اينترنت اشيا فناوري نو‌ظهوري است كه در آينده‌ي نه چندان دور با اتصال سراسري اشيايي هم‌چون لوازم منزل، سيستم‌هاي تهويه، ماشين‌آلات صنعتي و كشاورزي، حس‌گرها، خودروها و هر آنچه كه يك شي تلقي مي‌شود؛ موجب سهولت انجام وظايف انساني خواهد شد. در سيستم‌هاي اينترنت اشيا كيفيت سرويس‌هاي فراهم‌شده و معتبر بودن داده‌هاي مورد استفاده براي تصميم‌گيري در كاربردهاي مختلف اهميت بالايي دارند. گره‌هاي مخرب و اشيا مي‌توانند با ارائه‌ي داده‌ها و ارزيابي‌هاي نامعتبر در مورد يك سرويس، باعث پايين آمدن كيفيت و تجربه‌ي آن سرويس براي ساير گره‌ها در يك سيستم اينترنت اشيا شوند. يكي از راه‌كارهاي ممكن براي اين مسئله، مديريت اعتماد است. تمركز بيش‌تر روش‌هاي ارائه شده براي محاسبه‌ي اعتماد در اينترنت اشيا، بر روي محاسبه‌ي اعتماد موجوديت‌هاي يك سيستم است؛ يعني گره‌هاي موجود در يك سيستم كه مشاهده‌ها و توصيه‌هاي خود را ارائه مي‌كنند. در اينترنت اشيا، داده‌ها از حس‌گرهاي فيزيكي جمع‌آوري شده و براي استفاده در عمل‌گرها به كار خواهند رفت. بنابراين قابل اعتماد بودن داده‌هاي جمع‌آوري شده يا اعتمادپذيري داده، در اينترنت اشيا يك موضوع مهم تلقي مي‌شود. در اين پژوهش روشي براي محاسبه‌ي اعتماد ارائه شده است كه علاوه بر محاسبه‌ي اعتماد موجوديت‌ها در يك كاربرد اينترنت اشيا، به محاسبه‎ي اعتمادپذيري داده در اين كاربرد نيز بپردازد. به اين منظور، به ارائه‌‌ي مراحل محاسبه‌ي اعتماد، با در نظر گرفتن ارتباط بين اعتمادپذيري داده و اعتماد موجوديت پرداخته شده‌است. با توجه به اين مراحل، يك روش محاسباتي براي محاسبه‌ي اعتماد در كاربردهاي جمع‌آوري داده در اينترنت اشيا، ارائه شده‌است. در اين روش، براي محاسبه‌ي اعتماد موجوديت‌ها از يك روش مبتني بر يادگيري بيزي، و براي محاسبه‌ي اعتمادپذيري داده از قانون تركيب نظريه‌ي دمپستر-شيفر استفاده شده‌است. براي آزمايش روش محاسبه‌ي اعتماد پيشنهادي، به انجام مطالعه‌ي موردي و شبيه‌سازي اين روش در سناريوي پاركينگ هوشمند پرداخته شد و به بررسي مقدار همگرايي و زمان همگرايي اعتماد در حضور رفتارهاي مخرب و ميزان تطبيق‌پذيري اين روش پرداخته شده‌است. روش محاسبه‌ي اعتماد ارائه شده از نظر مقدار همگرايي اعتماد در حضور رفتارهاي مخرب با يك روش مشابه محاسبه‌ي اعتماد در اينترنت اشيا، كه اعتماد را براي موجوديت‌ها و براي داده‌ها محاسبه مي‌كند، مقايسه شده‌است كه نتايج حاصل، نشان‌دهنده‌ي عملكرد مناسب روش ارائه شده در حضور رفتارهاي مخرب است.

1397/04/02

A Trust Computation Model for Internet of Things Usage

6/23/2018 12:00:00 AM

The Internet of Things (IoT) is an emerging technology which aims at facilitating human tasks by globally connecting things such as home appliances, ventilation systems, industrial and agricultural machines, sensors and vehicles. In this context, the quality of service and the trustworthiness of data being used for decision making are very important. Misbehaving users and devices may provide invalid data or evaluation of services to compromise the quality of the services being provided. Hence, a trust management system to assess trust for users or nodes, services and gathered data is deemed to be essential to every IoT ecosystem. The most common method of assessing trust in IoT applications is to estimate the trust level of the end entities (entity-centric trust) which are the nodes or the users providing feedbacks or observations. Also, in IoT applications, the data is gathered from various sensors and will be used in the actuators after the decision making process. Therefore, the trustworthiness of data (data-centric trust) is equally important and should be considered as well. In this research, we mainly focus on assessing trust in a hybrid manner, aiming at trsut computation for both end-entities as well as data. A trust computation procedure is introduced, based on which, a computational model for assessing trust is defined that can be utilized in data collection scenarios in IoT. In our proposed model, a Bayesian learning method is used for computing the entity trust, while Dempster-Shafer Theory is exploited for data fusion and assessing data trustworthiness. As a proof of concept for our model, we conduct a case study on trust computation in a smart parking scenario, and investigate the performance of our model in the presence of misbehaving drivers and faulty parking sensors. We evaluate the convergence behavior as well as the resiliency of our method as the participating entities change their behavior. We also compare the performance of our approach with a state-of-the-art IoT trust computational model. As evidenced by the simulation experiments, our method results in a superior performance in terms of the converged values for both data trustworthiness and entity trust. It is also more resilient against misbehavior.