面向边缘计算的基于声誉的安全系统

1 引言

计算趋势一直在集中式与分布式控制之间来回切换。从以集中式为主的大规模计算机，到个人计算机（PC）、局域网和P2P系统等分布式架构。近年来，通过云计算的出现，集中化再次兴起，但目前云被认为难以应对连接设备数量急剧增长所带来的挑战。因此，潮流再次转向去中心化[13]，以满足物联网（IoT）及相关服务的需求。

尽管云计算具有诸多优势，但它也面临着与延迟、隐私和信任相关的问题[13][24]。由于设备数量不断增长（预计到2025[36]将达到一万亿台），延迟已成为其主要挑战之一。为了应对这些问题，并为实时和延迟敏感型应用提供更好的用户体验，当前的研究重点已转向云朵、移动边缘计算（MEC）、雾计算和移动边缘云等分布式云技术[9]。

云朵通过附近服务器为移动设备提供支持，以扩展其操作能力。它依赖于Wi‐Fi接入点，因此覆盖范围可能受限[15]。MEC是满足5G需求的关键技术。它支持开放无线接入网络，能够在网络边缘托管内容[2]。雾计算也利用附近的数据中心来降低延迟，但其应用更为广泛，因而对物联网更具前景[41]。而移动边缘云（也称为自组织移动云）则较少依赖服务器或数据中心，由附近的移动设备组成，具备自我维持能力，仅在最后手段时才寻求基础设施支持[27][9]。

尽管这些技术提供了关键优势，但也带来了严重的安全问题。其中一些问题源于其父级协议（如P2P）的固有漏洞。因此，有必要修补这些固有漏洞，同时满足其特殊安全需求[28]。这定义了本文的目标，特别是针对移动边缘云。我们的目标用例[27]需要轻量级安全；“足够”的安全措施即可保证参与者之间的安全公平的交易。强安全机制（如区块链[4]）可能过于沉重。

特别是，已提出一种新的声誉引导机制，以确保每个对等节点的声誉能够以直接反映其行为的方式进行动态引导。这解决了之前通过默认信任分或间接属性进行引导的问题，因为这些方法无法反映新加入者的身份。类似地，已在网络中的节点将无需消耗自身资源来验证难题以引入新节点，而这是某些早期方法所要求的（参见第3节）。这对于移动边缘云尤其重要，因为它需要最佳的可扩展性和最少的外部干预，而且其节点主要是资源受限的移动设备。

一种使服务器节点（或种子节点）能够充分评估客户端节点（或下载者）声誉的方法也已被提出。在早期的方法中，可能通过推荐来获取该信息，但这几乎无法揭示客户端节点在网络中向其他节点提供常规服务所做出的贡献程度。种子节点主要提供服务，而无需接收回报；因此，它们无法可靠地判断其客户端在向其他节点重新分发内容或服务方面的行为/性能。出于相同原因，种子节点也可能缺乏基于直接经验的信息，以确定可靠的邻居，从而向其寻求关于陌生节点的推荐。

这使得带宽攻击成为可能，因为恶意或自私的节点能够主要从种子节点获取服务，从而避开需要互换服务的其他下载者（客户端节点）。攻击者还利用这一漏洞，向种子节点发送大量请求，耗尽其所有资源，阻止其为合法节点提供服务。带宽攻击将在第2节中进一步讨论。

我们的贡献之一是使用基于信任和信誉的方法来缓解P2P和移动边缘云中的此类攻击，特别是通过使种子节点能够防范恶意或自私的客户端节点。它们对其他客户端节点的贡献将被监控和评估。该评估基于客户端节点的实际行为，并且可以验证；它不是基于[10]中建议的一般性描述。进行此评估所需的信息由客户端节点在其服务请求时一并提供。[1]也观察并解决了BitTorrent中的这种（带宽）攻击，但它不是基于信任或信誉的，而且缺乏验证投票的手段。这意味着虚假投票将无法被察觉，并最终导致错误决策。

