融合異常QoS數(shù)據(jù)檢測的安全云服務(wù)選擇方法

吳 旭, 葉 炎

(1.西安郵電大學(xué) 計(jì)算機(jī)學(xué)院, 陜西 西安 710121; 2.廣西大學(xué) 計(jì)算機(jī)與電子信息學(xué)院, 廣西 南寧 530004)

基于服務(wù)質(zhì)量(quality of service，QoS)的云服務(wù)選擇方法已在云服務(wù)選擇問題取得了一定的成效[1-3]。但是，基于QoS數(shù)據(jù)的方法在應(yīng)用時(shí)受QoS數(shù)據(jù)的質(zhì)量影響較大，異常的QoS數(shù)據(jù)(abnormal quality of service，AQoS)會(huì)降低云服務(wù)選擇的精度[4]。同時(shí)，由異常QoS數(shù)據(jù)計(jì)算得到的云服務(wù)選擇，也會(huì)導(dǎo)致用戶在使用云服務(wù)時(shí)達(dá)不到預(yù)期的性能要求，產(chǎn)生計(jì)算不準(zhǔn)確、數(shù)據(jù)泄露等云服務(wù)安全問題。因此，檢測異常的QoS數(shù)據(jù)，提升云服務(wù)選擇的質(zhì)量和安全性，已經(jīng)成為一個(gè)迫切解決的難題。

基于信任評估的云服務(wù)選擇方法能夠降低具有異常QoS數(shù)據(jù)的云服務(wù)的信任度，并降低選擇具有異常QoS數(shù)據(jù)的云服務(wù)的概率。可信云服務(wù)通過分析云計(jì)算面臨的安全威脅，對云服務(wù)的技術(shù)進(jìn)行劃分[5]。基于第三方認(rèn)證的方法通過建立第三方的云服務(wù)信任博弈模型和信任評價(jià)模型，由第三方模型評估云服務(wù)的可信度[6]。面向用戶體驗(yàn)的模型考慮了信任因素的復(fù)雜性和不確定性，將用戶體驗(yàn)作為服務(wù)可信模型的重要評估標(biāo)準(zhǔn)和因素[7]。主觀信任量化評價(jià)方法[8]將云模型引入信任評估中，并結(jié)合用戶的主觀信任評價(jià)對云服務(wù)進(jìn)行信任評估。上述基于信任評估的云服務(wù)選擇方法雖然取得了一定的成效，但信任評估需要利用用戶反饋信息，在進(jìn)行云服務(wù)信任評估的同時(shí)也引入了惡意用戶評估和主觀性反饋等問題，使得云服務(wù)選擇問題更加復(fù)雜；同時(shí)，基于信任評估的方法僅利用QoS數(shù)據(jù)和用戶反饋信息計(jì)算云服務(wù)的信任度，并未實(shí)現(xiàn)對異常QoS數(shù)據(jù)的檢測。

基于改進(jìn)K-means聚類的算法[9]利用距離相似度進(jìn)行節(jié)點(diǎn)數(shù)據(jù)的聚類，在獲取聚類結(jié)果后，通過比對節(jié)點(diǎn)到聚類中心的距離來區(qū)分正常節(jié)點(diǎn)和異常節(jié)點(diǎn)。基于特征消減的網(wǎng)絡(luò)異常檢測算法[10]利用統(tǒng)計(jì)學(xué)的方法分析數(shù)據(jù)集中各維度與各攻擊類型之間的相關(guān)性，并利用相關(guān)性進(jìn)行不同層次的K-means聚類，從而檢測出罕見的網(wǎng)絡(luò)攻擊。基于K-means聚類的異常檢測算法在異常檢測領(lǐng)域取得了一定的成效，但并不能直接應(yīng)用于異常的QoS數(shù)據(jù)檢測。由于云計(jì)算環(huán)境的動(dòng)態(tài)性，云服務(wù)在不同上下文環(huán)境下產(chǎn)生的QoS數(shù)據(jù)存在較大的數(shù)值差異，一些QoS數(shù)據(jù)在特定的上下文環(huán)境下是正常值，而在其他上下文環(huán)境下則是異常數(shù)據(jù)。因此，將具有不同數(shù)值范圍的QoS數(shù)據(jù)同時(shí)進(jìn)行檢測將會(huì)導(dǎo)致檢測結(jié)果出現(xiàn)偏差，難以提升云服務(wù)選擇的精度。

