胡軍+肖德育+陳燦
摘 要:針對云服務選擇過程中,用戶難以選擇可信、可用、可靠的云服務問題,本文提出一種基于信任度變化趨勢,并結合QoS服務質量的云服務選擇模型.首先,信任度的計算分為兩部分,一部分根據(jù)貝葉斯原理計算信任度值,另一部分是將歷史信任度值進行最小二乘的擬合,得到能更準確地反映信任度值的變化趨勢值,根據(jù)信任度變化趨勢值對信任度值進行修正,確定其綜合信任度值.然后,根據(jù)云服務的QoS量化模型,計算得到客觀的QoS值,在此基礎上,引入了信息熵的概念來確定可信參數(shù)加權的問題,從而得到最優(yōu)的服務選擇.仿真實驗表明,該模型能夠體現(xiàn)云服務主體信任度的變化,增強云服務選擇的預判能力,有效地提高服務選擇的成功率.
關鍵詞:云服務;信任度變化趨勢值;貝葉斯原理;最小二乘方法;服務質量;信息熵
中圖分類號:TP399 文獻標識碼:A
文章編號:1674-2974(2016)10-0126-08
Abstract: In order to improve the efficiency of cloud service selection and to guarantee trustworthy, available and reliable cloud service, a new model of cloud service selection based on trust trend was proposed. Base on this model, we firstly calculated the determined trust value in two parts: trust value and trust trend value (TTV). Trust value was calculated with Bayes theorem. Trust trend value was calculated with least squares linear regression. Trust trend value aims to illustrate the trust trend of changes in a given period. Then, we obtained the objective QoS value in the QoS quantitative model of could services. At the same time, the measuring strategy of trust relationship among cloud services was designed based on information entropy. The experiment result shows that this method can reflect changes in trust cloud services, enhance the predictive ability and effectively improve the success rate of cloud service selection.
Key words:cloud service; trust trend value; Bays theorem; least square linear regression; quality of service; information entropy
云計算以按使用量付費的計算資源共享池的方式提供可用的、便捷的、按需的云服務.它包括3個層次的服務:基礎設施即服務(IaaS)、平臺即服務(PaaS)以及軟件即服務(SaaS),其中IaaS為消費者提供完善的計算機基礎設施服務,如硬件服務器租用,PaaS是將軟件研發(fā)平臺作為一種服務提供給消費者,SaaS是通過網絡向消費者提供軟件的模式.由于云服務資源具有異構性、不確定性、動態(tài)性等特點,在進行云服務選擇的過程中往往會導致多方面的問題,一方面是由于云環(huán)境下服務提供商數(shù)量眾多,會出現(xiàn)不同的服務提供商(SP,services provider)提供相同或相似而服務質量(QoS, quality of service)卻各異的云服務的情況,但是由于用戶個體專業(yè)水平的差異,很難根據(jù)服務提供商SP提供的QoS屬性來選擇滿足自己要請求的云服務.另一方面,由于部分服務提供商可能提供虛假的、不可信的服務信息參與到服務選擇的過程中,導致了有的服務使用者需要多次的服務請求才能得到真實可靠的服務,服務選擇的效率不高.根據(jù)QoS度量的綜合評估選擇云服務提供商,是云服務選擇的一般做法.目前的研究,一般只是簡單的將信任度作為一個QoS聚合的一個屬性值來計算,這樣往往導致了信任度的動態(tài)性得不到很好的體現(xiàn),并且單一的信任度屬性值雖然能夠反映一定時期內信任度的積累,但是并不能體現(xiàn)完整的信任度狀態(tài),尤其是信任度的變化趨勢.
針對云服務選擇的研究,國內外許多學者做了很多工作,比如多目標的遺傳算法、粒子群算法PSO[1]、人工神經網絡算法[2],這些方法的應用一般是針對一個相對靜止的場景,而在云計算環(huán)境中網絡服務的產生和消失往往是動態(tài)的,所以需要解決云計算環(huán)境中服務的真實性判斷、選擇服務算法時對服務質量的了解程度[3]以及云服務的信任度等一系列問題.