本文其余部分组织如下：第2节重点讨论移动边缘云中与安全与弹性相关的问题。第3节介绍研究现状，接着在第4节介绍提出的基于信誉的安全系统（EdgeTrust）。第5节讨论结果，最后在第6节给出结论与未来工作。

2 安全与弹性问题

在开放分布式系统中，参与的对等节点之间的协作对于网络生存至关重要。这使得搭便车等自私行为成为阻碍因素。激励机制可用于最小化搭便车现象。但其他攻击（如下述攻击）需要更多的缓解措施，因为攻击者旨在损害网络或特定节点，而不仅仅是为了最大化其自身利益。研究表明，上述攻击在P2P协议中是有效的。

伪造块攻击 ：在这种情况下，攻击者在响应邻居的请求时发送损坏的文件内容；这些内容可能是虚假数据块、病毒或其他非法内容[29]。攻击者还宣称拥有大部分（或全部）文件块，以使其能够吸引更多猎物，类似于发现攻击[31]的模式。这显然适用于移动边缘云[27]的用例，尤其是体育场内足球迷之间共享视频的情况。很容易发送病毒或虚假文件来替代真实视频。

带宽攻击 ：在这种情况下，攻击者将目标对准那些已经拥有所有所需文件片段（或内容）且主要在网络中为其他节点提供服务的对等节点[7]。如果这些资源被耗尽而未能反馈回系统，则网络可能会出现资源短缺，从而无法维持自身运行。以在人群中定位失踪人员的移动边缘云用例为例[27]；攻击者可能会针对持有相关信息的设备，假装有意协助搜索，而实际上却试图使相关设备过载，阻碍搜索工作的进行。

女巫攻击 [8]；在中心化管理受限或不可用的网络中，攻击者可以低成本地引入虚假身份（也称为女巫节点），并通过这种方式劫持或影响网络以使其有利于自身。这也可能导致网络关闭或拒绝服务。如果缺乏动态的监管机制来控制节点接入边缘云网络，则可能导致网络被女巫攻击者主导和控制。

共谋攻击 [22]也是一个巨大的威胁；当这些攻击被集体发动时，会对网络造成更具破坏性的影响。在边缘云中，共谋节点可能形成一个“攻击者云”，它们联合起来（并共享资源）对个体或整个网络发起攻击。

提出的方法解决了这些攻击问题。通过应用高效的启动方法和抗带宽攻击方法，展示了针对女巫攻击和共谋攻击的结果。

3 相关工作

众所周知，移动设备平均每小时的使用率不到25%[38],，导致空闲资源处于闲置状态。当大量移动设备彼此靠近时，这些闲置资源可以共同形成一个资源池，使得在不依赖中心化基础设施的情况下，在移动边缘云环境中完成资源密集型任务成为可能[9]。作为一种相对较新的技术，目前关于如何缓解移动边缘云中安全威胁的报道还很少。但研究人员已指出该平台可能面临的安全和隐私不足问题[11]。信任与声誉机制可用于满足部分安全需求[31]。

[33]提出了一种机制，需要人员（例如管理员）实际可视化内容并在分发前对其进行签名。然而，这种方法可能非常耗时，随着流量的增长，可扩展性可能成为一个严重问题。[14]提出了一种架构，其中云在移动自组织网络或移动云中充当安全使能器。诸如预先建立信任等服务被认为超出了移动自组织网络的范围，因此由云提供。这种对中心节点的依赖带来了延迟问题，使其不适用于能够自维持的移动边缘云。

类似地，[10]提出了一种面向雾计算的信任管理系统，其中信任模型在雾节点上运行，而雾客户端仅获得最终结果。[30]重申了区块链应用以及能够进行协调的经纪系统的重要性物联网雾环境中对象的合规性。移动边缘云的节点相比雾计算客户端具有更高的独立性；因此，依赖雾节点的此类方法及类似方法可能并不适用。

