基于信任力矩的網絡資源選擇模型

劉玉玲，杜瑞忠,2，田俊峰，袁鵬

（1. 河北大學 網絡技術研究所，河北 保定 071002；2. 武漢大學 計算機學院，湖北 武漢 430072）

1 引言

資源選擇是網格計算領域的重要研究內容之一。網格中的資源種類繁多，功能各異。由于網格資源的開放性、分布性、動態性及復雜性，面對海量的資源，用戶在增加選擇機會的同時也面臨著如何識別和選擇高效、安全的資源問題。同時，隨著網格應用技術的不斷發展，由于處理對象、應用目標及內在結構的不同，對網格資源除了普遍性需求之外，還應考慮個人需求偏好，因此如何根據用戶的請求，從網格資源中找到滿足用戶請求的資源，并對它們加以選擇已成為一件重要且復雜的工作[1]。

Azzedin等人[2]首先把信任引入網格資源管理，通過評估資源節點行為，反映資源節點的可信程度。Buyya等人[3]從用戶成本、供求關系等經濟學角度建立了一個網格市場模型 GRACE，并提出了一種基于時間和成本約束[4]的網格資源選擇策略，但該模型假設資源是安全可靠的，這種理想化的假設與網格現實環境中存在良莠不齊的資源現狀是不一致的。文獻[5]提出了普適環境下一種基于信任的服務評價和選擇模型，借助自然科學中的萬有引力定律，定義了“信任引力”的概念，但在“信任引力”公式中假設服務請求方的質量不變，這并不符合現實情況，現實中服務請求方的請求是隨著上下文環境等因素動態變化，在公式中也沒有給出質量函數的具體量化計算方法，此外，該模型會因服務提供方不斷切換服務而導致大量中間信息的存儲，因此降低了模型的可用性。文獻[6]針對網格資源選擇中用戶對服務質量的定性描述和選擇的自私性，提出了一種利用云理論和資源代理實現網格資源選擇的策略，給出了相關調度算法。文獻[7]依據QoS指標及用戶偏好，提出了基于應用偏好模糊聚類的網格資源策略。文獻[8,9]主要考慮資源提供者QoS的各屬性要求，而對需求者自身的主觀偏好考慮不充分，因此無法滿足用戶需求的多樣性。針對上述研究現狀，在文獻[5]的基礎上，結合模糊相關理論，提出了基于信任力矩的網格資源選擇模型。

在目前的科學研究中,將自然科學相關概念引入信息領域解決問題的現象越來越普遍。Peng等[10]基于萬有引力定義了“數據引力”的概念，并把其應用到數據分類領域，基于引力大小把不同的數據分到不同的集合中取得了很好的分類效果。本文借助人類社會購買商品經驗，除了關注賣家商品對買家的吸引力，還要考慮買家對賣家的信任程度，認為在網格資源交易過程中也遵從此選擇規律。當有多個網格節點同時提供同類資源時，資源請求節點需要依靠歷史交易經驗、當前資源屬性和個人偏好綜合判斷進而有效地選擇最佳交易對象。一個具有更好資源的網格節點能對請求該資源的節點體現出更大的吸引力，借用萬有引力定律定義其為“信任引力”,資源請求節點對于資源提供節點的信任程度定義為“信任半徑”，“信任引力”與“信任半徑”的乘積定義為“信任力矩”，并將其作為資源選擇的依據。

2 基于信任力矩的網格資源選擇模型

2.1 模型邏輯結構圖

借鑒文獻[11]的思想，本文構建由Root-Agent、Resource Domain-Agent和Resource Node組成的3層結構框架，如圖1所示。

采用層次化管理方式的好處如下：1)把具有相同類型的資源節點邏輯上劃分到一個資源域，管理與維護方便；2)由于相同類型的資源存放于同一個資源域，查詢時可有效降低“泛洪”式搜索所帶來的弊端。

模型由一個絕對信任根Root-Agent(RA)、若干個資源域（RD, resource-domain）組成；每個資源域RD由一個資源域代理(RDA, resource domain-agent)及若干個資源節點(RN, resource node)組成。

1) RA屬于輕量級代理，是絕對可信的信任根，負責系統中所有 RDA的管理，主要任務是管理和存儲所有資源的名稱、資源域代理的ID，各個資源域之間通信信息的收集、轉發等。

