一種集成直覺模糊信息的激勵自適應信任模型

徐 軍 鐘元生 萬樹平

?

一種集成直覺模糊信息的激勵自適應信任模

徐 軍①②鐘元生②萬樹平②

①(江西財經大學現代經濟管理學院 南昌 330013)②(江西財經大學信息管理學院 南昌 330013)

針對現有信任機制不能很好表達信任的不確定性，且缺乏有效處理分布式網絡中存在的不誠實推薦和策略性欺騙等問題，該文提出一種集成直覺模糊信息的自適應信任評估模型。為了提供可信服務的實體，懲罰不良行為實體，該模型直覺模糊數。同時和行為一致性過濾不誠實推薦行為。除此之外，為了克服綜合信任聚合計算中權重確定較主觀的問題，給出了一種新的自適應權重分配方法。仿真實驗表明，該模型在提高實體服務積極性和抑制惡意欺詐行為中，都有較好的適應性和有效性。

直覺模糊信息；信任模型；分布式網絡；推薦可信度

1 引言

近年來，對等(Peer to Peer, P2P)網絡技術在協作、共享和分布式計算等方面得到了廣泛應用。但由于P2P網絡技術的匿名性、開放性、自治性和不確定性等特征，使得網絡環境中充斥著大量欺詐行為和不可信服務。為了解決這類網絡安全問題，人們模擬人際網絡中的信任關系，通過建立信任評估模型，可以有效地遏制開放網絡中存在的惡意行為，從而降低交互失敗的風險。因此，信任評估成為國內外學者研究的熱點。

根據實體信任度的表示方法，已有的信任模型主要有：(1)基于概率理論信任模型。文獻[1]利用最大似然估計方法獲得節點的全局信任值，克服了EigenRep模型[2]迭代產生的復雜性，通過置信區間估計方法提高了精確性，同時考慮了惡意節點的攻擊行為。文獻[3]提出了一種分層貝葉斯信任推理模型，該模型從客體或信息源行為間可觀察的相關性來改善評估方法，并且能克服不可信實體用新的身份來掩飾其較差的信譽。文獻[4]從節點之間的相似性出發，結合貝葉斯條件概率公式，提出了一種概率信任傳播模型。(2)基于模糊集合理論的信任模型。[5]研究了基于主觀邏輯的依賴上下文的信任決策和一系列折扣算子及其幾何解釋。文獻[6]針對只給出二項式觀點的傳遞公式，并考慮到實體信譽環境對信任融合操作的影響，提出了基于多項式主觀邏輯的擴展信任傳播模型。文獻[7]將主觀邏輯中的不確定性進一步區分為先驗(沒有證據)和后驗(證據失真)，從而提出一種3值主觀邏輯(3VSL)方法，并用于評估社會網絡中實體間的信任關系。(3)基于云模型的信任模型[8,9]。文獻[8]利用云模型來描述信任水平，基于節點的歷史評分、推薦可信度和信任衰減特性，給出了防攻擊的總體信任融合算法。文獻[9]利用云模型表達無線傳感網絡中信任關系的不確定性，實驗表明該模型能夠有效地識別多種攻擊行為。(4)基于證據理論的信任模型。文獻[10]通過節點評分建立的基本概率分配函數來表示信息中的不確定性，分析了信任傳遞的有效性，并利用D-S(Dempster-Shafer)證據合成規則聚合所有推薦者的證據，從而避免了不確定性在信任傳遞時丟失的問題。[11]提出了的P2P信任模型，該模型利用置信度來建立基本概率分配函數模型，然后通過改進的D-S證據合成規則進行信任融合，獲得節點的信任度。為避免門限值的主觀設定對局部信任度計算的影響，文獻[12]構造隸屬度函數描述信任關系，并且通過獲得的門限值和評價分布來修正推薦信任，以提高信任度量的準確程度。文獻[13]為了解決直接交互的時效性和推薦信息的可靠性等問題，通過擴展D-S理論提高的信任模型的精確性和有效性。

綜上所述，已有信任模型的發展奠定了堅實的理論基礎。但在信任的不確定性表達，推薦實體的可靠性分析和模型的自適應性等方面仍有待進一步研究。

(1)大多模型不能很好地刻畫信任的不確定性。現有基于云模型和概率理論的信任模型都是用概率來描述信任的不確定性，且須事先做出主觀假設。基于模糊數學的模型，利用隸屬度函數解決信任的不確定性。證據理論雖然能夠解決開放網絡中信任的不確定性計算問題，但大多基于證據理論的信任模型，只用信任函數和似然函數表示信任值，沒有考慮不信任程度分量和不確定性程度分量對信任值的影響。