基于上述問題，本文提出一種融合異常QoS數(shù)據(jù)檢測的安全云服務(wù)選擇方法(secure cloud service selection method based on abnormal QoS data detection，CSAD)，利用用戶的上下文環(huán)境對云服務(wù)的QoS數(shù)據(jù)進(jìn)行范圍約束，結(jié)合改進(jìn)的K-means算法對QoS數(shù)據(jù)進(jìn)行異常檢測，并利用改進(jìn)的貝葉斯公式[11]預(yù)測云服務(wù)的QoS數(shù)據(jù)，最后基于理想點(diǎn)法對相似的云服務(wù)進(jìn)行性能評估和排名。

1 云服務(wù)選擇方法

1.1 云服務(wù)選擇的基本結(jié)構(gòu)

融合異常QoS數(shù)據(jù)檢測的安全云服務(wù)選擇的基本結(jié)構(gòu)主要包括6個(gè)模塊，如圖1所示。

圖1 云服務(wù)選擇

(1) 用戶的上下文環(huán)境記錄模塊

該模塊用于記錄用戶在調(diào)用云服務(wù)時(shí)所處的上下文環(huán)境。

(2) QoS數(shù)據(jù)記錄模塊

該模塊用于記錄用戶調(diào)用云服務(wù)時(shí)觀測到的QoS數(shù)據(jù)，并根據(jù)用戶的上下文環(huán)境建立上下文環(huán)境-云服務(wù)的QoS數(shù)據(jù)矩陣。

(3) 相似上下文環(huán)境計(jì)算模塊

該模塊根據(jù)目標(biāo)用戶在尋求云服務(wù)選擇時(shí)所處的上下文環(huán)境，計(jì)算歷史的上下文環(huán)境中相似度大于閾值的上下文環(huán)境集合。

(4) 異常QoS數(shù)據(jù)檢測模塊

該模塊根據(jù)計(jì)算的相似上下文環(huán)境集合，從QoS數(shù)據(jù)中選擇對應(yīng)的QoS數(shù)據(jù)，利用改進(jìn)的K-means算法從該QoS數(shù)據(jù)集中檢測出異常QoS數(shù)據(jù)，并過濾掉。

(5) QoS預(yù)測模塊

該模塊根據(jù)異常QoS數(shù)據(jù)檢測的結(jié)果，利用改進(jìn)的貝葉斯公式預(yù)測云服務(wù)的QoS數(shù)據(jù)。

(6) 云服務(wù)排名模塊

該模塊計(jì)算出云服務(wù)的預(yù)測QoS數(shù)據(jù)后，利用多準(zhǔn)則決策技術(shù)對相似的云服務(wù)進(jìn)行評估排名，評估值越高的云服務(wù)排名越高。

1.2 上下文環(huán)境

上下文環(huán)境用于描述用戶在使用云服務(wù)、進(jìn)行反饋評價(jià)和獲取推薦時(shí)所處的狀態(tài)，由多個(gè)參數(shù)構(gòu)成，包括但不限于時(shí)間、位置、季節(jié)和情緒等[12]。云服務(wù)選擇問題中主要考慮用戶在使用云服務(wù)和獲取推薦時(shí)的上下文環(huán)境。

定義1用戶的上下文環(huán)境(user context environment，UCE)為1個(gè)5元組C=(l,t,i,b,p)，l為用戶所處的地理位置，t為調(diào)用云服務(wù)的時(shí)間，i為調(diào)用云服務(wù)時(shí)的網(wǎng)絡(luò)狀況，b為用戶的網(wǎng)絡(luò)帶寬，p為用戶使用的云平臺。