更普遍地，[25]提出了一种在BitTorrent中抵御女巫攻击的方法，该方法根据信任度对k‐bucket中的对等节点进行排序。为了启动，新加入的节点会被赋予正的风险评分，以使其能够加入网络。[29]提出了一种集中化程度较高的解决方案，其中跟踪器作为中心实体，负责计算参与节点的全局评分。[5]和[34]需要引导服务器，而其他一些方法如[6]则依赖预先建立的信任或某个中心节点，但在大多数情况下这些条件通常不可用。为了避免依赖预先建立的信任或中心化代理，主流方法倾向于使用默认评分[3][17]来初始化新加入的节点。然而，正如前文所述，这种方法可能助长洗白和女巫攻击。

谜题的使用也已被提出[20][23]。解决一个谜题需要消耗一定的资源，而潜在的攻击者可能并不具备无限的资源，因此他们能够引入的女巫节点数量可能会受到限制。这一逻辑是成立的，但谜题更多地是对计算能力的一种测试：如果潜在的攻击者（即新加入者）具有更强的计算能力，则现有节点将处于不利地位。

[37]基于特定时间网络的安全状态为新加入者分配初始信任评分，而其他一些方法[35]则考虑新节点与现有节点之间的兴趣相似性。我们的方法不同之处在于，无需依赖中央实体、谜题或预先建立的信任，而是基于关于新加入者的第一手信息。

此外，该方法还解决了P2P（特别是移动边缘云）中的带宽攻击问题，而这一问题在早期的信任模型中主要被忽略。

4 EdgeTrust

提出的方法被标记为”EdgeTrust”，旨在为移动边缘云和其他P2P协议（即BitTorrent）提供增强的安全性和信任。

BitTorrent协议经过修改后用作测试平台，并使用Peersim模拟器进行实验。我们选择BitTorrent是基于其广受欢迎且研究充分的事实，此外它还作为私有云应用（如Resilio Sync [27]）的父协议。

当一个新节点希望加入网络时，它会生成一对密钥：公钥和私钥。在通过跟踪器、协调器或分布式哈希表发现网络中的其他节点后，该新节点会发送一个包含其公钥的签名请求，以申请加入网络。网络中的某个对等节点收到此请求后，在确认没有先前用户使用相同密钥/ID的情况下，将该密钥与新加入者关联起来。本文中，“信任方”（trustor）用于指代正在评估另一个节点（被信任者）信任度的节点。

拥有唯一标识符并不意味着新节点会立即被网络接受。它需要有机会证明自己是可信任的。这个机会通过分配一些功能来实现，例如路由。此处的功能不同于谜题；它不仅与引导相关，还能满足信任方的下载需求。这意味着没有（或极少）资源被专门用于验证目的。对信任方而言，引入新节点几乎无需成本。

节点会向其希望服务的邻居发送（“取消阻塞”）消息[19]。当信任方收到来自其任一邻居的取消阻塞消息时，它将向该邻居请求文件块。该请求可指明其回复应通过某个新加入者转发，该新加入者已请求通过该信任方加入网络。随后，新加入者将其自身的签名附加到已签名的消息上，并将其转发给预期的接收者。如果消息在未被篡改的情况下到达，新节点将获得一个信誉分。当信誉分达到令人满意（但最低限度）的阈值时，新加入者将被完全准入网络。该最低阈值可通过诸如[26],等方法计算，以确保新节点不会承受过大的压力。为了加快新加入者的准入速度，其他节点在发现存在正在接受评估的新节点时，也可参与引导过程。无论通过一个还是多个信任方，每个新节点的努力都将被记录，且使用公式(1)来确定其完全准入的时机。

$$
Bf_{AB} = \left(\sum_C Bf_{CB} \cdot GS_{AC}\right) + Bf_{AB} \quad (1)
$$

其中 $ Bf $ 是直接或间接获得的引导因子。当使用被推荐的 $ Bf $ 时，还会考虑推荐节点的声誉；$ Bf_{CB} $ 表示节点C关于节点B所做出的引导因子推荐，而 $ GS_{AC} $ 表示根据本地节点A的观点，节点C的声誉。最终的引导结果($ \Theta(Bf) $)可以是0或1，如公式(2)所示。

$$
\Theta(Bf) =
\begin{cases}
0 & \text{if } Bf < n_{min} \
1 & \text{otherwise}
\end{cases}
\quad (2)
$$