針對這些問題,同時為了保證服務選擇算法的成功,基于對服務主體信任度的研究就顯得尤其重要,馬友等[4]提出了一種新的QoS度量的ESOW算法,ESOW算法根據(jù)用戶的主觀偏好權重和客觀權重兩部分綜合得到,用戶主觀權重的計算是基于自適應的SWDM算法,同時根據(jù)OWDM算法計算得到客觀權重.Sarbjeet[5]提出了一種根據(jù)云服務使用者的過往經歷和第三方的服務推薦信任評估機制;DAS A等[6]提出了一種能夠有效地對惡意的Agent策略的行為進行新人評估的動態(tài)信任計算模型ST,它主要通過分析和評估相關的所有要素,從而作出正確決策;ZHOU Ao等[7]從服務提供商的利益最大化的角度出發(fā),從價格分配以及請求迫切性出發(fā),提出了一種動態(tài)虛擬資源租賃方法;曹潔等[8]根據(jù)社會學中人際關系,并且結合用戶滿意度評價、推薦評價以及第三方監(jiān)管反饋,提出了新的可信度量模型;張琳等[9]根據(jù)行為以及信息服務的動態(tài)性,結合相關等級因子、屬性因子、間隔因子、懲罰因子等4種因子,提出了一種新的動態(tài)信任監(jiān)控模型;Abawajy[10]提出了一種基于信譽的分布式信任管理框架,該框架可以通過過往經驗、信任等級一級誠實度來決定云計算實體的信任值.綜合上述研究,本文提出了一種基于信任度變化趨勢的云服務選擇模型,通過直接信任度和推薦信任度綜合計算信任度值,同時為了更全面地反映出信任度的完整信息,該模型中引入了信任度變化趨勢值(TTV trust trend value)的概念,通過信任度變化趨勢值對綜合信任度值進行預判的修正,在此基礎上,引入了信息熵的概念來解決可信參數(shù)的加權的問題,從而將綜合信任度值和QoS值進行加權計算得到最優(yōu)的云服務選擇.
1 云服務主體的信任度及變化趨勢描述
本文從2個方面來綜合評估云計算服務主體的信任度:1)云服務使用者(SC)根據(jù)自己以往與云服務提供者(SP)的服務交易情況,對云服務提供者進行直接信任度Tdt評估;2)其他對同一SP有相同交易經歷的云服務使用者向SC推薦該服務資源的推薦信任度Trt.
1.1 定義與說明
本文所述系統(tǒng)的服務反饋結果可用positives、negatives二值表示.因此服務提供者的信任度值可定義為其提供好服務的概率P,也就是利用評價信息盡量精確地反映提供好服務的概率P.云計算的過程包括3個主要的實體:
定義1 Service Provider:表示為proj,表示第j個服務提供商,該節(jié)點可以向使用者提供用戶的云服務請求所需要的資源.
定義2 Service Customer:表示為useri,i表示第i個服務請求用戶,該節(jié)點可以向服務中介發(fā)出服務請求的信息,并且能夠向服務中介提供服務歷史以及服務結果.作為對proj的評價,用戶useri對proj 的評價定義為二元組
定義3 Service Broker :表示為broker,負責處理請求響應及管理,并且負責對useri反饋信息的處理,向useri提供proj節(jié)點的評價信息.
1.2 直接信任度與推薦信任度
直接信任度值是通過兩交易實體以往的歷史交易信任度反饋信息來計算獲得,在計算信任值的過程中,引入基于貝葉斯理論[11]來計算節(jié)點的信任值,描述的過程如下:
可以將信任度值轉為到區(qū)間[0,1]的范圍,由于信任度變化趨勢值(TTV)反映的是信任度的變化趨勢,TTV的高低反映了信任度變化的好壞,所以可以根據(jù)TTV的值來預測未來信任度的值.TTV越高,說明該主體的信任度值處于一個遞增的狀態(tài),反之,則表明該主體由于提供了虛假的信息,使得信任度處于一個下降的趨勢.
