祖 婷 方 群 何 昕

1(中國移動(dòng)通信集團(tuán)安徽有限公司蕪湖分公司 安徽蕪湖 241002)

2(安徽師范大學(xué)計(jì)算機(jī)與信息學(xué)院 安徽蕪湖 241002)

3(網(wǎng)絡(luò)與信息安全安徽省重點(diǎn)實(shí)驗(yàn)室(安徽師范大學(xué)) 安徽蕪湖 241002)

(zuting@ah.chinamobile.com)

在云計(jì)算給云用戶帶來便利的同時(shí),信任危機(jī)日顯突出,導(dǎo)致用戶無法選擇高質(zhì)量、高可信的服務(wù)實(shí)體[1].目前,在云計(jì)算環(huán)境下建立公平有效的信任模型是評(píng)估服務(wù)交互風(fēng)險(xiǎn)的重要手段[2].目前,各大學(xué)者針對(duì)可信服務(wù)展開大量研究,但是對(duì)于實(shí)體偽裝、共謀和惡意攻擊等信任問題并沒有很好的解決[3-5].服務(wù)細(xì)粒度化是信任評(píng)估的關(guān)鍵所在,用戶綜合評(píng)價(jià)服務(wù)的QoS,從而更加準(zhǔn)確衡量服務(wù)的可信度[6-7].文獻(xiàn)[8]提出一種基于隸屬度理論的云服務(wù)行為評(píng)價(jià)評(píng)估模型,使得請(qǐng)求者能根據(jù)自身的興趣偏好對(duì)信任進(jìn)行評(píng)估,提高信任評(píng)估的準(zhǔn)確性.文獻(xiàn)[9]為確保網(wǎng)絡(luò)資源安全共享,提出了一種改進(jìn)動(dòng)態(tài)博弈論算法,從而建立了精確的云計(jì)算環(huán)境下海量用戶行為信任評(píng)估模型.Singh[10]提出一種基于用戶與服務(wù)的歷史交互記錄和第三方的服務(wù)推薦的信任評(píng)估機(jī)制,從而計(jì)算服務(wù)提供商的信任值.

然而,并非所有評(píng)價(jià)實(shí)體都是可信的,如何區(qū)分評(píng)估評(píng)價(jià)實(shí)體的可信性則成為信任評(píng)估工作的重中之重.我們針對(duì)云服務(wù)資源的動(dòng)態(tài)性、云服務(wù)環(huán)境的復(fù)雜性以及用戶評(píng)價(jià)的不確定性問題,提出了一種基于服務(wù)感知的可信QoS評(píng)價(jià)模型.在該模型中,引入了時(shí)間因子刻畫信任的衰減特性,綜合直接信任、推薦信任以及QoS反饋信任描述實(shí)體之間的信任關(guān)系;對(duì)于新加入節(jié)點(diǎn)以某先驗(yàn)初始概率參與服務(wù)交互,能在一定程度上有效地抵御漂白攻擊;在推薦信任度量與直接信任度量計(jì)算中引入信息熵和相關(guān)比理論測度,能有效地減弱惡意評(píng)價(jià)對(duì)信任度量的影響.

本文首先給出信息熵和相關(guān)比的定義,然后給出可信QoS評(píng)價(jià)模型,其中包括信任評(píng)估、信任決策和信任演化,最后通過對(duì)時(shí)間因子和信任演化的分析來證明評(píng)價(jià)模型的有效性.

1 相關(guān)定義

定義1.信息熵.

信息熵是某種特定信息的出現(xiàn)概率.云用戶對(duì)云服務(wù)屬性的評(píng)價(jià)值出現(xiàn)的次數(shù)越多,表明該屬性的真實(shí)可信度越接近該評(píng)價(jià)值.假設(shè)屬性評(píng)價(jià)值ei出現(xiàn)的概率為p i,則不確定性函數(shù)f是概率p的單調(diào)遞降函數(shù);f具有可加性,即

同時(shí)滿足這2個(gè)條件的函數(shù)f是對(duì)數(shù)函數(shù),即f(p)=lb(1/p)=-lbp.若服務(wù)屬性評(píng)價(jià)有n種取值:u1,…,ui,…,un,對(duì)應(yīng)概率為p1,…,pi,…,pn,且各種符號(hào)的出現(xiàn)彼此獨(dú)立.這時(shí),評(píng)價(jià)的平均不確定性應(yīng)當(dāng)為單個(gè)評(píng)價(jià)值不確定性-lbpi的統(tǒng)計(jì)平均值(E)稱為信息熵,即

定義2.相關(guān)比.

