張永勝,樊悅芹,鄭志華,李能能

1(山東師范大學(xué) 信息科學(xué)與工程學(xué)院,濟南 250014) 2(山東師范大學(xué) 山東省分布式計算機軟件新技術(shù)重點實驗室,濟南 250014)

1 引 言

近年來,隨著云計算技術(shù)的迅速發(fā)展,云服務(wù)應(yīng)用技術(shù)逐漸成熟,在國內(nèi)外業(yè)界取得了廣泛認(rèn)同.云服務(wù)的出現(xiàn)為商業(yè)模式與計算模型帶來了新的發(fā)展方向,許多大型企業(yè)開始由傳統(tǒng)業(yè)務(wù)服務(wù)向云服務(wù)轉(zhuǎn)型,創(chuàng)建企業(yè)云,建立獨立的數(shù)據(jù)中心.以云服務(wù)的形式為用戶提供存儲、計算資源已經(jīng)變成一種發(fā)展趨勢.面對如此眾多功能特性相似,非功能特性不同的服務(wù),人們在云服務(wù)選擇方面容易感到無所適從.如何在眾多的云服務(wù)提供商中為用戶選擇最佳服務(wù)解決方案,實現(xiàn)用戶與服務(wù)提供商的有效交互,已經(jīng)成為研究者熱切關(guān)注的問題.

服務(wù)屬性分為功能屬性與非功能屬性兩部分,功能屬性描述具體服務(wù)功能,非功能屬性描述服務(wù)的執(zhí)行特性,例如,完成時間,可靠性,執(zhí)行速度,費用等.在功能屬性相同的情況下,這些非功能特性直接影響該服務(wù)的服務(wù)質(zhì)量(Quality of Service,QoS),QoS已經(jīng)成為計算機領(lǐng)域的研究熱點之一[1-5].隨著云計算商業(yè)模式的不斷推廣,服務(wù)提供商將會為用戶提供更多功能屬性相同但QoS不同的海量服務(wù).本文的主要研究問題是,如何對海量服務(wù)進行篩選,以及對不同的用戶進行服務(wù)推薦.文獻(xiàn)[6]提出基于多代理器的解決策略,利用代理器、消費者和服務(wù)提供商之間的交互過程,收集管理主體的信任關(guān)系.文獻(xiàn)[7]提出了基于雙層的信譽系統(tǒng),但當(dāng)用戶反饋信息不一致時,很難確定誰是虛假反饋.Liu等人[8]提出了基于環(huán)境感知的服務(wù)推薦方法,更好的符合用戶需求,使QoS預(yù)測精確度大大提高.文獻(xiàn)[9]提出了一種基于粗糙集理論的服務(wù)匹配方法,通過為用戶建立基于服務(wù)質(zhì)量屬性的分類規(guī)則,為用戶選擇對應(yīng)匹配的服務(wù).

本文基于現(xiàn)有的服務(wù)選擇研究基礎(chǔ)展開進一步研究,研究發(fā)現(xiàn),過去的研究一般通過服務(wù)的信譽情況評價服務(wù)的好壞程度,容易忽略服務(wù)穩(wěn)定性在服務(wù)選擇中所起的作用.本文對服務(wù)的穩(wěn)定性進行定量計算,分析了穩(wěn)定性在服務(wù)信譽評價中所起到的重要作用,并且對虛假用戶信息的過濾方法進行進一步分析,提出一種完成虛假信息過濾的方法,進而對傳統(tǒng)相似度計算方法進行改進,優(yōu)化服務(wù)推薦過程,提高交互的成功率.

