束 柬 梁昌勇 徐 健

(合肥工業(yè)大學(xué)管理學(xué)院 合肥 230009) (優(yōu)化與智能決策教育部重點(diǎn)實(shí)驗(yàn)室(合肥工業(yè)大學(xué)) 合肥 230009) (shujian7@163.com)

在全球經(jīng)濟(jì)一體化進(jìn)程迅速發(fā)展的背景下，企業(yè)面臨著外部資源和環(huán)境壓力持續(xù)加大，內(nèi)部也面臨著產(chǎn)品和服務(wù)創(chuàng)新乏力、資源消耗大等難題.云計(jì)算等新興信息技術(shù)和面向服務(wù)的體系框架為企業(yè)提高生產(chǎn)經(jīng)營效率，從更大范圍內(nèi)整合資源和協(xié)同價(jià)值創(chuàng)新，建立更加高效低碳的運(yùn)營體系和服務(wù)模式等提供了契機(jī).然而，新的云服務(wù)模式在重新整合產(chǎn)業(yè)鏈和協(xié)同價(jià)值鏈的過程中也帶來了新的安全隱患，虛擬化的遠(yuǎn)程服務(wù)模式和多主體的協(xié)同服務(wù)特征等不斷拓寬以往傳統(tǒng)的信息安全邊界，帶來了更多的安全風(fēng)險(xiǎn).傳統(tǒng)信息安全技術(shù)無法很好地解決該問題，基于信任的系統(tǒng)管理方法為其提供了全新的思路

云計(jì)算為企業(yè)提供的服務(wù)主要有3種模式：軟件及服務(wù)(software as a service, SaaS)、平臺即服務(wù)(platform as a service, PaaS)以及基礎(chǔ)設(shè)置即服務(wù)(infrastructure as a service, IaaS)[1].此外，集合企業(yè)自身系統(tǒng)架構(gòu)，云服務(wù)也分為由企業(yè)內(nèi)部信息資源虛擬化而成的私有云服務(wù)、外部云服務(wù)商提供的公有云服務(wù)，及兩者皆有的混合云服務(wù)[2].針對云服務(wù)模式已有較為廣泛的研究：Dorsch等人[3]從盈余能力的經(jīng)濟(jì)影響角度討論了云服務(wù)能力，以云服務(wù)彈性的容量供應(yīng)策略應(yīng)對不穩(wěn)定需求.Boru等人[4]以建立了一種數(shù)據(jù)復(fù)制方法解決云服務(wù)數(shù)據(jù)中心存儲(chǔ)海量數(shù)據(jù)的節(jié)能問題.羅軍舟等人[5]將云服務(wù)劃分為核心服務(wù)、服務(wù)管理、用戶訪問接口3層體系架構(gòu)，總結(jié)了云服務(wù)的關(guān)鍵技術(shù)和熱點(diǎn)問題.李喬等人[6]從云服務(wù)類型和框架層次的角度綜述了不同的云計(jì)算服務(wù).

基于云的管理系統(tǒng)的服務(wù)對象是包含企業(yè)生產(chǎn)經(jīng)營等一系列活動(dòng)的業(yè)務(wù)流程.業(yè)務(wù)流程對于企業(yè)而言如同經(jīng)脈對于人體，是形成信息流動(dòng)和資源交換的重要載體.單個(gè)業(yè)務(wù)流程可被劃分為很多個(gè)彼此存在限制關(guān)系的任務(wù)單元[7]，如何分配和調(diào)度該類任務(wù)單元以保障整個(gè)業(yè)務(wù)流程的順利完成是并行系統(tǒng)的熱點(diǎn)問題[8-9].Liu等人[10]引入流矩陣以表示待分配任務(wù)節(jié)點(diǎn)間約束的關(guān)系的權(quán)重.Topcuouglu等人[11]建立異構(gòu)計(jì)算環(huán)境下動(dòng)態(tài)高效低復(fù)雜性的任務(wù)調(diào)度算法.Wen等人[12]采用GA算法結(jié)合鄰域搜索，建立了異構(gòu)多進(jìn)程系統(tǒng)中的啟發(fā)式的任務(wù)調(diào)度算法.而現(xiàn)有研究對任務(wù)結(jié)構(gòu)的總結(jié)多限于并行或串行結(jié)構(gòu)，缺乏多樣性，本文引入6種典型任務(wù)結(jié)構(gòu)到任務(wù)分配模型中，以增強(qiáng)模型真實(shí)性和可用性.

云計(jì)算服務(wù)在帶來高效便捷的同時(shí)，其跨組織的分布式服務(wù)模式也必將帶來新的安全問題[13].考慮不同任務(wù)對服務(wù)資源具有不同的信任安全需求，如涉及商業(yè)機(jī)密數(shù)據(jù)的任務(wù)有更高的安全需求，而服務(wù)資源根據(jù)其服務(wù)聲譽(yù)和服務(wù)模式的差異也具備不同的可信度.在信息系統(tǒng)領(lǐng)域中，對信任機(jī)制的相關(guān)理論和關(guān)鍵技術(shù)的研究日趨成熟[14-15].Krautheim等人[16]在云環(huán)境中構(gòu)建了基于加密算法和可配置模塊化架構(gòu)的可信虛擬環(huán)境模塊(TVEM).Manuel[17]將信任引入服務(wù)質(zhì)量(QoS)參數(shù)中，以可用性、可靠性、周轉(zhuǎn)效率和數(shù)據(jù)完整性4個(gè)參數(shù)來計(jì)算服務(wù)的信任值.李勇軍等人[18]討論了信任機(jī)制與網(wǎng)絡(luò)安全的相關(guān)性，在信任機(jī)制的研究框架下總結(jié)了典型信任模型.徐鋒等人[19]給出了考慮憑證的存儲(chǔ)及授權(quán)形的信任鏈發(fā)現(xiàn)算法，防止有效敏感信息的泄露.可以看出，信任機(jī)制為解決云計(jì)算的分布式和遠(yuǎn)程服務(wù)等技術(shù)特征帶來的新安全問題，提供了很好的理論依據(jù)和技術(shù)方法[20].故本文在定義了云環(huán)境中信任關(guān)系的基礎(chǔ)上，結(jié)合前期研究成果[21]，將信任機(jī)制引入模型中，在時(shí)間和成本目標(biāo)的基礎(chǔ)上添加信任約束和信任目標(biāo)，在保障云服務(wù)系統(tǒng)拓展性的同時(shí)兼顧安全可信性.