2) RDAi是系統中第i個資源域中節點的管理者，RDAi負責管理和存儲資源域i中所有資源節點的信息；負責接收、轉發資源請求節點的請求信息；提供如信任引力計算等部分計算職能；負責存儲資源節點ID，聲譽R及資源狀態S等信息，存儲結構為如圖2所示。資源狀態S用來表征該服務節點當前的繁忙程度，用L表示該資源服務節點定義所能提供服務的最大值，l表示該服務節點當前正在提供的服務個數，其中，0≤l≤L。根據該服務節點當前正在提供服務的情況，可以把該服務節點的繁忙程度劃分為不同等級，為了簡單，劃分為5個等級，等級越高，說明該服務節點越繁忙，用式（1）表示。)

圖1 模型邏輯結構

圖2 RDA的存儲結構

3) RN是擁有資源的網格節點。該節點提供某種資源能力時稱為資源提供節點，記為pN；對某種資源提出需求時，該節點稱為資源請求節點，記為qN。

2.2 定義相關

定義1 資源域。在網格環境中，根據所擁有資源類型的不同，將資源節點邏輯上劃分為不同的域，如計算資源域、存儲資源域等。

定義2 資源質量。表征資源服務性質的一組非功能屬性，用QoR表示。本文抽取了資源費用P、資源安全性S、資源可用性A、資源真實性F4個代表性屬性組成資源質量QoR= {P,S,A,F}。為了便于處理，采用歸一化方法把各屬性值轉化為（0,1）之間無量綱的量。

當前，關于信任的定義還沒有統一，D.Gambetta[12]定義信任為對實體未來行為的一種期望，是事先對一個實體執行特定動作的主觀可能性的期望程度，是主體對客體的特定動作的主觀可能性預期，取決于以往經驗，且隨著客體行為的變化而不斷修正。

定義3 信任。借鑒文獻[12]中關于信任的定義，本文將信任定義為在網格環境下，各資源節點通過不斷的交易，逐漸形成節點間相互的信任程度，這種信任程度通過信任力矩來表示。

定義4 個人偏好。資源請求節點的主觀屬性，用于體現資源請求節點對服務節點的信任程度。

定義5 隸屬度。設論域為非空集合X= [ 0,+ ∞]，x為X中的元素，對任意的x∈X給出映射μA：X→ [0 ,1]，x|→μA(x)。則μA確定一個X的模糊子集A，μA稱為A的隸屬函數，μA(x)稱為x對A的隸屬度。

定義6 信任向量。定義為影響節點間交易的因素所構成的向量，用U= (u1,u2,… ,un)表示，其中ui(i= 1 ,… ,n)為影響交易結果的因素，如交易時間、交易金額、安全性、真實性、可用性等，這些特征向量不同程度地影響交易結果。

定義7 權重因子。信任向量中，由于不同的因素對節點間交易影響程度不同，因此不同信任向量應賦予不同的權重，用W= (w11,w22,… ,wnn)表示，，其中，wii(i= 1 ,… ,n)表示某一因素對交易結果影響所施加的權重。

定義8 期望距離。定義為資源請求者Nq所期望的資源質量QoRq與資源服務者Np所能提供的QoRp之間的差距，用de表示。期望距離采用歐氏距離方法計算。假設資源質量QoR= {P,S,A,F}，Nq和Np之間的期望距離計算采用式（2）計算。

其中，Pq、Sq、Aq和Fq分別代表Nq期望的資源費用、安全性、可用性和真實性的屬性值，Pp、Sp、Ap和Fp分別代表Np實際能夠提供的資源費用、安全性、可用性和真實性的屬性值。為了防止Np完全滿足Nq的所有質量屬性要求，導致期望距離de為0，在式（2）中增加了一個很小但不為0的實數ΔB。計算得到的de越小，表明Np提供的資源越接近Nq的需求。

定義9 交易滿意度評價。定義為資源請求節點Nq和提供節點Np每次交易結束后，對交易結果滿意程度的評判，用U(Nq,Np)表示，且U(Nq,Np)∈ [ 0,1]。Nq和Np交易失敗，U(Nq,Np)=0；Nq和Np交易成功且Np提供的服務令Nq完全滿意，U(Nq,Np)=1。

定義10 聲譽。是對資源提供節點所有歷史交易記錄中得到的交易滿意度的綜合評價值，用nR表示，考慮信譽隨時間衰減特性，通過式（3）進行聲譽計算。

其中，n為qN和pN的交易次數。

定義11 渴求度。體現資源請求節點對資源需求的緊迫程度的函數，用式（4）表示。

其中，Δt為等待時間，Δt=tend-tbegin，tbegin為資源請求節點發起時刻，tend為資源提供節點響應時刻。T0表示間隔周期，k表示資源請求節點的渴求程度。

