云環境下主客觀協同的信任模型研究

張 迪，丁 箐

(中國科學技術大學 軟件學院，安徽 合肥 230051)

0 引言

近年來，云環境的信任問題一直是學術界和工業界討論的熱點問題[1-4]。由于云環境的安全性無法得到保障，許多用戶仍然不敢將自己的產品部署在云平臺上。當用戶將自己的產品部署到云上時，CSP需要確保自己提供的服務是可信賴的，即具有穩定性、安全性和可伸縮性。然而現今用戶與CSP之間的信任關系主要是CSP單方面對用戶做出的承諾，沒有一種機制可以確保這種承諾一定會按照約定執行。另外用戶在選擇CSP時，主要是根據以往用過此CSP的客戶的反饋評價來進行選擇，其中不可避免會出現不公正的評價。

為了解決云環境的信任問題并提高用戶對云環境的信任度，需要建立完善的第三方云服務信任評估系統，同時對CSP和用戶建立信任評估體系，實時收集并計算CSP和用戶的信任值，在此信任評估系統作用下，用戶可以根據自身需求選擇值得信任的CSP，同時信任評估系統也能保證CSP按約提供服務。

本文提出了云環境下主客觀協同的信任模型SOCTM。該模型提取了主觀與客觀特征屬性，使用模糊集將特征屬性中的語言術語描述轉化為具體的數值，并構建特征矩陣。通過應用TOPSIS，計算信任值向量。SOCTM使用用戶主觀賦權重的方法，可以根據不同用戶需求，構建合適的特征矩陣，從而選擇出符合用戶需求的CSP。

1 相關工作

近年來，學術界提出了多種可信計算模型，并嘗試將可信計算模型應用到實際工業中。但由于提出的可信計算模型都有某些方面的缺陷，因而在實際工業中的應用非常少。本節將討論幾種典型的可信計算模型，總結它們的優點與不足。

Li Xiaoyong和Du Junping[7]提出了一種自適應的可信計算模型。該模型在SLA的基礎上考慮了時間和權重問題。模型以一個時間槽為測量單位，在n個時間槽內測量m個SLA屬性值，首先假定m個屬性的權重為(w1,w2,…,wn)，n個時間槽的權重為(a1,a2,…,an)。通過矩陣向量相乘得出最后的信任值。模型使用了粗糙集理論和IOWA算子的方法自適應的計算權重，使得最終的信任結果更加準確。但是該模型僅僅計算了客觀信任值，沒有結合用戶的主觀信任值，使得信任值的表達不夠全面。

MUCHAHARI M K和SINHA S K[8]使用用戶反饋的方法來建立信任模型。服務提供商的信任值由3部分組成：歷史信任值、其他服務提供商對其評價得出的信任值以及當前用戶反饋得出的信任值。取這三個值的平均值得出最終的信任值。能夠對該服務提供商進行評價的其他服務提供商和用戶都必須是可信的，也即其可信值在平均值之上。該模型每計算一次信任值，需要系統中所有服務提供商和用戶對其進行評價，代價太高。

Zhao Kang和Pan Li[9]提出了一種基于機器學習的方式計算信任值的方法并將其應用在社交網絡領域。他們使用SVM方法對節點進行分類，將其分為可信和不可信。該模型對應于云計算領域還是有一些不足：僅僅將節點分為可信和不可信只能提供給用戶一個參考依據，不能幫助用戶進行選擇；由于模型需要大量的訓練數據，在初期是不適用的。

2 模型的計算機制

本文提出的模型綜合了客觀和主觀信任值。客觀信任通過機器監測而得，主觀信任通過用戶反饋而得。將這兩者結合在一起可以彌補主觀或客觀單一描述信任值不夠準確的問題。下面具體介紹模型的計算機制。

2.1 特征屬性的獲取

將屬性值分為兩類，分別為客觀特征屬性和主觀特征屬性。客觀特征屬性反映了CSP在與用戶交互過程中SLA協議的完成程度，屬性值由機器監測得到；主觀特征屬性反映了用戶在使用CSP提供的服務過程中的滿意程度，屬性值由用戶反饋得到。下面分別介紹這兩部分的特征屬性。

客觀特征屬性：根據SLA協議的相關[6]概念，本文主要關心服務的可靠性、安全性和可獲得性。可靠性代表了CSP提供穩定服務的能力，使用用戶請求成功率來表示CSP的這一能力。CSP的安全直接關系到用戶部署在其上的數據是否能夠穩定存儲或者是否被第三方竊取。因而CSP的安全性對用戶來說是至關重要的。使用單位時間內非法請求數和數據加密等級來衡量CSP的這一特征。可獲得性表示用戶在使用CSP提供的服務時CSP的整體性能，用CSP平均響應時間來衡量這一特征。綜上，使用4個屬性來描述CSP的客觀信任值，分別為：用戶請求成功率、單位時間非法請求數、數據加密等級和平均響應時間。將測量的時間單位設為t，CSP與用戶交互的總時間為m，對于第i個特征屬性，我們取其在m個時間單位內測量值的平均值作為最終的屬性測量值。