2 服務(wù)穩(wěn)定性與可信評價分析

2.1 服務(wù)的穩(wěn)定性判斷

通過對用戶反饋信息進行處理,過濾掉用戶惡意評價,使用戶的反饋評價可以正確的反應(yīng)服務(wù)質(zhì)量水平.通常情況下,服務(wù)信譽度計算主要受兩方面因素影響,一方面是受用戶的主觀評價影響,由于主觀評價因用戶個人喜好不同而不一致,所獲取的用戶對服務(wù)各項QoS指標(biāo)的主觀評價會有一定的偏差.另一方面,系統(tǒng)根據(jù)服務(wù)運行日志對QoS的各項指標(biāo)進行檢測分析,為用戶服務(wù)選擇提供的參考數(shù)據(jù)也會影響服務(wù)的信譽.研究發(fā)現(xiàn),單純的QoS值計算分析無法正確反映服務(wù)性能的優(yōu)劣.對于用戶而言,服務(wù)的穩(wěn)定性相對于計算得出的QoS參數(shù)值同樣具有參考價值.下面舉例說明服務(wù)穩(wěn)定性的重要性.

選取兩個功能特性相似的云服務(wù)S1和S2,以響應(yīng)時間為例,分別對服務(wù)的運行日志進行一定的隨機讀取,服務(wù)水平能呈現(xiàn)動態(tài)變化,這種動態(tài)變化由運行日志中的相應(yīng)參數(shù)數(shù)據(jù)表現(xiàn)出來.由于待分析數(shù)據(jù)量龐大,隨機選取不同時刻同一服務(wù)功能的6個響應(yīng)時間數(shù)據(jù)做為分析對象,響應(yīng)時間情況見表1.

表1 服務(wù)運行記錄對比
Table 1 Contrast of the service operation

時 刻服務(wù)S1服務(wù)S2T11334T21737T35935T44734T51435T65333Aver33．834．6

為了研究服務(wù)的穩(wěn)定性,引入逆向云算法[10],將云服務(wù)的穩(wěn)定性由定性的問題轉(zhuǎn)換為定量數(shù)值求解的問題.云模型已經(jīng)成為衡量服務(wù)穩(wěn)定性很好的一種方法,可以簡化表示為Clod(QoS)=(Ex,En).主要由2個數(shù)字特征值的含義分別為,Ex表示QoS屬性的期望值,主要反映QoS的服務(wù)質(zhì)量的平均水平.En稱為熵,反應(yīng)穩(wěn)定性情況.下面給出這2個數(shù)字特征值的計算過程:

針對租房市場出現(xiàn)的亂象，多地監(jiān)管部門采取了行動。7月份以來，已有北京、上海、深圳、南京和西安等20余個城市出臺住房租賃新政，通過用地保障、增加房源投入、規(guī)范“租金貸”及其他住房租賃交易服務(wù)等舉措，促進住房租賃市場健康發(fā)展。

熵值表示可度量粒度的大小,即不確定程度的定性表示.熵值越大,云滴的離散程度越大,則云服務(wù)的不確定性越高,以表1中的數(shù)據(jù)S1{13,17,59,47,14,53},S2{34,37,35,34,35,33}為例,計算S1熵值為24,S2熵值為1.17,由此可見,S1的服務(wù)數(shù)據(jù)熵值明顯高于S2的服務(wù)數(shù)據(jù)熵值,S1的服務(wù)參數(shù)不穩(wěn)定性較高,數(shù)據(jù)的離散程度較大.借助熵值計算公式對服務(wù)的穩(wěn)定性做定量分析,可以幫助用戶尋找到服務(wù)性能穩(wěn)定的服務(wù),排除不確定性較高的服務(wù).

2.2 虛假用戶評價甄別

用戶進行不實評價的行為對服務(wù)可信度計算造成惡劣的影響,直接影響服務(wù)信譽評估,不利于云服務(wù)市場的良性競爭.本文就這一問題提出一種利用二維空間距離判別用戶評價是否真實的方法.該方法充分考慮用戶做出評價時系統(tǒng)所處的上下文環(huán)境,接近的上下文環(huán)境下用戶所做的評價才有比較價值.由于上下文環(huán)境很難定量的表示,而同一時間段內(nèi),上下文環(huán)境幾乎沒有發(fā)生變化,將用戶的反饋評價與時間變量構(gòu)建二維空間.每位用戶表示為二維空間中的一個點,在二維空間中只能確定唯一位置.因此,不同用戶之間的反饋相似度(Feedback similarity)可以通過計算用戶之間的幾何距離來確定,距離越近的用戶之間反饋相似度越高,距離與用戶的反饋相似度成負(fù)相關(guān)關(guān)系.

