1.一种基于分布式系统的节点性质识别方法，包括以下步骤：

将分布式系统中的申请资源或提供资源的参与方视为节点；所述节点包括善意节点、Sybil节点和待定节点；

节点间有提供资源或获得资源的记录，则视为形成一条连接边；

在待定节点作为申请者发出资源申请时，假设接收该资源申请的提供资源的参与方为善意节点，在随机路由中，提取申请者节点的特征；

通过建立算法模型，采用给定的训练集来训练该算法模型，并评估该算法模型准确率；

使用测试集数据评估模型准确率，待所述算法模型的准确率达到预期准确率时，则利用该算法模型对所述发出资源申请的待定节点的性质进行识别和预测，以决定是否向其提供资源。

2.根据权利要求1所述的基于分布式系统的节点性质识别方法，其特征在于：随机路由的选择是指，如果一个节点的度为m，那么选择相邻节点为下一跳的可能性均为1/m，从申请者节点或者提供者节点出发随机寻找一条路径，路径长度为w，任意两个相邻节点间距离作为一个单位长度，则路径长度w为单位长度的倍数。

3.根据权利要求2所述的基于分布式系统的节点性质识别方法，其特征在于：若申请者节点与提供者节点之间的最短路径中节点数为L，则在w>＝1/2L的情况下，从申请者节点与提供者节点出发的随机路径存在交集节点，则从申请者节点所提取的特征，包括从申请者节点与提供者节点出发的随机路径的交集节点的特征；在w<1/2L的情况下，从申请者节点与提供者节点出发的随机路径不存在交集节点，则从申请者节点所提取的特征，不包括从申请者节点与提供者节点出发的随机路径的交集节点的特征。

4.根据权利要求3所述的基于分布式系统的节点性质识别方法，其特征在于：所述从申请者节点所提取的特征，还包括从申请者节点出发的随机路径之距离远、中、近三个位置中的不同性质或类型节点的特征、从申请者节点出发的随机路径之距离远、中、近三个位置不同传递方向的资源数。

5.根据权利要求4所述的基于分布式系统的节点性质识别方法，其特征在于：对“从申请者节点出发的随机路径之距离远、中、近三个位置中的不同性质或类型节点的特征、从申请者节点出发的随机路径之距离远、中、近三个位置不同传递方向的资源数”特征的数值范围作归一化处理，采用K-means聚类算法处理后，提取远、中、近三个位置的特征数据。

6.根据权利要求5所述的基于分布式系统的节点性质识别方法，其特征在于：利用机器学习算法中的AdaBoost算法在给定训练集上进行训练，所述训练集由从申请者节点和提供者节点所提取的特征以及给定节点的性质得到，从训练集的训练数据中学习一系列弱分类器，并将这些弱分类器组合成一个强分类器，利用所述强分类器对未知待定节点的性质进行识别。

7.根据权利要求6所述的基于分布式系统的节点性质识别方法，其特征在于：所述机器学习算法中的AdaBoost算法，具体如下：给定训练集D＝{(x1,y1),(x2,y2)...,(xn,yn)},其中xi指的是第i个节点的所有特征；yi为相应的标记，yi＝1说明该节点是善意节点，yi＝0，说明该节点是Sybil节点；

定义f (x)为当前学习到的分类器，训练的目的是为了让损失函数

逐步减小；

在第m+1轮的训练中，fm+1(x)＝fm(x)+h(x),目的要找到h(x)让fm+1(x)尽可能接近y；采用梯度提升算法，使用决策树cart来拟合残差，得到：其中J是特征总数，j是第j个特征，m是指m棵

树；训练完成后得到m棵树组成的分类器：

8.根据权利要求5所述的基于分布式系统的节点性质识别方法，其特征在于：采用人工神经网络进行分类，建立模型：给定训练集D＝{(x1,y1),(x2,y2)...,(xn,yn)},其中xi指的是第i个节点的所有特征；yi为相应的标记，yi＝1说明该节点是善意节点，yi＝0，说明该节点是Sybil节点；

所述人工神经网络的架构包括输入层、隐藏层和输出层，其中隐藏层为一层或多层，隐藏层的数量作为一个超参数，在训练中根据准确度进行调整；其损失函数采用交叉熵，采用反向传播的方式进行训练。