用戶在不同上下文環(huán)境下觀測的云服務(wù)的QoS數(shù)據(jù)，具有不同的數(shù)值范圍。在理想情況下，用戶調(diào)用云服務(wù)時(shí)能夠獲得最優(yōu)性能的服務(wù)，此時(shí)用戶觀測的QoS數(shù)據(jù)是該云服務(wù)的最優(yōu)QoS數(shù)據(jù)。然而，考慮云計(jì)算環(huán)境的動(dòng)態(tài)性，云服務(wù)并不能經(jīng)常提供最優(yōu)性能的服務(wù)，其QoS數(shù)據(jù)通常是在一定范圍內(nèi)波動(dòng)。所以，在異常QoS數(shù)據(jù)檢測過程中，考慮用戶所處上下文環(huán)境十分必要。

1.3 上下文環(huán)境-云服務(wù)的QoS數(shù)據(jù)

目前，大多數(shù)云服務(wù)選擇算法以用戶和QoS數(shù)據(jù)之間一一對應(yīng)關(guān)系作為基本計(jì)算依據(jù)，這種方式僅僅將用戶考慮成一個(gè)簡單的標(biāo)識符，忽略了用戶與QoS數(shù)據(jù)之間更多的內(nèi)在聯(lián)系。而上下文環(huán)境的作用不僅在于描述了用戶在調(diào)用云服務(wù)時(shí)所處的狀態(tài)，同時(shí)也描述了云服務(wù)被調(diào)用時(shí)的狀態(tài)，包含了更多的潛在信息。通過定義用戶的上下文環(huán)境，建立用戶的上下文環(huán)境與QoS數(shù)據(jù)的對應(yīng)關(guān)系，以此為計(jì)算依據(jù)。為了方便描述，給出部分QoS數(shù)據(jù)，吞吐量S1、上傳速度S2和下載速度S3在6種不同的上下文環(huán)境C1—C6下，觀測的QoS數(shù)據(jù)如表1所示。

表1 上下文環(huán)境-云服務(wù)的QoS 數(shù)據(jù)

由表1可知，3個(gè)云服務(wù)取值范圍都為{0,1,2}。完整的QoS數(shù)據(jù)包含了所有相似的云服務(wù)和全部存在觀測記錄的上下文環(huán)境。

1.4 計(jì)算相似上下文環(huán)境

在不考慮歷史用戶的其余信息情形下，建立上下文環(huán)境-云服務(wù)的QoS數(shù)據(jù)為計(jì)算依據(jù)。在尋求云服務(wù)選擇時(shí)，對目標(biāo)用戶所處的上下文環(huán)境進(jìn)行相似上下文環(huán)境計(jì)算。

采用歐氏距離[13]計(jì)算上下文環(huán)境的相似度，可表示為

(1)

式中，S(Co,Cc)是上下文環(huán)境Co和Cc的相似度，Co表示目標(biāo)用戶在尋求云服務(wù)選擇時(shí)所處的上下文環(huán)境，Cc是歷史的上下文環(huán)境，Coj和Ccj分別表示上下文環(huán)境Co和Cc對應(yīng)的參數(shù)，其中，j的取值為(l,t,i,b,p)。在計(jì)算目標(biāo)用戶的相似上下文環(huán)境集時(shí)，設(shè)置相似度的閾值參數(shù)為α。將相似度大于α的上下文環(huán)境加入到目標(biāo)用戶的相似上下文集合。

1.5 異常QoS數(shù)據(jù)檢測

K-means算法[14-15]是一種無監(jiān)督學(xué)習(xí)算法，該算法通過重復(fù)迭代并優(yōu)化數(shù)據(jù)之間距離誤差值的方式，將一組數(shù)據(jù)劃分成多個(gè)不相交的數(shù)據(jù)集合，其目的是增強(qiáng)同一集合中數(shù)據(jù)的相似性，降低各數(shù)據(jù)集合之間的相似性。基于上述思想，對K-means算法進(jìn)行改進(jìn)并將其應(yīng)用于異常QoS數(shù)據(jù)的檢測。以包含異常值的歷史QoS數(shù)據(jù)為例，K-means算法經(jīng)過多次迭代將QoS數(shù)據(jù)分成多個(gè)數(shù)據(jù)集合，各數(shù)據(jù)集合中的QoS數(shù)據(jù)包含了正常值和異常值，異常值的數(shù)量少于正常值，且異常值與正常值存在較大的差異，二者的相似性較低，這使得在聚類完成后，同一集合中數(shù)據(jù)間的相似性并未達(dá)到最優(yōu)值。為了解決這一問題，從數(shù)據(jù)集合中篩選出QoS數(shù)據(jù)，把剩余的QoS數(shù)據(jù)構(gòu)成新的數(shù)據(jù)集合，計(jì)算原數(shù)據(jù)集合中心點(diǎn)和新數(shù)據(jù)集合中心點(diǎn)的皮爾遜相似度[16]，當(dāng)相似度小于0.5時(shí)，篩選出的Qos數(shù)據(jù)檢測為異常值。算法具體步驟如下。