圖1 用戶評價散點圖Fig.1 Scatter diagram of user evaluation

如圖1所示,隨機選取了服務(wù)Si在時間10s～25s之間的部分用戶評價,由圖可以清晰看到點α,β,γ,η四個點距離相似時間下其他的服務(wù)評價距離較遠(yuǎn),這些點在對應(yīng)時間段內(nèi)與可信評價之間的距離超過判定真實評價的最大距離值,將這些點作為虛假用戶評價處理.

以用戶A與用戶B為例,為兩位用戶構(gòu)建以用戶評價與時間為坐標(biāo)軸向量的二維空間,計算兩用戶之間的反饋相似度公式如下:

(1)

在上述反饋相似度的計算過程中,不難發(fā)現(xiàn),Rn的大小將直接影響評價相似度的可信程度,Rn值越大,表示用戶A與用戶B之間共同使用過的服務(wù)數(shù)目越多,相似度越高.在本文中,Rn>=w,w表示共同服務(wù)個數(shù)的最小閾值,低于最小閾值w,則Rn的值設(shè)為0處理.

(2)

vqA表示A用戶虛擬反饋的計算結(jié)果,qi表示其他用戶對同一服務(wù)的評價,并且根據(jù)與A用戶的評價相似度分配相應(yīng)權(quán)重,最后取其他用戶評價反饋相似度的平均值作為該用戶的虛擬反饋結(jié)果.

在計算虛擬反饋值之前,首先對k的取值做出分析,如果k<σ,表明只有極少數(shù)的用戶評價過該服務(wù),此服務(wù)稱為待定服務(wù).對于這類服務(wù),用虛擬反饋值判斷用戶是否進行真實服務(wù)評價并不準(zhǔn)確,計算虛擬評價的價值較小;當(dāng)k>=σ時,參與使用該服務(wù)的用戶已經(jīng)到達(dá)一定數(shù)量.將得出的虛擬反饋結(jié)果與實際反饋結(jié)果相比較,根據(jù)兩者的差異度對差異度高的反饋結(jié)果做出處理.σ為k的最小閾值.

(3)

采用這種計算方式,可以將異常的惡意反饋評價進行有效過濾,進一步保證反饋結(jié)果的準(zhǔn)確性.這種方式的不足是有些個別情況不能適用,大多數(shù)云服務(wù)的服務(wù)水平是平緩變化的,則應(yīng)用這種反饋結(jié)果篩選機制是切實有效的.但也存在云服務(wù)提供商硬件設(shè)施更換或者其他原因,服務(wù)能力可能發(fā)生大幅度提高或者下降的現(xiàn)象,則這種反饋計算方式將無法正確反應(yīng)實際的服務(wù)水平.對于這種情況,將進行如下處理:當(dāng)反饋結(jié)果為Vq的頻率達(dá)到一定程度時,立即采用可信用戶體驗的方式,重新確定Vq的值.應(yīng)用這種反饋評價管理方法可以有效的阻止有組織、大范圍的惡意反饋,使用戶反饋評價正確地反應(yīng)實際的服務(wù)能力.

通過上述方法得出用戶服務(wù)虛擬評價的反饋結(jié)果,但只限于篩選出虛假用戶評價,通過這種方式可以將虛假用戶評價對服務(wù)信譽的影響有效的降低.對于用戶的反饋評價,可以作為服務(wù)的信譽參考,但不是唯一標(biāo)準(zhǔn),服務(wù)的穩(wěn)定性對服務(wù)選擇同樣發(fā)揮著重要得影響,2.1已對服務(wù)穩(wěn)定性在服務(wù)評價中所起到的作用進行了詳細(xì)分析,下面將提出一種考慮穩(wěn)定性與可信評價的服務(wù)推薦方法.