本文的主要貢獻(xiàn)有4個(gè)方面：

1) 結(jié)合面向服務(wù)框架(SOA)，構(gòu)建了混合云環(huán)境下業(yè)務(wù)流程驅(qū)動(dòng)的云服務(wù)系統(tǒng)體系架構(gòu)，并引入信任機(jī)制以量化云服務(wù)中資源的可信程度和待執(zhí)行任務(wù)的信任需求；

2) 在該架構(gòu)基礎(chǔ)上建立了業(yè)務(wù)流程驅(qū)動(dòng)的多目標(biāo)任務(wù)分配模型，引入運(yùn)行時(shí)間、成本和信任3個(gè)目標(biāo)，在保障系統(tǒng)高效率低成本的同時(shí)兼顧安全可信性；

3) 從業(yè)務(wù)流程層面構(gòu)建了任務(wù)結(jié)構(gòu)函數(shù)范式，梳理和總結(jié)了6種典型任務(wù)結(jié)構(gòu)的多目標(biāo)函數(shù)關(guān)系式；

4) 提出了基于局部搜索策略的改進(jìn)SPGA2(strength Pareto genetic algorithm 2)算法，在結(jié)合SPEA2和GA算法的基礎(chǔ)上，引入基于雙點(diǎn)小步距躍進(jìn)的局部搜索策略以提高搜索效率，通過仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性.

1 系統(tǒng)架構(gòu)與優(yōu)化模型

1.1 基于混合云的可信服務(wù)系統(tǒng)體系架構(gòu)

本文在企業(yè)原有系統(tǒng)基礎(chǔ)上，結(jié)合企業(yè)內(nèi)部原有可信服務(wù)資源和外部云服務(wù)商提供的云服務(wù)資源，對企業(yè)服務(wù)系統(tǒng)進(jìn)行再造升級，構(gòu)建了基于混合云的綜合服務(wù)信息系統(tǒng)，其系統(tǒng)框架如圖1所示.該框架從企業(yè)服務(wù)需求端和提供端2個(gè)方面出發(fā)，將綜合服務(wù)系統(tǒng)剖析為4個(gè)邏輯層：任務(wù)層、調(diào)度層、虛擬服務(wù)層和平臺及基礎(chǔ)設(shè)施層，并對綜合服務(wù)系統(tǒng)中的關(guān)鍵技術(shù)和基礎(chǔ)要素進(jìn)行詳細(xì)分析和總結(jié).

任務(wù)是從企業(yè)析出的業(yè)務(wù)流程分解而產(chǎn)生的一系列可通過服務(wù)滿足其需求的子單元.從需求角度來看，企業(yè)用戶將其所需服務(wù)的流程提交到系統(tǒng)中，通過流程控制器首先將接收到的流程及其基本信息進(jìn)行提交注冊，然后將各流程分解為獨(dú)立的可執(zhí)行任務(wù)單元，例如，一項(xiàng)電子商務(wù)流程可分解為以下任務(wù)單元：訂單采集、驗(yàn)證、核實(shí)、購物車管理和支付單元等.隨后控制器將這些可執(zhí)行的任務(wù)單元提交到任務(wù)管理器中，通過任務(wù)管理器實(shí)現(xiàn)對所有任務(wù)單元的統(tǒng)一管理.任務(wù)管理器的重要功能為對任務(wù)單元屬性特征的解析和記錄，任務(wù)單元的主要屬性包括：任務(wù)量、執(zhí)行優(yōu)先級和信任需求等.任務(wù)量是指任務(wù)運(yùn)行完成所需要的服務(wù)資源的大?。蝗蝿?wù)優(yōu)先級是為了保障業(yè)務(wù)流程內(nèi)部秩序和避免死循環(huán)而設(shè)立的任務(wù)間先后執(zhí)行關(guān)系；信任度需求是不同任務(wù)對服務(wù)資源可信度的需求情況表征.從服務(wù)資源的提供角度來看，企業(yè)將其內(nèi)部IT資源整合私有云服務(wù)資源，并接入外部公有云服務(wù)資源.公有云資源分為2類：1)租用IaaS基礎(chǔ)設(shè)施服務(wù)，在其上部署自己的平臺和應(yīng)用服務(wù)；2)直接租用PaaS平臺服務(wù)，并在其上部署應(yīng)用服務(wù).外部的公有云服務(wù)都是通過服務(wù)收集器進(jìn)行服務(wù)注冊和服務(wù)監(jiān)控的，通過服務(wù)等級協(xié)議(SLA)來保障服務(wù)質(zhì)量(QoS).通過資源管理中心，將公有云資源和私有云資源抽象成具有固定屬性的服務(wù)單元，并將其信息發(fā)布到調(diào)度層的資源池中，以待分配任務(wù).且本模型假設(shè)一個(gè)資源槽在同一時(shí)間只能運(yùn)行一個(gè)任務(wù)，不同服務(wù)資源槽具有其獨(dú)立的屬性.服務(wù)單元的主要屬性有服務(wù)能力、單位時(shí)間成本、資源可信度.從服務(wù)資源的屬性上來看，私有云資源擁有更高的可信度，服務(wù)能力更強(qiáng)，但需要更高的成本；公有云雖面臨一定信任風(fēng)險(xiǎn)，但是成本低廉，可選擇范圍更廣.

1.2 云服務(wù)中的信任機(jī)制

信任值的引入是保障整個(gè)服務(wù)系統(tǒng)在任務(wù)分配和服務(wù)選擇過程中兼顧節(jié)能高效和安全可靠.模型定義不同任務(wù)單元有不同的信任需求RTn，而云服務(wù)資源的可信度STm由該資源的綜合信任值所決定.云服務(wù)資源的綜合信任值是由服務(wù)用戶對資源的直接信任值和云商間的推薦信任值融合而得，其融合方法參考前期研究成果[21]所示.推薦信任值取決于云商之間交互的歷史信息，此處不再贅述.而本文重新詳細(xì)定義了用戶對云服務(wù)資源的直接信任值：直接信任值取決于云服務(wù)資源的服務(wù)模式和供應(yīng)商聲譽(yù).從云服務(wù)模式角度，用戶對系統(tǒng)平臺或基礎(chǔ)設(shè)施所擁有的控制權(quán)限越高，則該服務(wù)資源的直接信任值就越高.如用戶使用企業(yè)內(nèi)部私有云部署的軟件服務(wù)資源可信度較高；而若用戶直接租用SaaS類服務(wù)資源，其對底層系統(tǒng)或基礎(chǔ)設(shè)施沒有所有權(quán)，則該類資源的可信度就較低.需要說明的是，可信度的高低只是代表概率上的潛在的風(fēng)險(xiǎn)，并不代表資源的服務(wù)能力和狀態(tài).從云服務(wù)供應(yīng)商聲譽(yù)角度，若供應(yīng)商有著良好的聲譽(yù)口碑和優(yōu)質(zhì)的服務(wù)能力，其必然是一個(gè)高可信度的供應(yīng)商；若其在聲譽(yù)上有瑕疵或者在歷史記錄中有過服務(wù)不達(dá)標(biāo)的記錄，客戶就會(huì)降低其可信度.本模型將信任需求和資源可信度分為7級，如表1所示：

Table 1 The Classification of Trust表1 信任等級分類

在混合云環(huán)境下，由本地基礎(chǔ)設(shè)施提供的私有云服務(wù)被定義成為高可信度7；而公有云服務(wù)根據(jù)資源類型、供應(yīng)商聲譽(yù)和云商間推薦信任值等將其可信度分為1～6級.本文將信任機(jī)制引入多目標(biāo)優(yōu)化問題中，在時(shí)間和成本目標(biāo)維度外加入了信任維度.

