P2P网络(Peer-to-Peer Networks)现已成为互联网中一种重要的新型网络组织形式,与传统的C/S (Client/Server)网络相比,P2P网络没有服务器和客户端的概念,节点之间是对等的,既可以是服务器,又可以是客户端。由于P2P网络自身特点带来的匿名性、开放性、松耦合性,给P2P网络安全带来了严重的威胁。为了创造一个安全可信的P2P网络环境,信任被用来衡量网络中节点的可信程度,本文的研究重点是在P2P网络中,如何计算一个节点对另一个未知节点的信任预测值,为决策提供依据。本文首先提出了基于可信证据链的信任推理算法,根据节点和条件概率表CPT (Conditional Probability Table)建立信任关系网络,过滤信任条件后得到信任计算网络。根据信任计算网络的特点,对网络结构进行简化,提出了层次因子和置信度的概念,用于信任的推理。这种推理方法是在传统信任推理方法的基础上,对节点信息更加细化,进行信任预测,更加准确和客观。本文重点介绍了一种新型信任推理方法,即基于贝叶斯推理的信任预测模型BITrust (Bayesian Inference Trust Model。贝叶斯推理是基于联合树结构,按照消息传递的方式进行信任预测。其中三角化是联合树中关键步骤,基于TSP (Travel Salesman Problem)三角化识别出删除节点的唯一序列,建立一个唯一的联合树。基于LAZY-ARVE的方法在联合树中,按照消息传递的方向,对节点信度势进行更新并计算节点边缘化概率,减少计算过程中的运算次数,实现信任推理。此外,该方法对于新加入的证据节点,更好地更新了CPT信息,完成动态信任预测。BITrust信任推理算法不同于传统的信任推理模型,强调节点推理过程中需要考虑外界因子,而是着重于推理过程本身的优化,是一种才纯粹的信任预测算法。该算法一定程度上解决了P2P信任网络中信任推理的问题,但还存在其他需要改进的地方。在节点安全存储、恶意团体识别、海量数据集或者稀疏数据方面,需要继续进行研究。