定義12 信任質量。分為資源提供節點的信任質量和資源請求節點的信任質量，分別用Mp和Mq表示。

Mp是資源提供節點聲譽的函數。

其中，γ定義為吸引因子，與資源提供節點提供服務得到的滿意評價次數相關。滿意評價次數越多，表明其吸引能力越強，信任質量也就越大。

Mq是關于請求節點渴求度的函數。

其中，δ為渴求因子，與資源請求節點得到服務資源后是否立即使用相關。如果請求節點不立即使用所請求的資源，下次再進行資源請求時就降低δ的取值，以示懲罰，減小其信任質量。

2.3 模型基本原理

當用戶需求某種資源時，首先向本資源域內代理RDAi發出服務請求，該請求信息包括需求資源名稱、資源質量描述、備選節點個數、請求節點信任質量等信息。資源域代理RDAi將該請求信息轉發給可信根RA，可信根RA根據需求資源名稱等信息將該請求發送給能提供該資源的其他域代理。RDAj收到請求信息后，計算資源提供節點的信任質量和信任引力，并選擇n（請求節點提供的信息）個信任引力高的節點作為備選節點；查詢各備選節點的繁忙狀態，將備選節點中的飽和節點刪除，并補充新的節點；選擇完成后，RDAj將備選節點信息（節點 ID、信任引力值等信息）發送給可信根RA；RA再將這些信息轉發給請求節點的資源域代理RDAi；RDAi依據RA提供的信息，搜索請求節點的信任樹，獲取信任半徑等信息；結合信任引力計算各備選節點的信任力矩，從中選擇最大信任力矩的節點，并進行資源交易。

模型流程如圖3所示，實現算法詳見2.4節。

圖3 模型流程

2.4 信任的相關計算方法

2.4.1 信任引力的計算

萬有引力定律是解釋物體之間相互作用的引力定律，引力的大小與它們的質量乘積成正比，與它們距離的平方成反比,用公式表示如下:

其中，F表示1M和2M之間的引力；G是萬有引力常數；1M是物體1的質量；2M是物體2的質量；r表示兩物體之間的距離。

在網格環境下，節點間的交易過程也體現某種相互吸引關系。資源提供節點pN的聲譽越高，服務質量越好，對qN吸引能力越強，即這種吸引關系和聲譽成正比；同樣，當資源請求節點qN對某資源渴求度越高，表明對該資源需求越迫切，對擁有該資源的pN表現出強烈的需求愿望，這種渴求度和引力之間也存在正比關系。相反，當pN與qN之間期望距離增大時，pN對于能滿足qN當前資源需求的能力越來越低，對qN體現出越來越弱的吸引能力，這種吸引跟qN與pN之間的期望差距存在某種反比關系。借鑒萬有引力定律，把網格環境下節點間的信任吸引稱為信任引力，用TF表示，用式（8）進行描述。

其中，G是資源規模調整因子，表示為G0代表網格資源規模均衡態因子，G可根據網格資源市場中資源交易活動的頻繁程度而動態改變。f(Mp,Mq) 為資源節點的信任質量函數，f(Mp,Mq)=MpMq=f(R)f(Q)。信任引力與信任質量函數成正比，與期望距離成反比。

2.4.2 信任半徑的計算

定義13 信任半徑。簡單而言，信任半徑就是個人意愿把信任擴展到的范圍大小。本文將信任半徑定義為資源請求節點Nq對資源提供節點Np提供某種資源能力的信任程度，屬于Nq的個人主觀偏好，體現的是Nq想把信任程度擴展范圍大小的主觀意愿，用RT表示，RT越小，表明Nq對Np的信任程度越大，RT體現的是一種局部信任關系。

定義14 局部信任值。通過歷史交易得出資源請求節點Nq對資源提供節點Np提供服務能力的信任程度，用LTVqp表示。初始局部信任值LTVqp為Nq與Np第一次交易后得到的滿意度評價U(Np,Nq)。

人們習慣用自然語言來刻畫信任等級，可以將信任關系劃分為多個等級，借鑒文獻[13]的思想，本文將網格系統中的信任關系分為 4種：“絕對可信”、“一般可信”、“臨界可信”和“不可信”，并采用二叉有序“信任樹”存儲某資源請求節點的信任半徑，結構如圖4所示。