3 服務(wù)推薦網(wǎng)絡(luò)

隨著候選服務(wù)數(shù)量的增加,服務(wù)選擇難度隨之增大,服務(wù)推薦已經(jīng)成為服務(wù)選擇中不可避免的環(huán)節(jié)之一.考慮到不同用戶具有不同的興趣愛好與知識背景,本文提出了一種考慮服務(wù)信譽值與服務(wù)穩(wěn)定性的有效推薦方法,為用戶選出對事物認(rèn)知與評價水平相同或相似的用戶群體,綜合這類用戶的評價進行服務(wù)推薦結(jié)果預(yù)測,得到可靠且具有較高參考價值的推薦結(jié)果.

經(jīng)過分析發(fā)現(xiàn),服務(wù)穩(wěn)定性對服務(wù)選擇同樣起到重要的作用,傳統(tǒng)的基于用戶評價的反饋相似度推薦算法已經(jīng)不再適用.計算推薦服務(wù)相似度,需要考慮用戶偏好的相似性,并且分析不同服務(wù)屬性在推薦相似度度量中所產(chǎn)生的不同影響,結(jié)合2.1中相似度計算方法對傳統(tǒng)的推薦方法進行進一步的改進,提出了一種基于服務(wù)信譽值與服務(wù)穩(wěn)定性的有效推薦方法.

3.1 計算相似度方法

將計算主體分為服務(wù)提供商主體S={s1,s2,s3,…,sn};用戶主體U={u1,u2,u3,…,um}.其中,服務(wù)提供商主體數(shù)量為n,用戶主體數(shù)量為m.用戶對服務(wù)的評價可以用一個n*m的矩陣表示;用戶與服務(wù)的多維屬性組成n*y的矩陣,如果用戶未對該服務(wù)進行使用,則該矩陣的行值都為0.用戶ui對服務(wù)sα的第k項QoS屬性評價可以表示為Ri,α,k.用戶ui與用戶uj共同使用過的服務(wù)集合表示為Si,j.用戶ui與用戶uj的相似度Sim(i,j)用皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient,PCC)度量公式進行計算:

(4)

S(m,n)是用戶i與用戶j使用服務(wù)的交集,| S(m,n)|的值越大,代表相似度的可信度越高.在計算相似度過程中,充分考慮了服務(wù)的信譽度屬性與頻率屬性.由公式(4)可知,信譽度屬性,操作頻率屬性與用戶相似度成反比(花費屬性同樣是反比,在此不再一一列舉).例如,用戶α與用戶β同時調(diào)用了服務(wù)S1,由于S1是費用屬性高,使用頻率高,信譽良好的服務(wù),用戶對S1的反饋結(jié)果普遍良好.對于服務(wù)S1相似的信譽評價不能夠有力證明兩個用戶的相似度高.但對于用戶使用頻率一般或者較低的服務(wù)Sa,Sa屬于集合Sm,n,則比較能夠證明目標(biāo)用戶ui與用戶uj之間有相同的喜好,并且用戶的選擇相似度高.因此,服務(wù)的信譽與使用頻率對相似度計算成負(fù)相關(guān)關(guān)系.

以上的相似度計算過程中,考慮各屬性之間的相似性并注意分配不同的權(quán)重,更加貼近用戶的個人偏好,但同樣沒有考慮用戶是否處于相似的上下文操作環(huán)境,也就要求保證用戶發(fā)生的交互行為發(fā)生在相近的時間段內(nèi).只有在相近的時間段內(nèi),用戶做出相似性高的服務(wù)評價才存在參考價值.因此,在進行相似度計算之前,需要確定推薦用戶與目標(biāo)用戶之間的時間-評價二維空間之間的距離控制在合理范圍之內(nèi).這樣做既可以減少不必要的相似度計算步驟,縮小計算范圍,節(jié)約計算時間,又可以提高推薦的準(zhǔn)確度,使推薦結(jié)果更加可信.

3.2 分析推薦網(wǎng)絡(luò)

在推薦理論的相關(guān)研究中,主要分為直接推薦與間接推薦兩種推薦方式.由于相似度高的用戶并不一定使用過目標(biāo)用戶所選擇的服務(wù),這時,采用間接推薦方式;如果相似度高的用戶與目標(biāo)服務(wù)發(fā)生過直接交互行為,則采用直接推薦方式.

