基于D-S證據(jù)理論的多維度信任評估方法?

吳旭王 楊袁耀

（西安郵電大學(xué)計算機科學(xué)與技術(shù)系 西安 710121）

1 引言

隨著云計算的快速發(fā)展，用戶對云計算的安全、性能、可靠性持懷疑態(tài)度［14～16］。要想消除用戶在選擇云服務(wù)時產(chǎn)生的顧慮和擔(dān)憂，就需要采取有效的機制和手段管理云中用戶和云服務(wù)商的信任關(guān)系［8，10］。

信任涉及許多因素，如假設(shè)、期望、行為、風(fēng)險等。因此，可信度具有多維屬性［12～13］。研究適用于云計算環(huán)境的信任關(guān)系建模和評估方法，是動態(tài)信任管理必須解決的核心問題［1～5］。

文獻［2］從云服務(wù)的操作性能、QoS、安全隱私等方面考慮，將云服務(wù)的適用性、可擴展性、可持續(xù)性、可靠性等屬性作為信任維度建立屬性選擇空間，并提出一種用于各信念度屬性的證據(jù)推理算法，融合多個等級的評價。文獻［8］在信任證據(jù)模型中引入滑動窗口來評估用戶和云服務(wù)商的信任關(guān)系，但卻不能有效地反映云服務(wù)商的服務(wù)行為變化。

由于D-S證據(jù)理論具有處理“不精確”和“不確定”的能力，因此，現(xiàn)有的信任模型大多采用D-S證據(jù)理論來融合多維信任證據(jù)［7，9］。但是，當(dāng)前國內(nèi)外學(xué)者提出的信任證據(jù)模型仍然存在著不足：1）由于各證據(jù)的不確定性，不一定具有相同的重要程度，所以在實際應(yīng)用中不能將多維證據(jù)直接利用D-S合成規(guī)則進行合成。2）評估云服務(wù)商的信任度通常只考慮基本信任函數(shù)m(T )或信任函數(shù)Bel(T)，而忽略了不確定部分的基本信任函數(shù)值。

針對以上問題，提出一個新的多維度信任評估方法來評估云服務(wù)商的信任值。在該方法中，用信任、不信任和不確定性這三者來表示實體間的信任關(guān)系，依據(jù)云服務(wù)商相關(guān)的屬性證據(jù)進行直接信任度計算，并引入證據(jù)權(quán)重和歸一化算法得到更為真實直觀的直接信任值；根據(jù)第三方用戶的推薦計算間接信任度；最后以實體間的交互次數(shù)為權(quán)重綜合直接信任和推薦信任得到實體的綜合信任值。實驗分析表明，該信任模型能夠較為準(zhǔn)確地對實體做出信任評估，同時將D-S證據(jù)理論引入到實體的直接信任度評估中，較好地解決了證據(jù)不確定性的問題。

2 改進的D-S證據(jù)理論

2.1 D-S證據(jù)理論的基本原理

D-S證據(jù)理論由Dempster于1967年提出，其學(xué)生Shafer在1976年將其進一步推廣［6，11］。D-S證據(jù)理論的數(shù)學(xué)模型要先定義識別框架，然后確定證據(jù)對每個命題的支持程度，再利用證據(jù)合成公式算出對所有命題的支持度。

