區間數多屬性決策的云服務信任評估方法

武小年，王青芝，張楚蕓，葉志博

1(桂林電子科技大學 廣西無線寬帶通信與信號處理重點實驗室，廣西 桂林 541004)2(桂林電子科技大學 廣西可信軟件重點實驗室，廣西 桂林 541004)3(桂林電子科技大學 廣西高校云計算與復雜系統重點實驗室，廣西 桂林 541004)

1 引 言

隨著商用為主的云計算得到大力推廣，越來越多的企業推出云服務.然而，由于許多內在和外在的原因，云提供商提供的云服務往往不能達到他們所承諾的服務質量(Quality of Service，QoS)水平[1].面對眾多功能相同或相近，而質量不同的云服務，如何依據云服務在真實云環境下的運行狀況，對其進行客觀的信任評估，為用戶提供個性化推薦已成為當前云計算領域亟待解決的問題.

目前，對云提供商的云服務信任評估模型研究[2]依據被評估的數據來源大體可以分為三類：第一類是基于主觀推薦的云服務信任評估方法，其依據云用戶與云提供商的歷史交互經驗，對云服務的可信性與有效性進行評估[3，4].這類方法容易產生“滯后效應”，且會受到人為因素的影響.第二類是基于主客觀結合的云服務信任評估方法，其依據云用戶與云提供商的歷史交互經驗，以及云服務的QoS指標數據對云提供商所提供云服務進行綜合評估[1，5，6].這類方法在一定程度上減輕了信任評估結果的主觀性，增強了評價的客觀性，但是沒有從根本上解決“滯后效應”和惡意評價.第三類是基于QoS指標的客觀的云服務評價方法，如Qu C等[7]將QoS屬性引入對云服務的評價體系中，根據用戶模糊服務質量的要求和服務的動態性，進行云服務選擇推薦.這類方法避免了“滯后效應”和用戶惡意評價，但是評估過程較復雜.

針對上述問題，本文提出了一種基于區間數多屬性決策的云服務信任評估方法，該方法從云服務層次劃分、QoS指標數據采集、指標權重計算和服務的綜合評價四個方面完成對云服務的信任評估.其中，區間數被采用表示所采集的QoS指標數據；模糊層次分析法被用于建立云服務模型的權重體系；基于所建立的規范化決策矩陣和權重體系，評估云服務及云提供商的服務質量優劣.

2 基于區間數多屬性決策的云服務信任評估模型

云服務開放性特點，使得依據云用戶對云服務的交互經驗進行云服務信任評估缺乏客觀性.而實際上，云服務的優劣，可以通過監測云服務提供商在為云用戶提供云服務時QoS的好壞來客觀判斷.基于此，本文提出一種區間數多屬性決策的云服務信任評估方法.該方法從云服務層次劃分、QoS指標數據采集、指標權重計算和服務綜合評價四個方面完成對云服務的信任評估，模型結構如圖1所示.

圖1 云服務信任評估模型結構Fig.1 Trust evaluation model structure of cloud service

云服務信任評估是一個模糊且難以量化的問題，為具體化信任評估中的相關信息，在圖1的層次劃分中，本文按照評估對象的性質及其之間的相互關聯以及隸屬關系，將云服務及反映云服務特征的屬性等問題層次化，形成一個包括目標層、服務層和指標層的多層次結構模型.

定義1. 目標層是指云提供商，即具有獨立自主能力可以為用戶提供云服務的實體.以T表示目標層，則目標層集合T={t1，t2，…，ti，…，tk}，k為云提供商數量.

定義2. 服務層指由目標層中云提供商提供的云服務.用S表示服務層，則S={s11，s12，…，sij，…，skm}，sij為云提供商i的第j個云服務，m為云提供商k的云服務數量.

定義3. 指標層是指對服務層中云服務的度量指標，用來客觀的描述云服務的運行情況.用Q表示指標層，則Q={q11，q12，…，qij，…，qmn}，qij表示第i個云服務的第j個QoS指標.

