社交物联网（Social Internet of Things,SIoT）作为社交网络和物联网融合的产物,对人们的生活产生了十分广泛的影响。社交物联网中的智能设备节点可以在其拥有者设置的规则下,以设备拥有者的社交关系为基础,自主地建立新的关系并进行交互,从而提高网络中设备的复用率。社交物联网由于其开放性和广泛的连接易受到恶意节点的攻击,不利于节点之间建立可靠的信任关系,使得协作效率大大降低。为提高节点间的协作效率,本学位论文面向单一信任域和跨信任域场景,分别提出了相应的恶意节点检测方法。本学位论文的主要工作内容如下:1.针对信任评估流程中隐私易泄露以及资源受限节点在应对突发的恶意攻击时不能准确评估节点的问题,提出了一种灵敏度增强的边云协同信任评估方法。首先,SIoT云服务器和边缘服务器利用各自的资源和地理位置优势,协作完成物联网节点的信任评估任务,在解决节点资源受限问题的同时,避免了边缘或云单方面获取用户的全部信息。其次,考虑到节点恶意行为的突发性,在进行信任聚合时,结合了信任的波动性和冲突性,凸显出恶意节点的不同,增强识别恶意行为的灵敏度。仿真结果表明,所提出的信任评估算法可准确描述节点的突变行为,在应对恶意服务和恶意推荐时,在三个不同规模的数据集上平均交互成功率可达90%以上。2.针对跨信任域用户的信任丢失以及预设的检测阈值不能满足跨信任域场景恶意节点检测需求的问题,提出了一种带有信任迁移的两阶段恶意节点检测方法。首先,根据节点的信任分布和活跃程度等指标计算信任域质量,并基于源信任域和目标信任域的信任域质量差异,进行跨域节点的信任迁移。其次,使用强化学习算法进行自适应阈值的学习,利用自适应阈值将待检测节点初步划分为可疑节点和恶意节点。最后,基于信任值对可疑节点进行异常检测,区分出正常节点与恶意节点。经仿真分析,证明了信任迁移的有效性,并且在恶意节点比例不高于25%的情况下,所提恶意节点检测算法的误检率约为4%,平均检测率达90%以上,具有较高的可靠性。