(2)多數模型對惡意行為免疫力不強。一方面不能有效抑制策略性欺騙行為，如實體通過提供優質服務賺取信任，當其積累到較高信任值時，對用戶提供惡意欺詐性服務。另一方面缺乏有效的方法處理惡意推薦行為，多數模型是基于相似度的觀點，來避免惡意推薦行為，但忽視了推薦行為的一致性。

(3)多數基于不確定性方法的信任模型，忽略了實體持續提供可信服務行為的重要性，從而無法激勵實體繼續提供高質量的服務。

(4)多數模型雖然考慮了信任的時間衰減特性，但大多衰減函數收斂過快，致使大部分的歷史評分在信任評價過程中失效。

(5)已有信任評估方法在計算綜合信任度時，大多事先給定或采用主觀的融合計算方法如專家打分法、平均法等確定權重，使得模型具有較大的主觀性，缺少自適應性和科學性。

直覺模糊理論是對傳統模糊集的拓展，且同時考慮了隸屬度、非隸屬度和猶豫度這三方面的信息，在處理信任的主觀性和不確定性方面更具有直觀性。它不必事先給出知識的先驗概率，與主觀Bayes方法相比，具有較大的靈活性。因此，基于直覺模糊理論的信任評估方法值得深入研究。針對上述問題，本文提出了一種集成直覺模糊信息的激勵自適應信任模型。該模型的信任直覺模糊數考慮了時間衰減因子和服務持續因子，并且根據不確定性特征和交互次數對信任的影響，提出了綜合信任計算中的權重因子自適應分配方法。

2 基本概念

2.1直覺模糊集的概念

定義1 設是一個論域。若上存在兩個映射和，使得和，且滿足條件，則稱和確定了論域上直覺模糊集，可記作，其中和為屬于的隸屬度和非隸屬度。此外，若，且，則稱為中元素屬于的猶豫度或不確定度[14]。

2.2 直覺模糊數

2.3 直覺模糊平均集成算子

2.4 直覺模糊數的Hamming距離

5 直覺模糊熵

定義3[15]設為直覺模糊數，則其直覺模糊熵為

2.6 實體集

參與在線服務環境的實體集可分為服務提供實體、服務評估實體和服務推薦實體。服務提供實體(service provider)是指在線服務中資源提供方，即被評估的實體或目標實體，記為SP；服務評估實體(Evaluator)是指在線服務中對目標實體進行評分的實體，記為；服務推薦實體是指向評估實體推薦服務提供實體信任信息的實體，記為。

2.7 信任直覺模糊數

信任直覺模糊數TIFN(Trust Intuitionistic Fuzzy Number)是一種描述信任的數量概念。它能夠細膩、全面地刻畫實體間信任關系的不確定性，可以同時表示信任程度、不信任程度和不確定性程度(即猶豫度)，克服了單一標度(即信任程度)的局限性，而把人思維中的“非此非彼”性包含在內，使得更貼近人的主觀認識。

3 基于集成直覺模糊信息的信任評估模型

在開放的分布式網絡中，實體間的交互經驗是產生其信任關系的基礎。對此，本文結合信任的時間衰減性和服務持續性，主要考慮兩類信息源，即評估實體的交互經驗和推薦實體的交互經驗[8,16]。

3.1 直接信任

直接信任是指兩個實體通過直接的交互活動，而相互之間建立的一種直接信任關系，信任度來源于雙方根據交互質量產生的直接經驗。

步驟1 評價向量歸一化。為消除物理量綱的影響，根據式(4)和式(5)分別對效益型和成本型屬性值處理，使得向量規范化為。具體公式為

定義5(時間衰減因子) 信任具有隨時間變化而變化的特性。從心理認知角度來看，往往最近的交互行為更能反映實體的可信程度。由于現有信任模型多采用線性函數或者指數函數作為時間衰減因子，不能有效利用歷史評分，對此，本文利用描述計算時間衰減特性。