1.3 基于時(shí)間、成本和信任的多目標(biāo)任務(wù)分配模型

企業(yè)的某項(xiàng)業(yè)務(wù)流程BP可分解為N個(gè)任務(wù)單元{T1,T2,…,TN}，并假設(shè)共有M個(gè)服務(wù)單元{S1,S2,…,SM}接入企業(yè)的服務(wù)系統(tǒng)中.該多目標(biāo)優(yōu)化問題可以看成：企業(yè)如何分配N個(gè)任務(wù)到M個(gè)服務(wù)單元中，使得任務(wù)執(zhí)行時(shí)間最短、執(zhí)行成本最低、信任度最高.本節(jié)總結(jié)了單個(gè)任務(wù)的多目標(biāo)函數(shù)關(guān)系式，而對整個(gè)業(yè)務(wù)流程而言，其考慮任務(wù)結(jié)構(gòu)的多目標(biāo)函數(shù)關(guān)系將于第2節(jié)詳細(xì)討論.

對于運(yùn)行在不同的服務(wù)單元中的任務(wù)單元來說，其執(zhí)行時(shí)間主要取決于任務(wù)的資源需求量和資源的服務(wù)能力scm，故任務(wù)tn在服務(wù)資源Sm上的運(yùn)行時(shí)間可表示為

D(tn)=Unscm.

(1)

模型假設(shè)云服務(wù)按使用時(shí)長收費(fèi)，不同云服務(wù)資源有相應(yīng)的單位時(shí)間成本.考慮私有云服務(wù)前期固定設(shè)備投入、場地費(fèi)用、系統(tǒng)維護(hù)和專業(yè)人員薪酬等，故設(shè)定私有云服務(wù)的單位成本高于公有云.任務(wù)的執(zhí)行成本C(tn)取決于其運(yùn)行時(shí)D(tn)和服務(wù)資源的單位時(shí)間成本costm，故可得：

C(tn)=D(tn)×costm=Unscm×costm.

(2)

RTn≥STm.

(3)

綜上所述，可信混合云服務(wù)系統(tǒng)中的任務(wù)分配問題可以總結(jié)為一個(gè)多目標(biāo)優(yōu)化問題，其目標(biāo)空間包括任務(wù)運(yùn)行時(shí)間、運(yùn)行成本和信任值3個(gè)維度.同時(shí)，將信任限制和任務(wù)結(jié)構(gòu)等引入約束條件.該多目標(biāo)優(yōu)化問題具體表征為

minFX[D(t1),D(t2),…,D(tx)]，

(4)

minFX[C(t1),C(t2),…,C(tx)]，

(5)

maxFX[ST(t1),ST(t2),…,ST(tx)]，

(6)

s.t. {t1,t2,…,tx}?BPa，

(7)

RTx≥STy，

(8)

FX?[Fseq,Fand,For,Fxor,Fsl,Fcl]，

(9)

其中，式(4)～(6)為目標(biāo)空間，式(7)表明所有任務(wù)屬于某個(gè)流程，式(8)為信任約束，式(9)是根據(jù)任務(wù)結(jié)構(gòu)確定的函數(shù)關(guān)系式.

2 業(yè)務(wù)流程驅(qū)動(dòng)的多目標(biāo)任務(wù)結(jié)構(gòu)范式

在企業(yè)日常經(jīng)營活動(dòng)中，提交到系統(tǒng)中待執(zhí)行任務(wù)不是彼此割裂的孤立單元，而是涉及不同優(yōu)先級結(jié)構(gòu)化的任務(wù)單元組合.而這些任務(wù)組合形成不同的業(yè)務(wù)單元，本文梳理了6種業(yè)務(wù)流程的基本組成單元，建立業(yè)務(wù)流程驅(qū)動(dòng)的任務(wù)結(jié)構(gòu)函數(shù)范式.選用行業(yè)標(biāo)準(zhǔn)建模語言——業(yè)務(wù)流程建模符號(BPMN)[22]建立6種典型任務(wù)結(jié)構(gòu)：序列、并行-且、并行-或、并行-異或、循環(huán)-簡單、循環(huán)-組合.其中對異或和循環(huán)結(jié)構(gòu)通過引入概率分布并計(jì)算期望的形式總結(jié)其目標(biāo)函數(shù)關(guān)系式.不同業(yè)務(wù)單元對目標(biāo)的函數(shù)范式如表2所示：

Table 2 Multi-Objectives Functions of Business Process Driven Task Structure表2 業(yè)務(wù)流程驅(qū)動(dòng)的多目標(biāo)任務(wù)結(jié)構(gòu)函數(shù)關(guān)系式

(10)

而在組合循環(huán)結(jié)構(gòu)中時(shí)間函數(shù)為

(11)

Fcl[ST(t1),ST(t2)]=
p1Fseq[ST(t1,t2)]+p2Fseq[ST(t1)]=

p1min{ST(t1),ST(t2)}+p2ST(t1).