服務(wù)推薦網(wǎng)絡(luò)中將參與主體分為兩類,一類是用戶實體,一類是待推薦實體.將參與主體抽象為網(wǎng)絡(luò)中的節(jié)點,假設(shè)用戶C1使用過目標(biāo)用戶C2將要選擇的服務(wù)S1,那么在服務(wù)選擇網(wǎng)絡(luò)中,存在C1→C2的一條邊,其中Ci∈C,C表示與目標(biāo)用戶相似度較高的可信用戶實體集合.邊的權(quán)值為weight(C1,C2),表示為C1對C2的推薦值.權(quán)值的大小確定問題將在下文給出具體的計算步驟.

圖2 推薦網(wǎng)絡(luò)模型圖Fig.2 Recommended network model

由于在進行推薦計算之前,已經(jīng)對用戶評價進行了過濾操作,所有評價都為可信評價,得到的對應(yīng)推薦結(jié)果都是真實可靠的.直接推薦是指推薦者將目標(biāo)服務(wù)的評價結(jié)果推薦給目標(biāo)用戶,這時引入采納度的概念.采納度顧名思義,就是目標(biāo)用戶對推薦用戶推薦結(jié)果的采納程度.本文借鑒Beta模型中的Beta概率密度函數(shù)對服務(wù)采納度進行求解,進而對用戶之間的推薦記錄進行分析,預(yù)測.其中,用戶ui為目標(biāo)用戶,用戶uj為推薦用戶,uj對ui進行推薦的成功次數(shù)為pi,j,推薦之后不被采納的次數(shù)為ni,j.則用戶ui對用戶uj的推薦采納度可表示為:

(5)

其中x為事件被采納的概率,ξ為gamma函數(shù),0

(6)

直接推薦步驟相對簡單,由用戶相似度與用戶的采納度共同計算得出影響權(quán)重,權(quán)重越大,則對推薦結(jié)果的影響越大,用戶采取推薦的可能性越大.以圖2為例計算公式如下:

(7)

通過公式(7),可以計算出服務(wù)s對于的用戶a推薦值,僅能在用戶a的top-k個相似度用戶都與服務(wù)s發(fā)生過直接交互時,可以通過公式(7)計算推薦值.通過計算不同用戶的權(quán)重值在總的權(quán)重值中所占的比例,決定該用戶的評價對推薦結(jié)果所起到的影響.

以圖2為例,對存在間接推薦的過程進行分析.首先選取目標(biāo)用戶的相似度top-k個用戶組成推薦用戶集合.集合中存在α個用戶可以進行直接推薦,有k-α個用戶進行間接推薦.間接推薦路徑表示為,R8→R7→R1,R1為目標(biāo)用戶,R7為相似度top-k用戶,由于R7并未與目標(biāo)用戶的意向服務(wù)發(fā)生過直接交互,無法給出直接推薦結(jié)果,而R8為R7的相似度top-k用戶,并與意向服務(wù)發(fā)生過直接交互,因此,R8將服務(wù)反饋值推薦給R7,再由R7推薦給R1,通過推薦傳遞計算,得出最終的推薦結(jié)果.

(8)

(9)

在計算過程中,將用戶a的top-k相似用戶集合分為兩類推薦用戶,與服務(wù)s發(fā)生過直接交互的用戶群體稱為α類用戶,與服務(wù)s未發(fā)生直接交互的用戶群體稱為β類用戶,β類用戶的top-k相似用戶集合β′中存在與服務(wù)s發(fā)生交互的用戶.設(shè)α類用戶的個數(shù)為x,β類用戶的人數(shù)為y,通過公式(8),將直接推薦值與間接推薦值進行綜合計算,選取推薦結(jié)果的均值得出最終的推薦結(jié)果.通過公式(9),將β′類用戶的推薦值賦值給β類用戶.