如圖1所示，指數函數前期收斂快后期收斂慢，經若干時間片后函數值接近0，以致絕大多數歷史評分失去有效性。相反，線性函數衰減速度是恒定的，不能反映近期評分的重要性。然而，比例函數的衰減速度在前期比指數函數要低，后期比線性函數要高，正好與信任衰減特性相吻合。因此，式(9)結合指數函數和線性函數的優點，不僅能保證近期評分衰減更小，而且避免了更多歷史評分失去對最終信任的影響，從而體現了信任隨時間衰減的變化趨勢。

步驟3 線性變換。鑒于文獻[17]集成精確數為直覺模糊數的思想：(1)擬滿意度越接近1，滿意度越大；(2)擬不滿意度越接近0，不滿意度越大；(3)擬猶豫度越接近0.5，猶豫度越大。本文基于TOPSIS思想[18]，利用相對接近度，分別對擬隸屬度、擬非隸屬度和擬猶豫度做線性變換：

圖1 3種衰減函數的曲線

定義6(最近服務持續因子) 最近服務持續因子是利用實體的最近持續同類質量(可信/不可信/不確定)服務次數，根據以下S型函數計算所得到的表示實體持續提供同類質量服務的系數。

則實體對目標實體根據直接經驗產生的信任隸屬度，不信任隸屬度和猶豫度為

根據式(16)，實體對目標實體的直接信任為，其中，表示實體對目標實體的信任程度，表示實體對目標實體不信任程度。

3.2 間接信任

間接信任是指通過與目標實體交互過的其它評估實體的間接經驗形成的信任[16]。然而并非所有的都是誠實可信的，往往存在不誠實的反饋夸大或詆毀目標實體。本文結合推薦實體的可信度、一致性及其直接信任，根據式(17)，計算實體對目標實體的間接信任：

定義7(推薦實體可信度) 推薦實體可信度是指評估實體對推薦實體所提供信息的可信程度。利用對兩者都交互過的實體的反饋相似度，來確定推薦實體可信度。

與推薦實體,與和都交互過的公共實體集合，和分別為實體和實體對中每個實體的直接信任所組成向量。與以往模型相比，由于直接信任是一個信任直覺模糊數，本文不僅考慮了實體間信任程度的相似度，而且考慮了實體間不信任程度和不確定程度的相似度，使得推薦實體可信度更加系統和全面。

定義8(推薦實體一致性) 推薦實體一致性用來描述某一推薦實體與其它實體的推薦行為的一致程度指標，設為所有推薦實體的直接信任的均值，為推薦實體對的直接信任，則為相對于所有推薦實體整體對目標實體的直接信任的偏差。因此，定義推薦實體的一致性為

3.3 綜合信任

通過集成直接信任和間接信任，定義實體對目標實體的綜合信任為

3.4 信任決策

本文借鑒逼近理想解的排序法思想[18]，來定義實體綜合信任的信任接近度，以此對目標實體進行信任排序。即計算綜合信任與理想信任點、負理想信任點的距離來進行排序，若目標實體最靠近理想信任點同時又最遠離負理想信任點，則為最優，否則為最劣。設實體對目標實體的綜合信任為，則相應的信任接近度定義為

4 仿真實驗

為了驗證本文信任模型的可行性和有效性，我們利用Query Cycle Simulator[20]模擬P2P信任評估環境，通過對比EigenRep模型[2]、云模型[8]和YuBin模型[10]，根據交互成功率，分析本文方法是否能夠有效抑制欺騙行為。Query Cycle Simulator是斯坦福大學開發的基于P2P的文件共享系統，特別適合開放網絡中多實體間交互建模研究。其中設置和，實體總數為1000個，文件總數為10000個，文件種類1000個，且所有文件均勻隨機分布在各實體上，并每輪仿真由若干交互周期組成，在每個交互周期過程中，每個實體必須完成一次交互。實體的初始信任值為0.5，表示完全不確定的，即信任與不信任都有可能。

4.1 針對防信任騙取行為的仿真

本節實驗模擬欺騙實體先偽裝成可信服務實體積累較高的信任值，然后進行欺騙行為。該實驗旨在比較4種模型對信任騙取行為的敏感程度以及懲戒效果，以檢驗本模型的有效性。如圖2所示，當實體持續提供可信服務時，隨著交易周期的逐漸增長，4種模型的信任值都呈上升趨勢，其中，本文模型的信任值增長更快，這是因為待續因子對信任分量的激勵作用。當實體采用不可信交互行為時，本文模型和云模型的信任值降低較快，這是因為兩者的懲罰機制導致的。隨著不可信交互持續進行，和云模型相比，本文模型下降得更快，這是因為持續不可信因子在逐漸變大，懲罰力度會越來越大，從而能夠迅速發現欺詐行為。

