本文介绍了一种基于生成式对抗学习的信任管理方法，以保证 6G 无线网络的安全与服务质量。通过整合人工智能和信任管理，实现智能优化和安全性。最后，应用该方法来保证网络安全和服务质量，取得了出色的表现。

Aug, 2022

本文提出了一种智能信任云管理方法，以确保 5G 边缘计算和 D2D 启用 IoMT 系统中的安全和可靠通信，并能有效解决信任不确定性问题和提高恶意设备检测准确性。

Jul, 2022

提出了一种基于安全 IoT 结构和协同贝叶斯网络模型的人群推荐算法 SAIoT-GR，旨在解决现有数据安全性和反馈偏差难题。通过大量实验，该算法表现出高效性和稳健性。

Apr, 2021

研究论文通过探索分布式群集学习（DSL）这一新颖框架，结合了人工智能和生物群体智能，以解决物联网在无线网络边缘面临的通信和计算瓶颈、设备和数据异构性、安全风险、隐私泄露、非凸优化和复杂无线环境等问题。该框架为无线网络边缘的大规模物联网提供了高效解决方案和强大工具。

Mar, 2024

本文提出了一种基于生成对抗网络（GAN）的信任管理机制，用来解决对新型攻击的标记数据缺失以及传统机器学习算法训练数据集大小对系统安全性能的影响问题，在工业无线传感器网络中采用了二阶模糊逻辑来评估传感器节点的信誉，并建立了基于 GAN 的编解码结构来收集信任向量和检测恶意节点，同时构建了基于 GAN 的信任赎回模型来提高信任管理的鲁棒性。该机制可应用于可靠实时数据传输的安全聚类，实验结果表明具有高达 96% 的检测率和低于 8% 的误报率。

Oct, 2022

本文提出利用 6G 支持的大规模双子技术来降低数据流量、从而增强新兴智能在 6G IIoT 场景下的性能表现。

Apr, 2022

本文提出了一种知识增强的图神经网络（KGTrust），用于在社会物联网（SIoT）中进行更好的信任评估，该方法结合了用户和对象的语义知识以及增强的信任关系，能够有效地捕捉 SIoT 信任的多方面特性。实验结果表明，KGTrust 方法优于当前的最先进方法。

Feb, 2023

我们提出了一种设计上下文感知的群体控制智能代理的方法，通过运用群体统计量和行为库选择合适的参数，增加控制代理的情境感知而不损失计算效率，成功地在单一群体和多样化群体中进行群体管理。

Nov, 2022

设计了一种利用设备行为指纹、分布式共识机制和区块链技术的新型分布式信任模型，以在与网络中的对象进行交互之前评估其可信度，并描述了与该模型相关的安全模型及对其准确性和性能进行的测试。

Oct, 2023

通过综述当前 IoT 设备和系统信任度和信誉研究现状，针对 IoT 设备特性和环境，提出了一种新的基于传统信任管理和人工智能的分类学，比较分析了相关系统和方法的性能指标，并讨论了未来的研究方向和挑战。

Mar, 2023