在D-S證據(jù)理論中，用識別框架Θ表示所研究對象的全集，Θ中的元素之間相互排斥且為離散值。基于識別框架Θ的所有子集的集合稱為Θ的冪集，記作2Θ。

定義1概率分配函數(shù)m：若存在函數(shù)m:2Θ→[0 ,1]，且滿足：

則稱m(A)稱為A的基本概率分配函數(shù)，函數(shù)m(A) 反映了證據(jù)體對事件A的相信程度。

定義2信任函數(shù)Bel：設(shè)函數(shù)Bel:2Θ→[0 ,1]，且

Bel又稱為下限函數(shù)，Bel(A)表明對事件A的真實信任度。

定義3似然函數(shù)Pl：設(shè)函數(shù)Pl:2Θ→[0 ,1]，且

Pl(A)又稱為上限函數(shù)，表明對事件A的非假信任度。

根據(jù)以上相關(guān)定義，Dempster合成規(guī)則如下：

定義4合成規(guī)則：對于?A?2Θ，識別框架上的有限個mass函數(shù)m1，m2，…mn的合成規(guī)則為

K稱為歸一化因子，1-K則為矛盾因子，反映證據(jù)間的沖突程度，矛盾因子K與兩條證據(jù)之間的沖突程度有關(guān)，當(dāng)K的值越接近1時，證據(jù)體之間的沖突程度越大，融合結(jié)果越不準(zhǔn)確；當(dāng)K的值越接近0，證據(jù)體之間的沖突程度越小，融合結(jié)果越準(zhǔn)確；當(dāng)K=1時，證據(jù)體之間相互矛盾，不能對其進行有效融合。

2.2 改進的D-S證據(jù)理論

由于云環(huán)境中信任具有不確定性，而實際應(yīng)用中參與合成的證據(jù)的重要性一般是不同的，但是D-S證據(jù)理論并沒有區(qū)分原始證據(jù)的重要性，所以會產(chǎn)生證據(jù)間的沖突K。針對證據(jù)合成過程中的證據(jù)沖突問題，引入證據(jù)權(quán)的概念，本文提出證據(jù)的“有效性”來表示證據(jù)的重要性并作為證據(jù)權(quán)重對已有的基本可信度分配函數(shù)進行修正。證據(jù)有效性越高，則代表證據(jù)對于信任結(jié)果越重要，反之，則越不重要。

綜上，本文分析證據(jù)的“可信度”和“確定性”，來定義證據(jù)的有效性，繼而判斷證據(jù)的重要性。

定義5假定識別框架Θ下的信任證據(jù)E1和E2，A?{? ,{T},{- T},{T ,-T }}E1和E2的證據(jù)距離即為m1，m2的距離，計算方式如下：

式中M1=[m11,m12,m13]T，M2=[m21,m22,m23]T。D=Dij為一個i×j的矩陣，其中，

定義6設(shè)m1,m2,…,mn為同一識別框架下的n個證據(jù)，證據(jù)mi被其他證據(jù)的支持程度為

其中sim(mi,mj)為證據(jù)mi與mj的相似度，且滿足sim(mi,mj)=1-d(mi,mj)。

定義7將所得到的s( mi)進行排序，可以得到s(mf)：

根據(jù)信任證據(jù)權(quán)重的評定原則和證據(jù)距離的度量方法，已知被支持程度最高的信任證據(jù)mf，以mf的s(mf)為基數(shù)，則證據(jù)mj的相對可信度如下：

由信息熵理論，定義證據(jù)的確定性。

定義8 m(A)為識別框架下任意證據(jù)E的基本可信度函數(shù)，|Θ |=I，證據(jù)E提供的信息的相對確定性為

上式中，V(E)為信任證據(jù)E所包含信息不確定性的信息熵。信息熵具體的計算公式為

上式中ρ為熵值系數(shù)且滿足ρ＞0。

綜上可得證據(jù)的有效性，即識別框架下證據(jù)的重要性權(quán)重：

信任證據(jù)有效性U(mj)是由信任證據(jù)的可信度和確定性共同決定，并且滿足0≤U(mj)≤1。

由上述分析，本文依據(jù)信任證據(jù)重要性加權(quán)的方法對原來的基本概率分配進行改進，即可以得到新的概率分配函數(shù)（BPA）：

修改后的D-S證據(jù)理論合成規(guī)則對證據(jù)的重要性進行了區(qū)分，可以有效地緩解證據(jù)合成時由于證據(jù)重要性不同而引起的沖突。

3 信任模型

3.1 信任模型框架

云計算環(huán)境中的實體身份很多，本文主要評估云服務(wù)商（SP）和用戶（SU）之間的信任關(guān)系，用戶根據(jù)關(guān)于云服務(wù)商的直接信任度和推薦實體（SR）的間接信任度來計算云服務(wù)商的綜合信任值。信任模型如圖1所示。