統(tǒng)計(jì)學(xué)中的相關(guān)比概念適合于數(shù)值與分類證據(jù)之間的關(guān)聯(lián)性分析.設(shè)共有n個(gè)數(shù)值數(shù)據(jù),它們被分為K個(gè)類別:

這里ni表示第i個(gè)類別的數(shù)值的個(gè)數(shù),記為第i個(gè)類別數(shù)值的平均值表示所有數(shù)據(jù)的平均值.相關(guān)比的計(jì)算公式為

其中組內(nèi)變異計(jì)算公式為

組間變異計(jì)算公式為

2 可信模型的建立

基于服務(wù)感知的可信QoS評(píng)價(jià)模型主要包括以下2個(gè)部分:1)信任評(píng)估.用戶通過綜合自身的直接信任度量、推薦者的間接信任度量和QoS反饋信任,選擇可信的云用戶服務(wù)提供商.2)信任演化.結(jié)合本次交互評(píng)價(jià)與歷史交互評(píng)價(jià),對(duì)服務(wù)提供商的信任度量進(jìn)行更新.本文模型框架如圖1所示:

圖1 基于服務(wù)感知的可信QoS評(píng)價(jià)模型框架

在信任研究中,信任具有不確定性,并且特定的一個(gè)實(shí)體評(píng)價(jià)來自于多個(gè)實(shí)體,對(duì)每個(gè)實(shí)體的評(píng)級(jí)標(biāo)準(zhǔn)不同,這樣對(duì)于同一個(gè)實(shí)體的評(píng)價(jià)存在差異性,毋庸置疑的是若存在多數(shù)實(shí)體具有一致的評(píng)價(jià)結(jié)果,那么該結(jié)果具有高接納率,所以將信息熵引入信任度量計(jì)算中具有可行性.熵值法是一種客觀賦權(quán)法,它是根據(jù)每一條中各項(xiàng)指標(biāo)觀測值所提供的信息的程度大小來確定指標(biāo)權(quán)重.假設(shè)有m條待評(píng)記錄,n項(xiàng)評(píng)價(jià)屬性指標(biāo),形成最初始屬性數(shù)據(jù)矩陣X=(xij)m×n,對(duì)于某項(xiàng)屬性指標(biāo)x i,屬性指標(biāo)值xij的差距越大,則該屬性指標(biāo)在綜合記錄評(píng)價(jià)中所起的作用越大;如果某項(xiàng)屬性指標(biāo)的值全部相等或近似相等,則該屬性指標(biāo)在綜合記錄評(píng)價(jià)中基本不起作用.因此我們可以通過計(jì)算熵值來判斷一個(gè)評(píng)價(jià)記錄的隨機(jī)性和無序程度,當(dāng)然也可以用熵值來判斷某個(gè)屬性指標(biāo)的離散程度,指標(biāo)的離散程度越大,則該指標(biāo)對(duì)綜合評(píng)價(jià)的影響越大.所以,可根據(jù)各項(xiàng)屬性指標(biāo)的變異程度,利用信息熵理論,計(jì)算出各個(gè)屬性指標(biāo)的權(quán)重,為多指標(biāo)綜合評(píng)價(jià)提供依據(jù).

本文提出的可信模型中實(shí)體X對(duì)實(shí)體Y的信任度量計(jì)算公式為

其中Trust-DirectX(Y),Trust-RecomX(Y),Trust-QoSX(Y)分別表示實(shí)體X對(duì)實(shí)體Y之間的直接信任度量、實(shí)體X通過第三方實(shí)體的推薦獲得的關(guān)于實(shí)體Y的間接信任度量、實(shí)體X根據(jù)獲得的實(shí)際QoS服務(wù)與實(shí)體Y承諾的QoS服務(wù)差得到的QoS反饋信任度量.它們的具體計(jì)算過程如下所示.

2.1 直接信任值

Trust-Direct X(Y)表示實(shí)體X與實(shí)體Y在時(shí)間段T內(nèi)的直接服務(wù)交互綜合計(jì)算得到的信任度量,可以在服務(wù)交互前或者服務(wù)交互后更新,其值更新公式為:

Trust-HisX(Y)k+1表示實(shí)體X對(duì)實(shí)體Y綜合歷史服務(wù)交互信息計(jì)算的信任度量,Trust-DirectX(Y)k表示上一次的實(shí)體X對(duì)實(shí)體Y的直接信任度量,α,β分別是相對(duì)應(yīng)信任度量的權(quán)重因子.

在計(jì)算直接信任值過程中,通過應(yīng)用信息熵理論計(jì)算每一次直接交互的滿意度Sat(i),然后綜合多次滿意度計(jì)算直接信任值,綜合以上信息熵相關(guān)理論,定義實(shí)體X對(duì)實(shí)體Y綜合歷史服務(wù)交互信息計(jì)算的信任度量公式:

計(jì)算直接信任值的算法過程如下:

算法1.計(jì)算直接信任值算法.