在实验中，$ n_{min} $ 等于2，这意味着新加入者需要完成至少两次成功的交易，才能成为网络或节点邻域中的正式成员。该数值可能根据交易的敏感程度而有所增减。然而，对于所考虑的用例（文件共享）而言，此数值是最佳选择，因为它不会给新加入者带来太大压力。

加入后，每个节点都应尽可能贡献以维持网络。节点会记录在给定时间范围内彼此之间的交互频率，以便在确定受信方的最终信任评分时与其他因素（如声誉）一并考虑。这反映了现实生活场景中，人们在建立关系时，除了考虑对方的声誉外，还会考虑与其之间的熟悉程度或关系。例如，相比完全陌生或很少光顾店铺的人，常客更有可能被信任并获得商品供应，实现售后付款。我们通过交互率（IR）使用公式(3)来捕捉这一概念。

$$
IR_{ij}(t) = \frac{x_{ij}(t)}{n_{max}} \quad (3)
$$

$ n_{max} $ 表示节点在网络中在某一时间范围内预期做出的最大贡献。此处通过将每个节点的带宽除以区块大小来确定，然后将结果乘以时间（20秒），以便了解该节点的容量。交互率（IR）的最大值为1，超出部分将被忽略。IR $ IR_{ij} $ 是节点i根据其与节点j之间的下载和上传所记录的关于节点j的交互频率。$ x $ 为成功交互次数，包括上传速率（UR）和下载速率（DR）。

这一概念并非全新，但在大多数早期方法中，计算声誉时仅考虑与邻居之间上传和下载频率（或次数）的差异，而往往忽略了频率本身。有时会使用比率代替差异，但频率本身所反映的两个节点之间的熟悉程度却常常被忽视。这导致了一种情况：与一个长期保持一致合作的“伙伴”相比，某个代理节点可能只是短期内没有恶意行为，却未必处于劣势。

其理念是尽可能鼓励一致性以及积极可靠的输入。尽管节点动态变化可能无法保证节点在特定邻域内的长期停留，但自私或恶意节点仍可能利用阈值范围进行恶意行为，而不会使其评分低于阈值。此外，为了应对带宽攻击，需要确保节点不仅从种子节点下载，也从其他下载者下载，而不是仅依赖种子节点。通过使用IR评分来监控节点的贡献度，使得这一点得以实现。

为了确定一个节点输入的可靠性，需要对其声誉进行评估。为此，采用贝塔分布的概率期望值[16]。来自邻居的良好下载与 $ \alpha $ 相关联，而上传次数和恶意交互次数则与 $ \beta $ 相关联。基本上，该公式旨在衡量一个节点相对于其从网络中获取的资源，或试图破坏网络的行为，真实贡献的程度。虽然 $ IR $ 反映了客户端节点根据各自能力向网络贡献的速率，但此（声誉检查）则反映了这些贡献的真诚程度（或声誉高低）。

沿用归一化的引导因子（$ \Theta(Bf) $），此时其值预期为1，节点i基于直接经验对节点j的预期声誉（DT）计算如下：

$$
DT_{ij}(t) = \frac{\alpha_{ij}(t) + \Theta(Bf_{ij})}{\alpha_{ij}(t) + \beta_{ij}(t) + \Theta(Bf_{ij})} \quad (4)
$$