圖4 “信任樹”結構

在如圖4中，根節點Nqi表示第i(i= 1,2,… ,n)個資源請求節點，Np1,Np2,Np3, … ,Npj(j= 1,2,… ,m)分別表示與Nqi有過歷史交易的資源提供節點。

“絕對可信”和“一般可信”節點的個數存儲在“信任樹”左子樹的根節點，分別用n1和n2表示。“絕對可信”的資源提供節點存儲在左子樹的左分支，“一般可信”的資源提供節點存儲在左子樹的右分支；“臨界可信”和“不可信”節點的個數存儲在“信任樹”右子樹的根節點，分別用n3和n4表示。“臨界可信”的資源提供節點存儲在右子樹的左分支，“不可信”的資源提供節點存儲在右子樹的右分支。存儲的某個資源提供節點的局部信任值LTVij越大，反映該資源請求節點對此資源提供節點的信任程度越高，信任半徑RT越小。信任半徑計算式如式(9)所示。

其中，ΔC是一個不為0且非常小的實數，當Nqi對Npj完全信任時，LTVij=1，此時信任半徑RT為ΔC。

每次交易結束后，資源請求節點都對該次交易進行滿意度評價，更新該資源提供節點的信任質量和“信任樹”中的局部信任值LTVij。為了簡化，本文僅考慮影響信任值LTVij的 2個主要因素：交易金額和交易時間，信任值LTVij的更新公式定義如式（10）所示。

2.4.3 信任力矩的計算

定義15 信任力矩。定義為資源請求節點信任半徑與資源提供節點信任引力共同作用而得到的信任程度的大小，體現的是資源請求節點和資源提供節點交易中主、客觀屬性共同作用的結果，用MT表示。公式描述為

從定義可以看出，影響信任力矩的主要因素包括: 資源請求節點與資源提供節點的信任質量、資源請求節點與資源提供節點的當前期望距離和信任半徑。

2.5 基于信任的資源選擇算法

由于信任具有模糊性和不確定性，而模糊邏輯是通過使用模糊集合來工作的，是一種精確解決不確定不完全信息的方法，其最大特點就是用它可以比較自然地處理人類思維的主動性和模糊性。

基于信任力矩的資源選擇過程，在判斷資源節點的信任度時，需要同時考慮諸多因素，可以借助模糊理論中的綜合評價法和 TOPSIS(technique for order preference by similarity to ideal solution)法[14]解決。綜合評價是對受到多個因素制約的對象做出總評價。TOPSIS法是一種逼近理想解的排序方法，是多屬性決策分析中一種常用的有效方法。本文只列出建立評價對象因素集和評價等級論域的步驟，詳細算法見文獻[14]，其余計算過程這里將不再贅述。

1) 建立評價對象因素集

評估對象因素集為信任向量U= (u1,u2,… ,un)，在本文中評估對象因素集為信任向量U= (u1,u2,u3,u4)。其中，u1為資源提供節點的信任質量，u2為資源請求節點的信任質量，u3為當前的期望距離，u4為信任半徑。

2) 建立評價等級論域V

V= (v1,v2,… ,vm)，m為評語等級集合的個數，每一個等級可對應一個模糊子集，具體等級可以依據評價內容用適當語言描述。本文遵照“信任樹”的定義將信任分為4級：絕對可信、一般可信、臨界可信及不可信，并定義可信區間如下。

T1≤μA(x) ＜T2：表示“不可信”。至少有一方對另一方失去了信任。

T2≤μA(x) ＜T3：表示“臨界可信”。雙方沒有充分理由相信或不相信對方。

T3≤μA(x) ＜T4：表示“一般可信”。雙方經過多次一般事件“交易”而獲得的相互信任。

T4≤μA(x) ≤T5：表示“絕對可信”。雙方經過多次重要事件“交易”而獲得的相互信任。

其中， 0 ≤T1＜T2＜T3＜T4＜T5≤1，T1、T2、T3、T4、T5可以根據資源交易的規模、重要性由需求者動態設定，體現了基于用戶偏好的特點。對于重要的大額交易，用戶進行交易時一般都比較謹慎，如可以設置T= ( 0,0.4,0.6,0.9,1)；對于一般的普通小額交易，用戶可以設置得寬泛些，如T= ( 0,0.3,0.5,0.8,1)。