同時,在選取信任度變化趨勢值范圍的時候,不同的信任度變化趨勢值范圍都會歸一化到[0,1]的區(qū)間,所以選取不同的區(qū)間,并不會對實驗結果有太大影響,但是為了反映用戶的真實信任反饋行為,本文選取了ebay,Amazon等電商平臺的信任度變化趨勢值集中的范圍[-0.875,0.875].
2 求解量化模型QoS值
QoS描述了一個產品或服務滿足消費者需求的能力.可以從很多方面來描述服務質量, 如響應時間、執(zhí)行時間、吞吐量、有效性、可靠性等.他們分別從不同的角度反映了服務性能.本文從響應時間(Time)、費用(Cost)、有效性(Availability)、可靠性(Reliability)等4個方面來考慮云服務的QoS屬性, 而其他的因為同樣可以根據(jù)用戶的評價來得到.對于服務性能的計算可以通過用戶反饋或者第三方監(jiān)測機制來計算,如可以通過計時器代碼計算信任代理機構中的響應時間的服務質量指標.
假設有一組n個滿足功能性需求的服務,則每組對應QoS屬性的向量設定為: Qj=(qt,qc,qa,qr) j=1,2,3…,n,qt,qc,qa,qr分別表示j服務資源相應的響應時間、費用、有效性以及可靠性.又因為這幾個屬性之間的數(shù)值跨度比較大,所以需要對所有QoS屬性進行歸一化的轉換.其中q+,q-分別表示正負QoS屬性歸一表示之后的值,它們的歸一轉換方式分別是:
式(15)表明屬性與性能呈負相關,即屬性值越大,性能越差,比如響應時間,費用等;式(16)表示屬性與性能呈正相關,即屬性值越大,性能越好,比如可靠性等.qmax ,qmin 分別表示該屬性組中的最大值、最小值.則QoS的值可以通過各屬性進行線性加權得到:
3 基于信息熵的最優(yōu)服務選擇策略
云計算環(huán)境下的最優(yōu)服務選擇不僅和QoS值有關,還和用戶反饋的信任度值有密切關系,信任度值
是用戶對于服務質量的全面反映,以往的研究中僅僅從純QoS的角度來分析,有的雖然考慮了信任度值,但是也只是考慮交互過程的信任度,將信任度值量化為一個單一的QoS值,缺少對服務可信度的深入研究.本文認為對于最優(yōu)云服務選擇應該結合信任度與QoS兩個方面同時考慮,僅考慮任何單一方面都不合理.同時針對現(xiàn)有的研究中只是將信任度量化成一個單一的數(shù)值來進行信任度的評估,不能很好地反映信任度隨時間變化的問題,本文將信任度變化趨勢值(TTV)融入到服務選擇的計算過程中,并且結合信息熵的概念來確定信任度和QoS之間的參數(shù)權重,從而得到最優(yōu)的服務選擇策略.
信息熵是用于度量信息量的一個概念,常被用于較粗略地給出信息的不確定性度量值.信息熵在事件發(fā)生之前,它是結果不確定性的量度,在事件發(fā)生之后,它是從該事件中所得到的信息量度.因此,事件的信息熵既是一個事件信息量的量度,又可包含為事件本身中的相關信息[12].
下面給出基于信任度變化趨勢值的云服務選擇策略過程:
1)服務中介(service broker)收到服務使用者(useri)提出的服務選擇請求.
2)服務中介通過分析服務請求,選擇滿足用戶功能性需求的服務提供商(proj).
3)根據(jù)式(7),服務使用者通過直接信任度值以及間接信任度值得到綜合的信任度值.
4)根據(jù)式(8),擬合得到服務提供商的信任度變化趨勢值TTV.
