分布式环境下信任管理的可视分析关键技术研究

In the age of modern distributed computing, the introduction of Internet of Things, Cloud Computing and Sensor Networks poses new challenges to the task of trust management. Traditional trust management frameworks are largely relying on machine intelligence: utilizing computers' exceptional data processing ability to achieve automatic trust management. However, computers alone can sometimes generate disappointing results, especially when malicious users adopt complex attack schemes to target the weakness of trust models. In such cases, it can be difficult for us to intuitively understand the threat that we are facing, not to mention initiating meaningful countermeasures.. In this project we propose a novel approach to bridge the gap between computer and human intelligence by the means of visual analysis. With visualization schemes such as edge bundling in node-link diagram and spectral clustering of trust matrix, our approach can map specific attack models onto visual patterns. In addition, we propose to incorporate the users' wisdom into trust management process by the means of human-computer interactions: with the vivid visualization and convenient interaction, the users are granted with the power to provide professional feedbacks to the automated trust management and adjust the analysis parameters & schemes. We believe that this iterative visual analysis approach can greatly help us discover attack patterns in order to make the right judgment. Our proposed trust management framework can play a significant role to guide the design of trust evaluation and management model, monitor trust relations in real time and launch meaningful countermeasures as well.

以物联网、云计算、传感器网络等为代表的分布式计算环境对信任管理提出了更高的挑战。现有的信任管理模型大都建立在机器智能之上，利用计算机高速批量处理数据的能力对信任关系实施自动管理。然而仅仅依赖机器的智能常常难以完美的解决信任管理问题，特别是当攻击者针对信任模型的设计弱点采取复合攻击策略时，我们往往很难直观的了解系统面临着什么威胁，从而开展有针对性的防御措施。. 本项目独辟蹊径，提出使用可视分析的方法来研究信任管理系统：通过使用节点链接图、信任关系矩阵等可视化方法，让攻击模式与可视化结果的视觉特征一一对应起来。进一步的，我们运用人机交互技术，让用户的智慧参与到信任管理过程中来：通过对信任关系网络的可视化呈现和交互，让用户对机器的分析和判断进行反馈，对机器分析的参数和策略进行干预和调整。经过这一过程的反复迭代求精，探索和发现攻击规律，对系统面临的攻击模式作出正确的判断。

通过本项目近三年来的研究，我们使用了基于深度学习的人机交互技术，使得人类的智慧参与到无线自组网络的信任管理过程中来。我们对信任关系网络的可视化呈现和动态交互，让用户对机器的分析和判断进行反馈，对机器分析的参数和策略进行干预和调整。在经过对这一过程的多轮反复迭代求精，探索和发现攻击规律，最终实现了对攻击模式和攻击者身份的正确判断，在对实际无线自组网络的模拟中，达到了超过90%的成功识别率。在研究过程中，我们针对现有的信任管理模型大都建立在纯粹的机器智能之上这一问题，我们提出了利用计算机高速批量处理数据的能力对信任关系实施自动管理。对于机器的智能难以完美的解决信任管理的问题，特别是当攻击者针对信任模型的设计弱点采取复合攻击策略时，我们采用的新型可视分析方法可以让网络管理者从各种层面来了解系统面临着什么威胁，从而开展了有针对性的防御措施。我们在对业界传统使用的NLD方法进行了有效的改进，除了用它来描述复杂信任网络关系之外，我们还使用了Graph的形式把信任关系的缩略数据展示给用户，让整个信任关系高维数据在一个简单易懂的二维空间内得到可视化呈现。我们的方法在完美的解决了视觉重复复杂度的问题，既能有效的展示数据的宏观特征，又可以通过Zoom-in发现值得关心的细节信息。我们在去年提出的新一代Edge Bundling算法成功的实现了语义相似度和视觉简化度的完美结合，可以在普通计算能力的PC上实现对边数在10的12次方两级的超大规模图的绑定，得到了业内的一致认可。