声誉模型被视为是对等系统中解决文件污染，蠕虫，病毒等安全问题的有效机制，因此对等系统将声誉模型作为其协议设计不可或缺的一部分。然而，由于对等系统的开放性，它允许任何节点投票，从而使得大多数当前的声誉系统都不能有效地鉴别恶意投票和真实投票。　　 当前对等系统的设计中借鉴了社会网络，比如来自于朋友邻居的连接，这些朋友比系统中的其他普通节点更为可信，并且他们之间经常有着共同的兴趣并对着相同的客体有着类似的见解。然而这些来自于社会网络中的信息却被当前对等系统的多数声誉模型所忽略。　　 本文提出了一种基于社会网络的声誉模型增强机制(Redwood)，它利用社会网络中的朋友信息来解决当前大多数声誉模型所面临的投票收集问题，即怎样在对等系统中收集来自于诚实节点的投票并过滤掉恶意节点的虚假投票。首先，对于系统中的一个节点，如果其有足够的朋友并且朋友中对于目标客体有足够的投票，那么Redwood机制通过收集可信朋友的真实投票，通过这种方式在目前声誉模型之外创造一条计算目标客体声誉的快速通道。对于通用的声誉模型，Redwood机制能有效评估来自于普通节点投票的可信性，并过滤掉其中恶意节点的虚假投票，从而有效的提高当前声誉模型的性能。通过结合基于历史投票的统计信息以及来自于社会网络的信任信息，Redwood机制能够有效的解决当前声誉模型所面临的冷启动问题以及用户不积极投票等问题。　　 最后，我们利用用例分析和实验模拟来说明我们机制的有效性，结果表明我们的机制能够极大的增强当前声誉模型的性能。相比传统的声誉模型，Redwood机制能够显著的提高传统声誉模型的精确性，有着传统声誉模型难以达到的快速收敛性。