5)根據(jù)式(17)得到總體的服務質量的量化QoS值以及公式(21)對信任度值進行修正,并且通過信息熵計算得到相應的權值.
6)根據(jù)式(22)可以得到最優(yōu)服務選擇的總體評價值.
7)選擇具有最大總體評價值的服務提供商作為服務選擇的最優(yōu)選擇P.
4 模擬實驗以及結果分析
通過模擬實驗來驗證本文提出的基于信任度變化趨勢的云服務選擇模型的效果.實驗運行在云仿真軟件CloudSim3.0[13]上,CloudSim是一個通用、可擴展的新型仿真框架,支持無縫建模和模擬,在基于特定的環(huán)境和配置下,通過擴展其基本功能,能進行云計算基礎設施和管理服務的實驗.
CloudSim在模擬開始時,首先需要創(chuàng)建數(shù)據(jù)中心(Datacenter),在數(shù)據(jù)中心中創(chuàng)建CPU、內存等資源,則可以通過CIS(Cloud Information Service)將用戶請求映射到合適的服務提供商(DatacenterBroker),根據(jù)服務選擇策略進行資源分配.模擬的主要過程:初始化CloudSim包->啟動仿真->資源注冊以及用戶到任務的映射->CIS類查詢信息中心->計算信任度變化趨勢值以及信任度值->根據(jù)設定的服務選擇策略匹配最優(yōu)資源-返回最優(yōu)結果->仿真結束.運行環(huán)境為基于java開發(fā)的Eclipse集成開發(fā)平臺,CloudSim仿真程序運行在Intel奔騰雙核G630,2.7 GHz,2 GB內存、Windows 7 32位操作系統(tǒng)的臺式機上.
本實驗根據(jù)服務提供商SP的信任度變化趨勢值不同,將SP分為3大類:
1)A類主體:SP的信任度變化趨勢是單調遞增的,比如由于技術質量的改進使得信任度值逐漸增加.
2)B類主體:SP的信任度變化趨勢是相對穩(wěn)定的,也就是說該類SP提供了穩(wěn)定的云服務功能,具有較好的信任度.
3)C類主體:SP的信任度變化趨勢是單調遞減的,比如SP提供了虛假的功能描述的云服務產品,導致了信任度值的遞減.
為了進行度量比較,設定了兩個試驗指標:成功率以及預測成功率.
定義4 在一定的時間間隔T內,CloudSim仿真器中CIS(Cloud Information Service)根據(jù)選擇策略,提供給所有SC的服務提供商的數(shù)目N,其中與SC成功達成交互的SP數(shù)目為S(這里指沒有欺詐行為),則成功率為:
θ=SN×100%.(23)
式中:θ為網絡節(jié)點間的平均合作程度.
定義5 在一定的時間間隔T內,CloudSim仿真器中CIS根據(jù)選擇策略,提供給所有SC的服務提供商的數(shù)目N,碰到過節(jié)點恰巧在黑名單中的情況,或者在交互過程中遇到了欺騙行為,兩種情況的總次數(shù)和為M,則模型的預測成功率為:
φ=N-MN×100%.(24)
式中:φ能夠反映出模型對于下一步的預測能力.
在驗證試驗中,假定云環(huán)境下SP主體的個數(shù)500,SC主體的個數(shù)100,各虛擬機的信任度值開始隨機產生,服務選擇策略輸入?yún)?shù)CloudletNum, vmNum,num_user,α,β,wi參數(shù)說明見表2.
表中:CloudletNum表示CloudSim仿真環(huán)境中用戶請求的任務總數(shù),來自不同用戶的任務相對獨立;vmNum是虛擬機的數(shù)目;num_user表示的是用戶的數(shù)目;α,β分別為直接信任度權值和推薦信任度權值,每組的數(shù)據(jù)結果都是在分別進行10次后取平均值.