步驟1根據(jù)目標(biāo)用戶的相似上下文環(huán)境集,從歷史的QoS數(shù)據(jù)集中篩選出具有對應(yīng)上下文環(huán)境的QoS數(shù)據(jù)，建立云服務(wù)S對應(yīng)的QoS矩陣

(2)

矩陣Q由云服務(wù)S在目標(biāo)用戶的相似上下文環(huán)境集中所觀測的QoS數(shù)據(jù)構(gòu)成，其中，qij是第i個(gè)QoS歷史數(shù)據(jù)的第j個(gè)參數(shù)(i=1,2,…,u;j=1,2,…,m),u表示QoS數(shù)據(jù)的數(shù)量，m表示QoS數(shù)據(jù)的參數(shù)數(shù)量。

步驟2建立k個(gè)數(shù)據(jù)集合v,從篩選出的QoS數(shù)據(jù)中，隨機(jī)選取k個(gè)數(shù)據(jù)作為各集合的初始中心點(diǎn)。

步驟3分別計(jì)算矩陣Q中各QoS數(shù)據(jù)到k個(gè)中心點(diǎn)的距離。將QoS數(shù)據(jù)劃分到距離最小的數(shù)據(jù)集合中，計(jì)算公式為

(3)

式中，qi是矩陣Q中的第i個(gè)QoS數(shù)據(jù)，vj表示第j個(gè)數(shù)據(jù)集合，dvj是第v個(gè)數(shù)據(jù)集合的中心點(diǎn)，函數(shù)‖·‖是計(jì)算qi和dvj的距離，函數(shù)arg min是選擇所有k個(gè)距離中的最小值。

步驟4完成一次QoS數(shù)據(jù)劃分后，以各數(shù)據(jù)集合中包含的QoS數(shù)據(jù)作為計(jì)算依據(jù)，更新各數(shù)據(jù)集的中心點(diǎn)

(4)

式中，z是vj中的QoS數(shù)據(jù)，|vj|是vj中QoS的數(shù)量。

步驟5重復(fù)迭代步驟3和步驟4，直到數(shù)據(jù)集合的中心點(diǎn)趨于穩(wěn)定。

步驟6對數(shù)據(jù)集合的相似性進(jìn)行優(yōu)化，以數(shù)據(jù)集合vj，集合中的QoS數(shù)據(jù)t為例,i對應(yīng)的皮爾遜相似度可表示為

(5)

式中，tvj是刪除QoS數(shù)據(jù)t后得到的新的中心點(diǎn)，E(·)是計(jì)算數(shù)據(jù)期望，σ(·)是計(jì)算數(shù)據(jù)的標(biāo)準(zhǔn)差。當(dāng)ρ(tvj,dvj)<0.5，將t檢測為異常QoS數(shù)據(jù)，并將t從vj中刪除。

步驟7重復(fù)迭代步驟6，遍及vj中所有數(shù)據(jù)，直至計(jì)算所得皮爾遜相似度皆大于0.5。

步驟8分別對K-means算法得到的k個(gè)數(shù)據(jù)集合進(jìn)行步驟6～7的迭代計(jì)算，完成對云服務(wù)S的異常QoS數(shù)據(jù)檢測。

