基于信任度变化趋势的云服务选择模型
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于信任度变化趋势的云服务选择模型范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：针对云服务选择过程中，用户难以选择可信、可用、可靠的云服务问题，本文提出一种基于信任度变化趋势，并结合QoS服务质量的云服务选择模型.首先，信任度的计算分为两部分，一部分根据贝叶斯原理计算信任度值，另一部分是将历史信任度值进行最小二乘的拟合，得到能更准确地反映信任度值的变化趋势值，根据信任度变化趋势值对信任度值进行修正，确定其综合信任度值.然后，根据云服务的QoS量化模型，计算得到客观的QoS值，在此基础上，引入了信息熵的概念来确定可信参数加权的问题，从而得到最优的服务选择.仿真实验表明，该模型能够体现云服务主体信任度的变化，增强云服务选择的预判能力，有效地提高服务选择的成功率.
关键词：云服务；信任度变化趋势值；贝叶斯原理；最小二乘方法；服务质量；信息熵
中图分类号：TP399 文献标识码：A
文章编号：1674-2974（2016）10-0126-08
Abstract： In order to improve the efficiency of cloud service selection and to guarantee trustworthy， available and reliable cloud service， a new model of cloud service selection based on trust trend was proposed. Base on this model， we firstly calculated the determined trust value in two parts： trust value and trust trend value （TTV）. Trust value was calculated with Bayes theorem. Trust trend value was calculated with least squares linear regression. Trust trend value aims to illustrate the trust trend of changes in a given period. Then， we obtained the objective QoS value in the QoS quantitative model of could services. At the same time， the measuring strategy of trust relationship among cloud services was designed based on information entropy. The experiment result shows that this method can reflect changes in trust cloud services， enhance the predictive ability and effectively improve the success rate of cloud service selection.
Key words：cloud service； trust trend value； Bays theorem； least square linear regression； quality of service； information entropy
云计算以按使用量付费的计算资源共享池的方式提供可用的、便捷的、按需的云服务.它包括3个层次的服务：基础设施即服务（IaaS）、平台即服务（PaaS）以及软件即服务（SaaS），其中IaaS为消费者提供完善的计算机基础设施服务，如硬件服务器租用，PaaS是将软件研发平台作为一种服务提供给消费者，SaaS是通过网络向消费者提供软件的模式.由于云服务资源具有异构性、不确定性、动态性等特点，在进行云服务选择的过程中往往会导致多方面的问题，一方面是由于云环境下服务提供商数量众多，会出现不同的服务提供商（SP，services provider）提供相同或相似而服务质量（QoS， quality of service）却各异的云服务的情况，但是由于用户个体专业水平的差异，很难根据服务提供商SP提供的QoS属性来选择满足自己要请求的云服务.另一方面，由于部分服务提供商可能提供虚假的、不可信的服务信息参与到服务选择的过程中，导致了有的服务使用者需要多次的服务请求才能得到真实可靠的服务，服务选择的效率不高.根据QoS度量的综合评估选择云服务提供商，是云服务选择的一般做法.目前的研究，一般只是简单的将信任度作为一个QoS聚合的一个属性值来计算，这样往往导致了信任度的动态性得不到很好的体现，并且单一的信任度属性值虽然能够反映一定时期内信任度的积累，但是并不能体现完整的信任度状态，尤其是信任度的变化趋势.
针对云服务选择的研究，国内外许多学者做了很多工作，比如多目标的遗传算法、粒子群算法PSO[1]、人工神经网络算法[2]，这些方法的应用一般是针对一个相对静止的场景，而在云计算环境中网络服务的产生和消失往往是动态的，所以需要解决云计算环境中服务的真实性判断、选择服务算法时对服务质量的了解程度[3]以及云服务的信任度等一系列问题.
针对这些问题，同时为了保证服务选择算法的成功，基于对服务主体信任度的研究就显得尤其重要，马友等[4]提出了一种新的QoS度量的ESOW算法，ESOW算法根据用户的主观偏好权重和客观权重两部分综合得到，用户主观权重的计算是基于自适应的SWDM算法，同时根据OWDM算法计算得到客观权重.Sarbjeet[5]提出了一种根据云服务使用者的过往经历和第三方的服务推荐信任评估机制；DAS A等[6]提出了一种能够有效地对恶意的Agent策略的行为进行新人评估的动态信任计算模型ST，它主要通过分析和评估相关的所有要素，从而作出正确决策；ZHOU Ao等[7]从服务提供商的利益最大化的角度出发，从价格分配以及请求迫切性出发，提出了一种动态虚拟资源租赁方法；曹洁等[8]根据社会学中人际关系，并且结合用户满意度评价、推荐评价以及第三方监管反馈，提出了新的可信度量模型；张琳等[9]根据行为以及信息服务的动态性，结合相关等级因子、属性因子、间隔因子、惩罚因子等4种因子，提出了一种新的动态信任监控模型；Abawajy[10]提出了一种基于信誉的分布式信任管理框架，该框架可以通过过往经验、信任等级一级诚实度来决定云计算实体的信任值.综合上述研究，本文提出了一种基于信任度变化趋势的云服务选择模型，通过直接信任度和推荐信任度综合计算信任度值，同时为了更全面地反映出信任度的完整信息，该模型中引入了信任度变化趋势值（TTV trust trend value）的概念，通过信任度变化趋势值对综合信任度值进行预判的修正，在此基础上，引入了信息熵的概念来解决可信参数的加权的问题，从而将综合信任度值和QoS值进行加权计算得到最优的云服务选择.