主觀特征屬性：用戶在使用CSP的過程中主要關心CSP的性價比和穩定性，因而這兩個屬性可以用來刻畫CSP的主觀信任值。另外，CSP是否為用戶提供了滿意的服務也是一個重要的衡量指標。綜上，使用3個屬性來描述CSP的客觀信任值，分別為：性價比、穩定性和滿意度。用戶在完成與CSP的交互后需要填寫一份滿意度調查，用于收集主觀信任部分的信任值。

2.2 屬性值的度量

一共提取了7個特征屬性，其中客觀特征屬性有4個，主觀特征屬性有3個。其中用戶請求成功率、單位時間非法請求數和平均響應時間這3個屬性可以用數值來表示，記為X1,X2和X3；其余4個屬性需要用語言術語來表示，分別是數據加密等級、性價比、穩定性和滿意度，記為X4,X5,X6和X7。表1總結了這4個屬性的描述術語。

從表1中可以看出數據加密等級有4個術語等級，性價比和穩定性有3個術語等級，滿意度有5個術語等級。使用語言術語描述屬性值，雖然表達了用戶的主觀感受，但具有很強的模糊性，也不能將語言術語應用到具體的公式進行計算，因而需要將語言術語轉化為模糊數[10]，最終轉化為具體的數值。文獻[11]中介紹了一種將語言術語轉化為模糊數的方法。該文獻中定義了8個等級轉換表，本文選取其中第三等級轉換表。該等級轉換表有5個等級尺度，分別為差、很差、中等、好、非常好。將屬性和對應的語言描述術語轉化為相應等級尺度，如表2所示。第三等級轉化表對應的模糊數如圖1所示。

圖1 第三等級轉化表

X4(數據加密等級)一級、二級、三級、四級X5(性價比)高、一般、低X6(穩定性)高、一般、低X7(滿意度)非常滿意、滿意、一般、不滿意、非常不滿意

表2 語言術語與等級尺度轉化表

接下來將模糊數轉化為具體的數值。我們使用文獻 [12]提出的左右分值法來確定模糊數的數值。具體步驟如下：

有n個模糊數，每個模糊數表示為Mi，i=1,2,…，n。分別定義模糊數的最大值和最小值：

(1)

(2)

對于模糊數Mi其左右分數值的計算方法如下：

μL(i)=supx[μmin(x)ΛμMi(x)]

(3)

μR(i)=supx[μmax(x)ΛμMi(x)]

(4)

那么，μL(i)和μR(i)都是在[0,1]之間的具體數值。

獲得了左右分數值后，使用公式(5)計算模糊數Mi的具體數值：

根據上述步驟計算出了X4,X5,X6和X7各個等級尺度所表示的具體數值，如表3所示。

對于有多個用戶評價同一CSP的情況，取多個評價值得平均值(評價值均轉換成具體的數值)。

表3 等級尺度與數值轉化表

2.3 信任值計算

使用TOPSIS來計算CSP的信任值。假設系統中有m個CSP，每個CSP提取出了n個特征屬性。我們需要根據特征屬性的數值計算m個CSP的信任值。假設第i個CSP的第j個屬性的測量值為rij，則可用如下數值矩陣表示m個CSP的屬性值：

(6)

由于每個屬性值的維度不同，需要將其歸一化到同一個維度上，使用公式(7)進行歸一化處理：

(7)

新的數值矩陣表示為：

(8)

對于n個屬性，設其權重為w=(w1,w2,…,wn)，其中wi(i=1,2,…,n)表示第i個屬性的權重。那么每個屬性值乘以權重后的值表示為：

(9)

其中vij=Xij*wj，i=1,2,…,m;j=1,2,…,n。

w1,w2,…,wn反映了每個屬性對最終信任值的影響程度。傳統方法一般使用計算者主觀賦權重的方法，這種方法由于計算者的主觀性太強，并不能準確表示CSP實際屬性間的權重關系。為了改進這一問題，將權重的指定權交給用戶，用戶在選擇CSP時可以根據自身需求，賦予特征矩陣合適的權重值。

根據TOPSIS，需要確定每個屬性在m個CSP中對應的理想值和最不理想值。

理想值和最不理想值的定義為:

A*= {(maxivij|j∈J),(minivij|j∈J′)

|i=1,2,…,m}={v1*,v2*,…,vn*}

(10)