1.6 QoS數(shù)據(jù)預(yù)測

考慮到該云服務(wù)在為用戶提供服務(wù)時(shí)潛在性能，在進(jìn)行云服務(wù)選擇時(shí)，需要預(yù)測各云服務(wù)的QoS數(shù)據(jù)。傳統(tǒng)的QoS預(yù)測方法沒有考慮到用戶在尋求云服務(wù)選擇時(shí)所處的上下文環(huán)境，預(yù)測的QoS數(shù)據(jù)可能與云服務(wù)此時(shí)的實(shí)際性能不相符。貝葉斯公式能夠充分考慮用戶在進(jìn)行云服務(wù)選擇時(shí)所處的上下文環(huán)境，從異常QoS數(shù)據(jù)檢測的結(jié)果中預(yù)測出相應(yīng)的QoS值。貝葉斯公式的標(biāo)準(zhǔn)表現(xiàn)形式[11]為

(6)

式中，A、Bx和By分別表示事件，P(·)表示事件發(fā)生的概率，P(Bx|A)表示事件A發(fā)生的條件下，事件Bx發(fā)生的概率。利用式(6)預(yù)測云服務(wù)的QoS值，將事件A表示為上下文環(huán)境，事件Bx表示云服務(wù)的歷史QoS數(shù)據(jù)。P(Bx|A)表示在上下文環(huán)境A發(fā)生的條件下，用戶觀測到云服務(wù)的QoS數(shù)據(jù)Bx的概率。也就是說，通過計(jì)算用戶在進(jìn)行云服務(wù)選擇時(shí)所處的上下文環(huán)境下，能夠觀測到云服務(wù)的QoS數(shù)據(jù)Bx的概率，將概率最大的QoS數(shù)據(jù)作為云服務(wù)的預(yù)測QoS值。由于QoS數(shù)據(jù)較多，為了簡化計(jì)算，僅對異常QoS數(shù)據(jù)檢測得到的數(shù)據(jù)集合的中心點(diǎn)進(jìn)行概率預(yù)測。同時(shí)，由于前文已經(jīng)計(jì)算過用戶的相似上下文環(huán)境，所以上下文環(huán)境發(fā)生的概率相同。因此，據(jù)貝葉斯公式，忽略上下文環(huán)境A后，dvj作為預(yù)測QoS數(shù)據(jù)的概率為

(7)

若vj中QoS數(shù)據(jù)出現(xiàn)1次，則表示dvj出現(xiàn)1次。利用數(shù)據(jù)集合中元素的數(shù)量與整體數(shù)量進(jìn)行概率計(jì)算，將概率最大的中心點(diǎn)預(yù)測為云服務(wù)的QoS數(shù)據(jù)。利用式(7)可分別預(yù)測各相似云服務(wù)的QoS值。

1.7 相似云服務(wù)的選擇

基于理想點(diǎn)法(technique for order preference by similarity to an ideal solution，TOPSIS)[17]對云服務(wù)進(jìn)行排名，將排名最高的云服務(wù)作為最優(yōu)云服務(wù)推薦給用戶。理想點(diǎn)方法的具體步驟如下。

步驟1對完成異常QoS數(shù)據(jù)檢測的云服務(wù)進(jìn)行QoS預(yù)測，利用預(yù)測值建立矩陣

(8)

hij是第i個(gè)云服務(wù)的第j個(gè)預(yù)測QoS參數(shù)(i=1,2,…,n;j=1,2,…,m),n表示云服務(wù)的數(shù)量，m表示QoS數(shù)據(jù)的參數(shù)數(shù)量。

步驟2對矩陣H進(jìn)行預(yù)處理，降低各QoS參數(shù)的不同取值范圍對云服務(wù)排名的影響，得到矩陣

(9)

矩陣R是對矩陣H進(jìn)行歸一化處理得到的結(jié)果。rij是第i個(gè)云服務(wù)的第j個(gè)預(yù)測QoS參數(shù)的預(yù)處理值(i=1,2,…,n;j=1,2,…,m),n表示云服務(wù)的數(shù)量，m表示預(yù)處理QoS數(shù)據(jù)的參數(shù)數(shù)量。

由于QoS數(shù)據(jù)的各個(gè)參數(shù)值具有不同的取值范圍，為了消除由不同的數(shù)值范圍對排名造成的影響，利用歸一化方法[18]對QoS參數(shù)的值進(jìn)行縮放，其表達(dá)式為

