对等网的自组织,开放性与匿名性等特点成为使得这种技术在互联网上广泛应用于各种领域。随之带来的安全问题也逐渐成为阻碍其发展的主要因素。为了遏制这种安全问题的扩散,学者们提出了大量的对等网信任模型。目前,基于信誉的信任机制成为交易评价与抵御恶意行为的主流方法,并被广泛应用于各种对等网络应用系统。本文提出一个基于信任概率的博弈信任模型,在被恶意行为攻击情况下保证健壮性的同时,利用贝叶斯网络以及博弈论的相关理论对节点的行为进行预测与分析,为对等网节点提供安全的决策。首先,本文对信任模型的现状做了综述。包括对等网络信任与信誉机制面临的难题,信任与信誉系统的分类,以及按照类别分别介绍了几例典型的信任模型。虽然产生信誉值的方式方法各不相同,但是已提出的经典的信誉机制都是根据节点间历史行为对下一次的交易进行信用评价,这种根据历史行为反映将来行为的理念能够一定程度上解决节点交易的决策问题,但是在目前日益复杂的对等网络应用环境下,经典模型在节点的行为预测方面的精确度和适用度方面需要提高,特别应该将影响节点行为策略的最根本原因—节点利益纳入整个信誉评估体系。本文发现了上述问题,并对其深入探讨,以实现人工智能的方法贝叶斯网络为基础来建立模型,每个节点都与交互过的节点组成一个简单贝叶斯网,通过贝叶斯网络,请求节点可以根据需求计算欲交互节点的采取具体行动的概率,计算出的概率可以作为表达节点可信度的衡量,也可以作为重复博弈模型的输入,为下一步讨论节点整体长期收益提供初始条件。对等网络应用规模化发展使得网络交互的过程时间以及频率都有所提高,本文认为经典的信任模型将节点间交易行为视为离散的思想已经不能够对现行的节点行为进行描述,所以提出将节点的交互视为连续的长期的过程,即判断交易行为是否合法不仅要考虑到节点最大化下一次交易的短期利益而采取的行为,还要可以判断节点为了最大化自身长期利益所采取的策略。为了讨论后者,本文在以贝叶斯网络计算出的节点行为概率基础上对这种长期的重复博弈情况进行初步的讨论,意图根据历史行为以及现行行为来推测交互节点间长期博弈的均衡,并以此对现在的交易提供安全决策的参考。信任模型在满足节点正常交易的同时还要尽可能提高对恶意攻击的鲁棒性,为了提高信任模型对节点摇摆行为以及合谋的应对能力,向模型中引入动态时间帧和偏离测试的功能,并通过这两项功能中标志节点信任时间特性,动态调节反馈参数以及利用共同邻居集验证反馈消息的方法达到相关安全性方面的要求。实验表明,这种机制与以往的模型相比,能够更加有效的抑制节点在短期内发起的突然恶意攻击和合谋行为。