云計算環境下基于信任主體和效益值的動態任務調度算法研究

吳 洲

(廣東松山職業技術學院 計算機系，廣東 韶關 512126)

0 引言

云計算環境中各資源實體是異構的、分布式的、相互獨立的，只有通過相互的信任關系，實體之間才能實現有效的互訪[1]。雖然面向服務的云計算資源管理基礎設施不斷完善，異構環境任務調度算法研究逐步深入，但云計算資源管理系統中任務調度機制往往忽視了資源的安全性和可靠性對任務執行結果的影響。

云計算安全系統的建立依賴于實體之間存在的各種信任形式。為了使云計算更安全、更具吸引力，用戶實體間的訪問控制、互信等問題顯得格外重要[2]。任務調度機制與信任機制的分離導致當前的任務調度系統難以在開放、動態真實的云計算環境中有效運行[3-4]。因此，研究融入信任機制的云計算任務調度方法，形成信任驅動的云計算任務調度算法具有重要的理論價值與現實意義[5-6]。

1 云計算的信任模型

信任模型主要是對資源之間的信任關系進行評估，提供信任值的計算或者根據服務請求提供合適的應用鏈[7-8]。為了更好地描述本文的信任模型，特進行以下定義：

定義1：信任。信任可以描述為Trust=(A,L,V)，A={a1,a2,…,ak,…,am}是信任屬性集合，L={l1,l2,…,lk,…,ln}為信任等級的集合，V={v1,v2,…,vk,…,vm}是信任評估向量。

定義2：直接信任。其表示在給定的上下文中，一個資源節點根據直接接觸行為的歷史記錄而得出的對另外一個資源節點的信任程度。資源節點ri的直接信任度表示為Direct_Trust(ri)。

定義3：間接信任。其表示資源節點之間通過第三者的間接推薦形成的信任度。資源節點ri的間接信任度表示為Indirect_Trust(ri)。

2 信任度的評估

2.1 直接信任度

信任度是一個針對資源、資源提供者以及資源消費者在某一時間段內發生的交易行為所形成的全局評價[9-10]。云計算資源節點之間的直接信任度由用戶根據以往交往的情況計算[11]。因此，本文引入了衰減函數att_Trust(i,t)。資源節點ri對資源節點rj的信任度衰減函數att_Trust(i,t)為：

att_Trust(i,t)=γet-tij

(1)

其中，t是當前時間，tij是最后修改的時間或節點ri和節點rj之間最后交往的時間。

信任機制中的信任關系主要包括兩個方面：直接信任關系和間接信任關系。資源節點ri的直接可信度公式為：

(2)

2.2 間接信任度

資源節點ri的間接可信度可以描述為：

Indirect_Trust(i,t)=

(3)

其中，dij是與資源節點ri與rj均有直接信任關系的資源數，di為與資源節點ri有間接信任關系的資源數。節點rk被視為資源節點ri與rj的推薦實體。

對于間接信任度，由于存在惡意推薦的可能，因此需要設定一個信任閾值Th_Trust。計算出來的間接信任度與信任閾值進行比較，如果該值大于信任閾值就認為節點是可信的，否則認為是惡意推薦的。

Indirect_Trust(i)=

(4)

2.3 綜合信任度

對于資源節點，任務完成率越高，其可信任程度越高。因此，本文定義信任懲罰函數，信任懲罰函數計算公式為：

(5)

結合資源的直接信任、間接信任和信任懲罰函數，得到資源節點ri的綜合可信度函數如下：

ST(i)=ω1×Direct_Trust(i)+ω2×Indirect_Trust(i)+ω3×Penalty_Trust(i)

(6)

其中，ST(i)為資源節點的綜合可信值，ω1、ω2和ω3分別為直接信任、間接信任和信任懲罰函數的權重系數，ω1,ω2,ω3∈[0,1]，ω1>ω2>ω3，且ω1+ω2+ω3=1。

3 基于信任機制的任務調度算法

本文基于信任主體和效益值，提出一種動態信任效益任務調度算法(Dynamic Trust Benefit Task Scheduling，DTBTS)。信任效益是指所有被成功調度的任務所獲得的信任效益均值，是調度算法性能系統級評價指標，獲得平均信任效益大的調度算法能夠為系統提供較好的信任服務。為了更好地設計和描述基于信任驅動的云計算任務調度模型，本文特進行以下一般性定義：

定義4給定m個異構計算資源組成的網格計算系統G={r1,r2,…,ri,…,rm}，n個獨立任務組成的任務集合S={s1,s2,…,sj,…,sn}。任務調度和資源分配的映射關系為：δ:S→R。

