基于服務感知的可信QoS評價模型

祖 婷 方 群 何 昕

1(中國移動通信集團安徽有限公司蕪湖分公司 安徽蕪湖 241002)

2(安徽師范大學計算機與信息學院 安徽蕪湖 241002)

3(網絡與信息安全安徽省重點實驗室(安徽師范大學) 安徽蕪湖 241002)

(zuting@ah.chinamobile.com)

在云計算給云用戶帶來便利的同時,信任危機日顯突出,導致用戶無法選擇高質量、高可信的服務實體[1].目前,在云計算環境下建立公平有效的信任模型是評估服務交互風險的重要手段[2].目前,各大學者針對可信服務展開大量研究,但是對于實體偽裝、共謀和惡意攻擊等信任問題并沒有很好的解決[3-5].服務細粒度化是信任評估的關鍵所在,用戶綜合評價服務的QoS,從而更加準確衡量服務的可信度[6-7].文獻[8]提出一種基于隸屬度理論的云服務行為評價評估模型,使得請求者能根據自身的興趣偏好對信任進行評估,提高信任評估的準確性.文獻[9]為確保網絡資源安全共享,提出了一種改進動態博弈論算法,從而建立了精確的云計算環境下海量用戶行為信任評估模型.Singh[10]提出一種基于用戶與服務的歷史交互記錄和第三方的服務推薦的信任評估機制,從而計算服務提供商的信任值.

然而,并非所有評價實體都是可信的,如何區分評估評價實體的可信性則成為信任評估工作的重中之重.我們針對云服務資源的動態性、云服務環境的復雜性以及用戶評價的不確定性問題,提出了一種基于服務感知的可信QoS評價模型.在該模型中,引入了時間因子刻畫信任的衰減特性,綜合直接信任、推薦信任以及QoS反饋信任描述實體之間的信任關系;對于新加入節點以某先驗初始概率參與服務交互,能在一定程度上有效地抵御漂白攻擊;在推薦信任度量與直接信任度量計算中引入信息熵和相關比理論測度,能有效地減弱惡意評價對信任度量的影響.

本文首先給出信息熵和相關比的定義,然后給出可信QoS評價模型,其中包括信任評估、信任決策和信任演化,最后通過對時間因子和信任演化的分析來證明評價模型的有效性.

1 相關定義

定義1.信息熵.

信息熵是某種特定信息的出現概率.云用戶對云服務屬性的評價值出現的次數越多,表明該屬性的真實可信度越接近該評價值.假設屬性評價值ei出現的概率為p i,則不確定性函數f是概率p的單調遞降函數;f具有可加性,即

同時滿足這2個條件的函數f是對數函數,即f(p)=lb(1/p)=-lbp.若服務屬性評價有n種取值:u1,…,ui,…,un,對應概率為p1,…,pi,…,pn,且各種符號的出現彼此獨立.這時,評價的平均不確定性應當為單個評價值不確定性-lbpi的統計平均值(E)稱為信息熵,即

定義2.相關比.

統計學中的相關比概念適合于數值與分類證據之間的關聯性分析.設共有n個數值數據,它們被分為K個類別:

這里ni表示第i個類別的數值的個數,記為第i個類別數值的平均值表示所有數據的平均值.相關比的計算公式為

其中組內變異計算公式為

組間變異計算公式為

2 可信模型的建立

基于服務感知的可信QoS評價模型主要包括以下2個部分:1)信任評估.用戶通過綜合自身的直接信任度量、推薦者的間接信任度量和QoS反饋信任,選擇可信的云用戶服務提供商.2)信任演化.結合本次交互評價與歷史交互評價,對服務提供商的信任度量進行更新.本文模型框架如圖1所示:

圖1 基于服務感知的可信QoS評價模型框架

在信任研究中,信任具有不確定性,并且特定的一個實體評價來自于多個實體,對每個實體的評級標準不同,這樣對于同一個實體的評價存在差異性,毋庸置疑的是若存在多數實體具有一致的評價結果,那么該結果具有高接納率,所以將信息熵引入信任度量計算中具有可行性.熵值法是一種客觀賦權法,它是根據每一條中各項指標觀測值所提供的信息的程度大小來確定指標權重.假設有m條待評記錄,n項評價屬性指標,形成最初始屬性數據矩陣X=(xij)m×n,對于某項屬性指標x i,屬性指標值xij的差距越大,則該屬性指標在綜合記錄評價中所起的作用越大;如果某項屬性指標的值全部相等或近似相等,則該屬性指標在綜合記錄評價中基本不起作用.因此我們可以通過計算熵值來判斷一個評價記錄的隨機性和無序程度,當然也可以用熵值來判斷某個屬性指標的離散程度,指標的離散程度越大,則該指標對綜合評價的影響越大.所以,可根據各項屬性指標的變異程度,利用信息熵理論,計算出各個屬性指標的權重,為多指標綜合評價提供依據.