如圖1，由于云服務(wù)商和用戶間的信任關(guān)系具有模糊性和不確定性問題，而D-S證據(jù)理論能夠很好地處理這種不確定性，因而提出基于D-S證據(jù)理論的多維度信任評估方法來計算實體間的直接信任度，用信任，不信任和不確定組成的三元組表示實體間的信任關(guān)系；該方法從保證QoS的角度來計算云服務(wù)商SP的直接信任度，主要關(guān)注其所提供云服務(wù)的四種可信屬性，其中包括節(jié)點規(guī)范，平均資源使用率，平均響應(yīng)時間，平均任務(wù)成功率。節(jié)點規(guī)范和平均資源使用率都包括四個可信賴的證據(jù)：CPU頻率，內(nèi)存大小，硬盤容量，網(wǎng)絡(luò)帶寬。我們利用以下兩種類型的軟件傳感器并采用基于推送的方法來獲取這些QoS指標(biāo)：1）監(jiān)控傳感器負責(zé)收集計算資源的直接性能指標(biāo)。例如CPU頻率，內(nèi)存大小，硬盤容量，網(wǎng)絡(luò)帶寬，掃描敏感端口次數(shù)等。2）計算傳感器負責(zé)收集和計算需要實時計算和統(tǒng)計的間接QoS指標(biāo)。例如CPU利用率，內(nèi)存利用率，硬盤利用率，帶寬利用率，平均響應(yīng)時間和平均任務(wù)成功率。

圖1 信任模型框架

依據(jù)采集的屬性證據(jù)對云服務(wù)商進行基本概率分配（BPA）；并根據(jù)重要性權(quán)重對原始的BPA函數(shù)進行加權(quán)修正；最后利用D-S證據(jù)合成規(guī)則融合信任證據(jù)；再對信任關(guān)系三元組進行歸一化計算，得到更貼近真實值的直接信任度；接下來根據(jù)其他用戶的推薦信任計算出間接信任度即可綜合得到云服務(wù)商的綜合信任值，為用戶的下一步交互活動提供依據(jù)。

3.2 多維度信任評估方法

3.2.1 直接信任

直接信任值用D( SR,SP)表示，它反映了云服務(wù)商最直接的信任度，用戶根據(jù)與云服務(wù)提供商的直接交易等因素來判斷是否可信。本文中的直接信任值計算考慮了影響信任的多維屬性證據(jù)。

在本文的信任模型中，將Θ定義為{T ,-T}，實體間的關(guān)系分為信任{T}、不信任{- T}、不確定{T ,-T}，從這三個方面對直接信任度進行評估，其步驟如下：

1）首先依據(jù)證據(jù)采集階段采集的屬性證據(jù)：節(jié)點規(guī)范（E1），平均資源使用情況（E2），平均響應(yīng)時間（E3），平均任務(wù)成功率（E4），對實體進行基本概率分配，如表1所示。

表1 基本概率分配表

識別框架Θ下的4個信任證據(jù){ E1,E2,E3,E4}對應(yīng)的基本概率分配函數(shù)分別為m1,m2,m3,m4。

2）基于各證據(jù)對應(yīng)的基本概率分配，運用式（5）～（12）計算證據(jù)的重要性權(quán)重U( mj)(j=1,2,、3,4)。

3）將重要性權(quán)重代入式（13）即可得到修正后的BPA函數(shù)，即{m'i(T)，m'i( -T)，mi'(T ,-T)}(i=1,2,3,4)。

4）最后根據(jù)式（2）對屬性證據(jù)進行合成，從而得到表示云服務(wù)商直接信任的信任三元組{m({ - T })，m({ - T })，m({ T ,-T })}。

