信任机制是P2P网络不可或缺的一种安全策略,而信任模型又是信任机制必不可少的组成部分。随着电子商务、文件共享等P2P技术的广泛应用,信任模型的重要性也愈加明显。传统的信任模型在聚合节点信任时存在对节点行为的时空差异性考虑不足等问题,研究新的信任模型具有重要的现实意义。本文在分析国内外几种典型的信任模型以及P2P网络几种常见恶意行为的基础之上,结合P2P网络中节点行为的差异性与动态性特点,提出了具有动态适应能力的信任模型,研究的主要内容为:(1)基于模糊综合评价理论的多因素综合信任模型。针对传统的信任模型粒度过于粗糙,本地信任值计算因素过少,信任值缺乏全局性以及在计算节点综合信任时对节点行为的差异性考虑不足等问题,提出了一种基于模糊综合评价模型的FSEM-EigenTrust算法。该算法把节点的信任值计算从单因素扩展到多因素,并通过对各个评价指标下评价结果进行加权求和来计算综合评价值。在小交易诚信大交易欺骗和波动惩罚两种恶意节点的场景下对文件下载进行仿真,实验结果证明该算法可以有效地提高下载的成功率。(2)基于时间衰减及波动惩罚因子的动态信任模型。针对传统的信任模型在聚合节点信任值时对节点行为的动态性欠缺考虑等问题,通过对提出的多因素综合信任模型进行完善,进一步提出了一种动态的模糊综合信任模型――DFCTrust,即在多因素模糊综合评价的基础上加入时间衰减因子及波动惩罚因子,这样不仅可以避免与不活跃节点交易所造成的失败,而且,还可以有效地抵御节点采用周期性振荡欺骗的恶意行为。仿真实验表明,DFCTrust具有更好的动态适应能力,能够有效地处理动态恶意节点策略性的行为改变,从而进一步提高交易的成功率。(3)基于“二次加权法”的动态模糊综合信任模型。针对现有动态信任模型存在的一个基本问题――权重确定问题,本章提出了一种基于“二次加权法”的动态模糊综合信任模型。该模型通过引入“时序立体数据表”来记录节点在过去某几段时间内不同评价指标下的评价得分,然后基于“差异驱动”原理分别计算出各评价指标以及各个时间段的不同权值,最后通过两次加权求和将数据降维并得到各个节点的综合信任值。由此可见,该模型可以客观地从交易上下文、节点上下文以及时间的动态变化中计算出各节点信任值。仿真实验表明,该模型可以较好地识别节点进行周期性振荡欺骗等恶意行为,从而大大地改善P2P网络的交易成功率。