信任模型是分析和处理实体间信任关系以及确保网络安全的有力手段.对于实体综合信任评估,传统信任模型是通过全局收集实体的信任信息源计算实体信任值,但如此大规模搜索和信任信息交换会造成网络的巨大通信量和计算负荷,不利于信任模型的应用和推广,并且基于信任的主观性和实体评价准则的差异性,全局信任模型未必能对信任准确评估。因此,如何汇总实体的信任评价信息,收集有效推荐信任是信任模型研究中的难点.　　针对以上问题,文中给出了两种信任模型来度量实体间的信任关系.本文主要工作围绕怎样构建合理有效的信任评估模型来展开,具体研究内容如下:　　首先,利用群决策思想,给出了基于群决策的主观信任评估模型.模型依据模糊集合概念划分信任等级,全面考虑信任的各影响指标,以多指标进行实体信任评价,各指标权重以层次分析法确定.对于实体信任评价的汇总,采用聚类分析方法确定各决策者个人权重,最后以个人权重加权相对应信任评价,综合各决策者意见进行实体信任评估,有效解决了各决策者偏好差异问题,合理实现实体的信任评估。　　其次,在开放式网络环境下,构建了基于群体内部推荐的信任模型.模型在直接信任评估方法中引入动态惩罚因子,根据实体可信状态,以不同方式进行信任累积.对于推荐信任的收集,模型引入群机制,以行为相似度和信任度双重指标,实现群体划分,把群体内部作为推荐信任的来源,解决了推荐信任的盲目选择问题,消除了不同实体的信任评价标准差异.在综合信任评估中,以熟悉度概念实现直接信任和推荐信任的聚合.当实体间彼此足够熟悉时,则不再查询考虑第三方的推荐,有效减少计算量和降低网络负载.仿真实验结果表明,直接信任评估方法能有效杜绝网络恶意攻击行为,基于群体内部推荐的信任模型有效过滤恶意虚假推荐信息,提高信任评估的准确性和实体间交互成功率。