5）利用基于類概率函數(shù)的歸一化方法計算直接信任值。

由上文所得的信任函數(shù)Bel(A)和似然函數(shù)Pl(A)來定義信任的類概率函數(shù)，作為信任的非精確性度量。根據(jù)可信和不可信事件發(fā)生的概率拆分不確定事件的基本可信度，并分配給可信和不可信兩種事件，該方法綜合考慮了信任關(guān)系的可信部分、不可信部分和不確定部分。

定義9 SU和SP之間的直接信任度D( SU,SP)計算如下：

其中，P1、P2分別為可信和不可信事件發(fā)生的概率，且滿足P1+P2=1，a、b分別是可信和不可信門限值。

該改進方法可以有效地處理證據(jù)合成產(chǎn)生的沖突問題，提高了證據(jù)沖突時合成結(jié)果的可靠性和合理性，可以準(zhǔn)確地評估用戶間的信任關(guān)系；既考慮了信任關(guān)系三元組中的每種事件，還能更直觀，更貼近信任的真實性。

3.2.2 間接信任

對于云環(huán)境中的一些用戶，可能沒有足夠的交互信息來進行直接可信度的評估。因此，用戶需要來自其信任的第三方用戶的推薦建議。有了這些建議，可以計算云服務(wù)商SP的可信度。

定義10推薦信任：用戶SU根據(jù)第三方用戶SR提供的對實體SP的評價而做出的信任判斷。推薦信任也稱為間接信任。

用戶SU收集其他用戶對云服務(wù)商SP的評價并且融合這些評價生成推薦信任值。在完成與SP的交易之后，用戶將提供它對SP的評價作為其他用戶在未來交易中的參考。

R( SU，SP)為用戶SU對云服務(wù)商SP的間接信任度，第三方推薦實體的集合為RU={S R1,SR2,…,SRm}，則間接信任度計算方法如下：

3.2.3 綜合信任度評估

本文中用戶SU對云服務(wù)商SP的綜合信任度由直接信任度和推薦信任度綜合得出，合理分配兩者的權(quán)重也是綜合信任度計算準(zhǔn)確性的關(guān)鍵。

因此，綜合信任度定義如下：

定義11設(shè)T( SU,SP)表示用戶SU對SP的綜合信任度：

T( SU,SP)=αD( SU,SP)+βR( SU,SP)（17）其中α、β分別表示直接信任D( SU,SP)和間接信任R(SU，SP)的權(quán)重，α、β∈[0,1]且α+β=1。

α、β值計算方法如下：

其中，n1代表用戶SU與SP的直接交互次數(shù)，n2代表推薦實體SR對實體SP的推薦次數(shù)。

本文提出的信任評估方法很好地解決了信任的不確定性和模糊性問題。

4 仿真實驗

本節(jié)通過仿真實驗來考察信任模型信任評估的準(zhǔn)確性和抵抗惡意攻擊的能力。我們將基于兩種不同的指標(biāo)，即云服務(wù)商的信任值和模型的服務(wù)失敗率來評估本文信任模型的表現(xiàn)。為了方便比較，同時實現(xiàn)了基于貝葉斯的信任模型和YuBin信任模型。

實驗設(shè)計模擬惡意實體在兩種行為策略模式下的有效性：1）實體先建立信任，然后開始提供惡意服務(wù)，稱之為靜態(tài)行為策略模式；2）實體在誠實和欺騙行為之間振蕩，稱之為動態(tài)行為策略模式。

三種信任模型的實驗場景：系統(tǒng)中有100個云服務(wù)商，用戶將在每個周期中發(fā)送四個服務(wù)請求；參數(shù)設(shè)置：a=0.65,b=0.8。

4.1 信任值的變化分析

我們模擬上述兩種行為策略模式下惡意實體的綜合信任值。對于動態(tài)行為策略模式，該實體在每個周期內(nèi)改變其行為3次。在每個周期中完成所有交互之后，選擇和惡意實體有交互經(jīng)驗的誠實實體作為評估實體來計算惡意實體的信任值。信任值變化如圖2、圖3所示。