为了考虑行为变化，近期行为会不断与过去行为趋势进行比较。行为差异越大，该评分被赋予的相关性就越低。以下公式（5）类似于[3],中使用的公式，可用于考虑相对于最近交易时间（t）的老化因子（$ \rho(t) $）。

$$
DT_{ij}(t) = \rho(t)DT_{ij}(t - 1) + (1 - \rho(t))DT_{ij}(t) \quad (5)
$$

现在，使用从其他邻居收集的推荐以及推荐节点的声誉，通过有序加权平均（OWA）[40]来计算受信方的间接信誉。之所以采用OWA，是因为它能够轻松地将每条推荐与其来源的声誉关联起来。两者

关于声誉和交互频率的推荐将使用公式(6)和(7)进行折扣处理；

$$
IT_{il}(t) = \frac{\sum_{j=1}^{n} DT_{ij}(t)DT_{jl}(t)}{\sum_{j=1}^{n} DT_{ij}(t)} \quad (6)
$$

$$
CIR_{il}(t) = \frac{\sum_{j=1}^{n} IR_{ij}(t)IR_{jl}(t)}{\sum_{j=1}^{n} IR_{ij}(t)} \quad (7)
$$

$ DT_{jl}(t) $ 是节点 $ j $ 在时间(t)对节点 $ l $ 提交的推荐，而 $ DT_{ij}(t) $ 是从请求关于节点 $ i $ 的节点 $ j $ 的声誉(TR)。应用公式(6)和(7)，计算间接声誉(IT)和间接交互率(CIR)。使用公式(8)和(9)结合直接和间接评分，并应用权重因子 $ \sigma_d $。该权重因子旨在提供灵活性，允许用户根据特定网络条件选择直接或间接评分的重要性。随后，通过使用类似的权重因子($ \sigma_t $)结合声誉(TR)和交互率(TIR)评分，生成综合信任评分(GS)，如公式(10)所示。

$$
TR = \sigma_d \cdot DT + (1 - \sigma_d) \cdot IT \quad (8)
$$

$$
TIR = \sigma_d \cdot IR + (1 - \sigma_d) \cdot CIR \quad (9)
$$

$$
GS = \sigma_t \cdot TR + (1 - \sigma_t) \cdot TIR \quad (10)
$$

在实验中，$ \sigma_d $ 和 $ \sigma_t $ 均被赋值为0.6。这使得直接评分相较于间接评分具有更高的权重。其假设是，个体往往更信任自己而非他人。$ \sigma_t $ 还为声誉评分分配了比交互频率更高的权重。这确保了当节点开始上传恶意内容时，GS评分能够更快地下降。

4.1 用于服务提供者和客户端节点的EdgeTrust算法

算法(1)包含两个部分，第一部分（第7到19行）针对服务提供者，根据所考虑的协议不同，也可称为种子节点或工作节点。该算法应用先前推导出的公式，使种子节点能够确定客户端节点的熟悉程度和声誉。新加入者首先需满足Bf要求，并先使用其他下载者的服务，之后才能访问种子节点的服务。这也作为一种访问控制方法，仅允许受信任/已验证的节点访问核心网络资源。下载者是指那些尚未完整获取文件，但可根据已拥有的数据块向邻居上传的节点。

在获得Bf并赢得网络中其他客户端节点的信任后，“新”节点通过与这些节点交换服务，从而拥有评分（或投票），可将其与对种子节点的请求一并提交，以获得服务。假设如图1所示，三个节点正在向一个种子节点请求服务。每个客户端节点发送其请求，此外还指明在其当前交互历史中具有最高IR评分的一个邻居节点，并提交该IR评分的UR和DR。

在对提交的投票进行初步动态验证后，种子节点利用该结果来确定哪些节点是活跃的该网络，并据此进行优先级排序。根据图1，节点i将在请求的节点中获得最高优先级，因为它的投票数最多，其次是节点k，然后是j。这些分数也会被缓存，以供后续交互可能使用。