3 仿真實驗及結果分析

3.1 仿真平臺

仿真實驗采用Java語言開發的GridSim[15]，通過設定用戶和資源，生成具有特定規則的用戶計算機和資源，和現實網格環境中用戶與資源多樣性情況相符合。SimJava是一款離散事件模擬工具，GridSim 擴展了 SimJava[16]，可仿真網格環境中各種不同實體。因此，利用GridSim仿真網格資源選擇過程非常合適和可行。本文采用的是Gridsim 4.2，開發平臺是Eclipse 5.5，語言采用Java。

3.2 仿真實驗參數設定

為了便于和其他模型相比較，仿真中設定了100個資源節點，查詢周期為1 000個，模型中各參數值設定如表1所示。

表1 仿真參數及其取值

3.3 仿真實驗結果及分析

由于仿真實驗建立在Java多線程機制下，代表資源節點的各線程隨機并發執行，所以實驗運行結果也是隨機的，在這里取多次運行結果的平均值。

本實驗考察了4種典型的資源選擇策略。

1) 隨機(random)選擇算法，該算法采取隨機選擇的方法選取某資源提供節點。

2) 基于嚴格成本的算法(DBC)[4]，該算法選擇價格最低廉的資源提供節點，不考慮資源的安全性和風險。

3) 基于嚴格信任(strict trust)的算法[5]，該算法選擇最可信的資源提供節點，而忽略選擇的成本及代價。

4) 基于信任力矩(TM)的選擇算法，該算法既注重資源的 QoS屬性，又兼顧了需求者的需求偏好。

3.3.1 重大交易成功率分析

本仿真實驗重點驗證不同資源選擇方法隨重大交易次數的增加其成功率的變化趨勢。其中，重大交易是指交易金額較多、交易規模較大，交易前雙方需要慎重考慮的交易。交易成功率則定義為資源節點成功交易次數與所有交易次數的比值，結果如圖5所示。

圖5 不同資源選擇策略的交易成功率隨重大交易次數增加的變化趨勢

通過仿真驗證發現，本文所采用的資源選擇策略，交易成功率較基于嚴格信任的選擇策略和基于嚴格成本的策略略高。這是由于基于嚴格成本的選擇策略在選擇交易對象時過分追求價格低廉的資源，從而忽略了資源的安全性屬性，導致其交易成功率較低。基于嚴格信任(strict trust)的選擇方式則是因為過分的強調資源的安全性，忽略了需求者的需求偏好，從而導致該算法選擇出的資源安全性很高，但是可能并不符合需求者的喜好，使得其交易成功率略低于TM算法的成功率。而基于信任力矩的選擇算法(TM)做到了資源的QoS屬性和需求者需求偏好的兼顧，使其交易成功率高于其他算法。仿真實驗中節點的信任引力隨著吸引因子和渴求因子取值不同而變化，而資源交易的成功率會隨著信任引力的增大而提高。

3.3.2 資源選擇失效率分析

失效率指當請求節點無法找到滿足要求的資源提供節點導致交易失敗的次數與總提交資源請求數的比值。該仿真實驗驗證4種資源選擇算法隨著資源交易次數的增加其失效率的變化趨勢，結果如圖6所示。

圖6 使用不同的資源選擇策略時作業失效率的比較

通過仿真驗證發現，基于嚴格信任(strict trust)的選擇算法失效率最低，因為在滿足安全性的前提條件下采用該策略始終會找到滿足要求的資源提供節點。其次是采用基于信任力矩算法(TM)的資源選擇方式，由于在資源選擇的過程中要同時滿足資源 QoS屬性和需求者的需求偏好，這就影響了資源選擇的效率，但通過仿真實驗可以看出，這種方式的失效率相對還是比較低的。然后是隨機(random)選擇方式，而失效率最高的是基于嚴格成本(DBC)的選擇方式。實驗中節點的信任引力隨著吸引因子和渴求因子取值的不同而變化，信任引力越大，請求節點就越容易找到自己所需要的資源，資源選擇的失效率也隨之降低。

4 結束語

針對現有網格資源選擇模型中，往往忽略用戶自身需求偏好的問題，借用萬有引力定律，高效、安全的網格資源節點能體現出更大的吸引力，定義“信任引力”與“信任半徑”的乘積為“信任力矩”，提出了基于信任力矩的網格資源選擇模型，將網格資源按類型劃分為多個可信資源域，每個域的網格資源由其域代理負責組織管理，通過對資源節點進行信任評估，依靠歷史交易經驗、當前資源屬性和個人偏好綜合判斷，實現了既注重用戶資源選擇的服務質量，又能滿足用戶需求偏好的資源選擇算法。最后，通過仿真實驗驗證了模型的可行性和有效性。

[1] LIU C, YANG L Y, FOSTER I,et al. Design and evaluation of a resource selection framework for grid applications[A]. Proceedings of IEEE International Symposium on High Performance Distributed Computing[C]. Edinburgh, Scotland, 2002.12-26.