本文提出的可信模型中實體X對實體Y的信任度量計算公式為

其中Trust-DirectX(Y),Trust-RecomX(Y),Trust-QoSX(Y)分別表示實體X對實體Y之間的直接信任度量、實體X通過第三方實體的推薦獲得的關于實體Y的間接信任度量、實體X根據獲得的實際QoS服務與實體Y承諾的QoS服務差得到的QoS反饋信任度量.它們的具體計算過程如下所示.

2.1 直接信任值

Trust-Direct X(Y)表示實體X與實體Y在時間段T內的直接服務交互綜合計算得到的信任度量,可以在服務交互前或者服務交互后更新,其值更新公式為:

Trust-HisX(Y)k+1表示實體X對實體Y綜合歷史服務交互信息計算的信任度量,Trust-DirectX(Y)k表示上一次的實體X對實體Y的直接信任度量,α,β分別是相對應信任度量的權重因子.

在計算直接信任值過程中,通過應用信息熵理論計算每一次直接交互的滿意度Sat(i),然后綜合多次滿意度計算直接信任值,綜合以上信息熵相關理論,定義實體X對實體Y綜合歷史服務交互信息計算的信任度量公式:

計算直接信任值的算法過程如下:

算法1.計算直接信任值算法.

輸入:實體(云服務用戶)的ID、實體(云服務提供商)的ID;

輸出:直接信任值.

Step1.實體X是否第1次進入云中心,進行登錄/注冊,如果是首次進入云中心,進入Step6;否則,進入Step2;

Step2.實體X查詢本實體的直接信任關系表direct History;

Step3.根據PCA降維算法對direct History進行降維處理,仍用direct History表示;

Step4.計算基于歷史記錄的信任度量值;

Step5.計算實體X對實體Y的直接信任度量值;

Step6.輸出直接信任度量值.

2.2 間接信任值

Trust-Recom X(Y)表示實體X綜合第三方實體Z的推薦信息得到的對實體Y的間接信任度量.該值的更新公式如下:

式中,n表示推薦實體個數,Tij表示實體X i對實體Y的j項指標的信任評價.

在云計算環境下,實體X對實體Y的信任度量,不僅僅依據實體X對實體Y的直接信任度量,也將其他實體Z對實體Y的推薦信任度量考慮在內.借助統計學中相關比理論,定義計算實體的推薦信任度量,將實體Z的推薦數據分2類,本文進行分類時,進行特殊處理.一類表示推薦實體Z與實體X有過直接服務交互的分類K1,另一類是推薦實體Z與實體X沒有過直接服務交互的分類K2.在本文中,推薦數據不是單一的數值數據,而是1組向量,該向量是推薦實體Z對實體X從m個方面的推薦度量,每類包含ni條數據,并且對所有推薦數據進行組內變異計算代替(組間變異+組內變異)計算,其中分類K1的組內變異為直接變異,所有推薦數據組內變異為推薦變異,故定義以下計算公式.

直接變異:

推薦變異:

計算間接信任值的算法過程如算法2所示:

算法2.計算間接信任值算法.

輸入:實體X(云服務用戶)的ID、實體Y(云服務提供商)的ID;

輸出:間接信任值Trust-Recom X(Y).

Step1.實體X是否第1次進入云中心,進行登錄/注冊,如果是首次進入云中心,進入Step4;否則,進入Step2;

Step2.實體X查詢本實體的間接信任關系表recom History;

Step3.計算實體X對實體Y的間接信任度量值;

Step4.輸出間接信任度量值Trust-RecomX(Y).

2.3 QoS反饋信任值

在進行服務交互之前,云服務用戶與服務提供商就服務的QoS進行服務協商,以獲得更加合理的QoS集合.某用戶的服務請求為

QoS-User={mips:1000;ram:128;bw:500},服務提供商的服務承諾為

QoS-Provider={mips:2000;ram:128;bw:1000}.

根據以上QoS集合可知,服務提供商的QoSProvider很符合云用戶的QoS-User請求,但是,服務提供商的集合QoS-Provider的服務質量遠大于云用戶的QoS-User請求,云服務提供商可以和云用戶進行服務協商,商定一個合適的集合QoS-Suitable,這樣云服務提供商不需要分配過多的資源導致資源空閑的問題.服務交互后,云用戶針對協商后的集合QoS-Suitable進行QoS反饋信任值計算.實體X對實體Y的QoS反饋信任度量計算公式如下所示:

其中,ΔQoSSi表示實體X對指標i獲得的實際服務與實體Y對指標i的協商承諾值的差值率比重,即

φ(i)表示對實體Y的指標i的權值函數,本文以用戶對服務各屬性的偏好值表示,即φ(i)=prefi.

