随着短距离无线通信技术的发展和智能移动设备的广泛普及,邻近移动社交网络(Mobile Social Network in Proximity,MSNP)服务备受人们青睐。MSNP是一种移动端到端(Mobile Peer-to-Peer,MP2P)网络,并利用地理邻近和社交关系特性发现相关节点和服务。为了预防恶意节点对网络及其邻近用户的攻击,需要对发现的匹配服务进行可信度计算(Trust Computation)。为此,科研工作者提出重量级可信度(Heavyweight Trustworthiness)计算方法,但其造成较大的延迟。随之,科研工作者又提出几种改进的轻量级可信度(Lightweight Trustworthiness)方法。但在实际应用中,用户对造成的延迟仍不满意。因此,本研究提出可信度判别策略(Trustworthiness Determination Strategies)进一步降低延迟。可信度判别策略以MSNP用户社会交互中积累的过去经历(Past Experience,PE)和当前档案(Current Profile,CP)数据可供利用为前提。基于PE和CP数据信息,建立相应的数学模型,进行PE分析和CP分析。根据分析结果所得PE和CP值,引入上下限阈值。若满足一定阈值条件,则可直接判别用户可信度。这将避免传统可信度计算,从而降低延迟。然而,阈值的设定会给MSNP服务质量带来风险,也会影响MSNP用户满意度。由此,可信度判别策略演变为一个优化问题。本研究对可信度判别策略开展优化建模及分析,并设计了仿真实验检验可信度判别策略的可行性和有效性。首先,对阈值宽松度、延迟、风险以及它们之间的关系建立数学模型,在此基础上再建立MSNP服务质量模型,并将其作为优化目标函数。其次,选择并调整各个模型的相关参数,基于MATLAB平台仿真,在几种不同设定的参数下分析仿真结果。最后,将本研究的方法与相关研究做定量和定性的比较。结果表明本研究提出的方法在满足一定条件下,对降低延迟是可行且有效的。