在云環境中，針對云提供商提供的虛擬化的云服務，無法像有形商品一樣去觀察比較，而云用戶對云服務的評價往往帶有個人主觀色彩.為客觀評價云服務，通過監測和采集云服務運行過程的QoS指標數據，如傳輸速率，響應時間等，為評估云服務提供客觀的數據來源.云服務的QoS指標是對云服務滿足用戶需求能力的一種度量，包括安全性，可靠性、成本、性能、可用性等，各指標之間相互影響相互制約，且處于動態變換中.多屬性決策方法可以有效解決有多個待評估目標和多個評估指標的問題.因此，本文采用多屬性決策方法評估云服務，而針對云服務指標數據的動態性，對采集的QoS指標數據用區間數形式表示并規范化.

由于云服務本身的特點以及云提供商的性能和利益等的不同，導致不同云提供商所提供的相同云服務和同一云提供商所提供的不同云服務都有不同的QoS指標權重.為合理表達云服務層次模型中目標層和服務層以及服務層和指標層之間的隸屬關系，依據層次結構中下層對上一層的影響程度，采用模糊層次分析法計算云服務評估的權重體系.

基于采集并規范化處理的決策矩陣以及構建的層次結構模型權重體系，采用區間數多屬性決策[7]中的線性加權法評估云服務以及云提供商的優劣，并以基于布爾矩陣的區間數排序方法排序，實現對云服務及云提供商的信任評估.

3 數據的采集及處理

在實際環境中，云服務QoS指標的數值會隨環境的變化而波動，但如果實時采集數據，會降低評估效率.鑒于云平臺對云服務運行的監控，采集云服務在一段時間內的運行數據，并用區間數形式表示.

定義4. 設ql，qh是兩個實數，ql，qh∈R，且ql≤qh，則稱q=[ql，qh]為區間數.其中ql為區間數的下界，qh為區間數的上界.特別地，當ql與qh大小相等時，區間數就變為一個實數.

基于采集的反映云服務QoS的指標數據，按照不同的指標屬性進行數據分類，構建一個反映云服務QoS區間數多屬性的決策矩陣X如下：

在決策矩陣X中，不同QoS指標具有不同的物理意義和量綱，難以直接進行比較.通過規范化，可以去除不同QoS指標的量綱，實現對不同指標的融合計算；并能夠將不同指標數據轉化為特定區間的數據，避免不同數據數值的巨大波動和數據的相互影響.上述QoS指標，從其性質可以劃分為效益型和成本型兩類，效益型指標是指數值越大越好的指標，如資源利用率、可靠性、準確性等；成本型指標是指數值越小越好的指標，如響應時間、成本等.

針對決策矩陣X中的效益型指標，依據區間數運算法則，基于向量歸一化原理進行規范化，其公式如下：

(1)

對X矩陣中的成本型指標，其規范化公式如下：

(2)

對決策矩陣X規范化后決策矩陣X′如下：

4 建立層次結構模型權重體系

度量云服務QoS的指標眾多，各指標可能還會相互影響.為權衡不同指標對云服務的影響，并適應云服務復雜多變的特性，需要構建一個針對不確定多屬性決策問題的權重計算方法.多屬性決策問題中的指標權重確定方法有熵值法、模糊聚類法、主成分分析法、層次分析法(AHP)等.模糊層次分析法[8](FAHP)基于層次分析法，對模糊的、難以量化的問題給出了有效的解決途徑.本文采用FAHP建立層次結構模型權重體系.

FAHP首先建立模糊一致性判斷矩陣，再計算各層構成要素對于總目標的組合權重.相對于AHP，FAHP構建模糊判斷矩陣使一致性檢驗過程更加簡單和科學.

4.1 構建模糊判斷矩陣

為了合理表達出不同云服務對云提供商的影響程度，以及不同QoS指標對云服務的影響程度的不同，本文采用隸屬度量化這種影響程度的比較，并通過“0.1-0.9”標度法[9](其描述了兩個元素間的重要程度，如兩個元素重要程度一樣或一個元素較另一個元素更加重要).將隸屬度的值限定在[0.1，0.9]區間，建立模糊判斷矩陣.

