机制HRCMRT。该机制以“六度分离”理论为指导,借鉴人类社会的信任推荐过程,并结合了网络节点的交互特性。每个节点都维护一个推荐节点信息表RIT,信任查询消息只转发给RIT中可信的节点,本文给出了RIT的初始化及更新算法、推荐信息查询算法以及推荐信任聚合方法。第三,基于节点熟识度的总体信任聚合方法。当服务请求节点与服务提供节点足够熟悉时,不再查询第三方的推荐。可以有效降低信任查询所带来的网络流量。最后,本文采用BA模型构造实验网络,验证了本文所提模型的可行性,并与Eigen-Trust和无信任机制的网络环境进行对比分析,从抗攻击性和降低查询流量两个方面验证了本文模型的优越性。