(12)

3 改進(jìn)SPGA2的多目標(biāo)任務(wù)分配算法

針對混合云中業(yè)務(wù)流程驅(qū)動(dòng)的多目標(biāo)任務(wù)分配問題，本文提出了一個(gè)改進(jìn)的SPGA2算法，其結(jié)合SPEA(strength Pareto evolutionary algorithm)算法和傳統(tǒng)GA算法的基礎(chǔ)上，引入了雙點(diǎn)小步距定向探尋的局部搜索策略，在保證算法全局搜索效率的同時(shí)，也提高其局部收斂性.其基本流程如圖2所示：

3.1 SPEA2算子

算法執(zhí)行首先需要通過編碼過程將任務(wù)空間和資源空間的分配策略映射到抽象的解空間上去，以數(shù)字編碼形式表示不同的分配策略.隨后執(zhí)行初始化流程，隨機(jī)生成一個(gè)空間大小為NP的初始種群P和一個(gè)大小為Nq的外部存檔集Q，并令Q=?.SPEA2采用更詳細(xì)的適應(yīng)度分配策略，同時(shí)考慮了其中個(gè)體的支配信息和被支配信息[23].支配信息由個(gè)體的強(qiáng)度值獲得，被支配信息由個(gè)體的準(zhǔn)適應(yīng)度r(i)獲得，再結(jié)合密度d(i)最終生成適應(yīng)度f(i)：

f(i)=r(i)+d(i)，

(13)

其中各部分的組成為

S(i)=|{j|j∈P+Q∧i?j}|，

(14)

(15)

d(i)=1

(16)

環(huán)境選擇過程是SPEA2中從群體P中生成新一代存檔集Q的重要步驟.其主要過程首先復(fù)制所有適應(yīng)度低于1的非支配個(gè)體，并放入外部存檔集中：

Qt+1={i|i∈P+Q∧F(i)<1}.

(17)

當(dāng)所有適應(yīng)度小于1的個(gè)體都放入外部存檔集后，比較存檔集中的個(gè)體數(shù)|Qt+1|與規(guī)定的規(guī)模Nq.若|Qt+1|Nq，則執(zhí)行修剪操作依次從Qt+1中剔出個(gè)體i，修剪過程如式(18)所示：

(18)

其實(shí)質(zhì)為依次刪除歸檔集中與個(gè)體i距離最近的個(gè)體，直至|Qt+1|=Nq.

3.2 局部搜索策略

SPEA和GA算法都具備很強(qiáng)的全局搜索能力，尤其針對有連續(xù)光滑邊界的多目標(biāo)優(yōu)化問題具備很強(qiáng)的收斂能力.而當(dāng)最優(yōu)邊界不連續(xù)、不光滑時(shí)，割裂的最優(yōu)邊界嚴(yán)重制約該類算法的收斂能力.原因在于進(jìn)化算法為了防止尋優(yōu)過程陷入局部收斂而擴(kuò)大隨機(jī)搜索范圍的過程中，往往會(huì)忽略局部優(yōu)化問題，導(dǎo)致算法在搜索過程中直接跳過局部的最優(yōu)邊界，跳到下一個(gè)最優(yōu)點(diǎn).為此，本文引入局部搜索策略，對歷代存檔集中的非支配個(gè)體進(jìn)行鄰域搜索，以在原有非支配集合的基礎(chǔ)上獲得更優(yōu)秀的個(gè)體，逐步逼近最優(yōu)邊界.計(jì)算過程如算法1所示.

算法1. 雙點(diǎn)小步距躍進(jìn)的局部搜索策略.

輸入：歸檔集Q、本地搜索概率p；

輸出：新的存檔集Q′.

① 通過p搜索Q中個(gè)體并存本地集local_pop；

② foriinlocal_pop

③ forpoint1 ini

④point2←i[random(0,len(i))]；

⑤point1+=1,point2+=1；

⑥ iftrust(point1)==False

⑦point1-=1;

⑧ end if

⑨ iftrust(point2)==False

⑩point2-=1;

本文采用雙點(diǎn)小步距躍進(jìn)的局部搜索策略，在歷代存檔集中以概率p選擇出非支配個(gè)體，采用小步距定向搜索的方式擴(kuò)展搜尋其周圍空間.雙點(diǎn)小步距躍進(jìn)是選擇個(gè)體中染色體2個(gè)點(diǎn)的編碼信息進(jìn)行增位變動(dòng)，即對1次任務(wù)分配方案中的2個(gè)任務(wù)單元所分配的資源序號進(jìn)行增加1位操作，需要注意的是若單點(diǎn)的變化過程中破壞了信任約束則不執(zhí)行增位變動(dòng).

3.3 遺傳算子

在獲得經(jīng)局部優(yōu)化的新存檔集后，合并新存檔集Q′和群體P，并對其進(jìn)行一系列GA操作以獲得新的子代.本文選用傳統(tǒng)GA的選擇，交叉和變異操作實(shí)現(xiàn)解空間的全局尋優(yōu).采用輪盤賭選擇法選出個(gè)體進(jìn)行交叉變異操作，遺傳算子的基本流程如算法2所示.

算法2. 輪盤賭選擇法和交叉變異操作主要流程.

輸入：種群population、資源集合R；

輸出：新種群new_pop.

①score←total_fitness×random(0,1)；

② foriinpopulation

③sum_fitness+=fitness(i)；

④ ifsum_fitness≥score

⑤s1←i；

⑥ end if

⑦ ifrandom(0,1)

⑧p←random(0,max(s1))；

⑨ end if

⑩ 在population中隨機(jī)找s2；

s2[p:]；

交叉操作通過算法尋優(yōu)過程中生成新子代的同時(shí)保留父代的一些結(jié)構(gòu)特征.采用隨機(jī)單點(diǎn)交叉算法，隨機(jī)生成交叉點(diǎn)并保留其左端基因段，交換其右側(cè)基因段以形成2個(gè)后代.變異操作是通過改變1個(gè)染色體中的某段基因來擴(kuò)大算法的搜索空間以防止算法過早收斂.模型同樣選用隨機(jī)點(diǎn)變異方法，通過隨機(jī)函數(shù)選擇染色體上任意位置的基因片段，再隨機(jī)生成1個(gè)新的基因片段.本模型采用交叉率和突變率表示算法中執(zhí)行交叉操作或變異操作的概率.需要注意的是，交叉操作是交換現(xiàn)有子代中的基因，而現(xiàn)有子代中基因所攜帶的信息都是符合信任約束的，故交叉操作不會(huì)打破任務(wù)分配中的信任信息.而變異操作是非定向的隨機(jī)搜索過程，其可能破壞原有的信任規(guī)則，產(chǎn)生攜帶不可信調(diào)度信息的基因片段，故本文在變異操作中增加了信任約束，不符合信任約束的突變基因?qū)⒉粫?huì)替代原基因，算法將重復(fù)隨機(jī)生成滿足信任約束的基因片段為止.

4 仿真實(shí)驗(yàn)

為了驗(yàn)證混合云環(huán)境下基于信任的動(dòng)態(tài)任務(wù)分配模型和算法性能，本文編程實(shí)現(xiàn)了一系列仿真實(shí)驗(yàn)，并對實(shí)驗(yàn)數(shù)據(jù)和結(jié)果進(jìn)行了詳細(xì)的梳理分析和總結(jié).實(shí)驗(yàn)平臺搭建在一臺Intel Core 2 Duo-E8400@3.00 GHz CPU和4 GB RAM的PC上，操作系統(tǒng)為Windows Enterprise版本，采用Python 3.5.2編程實(shí)現(xiàn)其相應(yīng)功能，用面向?qū)ο蟮木幊陶Z言設(shè)置任務(wù)單元和服務(wù)資源單元，并賦予相應(yīng)的特征和屬性值.本文將實(shí)驗(yàn)中數(shù)據(jù)都進(jìn)行規(guī)范化處理，即采取從0到其極值點(diǎn)轉(zhuǎn)化為0-1標(biāo)準(zhǔn)化形式，以便數(shù)據(jù)間的比較和分析.