定義5. 若對論域(研究的范圍)U中的任一元素x，都有一個數A(x)∈[0，1]與之對應，則稱A為U上的模糊集，A(x)稱x對A的隸屬度.隸屬度A(x)→1，表示x屬于A的程度越高；A(x)→0，表示x屬于A的程度越低.

針對云服務的兩個指標i和j，以rij表示指標i和指標j比較時，兩者具有的模糊關系“…比…重要得多”的隸屬度，則當rij→1，表示指標i比指標j的重要程度更高；rij→0表示指標i比指標j的重要程度更低.

依據“0.1-0.9”標度法對服務的各個指標進行比較，獲得各指標兩兩間的隸屬度，建立指標層的模糊判斷矩陣R.針對服務層中的第i個服務，以其指標間的隸屬度建立的模糊判斷矩陣Ri如下：

類似地，對于服務層所有服務s11，s12，…，sij，…，skm的指標隸屬度，分別建立云服務的模糊判斷矩陣R1，R2，…，Rm.

同理，對于目標層的k個云提供商t1，t2，…，ti，…，tk，計算各云提供商各服務兩兩間的隸屬度，建立云提供商的模糊判斷矩陣E1，E2，…，Ek.

模糊判斷矩陣的隸屬度依據實際采集的數據量化不同指標間的關系，適用于多屬性不確定性的權重的計算.

4.2 對模糊判斷矩陣的一致性檢驗

為檢驗各元素重要度之間的協調性，對模糊判斷矩陣進行一致性檢驗，其評判標準為：矩陣中第一行與其它行間的差值是否為常數.以Ri為例進行一致性檢驗如下：首先用Ri的第一行減去第二行對應元素，若所得的m個差值分別相等，則不再調整第二行，否則，對第二行元素進行調整，直到各差值相等.同理，以第一行和其它各行進行檢驗和調整，最終得到模糊一致相判斷矩陣(Ri)′.

類似地，對所有云服務模糊判斷矩陣R1，R2，…，Rm進行一致性檢驗，獲得服務層各云服務的模糊一致性判斷矩陣(R1)′，(R2)′，…，(Ri)′，…，(Rm)′.

對目標層各云提供商的判斷矩陣進行類似一致性檢驗，得到模糊一致性判斷矩陣(E1)′，(E2)′，…，(Ei)′，…，(Ek)′.

模糊判斷矩陣的一致性檢驗，保證了矩陣中各元素重要度之間的一致性，使計算結果科學、可靠.

4.3 權重計算方法

權重的計算或選擇，需要能夠反映出其對最終計算結果的影響程度.為簡化模糊一致性判斷矩陣進行權重影響的計算量，并保留矩陣中各元素對評估對象的影響，本文采用模糊判斷矩陣權重公式計算云服務的指標權重.以ωij表示第i個云服務的第j個QoS指標的權重，其計算公式如下：

(3)

其中，n為第i個云服務的指標數量，a=(n-1)/2.

類似求第i個云服務的n個QoS指標的權重集ωi如下：

ωi=[ωi1ωi2…ωij…ωin]

最終，計算出服務層所有云服務所有指標權重集，獲得的權重矩陣ω如下：

同理，基于目標層k個云提供商的模糊一致性判斷矩陣(E1)′，(E2)′，…，(Ei)′，…，(Ek)′，采用公式(3)計算云服務權重向量v1，v2，…，vi，…，vk，獲得權重矩陣v.

指標權重矩陣ω和服務權重矩陣v共同構成層次結構模型權重體系W，其將為云服務的綜合評估提供權重支持.

5 云服務信任評估與排序

云服務服務質量的優劣，反映了云服務的可信性.依據規范化的決策矩陣X′和量化的權重體系W，實現對云服務服務質量的評估.

5.1 云服務信任評估方法

常見的區間數多屬性決策中的綜合評價方法主要有：簡單線性加權法、理想點法、層次分析法，以及在此基礎上的改進方法.針對云服務的多屬性問題，本文采用線性加權法實現對云服務的評價.