靜態(tài)行為策略模式下惡意實體的信任值變化如圖2所示。當(dāng)惡意實體經(jīng)過一段時間的信任積累后進行惡意欺騙，三種模型的信任值都呈下降趨勢。但是與YuBin模型和貝葉斯模型相比，我們提出的信任模型可以快速反應(yīng)實體行為的變化，如果實體的服務(wù)資源是惡意的將會很快被發(fā)現(xiàn)，但不能通過在短時間內(nèi)表現(xiàn)良好來提高其信任值。

圖2 靜態(tài)行為策略模式下的信任值變化

圖3 動態(tài)行為策略模式下的信任值變化

動態(tài)行為策略模式下惡意實體的信任值變化如圖3所示。貝葉斯模型對實體服務(wù)行為的變化不是很敏感。相比之下，YuBin模型和我們的信任模型可以快速反應(yīng)實體服務(wù)的變化，但是YuBin模型在信任度的下降和提高方面都很敏感。本文模型能夠有效地處理實體行為的動態(tài)變化。

4.2 抵抗惡意攻擊能力分析

服務(wù)失敗率是指實體獲得的惡意服務(wù)數(shù)量與其獲得的所有服務(wù)數(shù)量的比例。

分析三種信任模型的服務(wù)失敗率，來比較模型的抗惡意攻擊能力。同樣，在每個周期中的所有交互完成之后，我們計算信任模型的服務(wù)失敗率。其中，靜態(tài)或動態(tài)行為策略模式下的惡意實體所占比例為20%，三種信任模型的服務(wù)失敗率變化如圖4、5所示。

考察靜態(tài)行為策略模式下的惡意實體，三種模型的服務(wù)失敗率變化如圖4所示。這些惡意實體在前期交互建立了聲譽，并在隨后的交互中對其聲譽進行損耗。隨著交互次數(shù)的增加，可以逐步識別出惡意實體，因此服務(wù)失敗率也相應(yīng)的減小。貝葉斯模型中的信任變化相對快速提升和緩慢下降，不能很好地檢測惡意實體的不良行為，因此聲譽值會很快的下降，則服務(wù)失敗率最大。YuBin模型的信任度提高相對緩慢，因此YuBin模型的服務(wù)失敗率相對較小。本文信任模型對實體行為的變化很敏感，能夠快速檢測出具有惡意行為的實體并做出一定的懲罰，所以我們的模型的服務(wù)失敗率是最小的。

圖4 靜態(tài)行為策略模式下服務(wù)失敗率變化

圖5 動態(tài)行為策略模式下服務(wù)失敗率變化

考察動態(tài)行為策略模式下的惡意實體，三種模型的服務(wù)失敗率變化如圖5所示。貝葉斯模型不能準(zhǔn)確有效地檢測出惡意實體的不良行為，因此它的服務(wù)失敗率波動最大，YuBin模型和本文的模型對實體的惡意服務(wù)行為較為敏感，因此可以有效地發(fā)現(xiàn)惡意實體的惡意行為，服務(wù)失敗率的波動相對較小。與YuBin模型相比，我們的模型能夠有效地處理實體行為的動態(tài)變化，因此服務(wù)失敗率最小，波動越來越小。

5 結(jié)語

本文提出了應(yīng)用于云環(huán)境下的基于D-S證據(jù)理論的多維度信任評估模型，從信任、不信任和不確定三個方面對云服務(wù)商的直接信任度進行評估，很好地解決了云計算環(huán)境中信任的不確定性和模糊性問題；對傳統(tǒng)的證據(jù)理論進行改進，并引入歸一化算法，得到更為直觀真實的直接信任值，同時也給出了簡化的間接信任度和綜合信任度計算方法，減輕系統(tǒng)負載。仿真實驗結(jié)果表明，該信任模型能夠較為準(zhǔn)確有效地對云服務(wù)商的信任度做出評估。下一步的研究重點是改善現(xiàn)有的信任模型，擴充證據(jù)的維度以及第三方反饋的有效性，并將模型實際應(yīng)用到云環(huán)境中實現(xiàn)其真正的價值。