4.2 針對防的仿真

本節實驗模擬欺騙實體在改善信任和欺詐行為

圖2 針對信任騙取行為的實驗分析

間振蕩，旨在比較4種模型對實體動蕩行為的敏感程度以及懲戒效果，檢驗本模型的有效性。如圖3所示，4種模型都呈鋸齒狀下降趨勢。但是，當實體進行欺詐后，欲建立聲譽時，本文模型的信任值會延遲恢復。這是因為一旦實體實施欺詐行為，最近持續可信服務因子會迅速下降，要建立聲譽，必須持續提供可信任服務才行。這也說明了信任易損難獲取的特點，旨在激勵實體提供可信服務。

4.3 針對惡意實體規模的仿真

本節實驗模擬惡意實體比率不斷變化，旨在測試本文模型遏制惡意實體行為的有效性。圖4顯示了惡意實體百分比變化時，4種模型的交易成功率的變化情況。從中可以看出，隨著惡意實體比例的增加，4種信任模型的交互成功率均逐漸下降，但本文模型和云模型下降最緩慢。這是因為這兩者的識別和懲罰機制發揮作用。相較于基于云模型而言，本文模型有區分不同交互時間和不同持續因子對信任度的影響，從而有效識別惡意實體。相反，另外兩種模型不能有效識別惡意實體，故會誤將惡意實體當作可信實體進行交互，導致失敗交互次數增多，因此交互成功率下降較快。而本文信任模型即使惡意實體比例達到50％時，本文模型的交易成功率也可達到近60％，說明本文模型能夠有效地遏制惡意實體。

針對不誠實推薦實體的仿真

圖5所示，隨著不誠實推薦實體比例的增加，4種信任模型的交互成功率均逐漸下降，但基于云模型和本文模型下降較慢，其中本文模型最為緩慢，而且不誠實推薦實體比例達到50％時，其交易成功率仍接近0.75左右。這是因為基于云模型和本文模型都考慮了推薦實體的可信度，因而交互成功率要高些。相較于基于云模型而言，本文模型依賴于內因和外因：內因是指推薦實體的一致性指標；外因是指從推薦實體的信任程度、不信任程度和不確定程度3個方面計算推薦實體相似度。對于不誠實推薦實體，其相應的可信度和一致性程度較低，從而可以減少不誠實推薦實體對綜合信任的影響。而另外兩種模型沒有區分推薦信任的概念，因而不能有

圖3 針對策略性欺騙 行為的實驗分析 圖4 惡意實體比例變化時交互成功率變化 圖5 不誠實推薦實體比例變化時交互成功率變化

效減少不誠實推薦實體對信任的影響，因此交互成功率下降較快。

4.5 針對通信開銷的仿真

圖6所示，當實體總數為100時，4種模型的網絡通信開銷差別不大，隨著實體規模的擴大，它們的網絡通信開銷差別逐漸顯著。其中云模型和本文模型的控制消息數明顯比另外兩者要少，這表明云模型和本文模型不僅具有抗欺詐能力，而且在通信開銷方面也表現出較好效果。與云模型相比，本文模型的控制開銷數要略微小一點。

4.6 針對實體規模的仿真

本節實驗在實體惡意率固定和惡意率變化兩種情況下，模擬3種實體規模的交互過程，即實體總數為100(G1)、實體總數為1000(G2)、實體總數為10000(G3)，旨在分析實體規模對實驗結果的影響。圖7所示，在惡意率為20%的環境下，隨著交易周期的增長，3種實體規模的交互成功率逐漸上升，但與規模G1相比，另外兩種的規模的收斂要快，且相對較穩定，表明實體規模較大時，有效交互周期更多，以便進行實驗對比分析。圖中實體規模G和G3的變化曲線相對較接近，表明實體規模數達到1000時，已具備驗證實驗的有效性和準確性。圖8所示，在第45個交易周期時，當惡意率由20%增加到70%時，規模G下降最快，這是因為G1規模最小。同時，隨著交易周期的推移，我們還發現G1的交互成功率在0.17附近振蕩，而G2和G3的交互成功率會回升到0.35左右，與4.3節的實驗結果一致，這是因為一個惡意實體在規模大的環境中更易被遺忘。由此可見，本文設置實體數為1000可以較穩定地動態反映實體行為的變化。