以Ti表示第i個云服務的綜合評價值，計算公式如下：

(4)

其中，(qij)′為X′中第i行j列的QoS指標數據；ωij為指標權重矩陣ω中第i個云服務的第j個指標權重值.

類似計算服務層所有云服務綜合評價值T1，T2，…，Tm.

基于對云提供商的各云服務綜合評價結果和對云提供商的服務權重集，計算云提供商的綜合評價值.以Fi表示第i個云提供商的綜合評價值，計算公式如下：

(5)

類似地，可以計算出目標層k個云提供商的綜合評價值F1，F2，…，Fk.

5.2 云服務基于布爾矩陣的區間數排序

為區分不同云服務或云提供商的服務質量優劣，需要對其綜合評價結果進行排序.針對區間數的排序，人們常采用基于可能度的區間數排序方法，但該方法可能會導出不合理的排序結果.基于布爾矩陣的區間數排序方法[10]可以消除這種局限性，本文采用布爾矩陣對上述的評價結果排序.

定義6. 可能度是用來反映一個區間數大于另一個區間數程度的量.以該度量為基礎可以導出區間數之間的排序.

文獻[11]比較了幾種常用的可能度計算模型，并證明了其排序結果具有等價性.本文選用由Nakahara等[12]提出的計算相對簡單的可能度計算公式，具體如下：

(6)

為減小計算量，將可能度矩陣中的元素pij依據如下準則進行轉換，形成布爾排序矩陣Zk.

1http://www.cloudharmony.com/

(7)

依據布爾排序矩陣Zk求排序向量，即將布爾矩陣Zk按行求和，所得結果即λ=(λ1，λ2，…，λm)為所求的排序向量.

按照排序向量λ值的大小對第k個云提供商所提供的m個云服務的綜合評價值Tki進行排序，排序結果顯示了m個云服務所提供服務質量的高低，即為云服務的可信性高低.

同理，可以對服務層所有的云服務按照布爾矩陣的排序方法求出所有云服務的可信性排序結果.

對于目標層的所有云提供商，則通過求云提供商的綜合評價值F的可能度矩陣，再按照同樣的規則轉換為布爾矩陣并排序，求出所有云提供商的可信性排序.

需要說明的是，排序結果并非一成不變，其會隨實時采集的QoS指標數據，以及所計算的權重體系變化而動態變化，能夠有效反映出云提供商所提供服務質量的實時變化.

6 仿真實驗及結果分析

6.1 實驗環境

本文采用MATLAB實現了模型中的決策矩陣規范化、基于模糊層次分析法的權重計算、綜合評估計算及布爾排序等功能，對從CloudHarmony網站1采集的云提供商所提供服務的QoS指標數據進行處理和評估，驗證方法的有效性.實驗計算機CPU為Intel(R) Core(TM) i5-2.50GHz，內存為6GB，操作系統為Windows 7.

表1 云提供商服務偏重表Table 1 Inclined service table of cloud provider

在實驗中，本文主要針對Google Cloud Storage平臺分別在eu、asia、us-east1和us-west1四個地區的文件下載服務指標數據進行評估.對文件下載的服務包括：小文件下載、大文件下載和時延.初始地，假設eu地區的小文件下載最優、asia地區的大文件下載最優、us-east1地區的時延最優、us-west1地區的三種服務均衡，則云提供商所提供云服務的偏重表如表1所示，其用于構造模糊判斷矩陣.

6.2 數據采集及處理

CloudHarmony網站提供了多個云提供商所提供諸多云服務，其記錄了各個云服務提供服務質量的指標數據.因該網站提供的服務監測數據眾多，無法一一列出.因此，實驗中主要記錄了Google Cloud Storage平臺在一段時間內在eu、asia、us-east1和us-west1四個地區文件下載的QoS指標數據.表2中將四個地區當作四個不同的云提供商，所提供的云服務及QoS指標數據具體如表2所示.