4.1 算法的可用性和有效性

本文首先采用單目標(biāo)權(quán)重分配方法對模型中3個(gè)目標(biāo)函數(shù)進(jìn)行獨(dú)立分析.實(shí)驗(yàn)對象選取包含24個(gè)任務(wù)的復(fù)雜業(yè)務(wù)流程和8個(gè)不同屬性的服務(wù)資源.通過將各目標(biāo)權(quán)重從0～1以0.1為步長進(jìn)行歷遍，共產(chǎn)生66種不同的權(quán)重組合.相應(yīng)目標(biāo)權(quán)重下目標(biāo)函數(shù)值的得分情況如圖3所示：

Fig. 3 Variation of single objective with weight圖3 單目標(biāo)隨權(quán)重變化情況

從圖3分析可得：單個(gè)目標(biāo)在獲得高目標(biāo)值的情況下并不意味著會(huì)遏制其他目標(biāo)值得分，如成本目標(biāo)和信任目標(biāo)在0.3的權(quán)重分配中就可得到接近0.9的得分.該結(jié)果揭示了該任務(wù)分配問題中多個(gè)目標(biāo)間并非完全沖突，可以找到在3個(gè)目標(biāo)值上都有較好得分的優(yōu)秀解.故啟發(fā)式算法對該類問題有很好的處理能力，其驗(yàn)證了算法的可行性.此外，當(dāng)決策者不考慮全局因素，側(cè)重單目標(biāo)分析信息，這些解的分布情況提供了重要參考.

在模型和算法可行性的基礎(chǔ)上，通過仿真實(shí)驗(yàn)實(shí)現(xiàn)了改進(jìn)的SPGA2算法，并用于到多目標(biāo)任務(wù)分配的模型上.建立了一個(gè)三維立體散點(diǎn)圖，從全局視角展示了算法所得的最終解集，三維視圖的X軸、Y軸和Z軸分別表示時(shí)間、成本和信任3個(gè)目標(biāo)維度，采用標(biāo)準(zhǔn)化取0-1為單位范圍.為了便于比較，取進(jìn)化算法的種群數(shù)量也為66，故生成的66個(gè)解展示如圖4所示：

Fig. 4 Non-dominated solutions by the proposed algorithm圖4 多目標(biāo)任務(wù)分配算法所得非支配解

通過圖4中點(diǎn)的分布，可看出其形成了一個(gè)多目標(biāo)優(yōu)化問題的帕列托邊界，該邊界上的所有解都是非支配的，即對一個(gè)非支配解無法找到更好的解在3個(gè)目標(biāo)上都優(yōu)于該解.在實(shí)際生產(chǎn)中，需要根據(jù)管理者的偏好和具體環(huán)境的限制約束，在所有非支配解中選出最適合的解作為任務(wù)分配問題的最優(yōu)解方案.如追求低成本的公司可能更多側(cè)重成本目標(biāo)，而對任務(wù)內(nèi)容保密性要求較高的企業(yè)可能對成本并不敏感，更側(cè)重于信任目標(biāo).

4.2 多目標(biāo)優(yōu)化算法對比分析

為了更好地展現(xiàn)算法性能，本節(jié)選取4個(gè)經(jīng)典多目標(biāo)優(yōu)化算法(NSGA,VEGA,MOGA和原SPEA2)作為參照，與所提出的改進(jìn)SPGA2算法進(jìn)行對比試驗(yàn).NSGA以帕累托解的支配關(guān)系為搜索策略，具備很強(qiáng)的非支配解全局搜索能力[25]；VEGA是通過分配多個(gè)向量組評估優(yōu)化多個(gè)目標(biāo)，其生成的解多聚攏在單目標(biāo)極值點(diǎn)處，局部優(yōu)化能力較強(qiáng)；MOGA通過權(quán)重將多目標(biāo)聚合成單個(gè)目標(biāo)，再通過遺傳算法對單目標(biāo)優(yōu)化，其具備較強(qiáng)的收斂能力，然而固定的目標(biāo)權(quán)重會(huì)影響算法的全局搜索能力[26];原SPEA2是未經(jīng)改進(jìn)的強(qiáng)帕列托支配進(jìn)化算法，其個(gè)體的支配信息和被支配信息由強(qiáng)度值體現(xiàn)，具備較強(qiáng)的解空間定向?qū)?yōu)搜索能力[23].本文所提出的改進(jìn)SPGA2算法在結(jié)合SPEA2和GA算法的基礎(chǔ)上，引入局部搜索策略，以彌補(bǔ)面對割裂不連續(xù)的最優(yōu)邊界制約算法收斂能力的情況，在保障SPEA2全局搜索能力的同時(shí)，增強(qiáng)對局部最優(yōu)邊界的搜索效率.

Fig. 5 Performance comparison of multi-objective algorithms圖5 多目標(biāo)算法性能對比

本文選取非支配解比例和算法收斂距離2個(gè)指標(biāo)來衡量和對比多目標(biāo)算法的性能.非支配解比例是通過多次迭代后產(chǎn)生的最終解集中非支配解的數(shù)量占初始解集中解數(shù)量的百分比，體現(xiàn)了整體尋優(yōu)能力.如圖5(a)所示，改進(jìn)SPGA2雖在尋優(yōu)過程初期非支配解數(shù)量增長較慢，然而經(jīng)過多次迭代最終生成的支配解比率最高；VEGA初期支配解比率增長對比NSGA較快，而后者最終支配解比率穩(wěn)定值卻高于前者；VEGA和MOGA只考慮不同目標(biāo)空間的權(quán)重問題，不關(guān)注解的支配關(guān)系，故其最終的非支配解比率較低；原SPEA2初期支配解比率增長較快，而其最終支配解比率穩(wěn)定值同NSGA相似，顯著低于改進(jìn)SPGA2的值.