5 結束語

針對現有P2P信任機制不能較好處理信任的不確定性、不誠實推薦以及權重分配較主觀等問題，本文以直覺模糊理論為基礎，提出了一種自適應信任模型。該模型的主要特色為：(1)為了較全面刻畫信任的主觀性和不確定性，模型采用信任直覺模糊數刻畫，它不僅包含了可信分量，還包含不可信分量和不確定性分量；(2)以歷史評分為基礎，結合服務持續性因子和時間衰減因子，既能激勵誠信實體提供高質量的服務，又能利用持續不可信服務因子懲罰惡意實體；(3)為了確保推薦實體的可信性，模型充分考慮了實體的相似性和行為一致性，并以此為依據賦予實體相應的權重，從而有效地減少了不誠實推薦實體對信任值的影響；(4)針對直接信任和間接信任權重因子難以客觀確定的問題，提出了基于直覺模糊熵的權重自適應分配策略。最后的仿真實驗驗證了模型的有效性和可行性。

本文在分析研究過程中，沒有考慮信息的異質性和多源性，未來將進一步研究多源異質自適應集成信任直覺模糊信息的方法，同時研究該方法在實際環境中應用以便發現更多新問題。

圖6不同實體規模的網絡通信開銷 圖7 實體惡意率固定時不同實體規模的曲線 圖8 實體惡意率變化時不同實體規模的曲線

[1] 徐海湄, 齊守青, 盧顯良, 等. 一種新的基于概率統計論的P2P網絡信任模型[J]. 電子與信息學報, 2011, 33(6): 1314-1318. doi: 10.3724/SP.J.1146.2010.00179.

XU H M, QI S Q, LU X L,. A novel trust model of P2P networks based on theory of probability and statistics[J].&, 2011, 33(6): 1314-1318. doi: 10.3724/SP.J.1146.2010.00179.

[2] KAMVAR S D, SCHLOSSER M T, and GARCIA-MOLINA H. The eigentrust algorithm for reputation management in P2P networks[C]. Proceedings of 12th International World Wide Web Conference, Budapest, 2003: 640-651.

W T, LUCK M, ROGERS A,. An efficient and versatile approach to trust and reputation using hierarchical bayesian modeling[J]., 2012, 193: 149-185.

[4] 張紹武, 林鴻飛, 劉曉霞, 等. 基于概率的信任傳播模型[J]. 計算機科學, 2014, 41(8): 90-93.

ZHANG S W, LIN H F, LIU X X,. Trust propagation based on probability[J]., 2014, 41(8): 90-93.

[5] CERUTTI F, TONIOLO A, OREN N,. Subjective logic operators in trust assessment: an empirical study[J]., 2015, 17(4): 743-762.

[6] 田俊峰, 吳麗娟. 基于多項式主觀邏輯的擴展信任傳播模型[J]. 通信學報, 2013, 34(5): 12-19.

TIAN J F and WU L J. Multinomial subjective logic based extended trust propagation model[J]., 2013, 34(5): 12-19.

[7] LIU G, YANG Q, WANG H,. Assessment of Multi-hop interpersonal trust in social networks by three-valued subjective logic[C]. IEEE Conference on Computer Communications, Shanghai, 2014: 1698-1706.

[8] 李致遠, 王汝傳. P2P電子商務環境下的動態安全信任管理模型[J]. 通信學報, 2011, 32(3): 50-59.

LI Z Y and WANG R C. Dynamic secure trust management model for P2P e-commerce environments[J]., 2011, 32(3): 50-59.

[9] 徐曉斌, 張光衛, 王尚廣, 等. 基于輕量云模型的WSN不確定性信任表示方法[J]. 通信學報, 2014, 35(2): 63-69.

XU X B, ZHANG G W, WANG S G,. Representation for uncertainty trust of WSN based on lightweight-cloud[J]., 2014, 35(2): 63-69.

[10] YU B and SINGH M P. An evidential model of distributed reputation management[C]. Proceedings of the First International Joint Conference on Autonomous Agents and Multi-agent Systems: Part 1. Bologna, 2002: 294-301.

[11] 田春岐, 鄒仕洪, 王文東, 等. 一種新的基于改進型DS證據理論的P2P信任模型[J]., 2008, 30(6): 1480-1484.