依據表2中的原始數據列出決策矩陣X，通過規范化得到規范化決策矩陣X′如下：

6.3 云服務信任計算實驗

針對上述采集并規范化數據，通過權重計算、服務綜合評價、排序完成對云提供商所提供服務的信任計算.

6.3.1 權重計算

根據表2中的指標數據，分析并列出服務對不同指標的偏重，建立各指標的模糊判斷矩陣、模糊一致性判斷矩陣，進而計算出指標的權重矩陣ω如下：

表2 以區間數表示的QoS指標數據Table 2 QoS index data represented by interval numbers

根據表1，建立各服務的模糊判斷矩陣、模糊一致性判斷矩陣，進而計算出Google Cloud Storage平臺在eu、asia、us-east1和us-west1四個地區的服務權重向量如下：

v1=[0.43，0.33，0.24]，v2=[0.37，0.47，0.16]

v3=[0.23，0.23，0.54]，v4=[0.33，0.33，0.33]

6.3.2 云提供商的服務質量評價

根據公式(4)計算出不同云服務的綜合評價結果，再以公式(5)計算四個云提供商的綜合評價結果，具體如下：

Feu=[0.0176，0.0581]，Fasia=[0.0672，0.1576]

Fus-east1=[0.0317，0.0641]，Fus-west1=[0.0502，0.1480]

6.3.3 云提供商的信任評價

采用基于布爾矩陣的區間數排序方法進行排序得：

λ=(2，4，3，1)，即，Fasia>Fus-weast1>Fus-east1>Feu

排序結果表明，在四個地區中，asia地區最優，其次為us-weat1地區，而eu地區最差.

上述實驗結果表明，本文所提出的方法能夠依據實際監測采集的云服務指標數據和云提供商服務偏重表，對云服務及云提供商進行有效的信任評估.

6.4 服務指標權重變化對比實驗

為表明本文方法對云服務信任評估的正確性，本實驗通過主觀的用戶偏好來影響云服務的偏重情況，并最終改變云提供商的排序結果.

基于表2的實驗數據，設置用戶偏好為：用戶無偏好、偏重于小文件下載、偏重于大文件下載、偏重于時延.

基于設置的用戶偏好，以其改變表1中的云服務偏重，并重新計算云服務和云提供商的權重，再結合決策矩陣，計算出云服務及云提供商的綜合評價結果，其排序結果如下.

圖2 改變服務的指標偏重對比試驗結果Fig.2 Compared results among different services with inclined index

圖2顯示，對于四個云提供商，改變用戶偏好，其信任評估的結果會相應改變.對比于表1中的云服務偏重表，相對于用戶無偏好的情況，當用戶偏重于某一個服務時，表1中服務偏重大的云提供商在圖2中排序結果會前移.這表明本文方法能夠根據用戶偏好的變化正確地評估云服務及云提供商的信任變化.

6.5 與逼近理想點法模型的對比測試

基于同樣的QoS指標數據和服務偏重信息，對比測試了本文方法與逼近理想點法模型[13]對云服務和云提供商的綜合評估結果，實驗結果如圖3所示.

圖3 不同方法的綜合評價值對比結果Fig.3 Compared results between different methods

從圖3可以看出，本文方法與理性點逼近法對云服務評估的排序結果是一致的，說明了本文方法的有效性.同時，本文方法的算法復雜度為O(n)，而理想點逼近法的算法復雜度為O(n2)，本文方法具有更高的效率.

7 結束語

針對云服務的服務質量評估問題，提出一種基于區間數多屬性決策的云服務信任評估方法.該方法通過采集云提供商在提供云服務時的QoS指標數據并進行分析，以保證參與評估數據的客觀性和實時性；采用模糊層次分析法計算指標體系權重，并通過線性加權和布爾矩陣排序方法計算云服務及云提供商的服務質量情況.實驗結果表明，本文方法能夠正確計算出云服務及云提供商的服務質量優劣情況，并具有較好的客觀性.在下一步工作中，將考慮研究未知權重的評估方法，并將其替代云服務偏重評估方法，加強對云服務評估的客觀性和真實性.