定義5在云計算系統中，如果任務sj被調度到資源ri上，那么δ(i)=j，δ(i,j)=1；否則δ(i,j)=0。

定義6在任務調度和資源分配的映射關系δ下，如果任務完成率為η，則云計算的任務調度信任效益值B_Trust為：

(7)

4 仿真及結果分析

由于CloudSim[12]提供了一系列API，可以方便地隨機生成不同的主機處理能力、網絡帶寬、通信延遲、數據傳輸量和計算量等參數，本文采用CloudSim云計算任務調度模擬器對DTBTS算法、TD_Max-min算法[5]、TDLAC算法[7]和CCIDTM算法[9]進行模擬實驗。仿真實驗考察20～30個計算資源組成的云計算系統對50～500個獨立任務構成的任務集合的調度情況，每次實驗平均仿真100次。在實驗中資源數量和任務數量分別用m和n表示。

本節將從任務完成時間、任務完成率、信任效益值等多個性能指標對基于信任機制的DTBTS算法進行綜合評價。任務完成率是指調度過程中能夠成功完成的任務數的比率。

表1列舉的是DTBTS算法分別在10個資源節點上直接信任度、間接信任度和綜合信任度的值。

表1 DTBTS算法在資源節點上的信任評價

圖1 在不同資源數和任務數時任務完成時間的比較

圖1描述的是資源數分別為20和30 時，在不同任務數量時四種任務調度算法對應的任務完成時間比較。圖2描述的是資源數分別為20和30 時，在不同任務數量時四種任務調度算法對應的任務完成率比較。從圖1的實驗結果不難看出：隨著云計算的任務數量不斷增加，系統的任務完成時間也在逐漸遞增，在絕大多數情況下DTBTS算法的任務完成時間明顯少于其他三種任務調度算法。在圖1(a)中，當任務數超過400時，DTBTS算法的優勢表現得非常明顯，其任務完成時間比CCIDTM算法、TD_Max-min算法和TDLAC算法分別平均少7.14%、3.81%、2.98%；在圖1(b)中，當任務數超過220時，DTBTS算法的優勢表現得非常明顯，其任務完成時間比CCIDTM算法、TD_Max-min算法和TDLAC算法分別平均少11.2%、6.54%、4.76%。

從圖2的實驗結果不難看出：在任務完成率方面，DTBTS算法表現出來的性能明顯優于其他三種任務調度算法。在圖2(a)中，當系統的任務數少于280時，DTBTS算法的任務完成率是100%，其最小任務完成率大約是97.8%，當網格系統的任務規模少于200時，四種算法的任務完成率都是100%，其他三種任務調度算法的任務完成率在算法執行期間都維持在96%以上；在圖2(b)中，當系統的任務數少于350時，DTBTS算法和TDLAC算法的任務完成率是100%，DTBTS算法的最小任務完成率大約是98.7%，當系統的任務規模少于280時，四種算法的任務完成率都是100%，其他三種任務調度算法的任務完成率在算法執行期間都維持在97%以上。DTBTS算法的任務完成率高說明調度過程中成功匹配的任務數多，信任關系無法滿足而被迫丟棄的任務數目較少。

圖3描述的是資源數分別為20和30 時，在不同任務數量時DTBTS算法和TD_Max-min算法的信任效益值比較。從圖3的實驗結果可以看出：在算法獲得的信任效益值方面，本文設計的DTBTS算法明顯優于TD_Max-min算法,并且DTBTS算法的平均信任效益值要比TD_Max-min算法提高8.72%。DTBTS算法的信任效益值波動相對較小，表明任務數的變化對該算法的信任效益值影響較小。DTBTS算法的平均信任效益值相對較大，說明這種該任務調度算法在任務映射后執行越穩定，執行結果愈加可信。

圖2 在不同資源數和任務數時任務完成率比較

圖3 DTBTS算法和TD_Max-min算法的信任效益值比較

5 結論

為解決云計算的動態性和不確定性帶來的安全問題，提出了云計算環境下任務調度過程中的信任關系綜合評估模型。本文詳細闡述了云計算中信任的基本概念，確立了任務與信任主體之間的直接信任度、間接信任度和綜合信任度，采用信任效益函數量化不同信任關系下調度結果對任務完成時間與完成率的影響。仿真實驗結果顯示該算法在任務完成時間、任務完成率、信任效益值等多個性能方面均優于其他傳統的任務調度算法。