TIAN C Q, ZOU S H, WANG W D,A new trust based on advance D-S evidence theory for P2P networks[J].&, 2008, 30(6): 1480-1484.

[12] 蔣黎明, 張宏, 張琨, 等. 開放系統中一種基于模糊修正的證據信任模型[J]., 2011, 33(8): 1930-1936. doi: 10.3724/SP.J.1146.2011.00063.

JIANG L M, ZHANG H, ZHANG K,. An evidential trust model with fuzzy adjustment method for open systems[J].&, 2011, 33(8): 1930-1936. doi: 10.3724/SP.J.1146.2011.00063.

IANG L, XU J, ZHANG K,.A new evidential trust model for open distributed systems[J]., 2012, 39(3): 3772-3782.

[14] XU Z and CAI X. Intuitionistic Fuzzy Information Aggregation[M]. Springer Berlin Heidelberg, 2012: 4-16.

[15] 雷英杰, 趙杰, 路艷麗, 等. 直覺模糊集理論及應用[M]. 北京: 科學出版社, 2014: 90-95.

LEI Y J, ZHAO J, LU Y L,. Theory and Application of Intuitionistic Fuzzy Set[M]. Beijing: Science Press, 2014: 90-95.

[16] 韓祺祎, 任夢吟, 文紅. 基于拓撲勢的P2P社區推薦信任模型[J]. 電子與信息學報, 2015, 37(6): 1279-1284. doi: 10.11999/ JEIT141303.

HAN Q Y, REN M Y, and WEN H. Topological potential based recommendation trust model for P2P communities system[J].&, 2015, 37(6): 1279-1284. doi: 10.11999/JEIT141303.

[17] YUE Z. Aggregating crisp values into intuitionistic fuzzy number for group decision making[J]., 2014, 38(11): 2969-2982.

[18] TZENG G H and HUANG J J. Multiple Attribute Decision Making: Methods and Applications[M]. Florida: CRC Press, 2011: 342-366.

[19] 吳大鵬, 馮譽, 王汝言, 等. 惡意節點容忍的間斷連接無線網絡消息轉發策略[J]. 電子與信息學報, 2015, 37(7): 1591-1597. doi: 10.11999/JEIT141198.

WU D P, FENG Y, WANG R Y,. Malicious node tolerant packet forwarding mechanism for intermittently connected wireless network[J].&, 2015, 37(7): 1591-1597. doi: 10.11999/JEIT141198.

[20] The stanford P2P sociology project[OL]., 2000.

徐 軍： 男，1982年生，博士，講師，研究方向為可信計算和模糊決策.

鐘元生： 男，1968年生，博士，教授，博士生導師，研究方向為.

萬樹平： 男，1974年生，博士，教授，博士生導師，研究方向為管理決策分析、金融工程和信息融合.

Foundation Items: The National Natural Science Foundation of China (71361012, 61263018), The Science and Technology Project of Jiangxi province educational department of China (GJJ151601), The Colleges Humanities Social Science Research Project of Jiangxi Province (JC1338), The Young Foundation of Jiangxi University of Finance and Economics

XU Jun①②ZHONG Yuansheng②WAN Shuping②

①(& Management, Jiangxi University of Finance and Economics, Nanchang 330013, China)②(College of Information Technology, Jiangxi University of Finance and Economics, Nanchang 330013, China)

, an adaptive trust model based on(IFI) is proposed. Firstly, in order to incentivize entities providing trustworthy service and punish entities taking along malicious behavior, an approach on aggregating IFI is constructed to compute the direct trust intuitionistic fuzzy numbers which contain the latest permanence factor and the time decay factor. Then, the recommendation credibility and uniformity are defined to detect dishonest recommendation. Subsequent, an adaptive weighted approach is developed to avoid distributing the weights of direct and indirect trust subjectively. The simulation experiments demonstrate that the proposed model not only is robust on malicious attacks, but also has better adaptability and effectiveness.

TN915

A

1009-5896(2016)04-0803-08

10.11999/JEIT150750

2015-06-24；改回日期：2015-12-18；網絡出版：2016-02-19

徐軍 xujun1028@126.com

國家自然科學基金(71361012, 61263018)，江西省教育廳科學技術研究項目(GJJ151601)，江西省高校人文社會科學研究項目(JC1338)，江西財經大學青年基金