4 仿真實驗

為了測試考慮穩(wěn)定性與可信評價的服務(wù)推薦網(wǎng)絡(luò)相關(guān)特性,本文選取文中提出的3個模塊進行實驗仿真,并對仿真結(jié)果進行分析.實驗采用墨爾本大學(xué)開發(fā)的云仿真平臺CloudSim[11]進行仿真實驗,軟硬件環(huán)境為Pentium Dual 2.4GHz,2.0GB RAM,Windows 10,MATLAB R2012A,Java 1.8.

實驗1.用戶惡意評價過濾效果實驗.實驗中,用戶數(shù)量為1000名,分為A,B兩組用戶各500人.A組用戶進行積極惡意反饋,B組用戶進行消極惡意反饋.參與本試驗的云服務(wù)提供商服務(wù)水平相對穩(wěn)定,服務(wù)的實際水平由Z函數(shù)表示(較理想狀態(tài)).實驗中,服務(wù)能力由服務(wù)的信譽值表示,服務(wù)信譽值采用兩種方式得出,一種是由傳統(tǒng)的計算方式,主要通過計算所參與用戶反饋評價均值的方式;一種是本文提出的,在原有計算方式的基礎(chǔ)上進行虛假信息過濾用戶評價的計算方式.通過增加交互輪數(shù),觀察兩種計算方式下兩組用戶對服務(wù)的評價與Z函數(shù)之間的距離,距離越大,說明信譽值與實際的服務(wù)能力相差越大.

在實驗1給出的圖3,圖4可以看出,無論是積極反饋評價,還是消極反饋評價,本文提出的RNSTE用戶虛假消息過濾方法與QCCTM[12],S-OARM[13]提出的信譽評價方法相比更加接近信譽度理想值Z函數(shù).通過這種方法可以有效的過濾虛假的用戶反饋評價,使服務(wù)信譽值更加的準(zhǔn)確.隨著交互次數(shù)的增多,無論是積極反饋還是消極反饋,三種評價方法的信譽值隨著輪數(shù)的增多差距逐漸增大.缺少用戶虛假信息過濾的信譽機制,隨著交互次數(shù)的增加,服務(wù)信譽值的可參考性受到影響.通過本實驗可以證明,本文提出的虛假用戶信息過濾機制在計算服務(wù)信譽度的過程中可以起到重要的作用,雖然與實際服務(wù)能力相比存在一定誤差,但能夠?qū)⒄`差控制在一定范圍內(nèi),可以進一步提高信譽值計算的準(zhǔn)確性.

圖3 積極反饋對比結(jié)果Fig.3 Comparison results of positive feedback

圖4 消極反饋對比實驗Fig.4 Comparison results of negative feedback

實驗2.服務(wù)穩(wěn)定性對交互成功率影響效果實驗.實驗中包括A,B兩組服務(wù),A組服務(wù)的服務(wù)穩(wěn)定性較好,服務(wù)能力較穩(wěn)定,B組服務(wù)的服務(wù)穩(wěn)定性較差,服務(wù)能力隨著時間的推遲呈由高到低的變化趨勢.B類服務(wù)雖然有較高的QoS屬性值,但服務(wù)能力不穩(wěn)定,不能保證用戶在使用過程中一直處于較高的服務(wù)質(zhì)量狀態(tài).設(shè)定參與本次實驗的用戶均設(shè)定為可信用戶,對服務(wù)做出可信評價.用戶與服務(wù)的交互結(jié)果分為交互成功,交互失敗兩種情況,用QoS總效用參數(shù)減去實際運行監(jiān)測結(jié)果的絕對值小于等于θ來判定成功與失敗.θ值為判定交互成功的最低門限值,超過門限值則認(rèn)為這次交互屬于失敗交互.對比實驗為本次實驗選取可信交互模型CDLS[14].

由圖5可知,在穩(wěn)定狀態(tài)下,兩種可信機制的成功率都非常高,接近100%,兩種機制的優(yōu)劣程度并不明顯.在服務(wù)能力不穩(wěn)定狀態(tài)下,本文提出的RNSTE機制仍然保持較高的成功率,未考慮穩(wěn)定性因素的機制會隨著交互輪數(shù)的不斷增加,交互成功率呈不穩(wěn)定動態(tài)變化,無法保證較高的交互成功率.考慮到服務(wù)能力的穩(wěn)定性與不確定性因素,可以有效克服服務(wù)性能不穩(wěn)定問題,進一步提高交互的成功率.

