随着网格计算、普适计算、P2P计算、AdHoc网络等大规模分布式应用的深入研究，系统表现为由多个软件服务所组成的动态协作模型。在这种动态和不确定的环境下，基于CA（certificate authority）的PKI（public key infrastructure）静态信任机制已不再适应需求，而动态信任技术已经成为新的研究热点。动态性是实体间信任关系量化与预测的最大挑战。信任关系从本质上来说，是最为复杂的社会关系之一。首先，它是一个抽象的心理认知过程，涉及到假设、期望、行为和环境等多种因子，很难定量表示和预测。其次，它具有一系列复杂的动态属性，如不确定性、不对称性、部分传递性、异步性、上下文独立性和时空衰减性等。近年来，已有多种多样的动态信任模型被提出。其中，许多模型都设计得非常巧妙，但也存在着明显的不足。例如，对影响信任关系的多种因素考虑不足，模型中许多重要参数都缺乏较为客观的量化方法，也缺乏灵活的调整机制，极大地影响了模型的动态适应性。针对这些问题，本文基于面向服务的应用环境，建立了一个动态信任模型，具体包括了信任评估和信任决策两部分内容，并讨论了相关的信任管理内容。文章在信任建模时充分考虑了影响信任关系的多种因素（特别是行为上下文），强调动态收集相关因素和客观证据的变化；模型中的参数都采用了相对客观的量化方法，并引入了灵活的反馈调整机制，提高了模型的精度和科学性；并以一种更细粒度的方式实现对实体行为的预测。信任模型不仅要对信任关系进行合理建模，还要能有效检测多种恶意行为。作为信任模型最核心的部分，本文将信任评估分为获取、评估和进化三个层次，这三个层次从不同的空间和时间角度对信任关系进行了全方位建模，能充分描述信任关系的复杂性和动态性。信任的获取分为直接和间接两种方式，在直接获取中，除了传统的评估依据行为满意度之外，又引入了时间因子和影响因子，分别表示单次行为的时效性和价值性。同时，对行为满意度、时间因子和影响因子都提出了具体的量化方法，增强了评估的科学性。在信任的间接获取中，引入数据压缩技术对推荐信息进行过滤和校验，提高了模型对抗静态恶意推荐的能力。同时，设计了推荐权重的初始化和更新方法，增强了模型检测动态恶意推荐的能力。评估和进化是对信任的动态性建模的重要手段。现有的信任模型往往定义单一的信任指标来描述信任关系，要么采用评估方式计算，要么采用进化方式计算。这两类模型各有优劣，但都有不合理的地方。本文在获取机制的基础上，结合评估和进化两种形式定义了短期信任和长期信任两个指标，分别描述信任关系的最新变化和长期规律。这两个信任指标最终都将用于信任决策。信任关系不仅与时间密切相关，也与上下文紧密相连，然而，上下文的表示一直缺乏有效的手段。本文提出了一种的表示和评估方法，通过对上下文划分等级，可以在信任评估中对历史行为的上下文进行分析，增强模型的动态适应能力，也可以在信任决策中对未来行为的上下文进行分析，提高模型的预测水平。现有信任模型的决策机制中，信任阈值的设置缺少灵活性，也缺乏具体的设置依据。本文使用上下文做为信任阈值的设置依据，根据上下文级别来挑选合适的信任阈值，同时兼顾了系统的负载平衡和合作成功率。而且，与已有信任模型不同，不是使用单一指标参与信任决策，而是同时将长期信任和短期信任用于决策指标，结合基于上下文的信任阈值设置机制，可以满足不同需求组合的细粒度的决策要求。基于这种可配置的信任预测策略，本文还讨论了信任关系的初始化与撤销问题。最后，本文给出信任管理的分布式实现方案，并通过应用实例说明了模型在面向服务架构中的可行性。同时，通过实验分析了该信任模型对遏制几类主要恶意行为所起到的效果。仿真实验表明，该信任模型具有更好的动态适应能力和有效聚合能力，能够有效处理动态恶意实体的策略性行为改变和恶意推荐对系统的攻击。