本文將算法迭代過程中歷代最優(yōu)解集的并集中非支配解的合集定義為參考集，理想的帕列托最優(yōu)解集應(yīng)是向該參考集無限逼近.通過計(jì)算每代種群中所有個(gè)體解到參考集的歐氏距離之和，將其記為該代種群的收斂距離，并對其標(biāo)準(zhǔn)化.如圖5(b)所示，MOGA和VEGA關(guān)注不同目標(biāo)權(quán)重下的最優(yōu)解，忽略解的支配關(guān)系，故搜索質(zhì)量不佳，最終收斂距離較遠(yuǎn)；原SPEA2和NSGA強(qiáng)調(diào)全局搜索能力，忽略部分的局部最優(yōu)解，導(dǎo)致收斂速度較慢.而改進(jìn)SPGA2算法在收斂性能上有了較大程度的提高，一方面收斂的速度更快，另一方面最終收斂距離也距最優(yōu)邊界最近.收斂速度的加快是算法中引入了局部優(yōu)化搜索策略的影響，大大增加了解空間的探索效率，減少無意義的迭代，使得進(jìn)化過程更有針對性；最終收斂距離縮短是改進(jìn)算法整體優(yōu)化的結(jié)果，體現(xiàn)了算法在全局搜索能力和最終解集有效性上的優(yōu)異表現(xiàn)，在減少了計(jì)算負(fù)擔(dān)的同時(shí)也提高了收斂能力.

4.3 任務(wù)結(jié)構(gòu)和資源數(shù)量對分配模型的影響分析

此節(jié)討論不同任務(wù)程結(jié)構(gòu)和不同服務(wù)資源數(shù)量對任務(wù)分配模型的影響，選取4種不同的業(yè)務(wù)流程，其結(jié)構(gòu)分別包含8,12,20,25個(gè)任務(wù)單元；并設(shè)置服務(wù)資源數(shù)量n(S)分別為4,8,12,15，以探究不同任務(wù)結(jié)構(gòu)和不同服務(wù)資源數(shù)量對該多目標(biāo)分配模型的影響.

多目標(biāo)任務(wù)分配問題以帕列托非支配解為主要參考基準(zhǔn)，在所有非支配解集中通過管理者對不同目標(biāo)的偏好來選擇出優(yōu)秀解.而帕列托解集中除了支配關(guān)系，難以比較2個(gè)解的優(yōu)劣之分.本文尋找特定解空間中的最優(yōu)解點(diǎn)，通過比較最優(yōu)解在3個(gè)目標(biāo)函數(shù)中的得分情況，驗(yàn)證不同任務(wù)結(jié)構(gòu)和服務(wù)數(shù)量對任務(wù)分配模型的影響.特定解空間的最優(yōu)解是通過設(shè)定每個(gè)目標(biāo)維度的限制范圍，從符合要求的解集中找出最優(yōu)解點(diǎn).本文設(shè)置4種任務(wù)結(jié)構(gòu)和4種服務(wù)資源數(shù)目形成16組任務(wù)分配問題，限定每個(gè)目標(biāo)值需大于0.55，通過特定解空間限制{x,y,z|x>0.55,y>0.55,z>0.55}找出最優(yōu)解，不同流程和服務(wù)資源中任務(wù)分配方案最優(yōu)解的目標(biāo)值對比情況如圖6所示：

Fig. 6 Comparison under different task and resource schemes圖6 不同任務(wù)和資源方案下最優(yōu)解目標(biāo)值對比情況

從圖6中可以看出，任務(wù)結(jié)構(gòu)和資源數(shù)對時(shí)間目標(biāo)影響較大，簡單和普通結(jié)構(gòu)的流程分配到8個(gè)服務(wù)資源的場景可以獲得最高時(shí)間目標(biāo)值，而對于大型復(fù)雜流程，8,12,15個(gè)不同服務(wù)資源數(shù)量對時(shí)間目標(biāo)值的影響不顯著，故對待大型復(fù)雜流程增加服務(wù)資源數(shù)目所起作用不明顯.對于成本目標(biāo)，本文假設(shè)云服務(wù)按使用時(shí)間收費(fèi)，且服務(wù)能力跟資源的單位時(shí)間成本正相關(guān)，即越貴的服務(wù)速度越快，任務(wù)運(yùn)行完成耗時(shí)越短.可看出不同任務(wù)結(jié)構(gòu)復(fù)雜程度和資源數(shù)量情況下任務(wù)運(yùn)行成本變化較為平穩(wěn)，對成本影響較低.信任目標(biāo)值中，隨著服務(wù)資源數(shù)量增加，信任目標(biāo)值呈顯著增長趨勢，是因?yàn)橐敫嗟姆?wù)資源擴(kuò)展了任務(wù)分配過程中的可信資源范圍；而不同任務(wù)規(guī)模的流程影響其信任目標(biāo)值的變動(dòng)并不大，顯示了任務(wù)結(jié)構(gòu)復(fù)雜度變化對信任目標(biāo)值變化的影響較低.

4.4 任務(wù)分配模型中的可信度分布及變化情況

Fig. 7 Trust situation in multi-objective task assignment model圖7 多目標(biāo)任務(wù)分配模型中的信任情況

考慮到云服務(wù)系統(tǒng)中任務(wù)分配問題是基于可信服務(wù)的，故此節(jié)將模型中的信任問題單獨(dú)提取出做獨(dú)立分析.選取包含12個(gè)任務(wù)的普通業(yè)務(wù)流程和4個(gè)不同屬性的服務(wù)資源作為實(shí)驗(yàn)對象.首先驗(yàn)證了50次算法迭代中，每代群體中所有非支配解的信任目標(biāo)平均值，并表示在圖7(a)中.圖7(a)中除了展示非支配解集的平均信任情況，還標(biāo)識出任務(wù)對可信服務(wù)所要求的最低信任閾值，即流程中所有任務(wù)最低信任需求值的和.由圖7(a)可以看出，一方面由于信任約束的限制，使得算法進(jìn)化過程中所有任務(wù)的信任需求都得到滿足，保證每次分配都符合信任約束；另一方面，算法迭代中整個(gè)帕列托解集的信任目標(biāo)均值保持穩(wěn)定增加，且最終生成解集的信任均值穩(wěn)定在0.6左右，體現(xiàn)了任務(wù)分配方案最終解是基于高可信度的.