初步验证通过匹配提交的分数来确保不存在矛盾。在图示中，节点i和k相互提交了IR分数；因此，i关于k（在给定时间）提交的UR分数应与k关于i提交的DR分数相匹配。若存在差异，则可能表明存在恶意行为，需要进一步探测。此类进一步探测可能包括从其他对等节点收集有关可疑节点的更多信息，或通过跟踪器或类似基础设施进行验证（如果有的话）。

算法的第二部分（第20至36行）旨在使下载者能够评估其邻居节点（包括种子节点和下载者）的声誉。首先，基于直接经验计算声誉和熟悉度（IR）得分；如果IR得分较高，则认为被信任者非常熟悉，此时信任度计算将仅依赖于直接经验，因为已有足够信息做出判断。如果IR得分较低，则信任方会收集来自推荐节点的推荐，并根据推荐节点的信任度对每条推荐进行加权，使用公式(6)和(7)进行处理。随后应用公式(8)至(10)得出综合评分。

根据信任方的容量，优先为具有最高GS评分的节点提供服务。在此实现中，每个信任方一次只能为四个受信方提供服务，其余客户端将随后被考虑。如第4节所述，在计算GS时，TR占60%的权重，而TIR占40%的权重。在生成TR和TIR时，直接和间接评分也分别使用了相同的权重。

5 评估

为了测试EdgeTrust的性能，该算法使用Peersim模拟器[21]实现。Peersim可用于实现不同的P2P协议，由多种以Java实现的构建模块组成。该仿真器支持基于循环和基于事件的模型，并包含一个文本文件，用于设置不同网络行为的配置参数。任何基于Java的协议都可以轻松添加到仿真测试平台[18]中。

该模拟器还实现了BitTorrent[12]协议，并对其进行了修改以反映所提出的算法。BitTorrent与移动边缘云协议（即P3-Mobile[32]）具有相似性。这些相似性包括发现模式、细胞组或群组的形成，以及分别类似于跟踪器和种子节点/下载者细胞协调器和工作节点。修改后的测试平台捕捉了这些相似性。

仿真在两台服务器上运行，每台服务器配备64GB内存和16核CPU，主频2500MHz。每台服务器还安装了OpenJDK 1.8和Python 3.4.3。仿真结果以95%的置信水平收集，并使用了由100个节点组成的网络规模。模拟了女巫攻击和共谋攻击，在这两种情况下，攻击者均分发伪造块。EdgeTrust与原始的BitTorrent[12]以及另一种信任管理系统(TMS)[29]进行了比较。选择TMS进行对比是因为其应对了类似的攻击（包括伪造块攻击），并在BitTorrent平台上进行了测试。

引导方法有助于通过阻止尽可能多的攻击者加入网络来检测女巫攻击。它还能够抑制洗白和不一致行为。这一点在图2所示的结果中显而易见：EdgeTrust保持了相对较高的弹性，即使在女巫攻击者比例较高（高达50%）的情况下，仍能允许协作节点以较高速度进行下载。通过监控节点的交互频率和节点信誉，进一步阻碍了攻击者的企图，使其无法成功利用种子节点或其他合法节点。

TMS的表现不够稳定，正常节点的下载速率出现了急剧下降。与原始方法类似，TMS缺乏阻止攻击者最初加入网络的手段，仅通过监控攻击者的声誉来尝试控制其影响。此外，由于种子节点并未充分防范恶意客户端，因此容易被利用；该机制的重点主要是保护客户端节点免受攻击。一旦种子节点被利用，网络整体可能会因资源缺失而受到影响。原始方法（以牙还牙）则在攻击下完全失效。

类似地，图3展示了三种算法在共谋攻击者存在下的性能表现。这些攻击者通过共谋发起伪造块攻击，同时抬高其小团体内部对等节点的分数，并给其他节点分配极低的分数，以达到欺骗的目的。TMS试图通过仅使用推荐节点中最高10%的推荐来计算全局分数，以此避免此类攻击。然而，当激进支持者的数量增加时，这种方法可能会受到显著扭曲。相比之下，EdgeTrust由于采用了后续讨论的邻居相似性方法，以及之前用于防御女巫攻击者的其他防护措施，在面对共谋攻击者时表现出更强的可扩展性和强健性。