1 云服务主体的信任度及变化趋势描述
本文从2个方面来综合评估云计算服务主体的信任度：1）云服务使用者（SC）根据自己以往与云服务提供者（SP）的服务交易情况，对云服务提供者进行直接信任度Tdt评估；2）其他对同一SP有相同交易经历的云服务使用者向SC推荐该服务资源的推荐信任度Trt.
1.1 定义与说明
本文所述系统的服务反馈结果可用positives、negatives二值表示.因此服务提供者的信任度值可定义为其提供好服务的概率P，也就是利用评价信息尽量精确地反映提供好服务的概率P.云计算的过程包括3个主要的实体：
定义1 Service Provider：表示为proj，表示第j个服务提供商，该节点可以向使用者提供用户的云服务请求所需要的资源.
定义2 Service Customer：表示为useri，i表示第i个服务请求用户，该节点可以向服务中介发出服务请求的信息，并且能够向服务中介提供服务历史以及服务结果.作为对proj的评价，用户useri对proj 的评价定义为二元组.
定义3 Service Broker ：表示为broker，负责处理请求响应及管理，并且负责对useri反馈信息的处理，向useri提供proj节点的评价信息.
1.2 直接信任度与推荐信任度
直接信任度值是通过两交易实体以往的历史交易信任度反馈信息来计算获得，在计算信任值的过程中，引入基于贝叶斯理论[11]来计算节点的信任值，描述的过程如下：
可以将信任度值转为到区间[0，1]的范围，由于信任度变化趋势值（TTV）反映的是信任度的变化趋势，TTV的高低反映了信任度变化的好坏，所以可以根据TTV的值来预测未来信任度的值.TTV越高，说明该主体的信任度值处于一个递增的状态，反之，则表明该主体由于提供了虚假的信息，使得信任度处于一个下降的趋势.
同时，在选取信任度变化趋势值范围的时候，不同的信任度变化趋势值范围都会归一化到[0，1]的区间，所以选取不同的区间，并不会对实验结果有太大影响，但是为了反映用户的真实信任反馈行为，本文选取了ebay，Amazon等电商平台的信任度变化趋势值集中的范围[-0.875，0.875].
2 求解量化模型QoS值
QoS描述了一个产品或服务满足消费者需求的能力.可以从很多方面来描述服务质量， 如响应时间、执行时间、吞吐量、有效性、可靠性等.他们分别从不同的角度反映了服务性能.本文从响应时间（Time）、费用（Cost）、有效性（Availability）、可靠性（Reliability）等4个方面来考虑云服务的QoS属性， 而其他的因为同样可以根据用户的评价来得到.对于服务性能的计算可以通过用户反馈或者第三方监测机制来计算，如可以通过计时器代码计算信任机构中的响应时间的服务质量指标.
假设有一组n个满足功能性需求的服务，则每组对应QoS属性的向量设定为： Qj=（qt，qc，qa，qr） j=1，2，3…，n，qt，qc，qa，qr分别表示j服务资源相应的响应时间、费用、有效性以及可靠性.又因为这几个属性之间的数值跨度比较大，所以需要对所有QoS属性进行归一化的转换.其中q+，q-分别表示正负QoS属性归一表示之后的值，它们的归一转换方式分别是：
式（15）表明属性与性能呈负相关，即属性值越大，性能越差，比如响应时间，费用等；式（16）表示属性与性能呈正相关，即属性值越大，性能越好，比如可靠性等.qmax ，qmin 分别表示该属性组中的最大值、最小值.则QoS的值可以通过各属性进行线性加权得到：
3 基于信息熵的最优服务选择策略
云计算环境下的最优服务选择不仅和QoS值有关，还和用户反馈的信任度值有密切关系，信任度值
是用户对于服务质量的全面反映，以往的研究中仅仅从纯QoS的角度来分析，有的虽然考虑了信任度值，但是也只是考虑交互过程的信任度，将信任度值量化为一个单一的QoS值，缺少对服务可信度的深入研究.本文认为对于最优云服务选择应该结合信任度与QoS两个方面同时考虑，仅考虑任何单一方面都不合理.同时针对现有的研究中只是将信任度量化成一个单一的数值来进行信任度的评估，不能很好地反映信任度随时间变化的问题，本文将信任度变化趋势值（TTV）融入到服务选择的计算过程中，并且结合信息熵的概念来确定信任度和QoS之间的参数权重，从而得到最优的服务选择策略.