計算QoS反饋信任值的算法過程如算法3所示:

算法3.計算QoS反饋信任值算法.

輸入:實體X(云服務用戶)的ID、實體Y(云服務提供商)的ID;

輸出:QoS反饋信任值Trust-QoSX(Y).

Step1.實體X是否第1次進入云中心,進行登錄/注冊,如果是首次進入云中心,進入Step5;否則,進入Step2;

Step2.實體X查詢服務提供商的服務承諾QoSP,并提出實體要求的服務需求QoSU;

Step3.根據QoSP和QoSU進行服務協商,獲得合適的服務質量QoSS;

Step4.計算實體X對實體Y的QoS反饋信任度量值;

Step5.輸出QoS反饋信任度量值Trust-QoSX(Y).

2.4 綜合信任值

綜合信任是綜合云用戶自身的直接信任值、推薦者的間接信任值、QoS反饋信任值得到的.在本文中,綜合信任值有2種組成方式:第1種僅僅考慮直接信任值和間接信任值Trust X(Y);第2種是將QoS反饋信任值亦納入綜合信任值計算TrustQoSX(Y).

計算綜合信任值的算法過程如算法4所示:

算法4.計算綜合信任值算法.

輸入:實體X(云服務用戶)ID,實體Y(云服務提供商)ID,Trust-RecomX(Y),Trust-QoSX(Y);

輸出:綜合信任值Trust-Total X(Y).

Step1.計算綜合信任值;

Step2.輸出綜合信任值Trust-Total X(Y).

3 可信模型的分析

3.1 時間因子分析

很多信任模型關于時間因子都是針對云用戶實體與云服務提供商實體發生的交互時間,這種交互時間能有效地表達實體之間的信任值隨著時間變化而發生變化.本文采用的時間因子主要考慮2個方面:一是2實體最近一次交互時間與當前時間的時間間隔;二是2實體的交互次數num.假設某實體的綜合信任值為{可信值,不可信值,不確定值}={0.7,0.1,0.2},每次服務交互時間為1s,則信任度量值隨時間變化的衰減公式為:

其中Trust XY(t0)表示最近一次交互時間t0時實體X對實體Y的信任度量,num表示實體X與實體Y在時間t0時服務歷史交互總次數.Δt=t-t0,t0=0.信任值衰減與時間關系如圖2、圖3所示:

圖2 信任值衰減與時間關系圖

圖3 信任變化與時間關系圖

從圖2可以看出,歷史交互總次數不同很大程度上影響了信任衰減速度,交互次數越大信任衰減速度越慢,反之越快.并且由num=2和l=2的對比圖可知,當交互次數很少時,其衰減速率較快.

從圖3可以看出,在只考慮時間因素的情況下,距離最近一次服務交互時間間隔越大,可信與不可信的比重越小,不確定的比重越大,這和實際生活規律一致.由此可知,較

本文提出的時間因子模型更具有科學性.

3.2 信任演化分析

我們假定可信實體一直提供可信服務,不可信實體提供不可信服務,而不確定實體提供不確定服務,實驗讓一個云服務用戶不斷和一個特定的云服務提供商進行服務交互來檢驗本文可信模型是否可以準確評估實體信任度量.

實驗假定實體為可信實體,即一直提供可信服務,其信任度量trust=0.8.在每次服務交互后,服務評價是針對服務的n個屬性參數進行評價,為了簡化計算,在對n維屬性參數進行計算時,使用PCA降維算法,選定最佳的降維維數,然后利用信息熵理論進行計算直接信任值.根據Matlab實驗得到,信任值誤差在3%以內.實驗中,我們選定4項屬性參數進行實驗計算,即從服務的可用性、時效性、完整性以及可靠性4個方面進行評價,Matlab仿真實驗中直接信任信息格式和推薦信任信息格式為{屬性參數1值,屬性參數2值,屬性參數3值,屬性參數4值},則2實體在應用信任模型前后的信任關系如圖4所示:

圖4 信任模型應用前后靜態信任關系圖

從圖4可以看出,本文提出的信任模型在靜態信任關系評估方面準確性高,仿真可信信任程度和真實的可信信任程度關系曲線之間的擬合程度高,信任度量誤差保持在10%之內,并且隨著交互次數的逐漸增多,誤差百分比也逐漸減小.

因為實體假定為可信實體,并一直提供可信服務,所以在經過多次服務之后,實體的信任度量值應不斷增大直至到一個固定值,所以將QoS反饋信任值應用于綜合信任值計算中更具科學性.