A-= {(minivij|j∈J),(maxivij|j∈J′)

|i=1,2,…,m}= {v1-,v2-,…,vn-}

(11)

其中J表示正向屬性的集合，正向屬性是指屬性值越大效果越好的屬性；J′是負向屬性的集合，負向屬性是指屬性值越小效果越好的屬性。

下面計算m個CSP到其理想值和最不理想值的歐幾里得距離：

(12)

(13)

最后根據如下公式計算每個CSP的信任值:

(14)

對于m個CSP的信任值，選擇信任值最大的CSP作為最優CSP。

3 實驗模擬與分析

為了模擬云計算環境，使用云計算仿真工具CloudSim[13]進行模擬實驗，下面具體介紹實驗設置。

3.1 實驗準確度分析

使用平均絕對百分誤差(MAPE)[14]來衡量計算結果的準確度。MAPE的定義為：

(15)

其中，M表示信任值計算的準確度，Ti+1表示第i+1個時間窗內測得的信任值，Ti表示第i個時間窗內測得的信任值，n表示總的測量次數。

在本次實驗中，一個時間窗表示用戶與CSP的一次交互，將時間設定為20 min，總共進行20次交互。同時請來4人作為用戶，每人檢測與CSP的5次交互，給出主觀反饋值，特征屬性的屬性權重也由用戶給出。設置3組對比實驗:第一組實驗中，CSP性能優秀，CPU、RAM和帶寬都較高，同時數據加密等級也達到了四級，但是價格較貴；第二組實驗中，CPU、RAM和帶寬在三組實驗中處于中等配置，數據加密等級為三級，但是性價比高；第三組實驗中，CPU、RAM和帶寬配置都較低，數據加密等級也較低。每組實驗中有30%的CSP不能提供承諾的服務，也就是說達不到承諾的服務標準，其余70%的CSP可達到承諾的服務標準。實驗配置如表4所示。

表4 實驗參數配置表

另外在每組實驗中設置了3組對比條件，分別為只計算客觀信任值、只計算主觀信任值、主客觀結合方式計算信任值。圖2顯示了3組實驗的實驗結果。第一組實驗CSP的配置最高，性能最好，測得的MAPE最低；第三組實驗CSP的配置最低，性能最差，測得的MAPE最高；第二組介于第一和第三組實驗之間。CSP的配置高、性能好時，用戶給出的反饋值也會較好，但由于配置高必然會使價格高，因而性價比不會很高，這導致第一組實驗中客觀信任值高于主觀信任值，而主客觀結合的信任值介于兩者之間，因而更真實地反映了CSP的信任情況。注意到第三組實驗中，主觀信任值測得的結果是在客觀信任值之上的，這是因為當CSP的配置較低時，其性價比相對來說是較高的，使得測得的主觀信任值高于客觀信任值。

圖2 實驗準確度分析

綜上，可以得出使用主客觀結合的信任模型比單獨使用主觀或客觀信任模型計算出的信任值更加準確、可靠。

3.2 模型主觀偏好分析

在2.3小節中指出SOCTM是通過用戶主觀賦權重的方式確定各個特征屬性的重要程度的。本小節通過實驗驗證該方法能否幫助用戶選擇符合自身需求的CSP。

實驗中設置4個CSP，每個CSP都有一個特征屬性值高于其他組，其余特征屬性值相同。CSP1性價比較高，CSP2數據加密等級較高，CSP3用戶請求成功率較高，CSP4平均響應時間短(更好)。設置4組屬性權重，代表用戶的主觀偏好，如表5所示。

表5 屬性權重表

將4組屬性權重分別應用到CSP的信任值計算中，結果如圖3所示。

圖3 不同屬性權重對應的信任值

從圖3可以看出，當某一特征屬性的權重較大時，本文的計算模型會將該特征屬性值較大的CSP挑選出來。如第一組實驗，特征屬性的權重值為0.1，0.1，0.1，0.1，0.3，0.1，0.1，也就是說用戶比較關心性價比這一特征，從實驗結果可以看出，計算出CSP1的信任值最高，而CSP1的性價比是在4個CSP中最高的，因而挑選出了符合用戶需求的CSP。

3.3 與其他模型比較

將SOCTM(模型1)與文獻[5]中提出的基于SLA的信任模型(模型2)進行比較。為了公平起見，將各個特征屬性權重都設為相等的值，則模型1每個特征屬性的權重為0.142，模型2每個特征屬性的權重為0.25。模型1中主觀信任值由5名用戶給出；模型2中不包含主觀信任值。實驗均在5個CSP，20個時間窗內進行。圖4是實驗結果。從圖中可以看出模型1的準確性要高于模型2。這也說明了本文的模型要優于模型2。