實驗3.服務(wù)網(wǎng)絡(luò)推薦效果實驗.實驗2已證明考慮服務(wù)的穩(wěn)定性可以有效提高服務(wù)選擇的成功率,在此基礎(chǔ)上進行服務(wù)網(wǎng)絡(luò)推薦效果的相關(guān)實驗.本實驗中,用戶為可信用戶,用戶數(shù)量為200.Top-k用戶的k值取10,選取α為目標(biāo)推薦用戶,逐漸增加服務(wù)網(wǎng)絡(luò)中可信用戶的數(shù)量,觀察服務(wù)推薦質(zhì)量的變化.在本實驗中,服務(wù)質(zhì)量用平均絕對誤差(MAE)表示,MAE的定義表示如下[15]:

(10)

圖5 可信機制成功率對比圖Fig.5 Comparison of success rate of trust mechanism

其中,Pi,s表示為用戶真實評價,Qi,s表示為Top-k用戶給出服務(wù)信譽值的預(yù)測值.M為推薦用戶的總數(shù)目,由于k為10,則M≥10,MAE的值越大,說明推薦質(zhì)量越差.

圖6 推薦質(zhì)量比較Fig.6 Comparison of recommended quality

選取PHCF[16]與本文提出的推薦網(wǎng)絡(luò)形成對比實驗.由推薦質(zhì)量比較結(jié)果圖6可知,在相同的條件下,本文提出的CSRN推薦方法的MAE值要明顯低于PHCF.隨著鄰居用戶數(shù)目的增加,兩種推薦方法的MAE值都在下降,說明推薦結(jié)果的準(zhǔn)確度在不斷提高.隨著鄰居用戶數(shù)目的增加,本文提出的CSRN方法優(yōu)勢更為明顯.通過對推薦相似度計算的進一步分析研究,利用推薦網(wǎng)絡(luò)對目標(biāo)用戶進行直接推薦與間接推薦結(jié)果相結(jié)合的方法,可以進一步提高推薦準(zhǔn)確度,為目標(biāo)用戶進行更為有效的推薦.

5 總 結(jié)

本文提出了一種考慮穩(wěn)定性與可信評價的云服務(wù)推薦網(wǎng)絡(luò),從云服務(wù)的穩(wěn)定性與非法用戶的惡意評價過濾兩方面來優(yōu)化服務(wù)選擇過程,進一步精確服務(wù)信譽度.單一的考慮服務(wù)可信度選擇服務(wù),容易選擇高信譽度但穩(wěn)定性差的云服務(wù),將云服務(wù)的信譽度與穩(wěn)定性綜合考慮,可以進一步提高交互成功率.在此基礎(chǔ)上,創(chuàng)建了服務(wù)推薦網(wǎng)絡(luò),為服務(wù)推薦提出一種新的方法,為服務(wù)推薦進行路徑分析,采用直接推薦與間接推薦相結(jié)合的方式,為用戶提供更為有效的推薦結(jié)果,引入top-k推薦用戶群的概念,可以有效的縮減推薦計算量.經(jīng)過研究實驗結(jié)果,本文提出的CSRN方法在成功過濾非法用戶惡意評價的基礎(chǔ)上,增強推薦系統(tǒng)抵御惡意攻擊的能力,有效的提高服務(wù)交互成功率與服務(wù)推薦的成功率.

本文研究內(nèi)容的后續(xù)研究重點是,進一步的分析服務(wù)推薦網(wǎng)絡(luò),完善推薦網(wǎng)絡(luò)體系的相關(guān)定義,并對top-k用戶群體中的k取值進行進一步研究分析,對推薦網(wǎng)絡(luò)中的間接推薦深度進行進一步的實驗分析,確定最終的推薦深度,將服務(wù)推薦網(wǎng)絡(luò)進一步的完善.