進(jìn)化中的信任目標(biāo)均值體現(xiàn)了算法迭代過程中整體的信任變化情況，而針對某次任務(wù)分配方案中的信任分布情況就需要選取具體的解進(jìn)行分析.本文提出基于理想點(diǎn)的最優(yōu)解確認(rèn)方案，以選出合適的最優(yōu)解點(diǎn)來分析其信任分布情況.先通過算法迭代得出最終的帕列托解集，在解集中設(shè)置理想點(diǎn)，并選擇與理想點(diǎn)歐氏距離最短的解點(diǎn)作為最優(yōu)解.本文設(shè)置理想點(diǎn)為(0.6,0.6,0.6)，通過搜索帕列托解空間中與理想點(diǎn)歐氏距離最小的非支配解點(diǎn)作為最優(yōu)解.以該最優(yōu)解為例，對其任務(wù)分配方案的信任分布情況進(jìn)行分析.如圖7(b)所示，每根柱狀圖代表該任務(wù)單元所分配的信任情況，柱狀圖下半部分為每個(gè)任務(wù)單元的信任約束值，上半部分為任務(wù)所分配的服務(wù)資源的可信度超過信任閾值部分.由圖7可見，在信任約束下所有任務(wù)單元的最小信任值需求都得到滿足，且在信任目標(biāo)推動(dòng)下，高可信需求的任務(wù)分配到了更可信的服務(wù)資源，大大保障了整個(gè)服務(wù)系統(tǒng)的可信性.

4.5 時(shí)間復(fù)雜度分析

算法的時(shí)間復(fù)雜度將直接影響其運(yùn)行質(zhì)量和效率，現(xiàn)對本文所提出的改進(jìn)SPGA2算法中各算子的時(shí)間復(fù)雜度進(jìn)行分析，取最大值為算法的時(shí)間復(fù)雜度.假設(shè)多目標(biāo)任務(wù)分配模型是將n個(gè)任務(wù)分配到m個(gè)資源上.

1) 種群初始化.對種群P和存檔集Q進(jìn)行初始化操作，其空間大小分別為常數(shù)Np和Nq.根據(jù)初始化原則，隨機(jī)生成Np×n×m個(gè)數(shù)據(jù)，并令存檔集為空集.故種群初始化復(fù)雜度為O(m×n).

2) 遺傳算子.群體交叉操作的復(fù)雜度為Np×O(m2×n)=O(m2×n)；變異操作的復(fù)雜度為Np×O(m×n)=O(m×n).故遺傳算子的復(fù)雜度為O(m2×n)+O(m×n)=O(m2×n).

3) SPEA2算子.該算子中個(gè)體的強(qiáng)度值表示其支配和被支配的信息，在計(jì)算個(gè)體的強(qiáng)度值時(shí)，需要計(jì)算個(gè)體間歐氏距離，其時(shí)間復(fù)雜度為O(m2×n2).而在環(huán)境選擇過程中，復(fù)雜度為(Nq+1)2×Nq×O(m2×n2).故SPEA2算子的復(fù)雜度為O(m2×n2)+(Nq+1)2×Nq×O(m2×n2)=O(m2×n2).

4) 局部搜索算子.對歷代存檔集中的非支配個(gè)體進(jìn)行鄰域搜索，其種群最大交換次數(shù)為Np×n×m×m，故局部搜索算子的復(fù)雜度為O(m2×n).

在改進(jìn)SPGA2算法中，SPEA2算子時(shí)間復(fù)雜度較高，為O(m2×n2)；遺傳算子和局部搜索算子復(fù)雜度其次，為O(m2×n)；種群初始化復(fù)雜度最低，為O(m×n).故改進(jìn)SPGA2算法的時(shí)間復(fù)雜度為O(m2×n2).算法中復(fù)雜度最高為通過歐氏距離計(jì)算個(gè)體的強(qiáng)度值，由于強(qiáng)度值的計(jì)算為SPEA2算子的必要流程，故本文所引入的算子并未增加算法的時(shí)間復(fù)雜度.

5 總結(jié)與展望

云計(jì)算等新興信息技術(shù)帶來了產(chǎn)業(yè)鏈重新整合和商業(yè)模式創(chuàng)新等一系列重大變革，面對日益增長的業(yè)務(wù)需求和復(fù)雜變化的商業(yè)環(huán)境，企業(yè)如何改造并升級業(yè)務(wù)流程、合理分配和使用云服務(wù)資源、在安全可信服務(wù)的基礎(chǔ)上提高效率并降低成本，成為其保持旺盛生命力的重要保障.本文在面向服務(wù)的框架基礎(chǔ)上，結(jié)合混合云服務(wù)模式和信任機(jī)制，構(gòu)建了一種基于混合云的可信云服務(wù)系統(tǒng)體系架構(gòu)，并在該框架下建立了基于時(shí)間、成本和信任的多目標(biāo)任務(wù)分配模型；引入信任值的度量以刻畫任務(wù)的信任需求和服務(wù)資源可信度，并于任務(wù)分配中結(jié)合信任機(jī)制選擇云服務(wù)資源，以保證服務(wù)的安全可靠性；在此基礎(chǔ)上，梳理了6種典型任務(wù)結(jié)構(gòu)關(guān)于多目標(biāo)的函數(shù)范式；采用基于局部搜索策略的改進(jìn)SPGA2算法提高了混合云環(huán)境下多目標(biāo)任務(wù)分配問題解空間的搜索效率，并最終通過仿真實(shí)驗(yàn)驗(yàn)證了模型和算法切實(shí)有效可行.

在未來的工作中，我們將收集并使用企業(yè)實(shí)際的業(yè)務(wù)流程數(shù)據(jù)，并結(jié)合市場上現(xiàn)有的典型云服務(wù)資源定價(jià)策略和服務(wù)能力，通過實(shí)際數(shù)據(jù)進(jìn)一步驗(yàn)證模型的有效性.現(xiàn)模型中引入的信任是融合直接信任值和推薦信任值的云服務(wù)綜合信任情況，今后我們擬結(jié)合不同云環(huán)境下的跨地域和跨結(jié)構(gòu)的多域信任屬性特征，研究云環(huán)境下信任的跨域傳播和更新等問題，建立一種動(dòng)態(tài)的綜合跨域信任網(wǎng)絡(luò)，以更好地刻畫服務(wù)系統(tǒng)中的信任關(guān)系，進(jìn)一步增強(qiáng)系統(tǒng)的安全可信性.