圖4 兩種模型對比

4 模型的應用

SOCTM可應用在實際的云環境中，應用場景如圖5所示。典型的云環境會有多個CSP，用戶需要從多個CSP中選取符合自己需求的CSP。傳統的選擇方法是根據以往的口碑、價格、服務類型等因素，用戶自己去判斷哪一個CSP更好，這種判斷帶有很強的主觀性。另外，影響用戶判斷的因素往往不是公正、客觀的。圖5中使用信任服務提供商(Trust Service Provider, TSP)作為中間信任代理，用戶在選取CSP時將直接與TSP進行溝通，根據TSP提供的信任數據，選取合適的CSP。SLA Monitor Module 和 User Feedback Module用于收集用戶數據，Trust Value Computing Module用于計算CSP的信任值，信任值計算使用了SOCTM提出的計算方法。其余模塊負責數據存儲、CSP注冊、用戶協商與推薦等相關工作。

SOCTM在云環境中的應用將提高用戶選擇CSP的效率，使用戶選擇出性價比更高、更符合自身需求的CSP。

圖5 SOCTM模型應用場景示意圖

5 結論

本文提出了主客觀協同的信任模型。該模型選取了4個客觀特征屬性以及3個主觀特征屬性來計算信任值。在信任值的計算中，將主客觀特征屬性結合在一起，使用TOPSIS計算多個CSP的信任值。同時，應用模糊集將語言術語轉化為具體的數值，方便了信任值的計算。在特征屬性權重方面，使用用戶賦權重的方法，可以滿足不同用戶的特殊需求。從實驗結果可以看出本文提出的模型可以挑選出符合用戶需求的CSP，同時在準確性方面，本文的模型也要優于其他模型。

雖然本文的模型取得了不錯的效果，但仍然有許多需要改進的地方。客觀特征屬性的選取過程中只選取了4個關鍵屬性，在實際應用中，可能不能完全描述CSP的服務情況。另外，可以將CSP的歷史信任值作為用戶選擇CSP時的參考值，如果計算CSP信任值時的屬性權重符合用戶需求，那么用戶在選擇CSP時，系統就不必重新計算信任值了，這樣可以大大提升模型的效率。

[1] KAPIL D, TYAGI P, KUMAR S， TAMTA V P. Cloud computing: overview and research issues[J]. 2017 International Conference on Green Informatics，ICGI, Fuzhou, China, 2017：71-76.

[2] HARBAJANKA S， SAXENA P. Survey paper on trust management and security issues in cloud computing[J]. 2016 CDAN, Indore, 2016：1-3.

[3] 沈昌祥,張煥國.可信計算的研究與發展[J].中國科學，2010,40(2):139-166.

[4] 丁滟,王懷民. 可信云服務[J].計算機學報，2005,38(1):133-149.

[5] CHAKRABORTY S， ROY K. An SLA-based Framework for Estimating Trustworthiness of a Cloud[J]. 2012 IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications, Liverpool, 2012：937-942.

[6] ALHAMAD M, DILLON T， CHANG E. Conceptual SLA framework for cloud computing[J]. 4th IEEE International Conference on Digital Ecosystems and Technologies, Dubai, 2010：606-610.

[7] Li Xiaoyong，Du Junping. Adaptive and attribute-based trust model for service level agreement guarantee in cloud computing[J]. IET Information Security, v2013,7(1)：39-50.

[8] MUCHAHARI M K， SINHA S K.A new trust management architecture for Cloud computing environment[J]. 2012 International Symposium on Cloud and Services Computing, Mangalore, 2012：136-140.

[9] Zhao Kang， Pan Li. A machine learning based trust evaluation framework for online social networks[J].2014 IEEE 13th International Conference on Trust, Security and Privacy in Computing and Communications, Beijing, 2014: 69-74.

[10] DUBOIS D, PRADE H. Fuzzy sets and systems: theory and applications[M]. New York：Academic Press, 1980.

[11] CHEN S J， HWANG C L. Fuzzy multiple attribute decision making[M]. Lecture Notes in Economics and Mathematical Systems，Springer, 1992,375 (1) :289-486.

[12] Chen Shanhuo. Ranking fuzzy numbers with maximizing set and minimizing set[J]. Fuzzy Sets and Systems, 1985，17(2)：113-129.

[13] CALHEIROS R N, RANJAN R, BELOGLAZOV A, et al. CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms[J]. Software: Practice and Experience, 2011,41 (1) :23-50.

[14] SWANSON D A, TAYMAN J, BRYAN T M. MAPE-R: a rescaled measure of accuracy for cross-sectional subnational population forecasts[J]. Journal of Population Research, 2011，28(2-3):225-243.