[1] Alrifai M,Skoutas D,Risse T.Selecting skyline services for QoS-based web service composition[C].the International World Wide Web Conference(IWWWC),USA,2010:11-20.

[2] Liu Shu-lei,Liu Yun-xiang,Zhang Fan,et al.A dynamic Web services selection algorithm with QoSglobal optimal in Web services composition[J].Journal of Software,2007,18(3):646-656.

[3] Choi C R,Jeong H Y.A broker-based quality evaluation system for service selection according to the QoS preferences of users[J].Information Sciences,2014,277(2):553-566.

[4] Mardukhi F,Nematbakhsh N,Zamanifar K,et al.QoS decomposition for service composition using genetic algorithm[J].Applied Soft Computing,2013,13(7):3409-3421.

[5] Hu Jian-qiang,Li Juan-zi,Liao Gui-ping.A multi-QoS based local optimal model of service selection[J].Chinses Journal of Computers,2010,33(3):526-534.

[6] Limam N,Boutaba R.Assessing software service quality and trustworthiness at selection time[J].IEEE Transactions on Software Engineering,2010,36(4):559-574.

[7] Pan J,Feng X U,Jian L.Reputation-based recommender discovery approach for service selection[J].Journal of Software,2010,21(2):388-400.

[8] Liu C,Lin H,Xiong Y.A Web service recommendation approach based on situation awareness[C].IEEE International Conference on Services Computing(ICSC),2013:432-437.

[9] Yahyaoui H,Almulla M,Own H S.A novel non-functional matchmaking approach between fuzzy user queries and real world web services based on rough sets[J].Future Generation Computer Systems,2014,35(35):27-38.

[10] Li De-yi,Liu Chang-yu,Du Yi,et al.Artificial intelligence with uncertainty[J].Journal of Software,2004,15(11):1583-1594.

[11] 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 & Experience,2011,41(1):23-50.

[12] Tian Li-ye,Zhan Jing,Jiang Wei,et al.Research on quantified cloud computing trust model[J].Computer Engineering and Design,2013,34(1):13-17.

[13] Wu Qing-tao,Zhang Xu-long,Zhang Ming-chuan,et al.A cloud service-oriented autonomous reputation management mechanism[J].Journal of Wuhan University,2013,59(5):425-430.

[14] Wang W,Zeng G,Tang D,et al.Cloud-DLS:dynamic trusted scheduling for cloud computing[J].Expert Systems with Applications,2012,39(3):2321-2329.

[15] Jia Dong-yan,Zhang Fu-zhi.A collaborate filtering recommendation algorithm based on double neighbor choosing strategy[J].Journal of Computer Research and Development,2013,50(5):1076-1084.

[16] Jiang Y,Liu J,Tang M,et al.An effective Web service recommendation method based on personalized collaborative filtering[C].IEEE International Conference on Web Services(ICWS),2011:211-218.

附中文參考文獻(xiàn)：

[2] 劉書雷,劉云翔,張 帆,等.一種服務(wù)聚合中QoS全局最優(yōu)服務(wù)動態(tài)選擇算法[J].軟件學(xué)報,2007,18(3):646-656.

[5] 胡建強,李涓子,廖桂平.一種基于多維服務(wù)質(zhì)量的局部最優(yōu)服務(wù)選擇模型[J].計算機學(xué)報,2010,33(3):526-534.

[10] 李德毅,劉常昱,杜 鹢,等.不確定性人工智能[J].軟件學(xué)報,2004,15(11):1583-1594.

[12] 田立業(yè),詹 靜,姜 偉,等.量化的云計算信任模型研究[J].計算機工程與設(shè)計,2013,34(1):13-17.

[13] 吳慶濤,張旭龍,張明川,等.一種面向云服務(wù)的自主信譽管理機制[J].武漢大學(xué)學(xué)報(理學(xué)版),2013,59(5):425-430.

[15] 賈冬艷,張付志.基于雙重鄰居選取策略的協(xié)同過濾推薦算法[J].計算機研究與發(fā)展,2013,50(5):1076-1084.