輸入:實(shí)體(云服務(wù)用戶)的ID、實(shí)體(云服務(wù)提供商)的ID;

輸出:直接信任值.

Step1.實(shí)體X是否第1次進(jìn)入云中心,進(jìn)行登錄/注冊(cè),如果是首次進(jìn)入云中心,進(jìn)入Step6;否則,進(jìn)入Step2;

Step2.實(shí)體X查詢本實(shí)體的直接信任關(guān)系表direct History;

Step3.根據(jù)PCA降維算法對(duì)direct History進(jìn)行降維處理,仍用direct History表示;

Step4.計(jì)算基于歷史記錄的信任度量值;

Step5.計(jì)算實(shí)體X對(duì)實(shí)體Y的直接信任度量值;

Step6.輸出直接信任度量值.

2.2 間接信任值

Trust-Recom X(Y)表示實(shí)體X綜合第三方實(shí)體Z的推薦信息得到的對(duì)實(shí)體Y的間接信任度量.該值的更新公式如下:

式中,n表示推薦實(shí)體個(gè)數(shù),Tij表示實(shí)體X i對(duì)實(shí)體Y的j項(xiàng)指標(biāo)的信任評(píng)價(jià).

在云計(jì)算環(huán)境下,實(shí)體X對(duì)實(shí)體Y的信任度量,不僅僅依據(jù)實(shí)體X對(duì)實(shí)體Y的直接信任度量,也將其他實(shí)體Z對(duì)實(shí)體Y的推薦信任度量考慮在內(nèi).借助統(tǒng)計(jì)學(xué)中相關(guān)比理論,定義計(jì)算實(shí)體的推薦信任度量,將實(shí)體Z的推薦數(shù)據(jù)分2類,本文進(jìn)行分類時(shí),進(jìn)行特殊處理.一類表示推薦實(shí)體Z與實(shí)體X有過直接服務(wù)交互的分類K1,另一類是推薦實(shí)體Z與實(shí)體X沒有過直接服務(wù)交互的分類K2.在本文中,推薦數(shù)據(jù)不是單一的數(shù)值數(shù)據(jù),而是1組向量,該向量是推薦實(shí)體Z對(duì)實(shí)體X從m個(gè)方面的推薦度量,每類包含ni條數(shù)據(jù),并且對(duì)所有推薦數(shù)據(jù)進(jìn)行組內(nèi)變異計(jì)算代替(組間變異+組內(nèi)變異)計(jì)算,其中分類K1的組內(nèi)變異為直接變異,所有推薦數(shù)據(jù)組內(nèi)變異為推薦變異,故定義以下計(jì)算公式.

直接變異:

推薦變異:

計(jì)算間接信任值的算法過程如算法2所示:

算法2.計(jì)算間接信任值算法.

輸入:實(shí)體X(云服務(wù)用戶)的ID、實(shí)體Y(云服務(wù)提供商)的ID;

輸出:間接信任值Trust-Recom X(Y).

Step1.實(shí)體X是否第1次進(jìn)入云中心,進(jìn)行登錄/注冊(cè),如果是首次進(jìn)入云中心,進(jìn)入Step4;否則,進(jìn)入Step2;

Step2.實(shí)體X查詢本實(shí)體的間接信任關(guān)系表recom History;

Step3.計(jì)算實(shí)體X對(duì)實(shí)體Y的間接信任度量值;

Step4.輸出間接信任度量值Trust-RecomX(Y).

2.3 QoS反饋信任值

在進(jìn)行服務(wù)交互之前,云服務(wù)用戶與服務(wù)提供商就服務(wù)的QoS進(jìn)行服務(wù)協(xié)商,以獲得更加合理的QoS集合.某用戶的服務(wù)請(qǐng)求為

QoS-User={mips:1000;ram:128;bw:500},服務(wù)提供商的服務(wù)承諾為

QoS-Provider={mips:2000;ram:128;bw:1000}.

根據(jù)以上QoS集合可知,服務(wù)提供商的QoSProvider很符合云用戶的QoS-User請(qǐng)求,但是,服務(wù)提供商的集合QoS-Provider的服務(wù)質(zhì)量遠(yuǎn)大于云用戶的QoS-User請(qǐng)求,云服務(wù)提供商可以和云用戶進(jìn)行服務(wù)協(xié)商,商定一個(gè)合適的集合QoS-Suitable,這樣云服務(wù)提供商不需要分配過多的資源導(dǎo)致資源空閑的問題.服務(wù)交互后,云用戶針對(duì)協(xié)商后的集合QoS-Suitable進(jìn)行QoS反饋信任值計(jì)算.實(shí)體X對(duì)實(shí)體Y的QoS反饋信任度量計(jì)算公式如下所示:

其中,ΔQoSSi表示實(shí)體X對(duì)指標(biāo)i獲得的實(shí)際服務(wù)與實(shí)體Y對(duì)指標(biāo)i的協(xié)商承諾值的差值率比重,即

φ(i)表示對(duì)實(shí)體Y的指標(biāo)i的權(quán)值函數(shù),本文以用戶對(duì)服務(wù)各屬性的偏好值表示,即φ(i)=prefi.