然而，可以观察到，随着支持者的比例增加，与非共谋场景相比（图2），EdgeTrust往往承受更大的压力。这是因为它需要进行更多的工作来区分攻击者与真实节点。在两种情况下，EdgeTrust相对于原始方法和TMS方法都具有更高的开销。

为了增强EdgeTrust对共谋攻击的防御能力，采用了邻居相似性方法。当对等节点请求推荐时，它们会同时请求随机选择的受信任邻居（该邻居必须不同于被询问的邻居，也不同于提供推荐的节点）。因此，信任方会为实际的陌生节点和一个随机选取的熟息节点请求推荐；其目的是利用关于熟息节点收到的推荐来评估推荐节点在判断上的真实性和相似性相对于信任方的程度（参见算法第26行）。此外，结合前述间接评分的计算方法，这有助于信任方识别分数不规则性并避免可能的共谋尝试。在收集的推荐中，具有更高相似性的评分将被赋予更高的权重。邻居相似性的概念是一种借鉴概念；文献中曾使用该方法来缓解其他形式的攻击[39]。

在分析了算法对非恶意节点的性能后，也监测了攻击者的下载速率。在仿真中，攻击者除了向其他节点分发伪造块外，还被允许下载（或窃取）内容。他们仅从非恶意节点（优先是种子节点）下载，而不会从其他攻击者处下载。检查他们的下载速率可以揭示他们能够窃取的资源量（尤其是来自种子节点的资源），以及他们通过伪造数据破坏网络的努力程度。

尽管其他下载者可以根据经验更容易地识别攻击者，但种子节点可能难以应对，从而导致之前提到的带宽攻击。事实上，在基于以牙还牙的原始方法中，种子节点只是简单地向下载速度最快的对等方上传，而不关心该对等方是否为攻击者。在另一种方法（TMS）中，种子节点也缺乏第一手信息来评估客户端节点，这使得攻击者更容易在带宽攻击的情况下从它们那里窃取资源。

然而，EdgeTrust能够使包括种子节点在内的每个对等方都评估每个客户端，而不是像文献中大多数情况那样仅关注反向（即评估服务提供者）。这使得攻击者极难下载内容。图4所示的结果揭示了这一点。具体而言，结果表明，使用原始方法（4a）和TMS方法（4b），恶意节点仍然能够以与正常节点相似的速率进行下载。有时甚至更快，因为正常节点还必须处理伪造块，这可能导致它们重新下载内容。而EdgeTrust（4c）则表现出最优性能；攻击者的下载速率极低。人们可能会预期随着攻击者数量的增加，其下载速率会上升，但这种情况只有在攻击者相互之间下载时才会发生。攻击者越多，可用资源就越少。

6 结论与未来工作

移动设备数量和容量的增长带来了诸多机遇，但要成功利用这些机遇，需要完善的安全系统。本文提出了一种基于信任的机制，可用于满足移动边缘云的安全需求。通过利用边缘云与BitTorrent等传统P2P平台之间的相似性，推导出一种适用于两种协议的方法。文献中的信任模型未充分关注带宽攻击问题，本文对此进行了有效应对。一种合适的信任还提出了一种引导方法，以避免默认分配初始信任评分以及使用可能不符合现有对等节点最佳利益的谜题。该新方法具有可扩展性，且不依赖于中心化代理，能够显著提高网络安全、信任和效率，结果表明了这一点。

移动边缘云的物联网用例尚未在此得到充分覆盖，因此该算法需要改进以包含更多针对物联网和“虚拟化”的能力。应自动确定不同应用所需的安全级别，从而能够检测何时信任处于理想状态，以及在特定时间根据正在处理的操作和应用的安全需求，何时启用更强大的加密算法。