實驗1 在云環(huán)境下,服務資源的本質是高度動態(tài)變化的.假定某一服務資源rj是惡意的,但是該資源可能為了掩護其重要的服務交易,在前期的交易中,該資源一直提供較好的服務質量建立良好的信任度,經過一段時間后,服務提供商為了降低成本,降低了服務質量的標準,但是由于前期信任度的建立使得不良的后期服務有較高的信任度值.所以很有必要引入信任度時間衰減機制,當中間一段時間沒有進行交易,信任度值會隨著時間而遞減,同樣設定一個衰減常數(shù),可以根據(jù)不同服務類型來設定可信度衰減快慢,當服務發(fā)生在惡意時間段內,可以設定較大的衰減常數(shù).圖1給出了不同衰減常數(shù)下信任度值的衰減情況,實驗表明衰減參數(shù)越大,其衰減的速度越快.
實驗2 圖2給出了3類服務提供者在服務主體交互過程中可信度的變化情況.從圖中可以看出A 類變化趨勢遞增的 SP 隨著交互次數(shù)的增多,其可信度一直都保持增長的趨勢;B類SP的可信度隨著交互次數(shù)的增加而增長,但是當達到一定水平時,它就會處于一個相對穩(wěn)定的狀態(tài).C類服務主體開始隨著交互次數(shù)增加,信任度值也隨著增加,雖然C類主體前期保持了較高的信任度值,但是由于提供了虛假的服務,使得后期的信任度遞減,最終導致信任度值處于一個較低的水平.
實驗3 圖3為基于信任度變化趨勢的服務選擇方法、基于信任度的服務選擇方法以及未基于信任度的服務選擇方法3種策略交易成功率的比較,前兩者都將信任度作為服務選擇的一個指標,所以其成功率較后者有較大的優(yōu)勢.但同時基于信任度變化趨勢的服務選擇方法一直保持一個更好地增長趨勢,這是因為其TTV能夠有效地反映信任度變化趨勢,具有預測的能力,所以在一定程度上能夠過濾掉虛假的信息,從而提高了服務選擇的成功率,服務選擇的效果也更好.
實驗4 圖4為基于信任度變化趨勢的服務選擇、基于信任度的服務選擇、未基于信任度服務選擇3種方法之間預測成功率的比較,由于基于信任度變化趨勢的選擇方法中TTV值能夠體現(xiàn)出信任度隨著時間的變化情況,對于服務選擇具有一定的預測能力,所以預測成功率一直呈現(xiàn)一個相對穩(wěn)定的增長狀態(tài),而基于信任度服務選擇方法在預測成功率達到一定水平后不再變化,這是由于基于信任度的服務選擇方法不含信任變化趨勢值TTV,缺少了持續(xù)的預測能力.基于信任度服務選擇的方法由于其沒有對信任度因素的考慮,所以在選擇時有很大的盲目性,導致了預測成功率呈臼齒狀發(fā)展.實驗結果表明了本文提出的基于度信任變化趨勢的模型有力地提高服務選擇的預測能力.
服務交互次數(shù)
5 結 語
在云計算環(huán)境下,本文針對服務使用者對服務資源有可信需求,但是服務資源信任度參差不齊導致用戶很難獲得高質量的云服務的問題,提出了一種基于信任度變化趨勢的云服務選擇模型,避免了虛假服務的誤選.并且依據(jù)提出的信任度變化趨勢值,提高了對服務選擇的預判能力,增加了云服務選擇的準確性.在此基礎上引入了信息熵的概念,避免了以往研究只是對可信參數(shù)進行簡單加權分析的缺點,有效地提高了服務選擇的成功率.實驗分析表明該方法能夠較好地滿足用戶在服務選擇時對于服務質量和信任度的需求.本文是在其云環(huán)境下海量交互的前提下提出的,這樣會有一個相對準確的變化趨勢.在下一步的工作中,我們將考慮研究對于在不同的時段信任度變化趨勢值對于云服務選擇的影響以及異構云服務間組合的問題.