(10)

式中，minq.y是第y列QoS參數(shù)的最小值，maxq.j是第y列QoS參數(shù)中的最大值，x={1,2,…,n}，y={1,2,…,m}。利用歸一化公式將QoS數(shù)據(jù)的各參數(shù)值縮放到0～1范圍內(nèi)。

步驟3矩陣R中的各QoS參數(shù)列的正理想解和負(fù)理想解計(jì)算表達(dá)式分別為

R+={maxrxy,?x;y=12,…,m},

(11)

R-={minrxy,?x;y=1,2,…,m}。

(12)

步驟4利用矩陣R中的數(shù)據(jù)計(jì)算各云服務(wù)與R+和R-的距離，其計(jì)算表達(dá)式分別為

(13)

(14)

步驟5對云服務(wù)x利用公式

(15)

計(jì)算出最終評估值。在最終進(jìn)行云服務(wù)排名時(shí)，利用式(15)對所有的云服務(wù)進(jìn)行評估，得到每個(gè)云服務(wù)的評估值，并根據(jù)評估結(jié)果按降序進(jìn)行云服務(wù)的排名。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 仿真環(huán)境和實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)環(huán)境采用Inter(R) Pentium(R) CPU G4400 @ 3.30 GHz 3.30GHz處理器，Windows 7系統(tǒng)，JetBrains PyCharm 2017平臺，python語言。數(shù)據(jù)集來自WSdream[19]，選取300個(gè)用戶調(diào)用2 000個(gè)web服務(wù)觀測的QoS數(shù)據(jù)，共600 000條QoS數(shù)據(jù)，并利用隨機(jī)數(shù)在該數(shù)據(jù)集的基礎(chǔ)上生成60 000條異常的QoS數(shù)據(jù)，構(gòu)建一個(gè)包含660 000條QoS數(shù)據(jù)的數(shù)據(jù)集，其中異常數(shù)據(jù)占9.09%。實(shí)驗(yàn)中，采用用戶的地理位置作為用戶的上下文環(huán)境參數(shù)。QoS數(shù)據(jù)包含的參數(shù)如表2所示。

表2 QoS數(shù)據(jù)的參數(shù)

2.2 性能分析

采用歸一化折扣累積增益(normalized discounted cumulative gain，NDCG)[20]作為實(shí)驗(yàn)的評估指標(biāo)，與TOPSIS和層次分析法(analytic hierarchy process，AHP)[21]進(jìn)行實(shí)驗(yàn)對比，驗(yàn)證CSAD方法在異常QoS數(shù)據(jù)檢測方面的有效性和云服務(wù)選擇精度。

為了模擬真實(shí)的服務(wù)調(diào)用，對數(shù)據(jù)集進(jìn)行稀疏化，生成QoS矩陣密度為10%、25%和40%的3種數(shù)據(jù)集分別進(jìn)行實(shí)驗(yàn)。同時(shí)，為了驗(yàn)證異常QoS數(shù)據(jù)對云服務(wù)排名的影響，在實(shí)驗(yàn)數(shù)據(jù)中設(shè)置異常的QoS數(shù)據(jù)占實(shí)驗(yàn)數(shù)據(jù)比值分別為1%、5%、10%。上下文環(huán)境的相似度閾值α=0.5，異常QoS數(shù)據(jù)檢測的參數(shù)k=5。3種方法的預(yù)測排名精度值對比結(jié)果如表3所示。

表3 3種方法的預(yù)測排名精度值對比結(jié)果

由表3可以看出，在QoS矩陣密度分別為10%、25%和45%，異常QoS數(shù)據(jù)占比為1%時(shí)，AHP方法的預(yù)測排名精度最高，CSAD方法次之。隨著異常QoS數(shù)據(jù)占比不斷增加，3種方法的預(yù)測排名精度逐漸降低，TOPSIS和AHP的預(yù)測排名精度下降速度較快，而CSAD的下降速度較慢，并在預(yù)測排名精度上反超AHP方法。上述結(jié)果表明，隨著異常QoS數(shù)據(jù)占比的增加，大量異常的QoS數(shù)據(jù)對TOPSIS和AHP方法造成了嚴(yán)重的干擾，導(dǎo)致預(yù)測排名精度快速下降，而CSAD實(shí)現(xiàn)了異常QoS數(shù)據(jù)的檢測過程，對異常QoS數(shù)據(jù)的干擾具有較強(qiáng)的抵抗性，能夠保證有效的預(yù)測排名精度。