[1]Zhan Zhihui, Liu Xiaofang, Gong Yuejiao, et al. Cloud computing resource scheduling and a survey of its evolutionary approaches[J]. ACM Computing Surveys, 2015, 47(4): 1-33

[2]Lin Chuang, Su Wenbo, Meng Kun, et al. Cloud computing security: Architecture, mechanism and modeling[J]. Chinese Journal of Computers, 2013, 36(9): 1765-1784 (in Chinese)(林闖, 蘇文博, 孟坤, 等. 云計(jì)算安全: 架構(gòu)、機(jī)制與模型評價(jià)[J]. 計(jì)算機(jī)學(xué)報(bào), 2013, 36(9): 1765-1784)

[3]Dorsch C, H?ckel B. Combining models of capacity supply to handle volatile demand: The economic impact of surplus capacity in cloud service environments[J]. Decision Support Systems, 2014, 58(1): 3-14

[4]Boru D, Kliazovich D, Granelli F, et al. Energy-efficient data replication in cloud computing datacenters[J]. Cluster Computing, 2015, 18(1): 385-402

[5]Luo Junzhou, Jin Jiahui, Song Aibo, et al. Cloud computing: Architecture and key technologies[J]. Journal on Communications, 2011, 32(7): 3-21 (in Chinese)(羅軍舟, 金嘉暉, 宋愛波, 等. 云計(jì)算: 體系架構(gòu)與關(guān)鍵技術(shù)[J]. 通信學(xué)報(bào), 2011, 32(7): 3-21)

[6]Li Qiao, Zhen Xiao. Research survey of cloud computing[J]. Computer Science, 2011, 38(4): 32-37 (in Chinese)(李喬, 鄭嘯. 云計(jì)算研究現(xiàn)狀綜述[J]. 計(jì)算機(jī)科學(xué), 2011, 38(4): 32-37)

[7]Ahmed W, Wu Yongwei, Zheng Weimin. Response time based optimal Web service selection[J]. IEEE Trans on Parallel & Distributed Systems, 2013, 26(2): 551-561

[8]Wei Wei, Liu Yang, Yang Weidong. A fast approximation algorithm for the general resource placement problem in cloud computing platform[J]. Journal of Computer Research and Development, 2016, 53(3): 697-703 (in Chinese)(魏蔚, 劉揚(yáng), 楊衛(wèi)東. 一種通用云計(jì)算資源調(diào)度問題的快速近似算法[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3): 697-703)

[9]Mao Chengying, Chen Jifu, Towey D, et al. Search-based QoS ranking prediction for Web services in cloud environments[J]. Future Generation Computer Systems, 2015, 50(C): 111-126

[10]Liu Hongbo, Abraham A, Mcloone S. Swarm scheduling approaches for work-flow applications with security constraints in distributed data-intensive computing environments[J]. Information Sciences, 2012, 192(6): 228-243

[11]Topcuouglu H, Hariri S, Wu Minyou. Performance-effective and low-complexity task scheduling for heterogeneous computing[J]. IEEE Trans on Parallel & Distributed Systems, 2002, 13(3): 260-274

[12]Wen Yun, XuHua, Yang Jiadong. A heuristic-based hybrid genetic-variable neighborhood search algorithm for task scheduling in heterogeneous multiprocessor system[J]. Information Sciences, 2011, 181(3): 567-581

[13]Feng Dengguo, Zhang Min, Zhang Yan, et al. Study on cloud computing security[J]. Journal of Software, 2011, 22(1): 71-83 (in Chinese)(馮登國, 張敏, 張妍, 等. 云計(jì)算安全研究[J]. 軟件學(xué)報(bào), 2011, 22(1): 71-83)

[14]Fang Yulin, Qureshi I, Sun Heshan, et al. Trust, satisfaction, and online repurchase intention: The moderating role of perceived effectiveness of E-commerce institutional mechanisms[J]. Mis Quarterly, 2014, 38(2): 407-427

[15]Yu Nenghai, Hao Zhuo, Xu Jiajia, et al. Review of cloud computing security[J]. Acta Electronic Sinica, 2013, 41(2): 371-381 (in Chinese)(俞能海, 郝卓, 徐甲甲, 等. 云安全研究進(jìn)展綜述[J]. 電子學(xué)報(bào), 2013, 41(2): 371-381)

[16]Krautheim F J, Phatak D S, Sherman A T. Introducing the trusted virtual environment module: A new mechanism for rooting trust in cloud computing[G]Trust and Trustworthy Computing. Berlin: Springer, 2010: 211-227

[17]Manuel P. A trust model of cloud computing based on quality of service[J]. Annals of Operations Research, 2015, 233(1): 281-292

[18]Li Yongjun, Dai Yafei. Research on trust mechanism for peer-to-peer network[J]. Chinese Journal of Computers, 2010, 33(3): 390-405 (in Chinese)(李勇軍, 代亞非. 對等網(wǎng)絡(luò)信任機(jī)制研究[J]. 計(jì)算機(jī)學(xué)報(bào), 2010, 33(3): 390-405)

[19]Xu Feng, Wang Yuan, Zhang Lin, et al. A trust chain discovery algorithm for open environment[J]. Journal of Computer Research and Development, 2006, 43(Suppl2): 72-77 (in Chinese)(徐鋒, 王遠(yuǎn), 張林, 等. 一個(gè)開放環(huán)境中信任鏈發(fā)現(xiàn)算法的設(shè)計(jì)與分析[J]. 計(jì)算機(jī)研究與發(fā)展, 2006, 43(增刊2): 72-77)

[20]Ko R, Jagadpramana P, Mowbray M, et al. TrustCloud: A framework for accountability and trust in cloud computing[C]Proc of the 2011 IEEE World Congress on Services. Los Alamitos, CA: IEEE Computer Society, 2011: 584-588

[21]Shu Jian, Liang Changyong. Dynamic trust model based on DS evidence theory under cloud computing environment[J]. Computer Science, 2016, 43(8): 105-109 (in Chinese)(束柬, 梁昌勇. 基于DS理論的多源證據(jù)融合云安全信任模型[J]. 計(jì)算機(jī)科學(xué), 2016, 43(8): 105-109)

[22]Chinosi M, Trombetta A. BPMN: An introduction to the standard[J]. Computer Standards & Interfaces, 2012, 34(1): 124-134

[23]Kim M, Hiroyasu T, Miki M, et al. SPEA2: Improving the performance of the strength pareto evolutionary algorithm 2[G]LNCS 3242: Proc of Int Conf on Parallel Problem Solving from Nature. Berlin: Springer, 2004: 742-751

[24]Silverman B W. Density Estimation for Statistics and Data Analysis[M]. London: Chapman &Hall, 1986

[25]Deb K, Pratap A, Agarwal S, et al. A fast and elitist multi-objective genetic algorithm: NSGA-Ⅱ[J]. IEEE Trans on Evolutionary Computation, 2002, 6(2): 182-197

[26]Gen M, Lin Lin. Multi-objective evolutionary algorithm for manufacturing scheduling problems: State-of-the-art survey[J]. Journal of Intelligent Manufacturing, 2014, 25(5): 849-866

ShuJian, born in 1989. PhD. His main research interests include cloud computing, information management, information security, and trust theory.

LiangChangyong, born in 1965. PhD, professor, PhD supervisor. His main research interests include information system & information management, cloud service, and decision science.

XuJian, born in 1982. PhD candidate. His main research interests include big data, data mining, game theory, and machine learning.