[2] AZZEDIN F, MAHESWARA M N. Towards trust-aware resource management in grid computing systems[A]. The 2nd IEEE/ACM International Symposium on Cluster Computing and the Grid[C]. USA,2002.

[3] BUYYA R, ABRAMSON D, GIDDY J,et al. Economic models for resource management and scheduling in grid computing [J]. Concurrency and Computation-Practice & Experience (S1532-0626), 2002,14(13-15):1507-1542.

[4] BUYYA R, M MURSHED, ABRAMSON D. A deadline and budget constrained cost-time optimization algorithm for scheduling task farming applications on global grids[A]. Proceedings of the 2002 International Conference on Parallel and Distributed Processing Techniques and Applications (PDPTA'02)[C]. Las Vegas, Nevada, USA, 2002.

[5] 陳貞翔, 葛連升, 王海洋等. 普適環境中基于信任的服務評價和選擇模型[J]. 軟件學報, 2006, 17(11): 200-210.CHEN Z X, GE L S, WANG H Y,et al. A trust-based service evaluation and selection model in pervasive computing environment[J].Journal of Software, 2006, 17(11):200-210.

[6] 馬滿福, 段富海, 黃志毅等. 基于云理論的網格資源選擇[J]. 計算機應用, 2009, 29(4):1162-1164.MA M F, DUAN F H, HUANG Z Y,et al. Grid resource selecting based on cloud theory[J]. Journal of Computer Applications, 2009,29(4):1162-1164.

[7] 郭東, 胡亮, 郭冰心等. 基于應用偏好模糊聚類的網格資源選擇[J].儀器儀表學報, 2008, 29(7):1403-1407.GUO D, HU L, GUO B X,et al. Grid resource selection based on preference-based fuzzy clustering[J]. Chinese Journal of Scientific Instrument, 2008, 29(7):1403-1407.

[8] 馬滿福, 姚軍, 王小牛. 基于QoS參數綜合模型的網格資源選擇優化[J]. 計算機應用, 2008, 28(6):1585-1587.MA M F, YAO J, WANG X N. Grid resource selection optimizing based on QoS parameters integrated model[J]. Journal of Computer Applications, 2008, 28(6):1585-1587.

[9] 齊寧, 黃永忠, 陳海勇等. 一種基于QoS的網格資源選擇優化模型[J].計算機工程與應用, 2009, 44(8):142-144.QI N, HUANG Y Z, CHEN H Y,et al. QoS-based grid resource selection optimization model[J]. Computer Engineering and Applications, 2009, 44(8):142-144.

[10] PENG L Z, CHEN Y H, YANG B,et al. A novel classification method based on data gravitation[A]. Int’l Conf on Neural Networks and Brain (ICNN&B)[C]. Beijing, China, 2005. 667-672.

[11] ZHOU R, HWANG K. Trust overlay networks for global reputation aggregation in P2P grid computing [A]. The 20th International Parallel and Distributed Processing Symposium[C]. USA, 2006.

[12] GAMBETTA D. Can we trust trust? [A]. Trust: Making and Breaking Cooperative Relations[C]. Basil Blackwell, 1990. 213-237.

[13] 陳建剛, 王汝傳, 張琳等. 基于模糊集合的網格資源訪問的信任機制[J]. 計算機學報, 2009, 32(8):1676-1682.CHEN J G, WANG R C, ZHANG L,et al. The resource access mechanism in grid based on fuzzy-trust[J]. Chinese Journal Computers,2009, 32(8):1676-1682.

[14] 徐玖平, 吳巍. 多屬性決策的理論與方法[M]. 北京:清華大學出版社, 2006.XU J P, WU W. Theories and Methods for Multiple Attribute Decision Making[M]. Beijing: Tsinghua University Press, 2006.

[15] BUYYA R, MURSHED M. GridSim: a toolkit for modeling and simulation of grid resource management and scheduling[J]. Concurrency and Computation: Practice and Experience, 2002, 14:1175- 1220.

[16] HOWELL F, MCNAB R. Simjava: a discrete event simulation package for Java with applications in computer systems modeling [A].Proceedings of First International Conference on Web-based Modeling and Simulation[C]. San Diego, CA, USA, 1998. 51-56.