2.3 上下文環(huán)境對異常QoS數(shù)據(jù)檢測的影響

上下文環(huán)境代表了不同的QoS數(shù)據(jù)約束。設(shè)置上下文環(huán)境相似度閾值為0.5，異常QoS數(shù)據(jù)占實(shí)驗(yàn)數(shù)據(jù)比例分別為1%、5%、10%、15%和20%。采用兩種方案進(jìn)行異常QoS數(shù)據(jù)檢測，方案1為先計(jì)算與目標(biāo)用戶相似的上下文環(huán)境集合，再進(jìn)行異常QoS數(shù)據(jù)檢測；方案2為直接進(jìn)行異常QoS數(shù)據(jù)檢測。

以檢測精度，即異常QoS數(shù)據(jù)數(shù)量占異常QoS數(shù)據(jù)總數(shù)的比值為評估指標(biāo)，兩種方案上下文環(huán)境對異常QoS數(shù)據(jù)檢測的影響結(jié)果如圖2所示。

圖2 上下文環(huán)境對異常QoS數(shù)據(jù)檢測的影響結(jié)果

從圖2可以看出，方案1的異常QoS數(shù)據(jù)檢測精度遠(yuǎn)高于方案2，并且隨著QoS數(shù)據(jù)占比的增加，方案2的檢測精度快速降低，而方案1相比方案2并不明顯，在異常QoS數(shù)據(jù)占比為20%時(shí)，依然有較高的檢測精度。因此，在云服務(wù)選擇中，進(jìn)行相似上下文環(huán)境的計(jì)算有利于提升異常QoS數(shù)據(jù)的檢測精度。

2.4 聚類參數(shù)k對異常QoS數(shù)據(jù)檢測的影響

異常QoS數(shù)據(jù)的檢測方法是基于K-means算法，在進(jìn)行異常檢測前需要設(shè)置聚類參數(shù)k。將k值從2增加到10，步長為1。k值對異常QoS數(shù)據(jù)檢測的影響結(jié)果如圖3所示。

圖3 k值對異常QoS數(shù)據(jù)檢測的影響結(jié)果

從圖3中可以看出，從k=2開始，隨著k值的增加，檢測精度逐漸提升。但是，當(dāng)k值超過5后，檢測精度反而隨著k值的增加而降低。上述結(jié)果說明，選取合適的k值有利于提升異常QoS數(shù)據(jù)的檢測精度，k值的過小或過大均降低了異常QoS數(shù)據(jù)的檢測精度。原因是，過小的k值聚類得到的類集合數(shù)量少，同一類中異常QoS數(shù)據(jù)較多，難以通過相似性來檢測異常的QoS數(shù)據(jù)。而過大的k值聚類的集合數(shù)量多，容易將異常的QoS數(shù)據(jù)聚類到同一個(gè)集合中，這種情況更難以檢測異常的QoS數(shù)據(jù)。

3 結(jié)語

融合異常QoS數(shù)據(jù)檢測的安全云服務(wù)選擇方法，結(jié)合上下文環(huán)境和K-means聚類進(jìn)行異常QoS數(shù)據(jù)檢測，過濾掉異常的QoS數(shù)據(jù)，保證了在進(jìn)行云服務(wù)排名時(shí)QoS數(shù)據(jù)的準(zhǔn)確性；結(jié)合上下文環(huán)境和貝葉斯公式的QoS預(yù)測方法，能夠預(yù)測出在實(shí)際上下文環(huán)境下，更符合云服務(wù)的QoS數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法能夠增強(qiáng)異常QoS數(shù)據(jù)的檢測精度，并通過對異常QoS數(shù)據(jù)的檢測，有效地提高了云服務(wù)選擇的精度。