信息熵是用于度量信息量的一个概念，常被用于较粗略地给出信息的不确定性度量值.信息熵在事件发生之前，它是结果不确定性的量度，在事件发生之后，它是从该事件中所得到的信息量度.因此，事件的信息熵既是一个事件信息量的量度，又可包含为事件本身中的相关信息[12].
下面给出基于信任度变化趋势值的云服务选择策略过程：
1）服务中介（service broker）收到服务使用者（useri）提出的服务选择请求.
2）服务中介通过分析服务请求，选择满足用户功能性需求的服务提供商（proj）.
3）根据式（7），服务使用者通过直接信任度值以及间接信任度值得到综合的信任度值.
4）根据式（8），拟合得到服务提供商的信任度变化趋势值TTV.
5）根据式（17）得到总体的服务质量的量化QoS值以及公式（21）对信任度值进行修正，并且通过信息熵计算得到相应的权值.
6）根据式（22）可以得到最优服务选择的总体评价值.
7）选择具有最大总体评价值的服务提供商作为服务选择的最优选择P.
4 模拟实验以及结果分析
参考文献
[1] WANG Shang-guang， SUN Qi-bo， ZOU Hua， et al. Particle swarm optimization with skyline operator for fast cloud-based web service composition [J]. Mobile Networks and Applications， 2013， 18（1）：116-121.
[2] ZHANG Xu-yun， DOU Wan-chun. Preference-aware QoS evaluation for cloud web service composition based on artificial neural networks[J]. Web Information Systems and Mining， 2010， 18（1）：116-121.
[3] ，刘济波，刘建勋，等.云计算环境下基于信任演化及集合的服务选择[J].通信学报，2011，32（7）：71-79.
HU Chun-hua， LIU Ji-bo， LIU Jian-xun， et al. Services selection based on trust evolution and union for cloud computing[J]. Journal on Communications， 2011， 32（7）：71-79.（In Chinese）
[4] 马友，王尚广，孙其博，等.一种综合考虑主客观权重的Web服务QoS度量算法[J].软件学报，2014，25（11）：2473-2485.
MA You， WANG Shang-guang， SUN Qi-bo， et al.Web service quality metric algorithm employing objective and subjective weight[J].Journal of Software. 2014， 25（11）： 2473-2485.
[5] SARBJEET S， DEEPAK C.Trust evaluation in cloud based on friends and third party's recommendations [C]// RAECS Conference. Panjab University Chandigarh： IEEE， 2014：1-6.
[6] DAS A， ISLAM M M， et al. Secured trust： a dynamic trust computation model for secured communication in multi-agent systems[J]. EEE Transactions on Dependable and Secure Computing， 2012，9（2）：261-274.
[7] ZHOU Ao， WANG Shang-guang， SUN Qi-bo，et al. Dynamic virtual resource renting method for maximizing the profits of a cloud service provider in a dynamic pricing model [C]// International Conference on Parallel and Distributed Systems.Seoul：IEEE，2013：118-125.
[8] 曹洁，曾国荪，姜火文，等. 云环境下服务信任感知的可信动态级调度方法[J].通信学报，2014，35（11）：40-49.
CAO Jie， ZENG Guo-sun， JIANG Huo-wen， et al. Trust-aware dynamic level scheduling algorithm in cloud environment [J]. Journal on Communications， 2014， 35（11）：40-49.（In Chinese）
[9] 张琳，刘正邦，王海艳，等. 一种支持行为的可用于信息服务的动态信任监控模型[J].南京邮电大学学报，2013，33（1）：68-73.
ZHANG Lin， LIU Zhang-bang， WANG Hai-yan， et al. Dynamic trust monitoring model supporting behavior in information services [J]. Journal of Nanjing University of Posts and Telecommunications， 2013， 33（1）：68-73.（In Chinese）
[10]ABAWAJY J. Determining service trustworthiness in inter-cloud computing environments [C]// Proceedings ofthe 2009 10th International Symposium in Pervasive Systems， Algorithms， and Networks. National Cheng Kung University： IEEE， 2009：784-788.
[11]JOSANG A， ISMAIL R. The beta r- eputation system [C]// Bled Electronic Commerce Conference. Bled Slovenia： IEEE， 2002：324-337.
[12]黄英杰，姚锡凡，古耀达. 基于熵的混合粒子群算法在柔性调度中的应用[J].湖南大学学报：自然科学版，2012，39（3）：48-52.
HUANG Ying-jie， YAO Xi-fan， GU Yao-da. Hybrid particle swarm optimization based on entropy for flexible job shop scheduling problems[J]. Journal of Hunan University： Natural Sciences， 2012， 39（3）：48 -52. （In Chinese）
[13]RAHUL M， PRINCE J. Study and com -parison of CloudSim simulators in the cloud computing[J]. The SIJ Transactions on Computer Science Engineering & its Applications， 2013， 1（4）：111-115.