但是在實際生活中,實體的行為是動態變化的,其狀態會隨著交易次數或時間動態變化,在考慮靜態信任時,當2實體服務交互次數足夠多時,模型的評估結果逐漸與實體的實際信任度量值會歸于一致.考慮到實體行為的動態性,我們在實驗中假定實體提供的服務可用性cloudlet Ava是動態變化的,服務可用性變化如下:

其中t表示當前交互時間,云服務用戶可接受的閾值差為1,則服務提供商提供服務的可用性如圖5所示,而服務提供商的信任值變化如圖6所示:

圖5 服務可用性變化差值圖

圖6 動態信任變化圖

在圖5中,在云用戶可接受閾值差以上的為實體不可接受的,本次服務交互評價為不可信評價,其他均為可信評價.

由圖5、圖6可知,在云服務的可用性變化時,實體對云服務提供商的信任值也在不斷變化,當服務可用性變化值在云用戶可接受的范圍內時,服務提供商的信任度量值也在升高.當服務可用性變化值超過云用戶可接受的范圍時,服務提供商的信任度量值下降,并且由圖6可知,信任值升高的速率小于信任值下降的速率.現模擬2類實體:一類為初始信任值較高trust=0.8的實體,在其可信服務比例分別為1.0,0.33,0.1時其信任值變化情況;另一類為初始信任值較低trust=0.5的實體,在其可信服務比例分別為1,0.5,0.25,0.1時其信任值變化情況.2類實體信任度量變化如圖7、圖8所示.

圖7 初始信任值trust=0.8的動態服務可用性信任變化圖

由圖7、圖8可以看出,可信行為比例越小,信任值降低速率越快,但可信行為比例越大,信任值雖不斷增加,但是其增加速率很緩慢直至為0.并且無論可信比例取何值,在信任值動態變化過程中,增加速率比降低速率都要慢.

由圖7、圖8在交互次數的對比可知,在實體初始信任值較高trust=0.8時,即使其可信服務提供率達到100%,信任值增幅仍很小,但是,當其可信服務提供率為33%和10%時,信任值降幅很大,并且可信服務提供率為10%時其信任值下降速率大于可信服務提供率為33%,當可信服務提供率為10%,即提供可信服務的概率過小,最終其信任值會降到0,然而,可信服務提供率為33%,可信服務提供率雖低卻不過低,故其最終信任值下降到一定值但不為0時將會保持恒定;當trust=0.5時,對應的高可信服務提供率、信任值增幅比trust=0.8時大,但是對應于低可信服務提供率,信任值降幅比trust=0.8時小.故本實驗結果很合理.

圖8 初始信任值trust=0.5的動態服務可用性信任變化圖

4 總 結

本文提出了一種基于服務感知的可信QoS評價模型,提高云計算環境下云用戶與云服務提供商之間信任關系評估準確性,通過細化云服務,利用統計學中相關比理論表示推薦信息與直接交互信息的評價相似程度,引入信息熵理論計算每一條交互信息評價的滿意度,從而計算綜合信任度量.最后通過實驗證明了該模型的準確性和科學性.

[1]Ran S.A model for web services discovery with QoS[J].ACM SIGCOM Exchanges,2003,4(1):1-10

[2]Noor T H,Sheng Q Z,Yao L,et al.Cloud Armor:Supporting reputation-based trust management for cloud services[J].IEEE Trans on Parallel&Distributed Systems,2016,27(2):367-380

[3]Zhang H,Li C,Zhang X,et al.Comparison of dynamic trust management model in cloud computing[C]//Proc of Int Conf on Computer Science and Service System.Piscataway,NJ:IEEE,2012:699-701

[4]Muchahari M K,Sinha S K.A new trust management architecture for cloud computing environment[C]//Proc of Int Symp on Cloud and Services Computing.Los Alamitos,CA:IEEE Computer Society,2012:136-140

[5]Noor T H,Sheng Q Z,Alfazi A.Reputation attacks detection for effective trust assessment among cloud services[C]//Proc of IEEE Int Conf on Trust,Security and Privacy in Computing and Communications.Piscataway,NJ:IEEE,2013:469-476

[6]Cloud Security Alliance.The Notorious Nine Cloud Computing Top Threats in 2013[OL].[2018-03-22].https://downloads.cloudsecurityalliance.org/initiatives/topthreats/The-Notorious-Nine-Cloud-Computing-Top-Threats-in-2013.pdf

[7]Patel H,Patel D.A review of approaches to achieve data storage correctness in cloud computing csing crusted third party auditor[C]//Proc of Int Symp on Cloud and Services Computing(ISCOS).Piscataway,NJ:IEEE,2012:84-87

[8]謝立軍,朱智強.基于隸屬度理論的云服務行為信任評估模型研究[J].計算機應用研究,2013,30(4):1051-1054

[9]毛建景,張凱萍.云計算環境下海量用戶行為信任評估模型[J].計算機仿真,2016,33(3):385-388

[10]Singh S,Chand D.Trust evaluation in cloud based on friends and third party's recommendations[C]//Proc of Engineering and Computational Sciences.Piscataway,NJ:IEEE,2014:1-6