參考文獻
[1] WANG Shang-guang, SUN Qi-bo, ZOU Hua, et al. Particle swarm optimization with skyline operator for fast cloud-based web service composition [J]. Mobile Networks and Applications, 2013, 18(1):116-121.
[2] ZHANG Xu-yun, DOU Wan-chun. Preference-aware QoS evaluation for cloud web service composition based on artificial neural networks[J]. Web Information Systems and Mining, 2010, 18(1):116-121.
[3] 胡春華,劉濟波,劉建勛,等.云計算環(huán)境下基于信任演化及集合的服務選擇[J].通信學報,2011,32(7):71-79.
HU Chun-hua, LIU Ji-bo, LIU Jian-xun, et al. Services selection based on trust evolution and union for cloud computing[J]. Journal on Communications, 2011, 32(7):71-79.(In Chinese)
[4] 馬友,王尚廣,孫其博,等.一種綜合考慮主客觀權重的Web服務QoS度量算法[J].軟件學報,2014,25(11):2473-2485.
MA You, WANG Shang-guang, SUN Qi-bo, et al.Web service quality metric algorithm employing objective and subjective weight[J].Journal of Software. 2014, 25(11): 2473-2485.
[5] SARBJEET S, DEEPAK C.Trust evaluation in cloud based on friends and third party's recommendations [C]// RAECS Conference. Panjab University Chandigarh: IEEE, 2014:1-6.
[6] DAS A, ISLAM M M, et al. Secured trust: a dynamic trust computation model for secured communication in multi-agent systems[J]. EEE Transactions on Dependable and Secure Computing, 2012,9(2):261-274.
[7] ZHOU Ao, WANG Shang-guang, SUN Qi-bo,et al. Dynamic virtual resource renting method for maximizing the profits of a cloud service provider in a dynamic pricing model [C]// International Conference on Parallel and Distributed Systems.Seoul:IEEE,2013:118-125.
[8] 曹潔,曾國蓀,姜火文,等. 云環(huán)境下服務信任感知的可信動態(tài)級調度方法[J].通信學報,2014,35(11):40-49.
CAO Jie, ZENG Guo-sun, JIANG Huo-wen, et al. Trust-aware dynamic level scheduling algorithm in cloud environment [J]. Journal on Communications, 2014, 35(11):40-49.(In Chinese)
[9] 張琳,劉正邦,王海艷,等. 一種支持行為的可用于信息服務的動態(tài)信任監(jiān)控模型[J].南京郵電大學學報,2013,33(1):68-73.
ZHANG Lin, LIU Zhang-bang, WANG Hai-yan, et al. Dynamic trust monitoring model supporting behavior in information services [J]. Journal of Nanjing University of Posts and Telecommunications, 2013, 33(1):68-73.(In Chinese)
[10]ABAWAJY J. Determining service trustworthiness in inter-cloud computing environments [C]// Proceedings ofthe 2009 10th International Symposium in Pervasive Systems, Algorithms, and Networks. National Cheng Kung University: IEEE, 2009:784-788.
[11]JOSANG A, ISMAIL R. The beta r- eputation system [C]// Bled Electronic Commerce Conference. Bled Slovenia: IEEE, 2002:324-337.
[12]黃英杰,姚錫凡,古耀達. 基于熵的混合粒子群算法在柔性調度中的應用[J].湖南大學學報:自然科學版,2012,39(3):48-52.
HUANG Ying-jie, YAO Xi-fan, GU Yao-da. Hybrid particle swarm optimization based on entropy for flexible job shop scheduling problems[J]. Journal of Hunan University: Natural Sciences, 2012, 39(3):48 -52. (In Chinese)
[13]RAHUL M, PRINCE J. Study and com -parison of CloudSim simulators in the cloud computing[J]. The SIJ Transactions on Computer Science Engineering & its Applications, 2013, 1(4):111-115.