計(jì)算QoS反饋信任值的算法過程如算法3所示:

算法3.計(jì)算QoS反饋信任值算法.

輸入:實(shí)體X(云服務(wù)用戶)的ID、實(shí)體Y(云服務(wù)提供商)的ID;

輸出:QoS反饋信任值Trust-QoSX(Y).

Step1.實(shí)體X是否第1次進(jìn)入云中心,進(jìn)行登錄/注冊(cè),如果是首次進(jìn)入云中心,進(jìn)入Step5;否則,進(jìn)入Step2;

Step2.實(shí)體X查詢服務(wù)提供商的服務(wù)承諾QoSP,并提出實(shí)體要求的服務(wù)需求QoSU;

Step3.根據(jù)QoSP和QoSU進(jìn)行服務(wù)協(xié)商,獲得合適的服務(wù)質(zhì)量QoSS;

Step4.計(jì)算實(shí)體X對(duì)實(shí)體Y的QoS反饋信任度量值;

Step5.輸出QoS反饋信任度量值Trust-QoSX(Y).

2.4 綜合信任值

綜合信任是綜合云用戶自身的直接信任值、推薦者的間接信任值、QoS反饋信任值得到的.在本文中,綜合信任值有2種組成方式:第1種僅僅考慮直接信任值和間接信任值Trust X(Y);第2種是將QoS反饋信任值亦納入綜合信任值計(jì)算TrustQoSX(Y).

計(jì)算綜合信任值的算法過程如算法4所示:

算法4.計(jì)算綜合信任值算法.

輸入:實(shí)體X(云服務(wù)用戶)ID,實(shí)體Y(云服務(wù)提供商)ID,Trust-RecomX(Y),Trust-QoSX(Y);

輸出:綜合信任值Trust-Total X(Y).

Step1.計(jì)算綜合信任值;

Step2.輸出綜合信任值Trust-Total X(Y).

3 可信模型的分析

3.1 時(shí)間因子分析

很多信任模型關(guān)于時(shí)間因子都是針對(duì)云用戶實(shí)體與云服務(wù)提供商實(shí)體發(fā)生的交互時(shí)間,這種交互時(shí)間能有效地表達(dá)實(shí)體之間的信任值隨著時(shí)間變化而發(fā)生變化.本文采用的時(shí)間因子主要考慮2個(gè)方面:一是2實(shí)體最近一次交互時(shí)間與當(dāng)前時(shí)間的時(shí)間間隔;二是2實(shí)體的交互次數(shù)num.假設(shè)某實(shí)體的綜合信任值為{可信值,不可信值,不確定值}={0.7,0.1,0.2},每次服務(wù)交互時(shí)間為1s,則信任度量值隨時(shí)間變化的衰減公式為:

其中Trust XY(t0)表示最近一次交互時(shí)間t0時(shí)實(shí)體X對(duì)實(shí)體Y的信任度量,num表示實(shí)體X與實(shí)體Y在時(shí)間t0時(shí)服務(wù)歷史交互總次數(shù).Δt=t-t0,t0=0.信任值衰減與時(shí)間關(guān)系如圖2、圖3所示:

圖2 信任值衰減與時(shí)間關(guān)系圖

圖3 信任變化與時(shí)間關(guān)系圖

從圖2可以看出,歷史交互總次數(shù)不同很大程度上影響了信任衰減速度,交互次數(shù)越大信任衰減速度越慢,反之越快.并且由num=2和l=2的對(duì)比圖可知,當(dāng)交互次數(shù)很少時(shí),其衰減速率較快.

從圖3可以看出,在只考慮時(shí)間因素的情況下,距離最近一次服務(wù)交互時(shí)間間隔越大,可信與不可信的比重越小,不確定的比重越大,這和實(shí)際生活規(guī)律一致.由此可知,較

本文提出的時(shí)間因子模型更具有科學(xué)性.

3.2 信任演化分析

我們假定可信實(shí)體一直提供可信服務(wù),不可信實(shí)體提供不可信服務(wù),而不確定實(shí)體提供不確定服務(wù),實(shí)驗(yàn)讓一個(gè)云服務(wù)用戶不斷和一個(gè)特定的云服務(wù)提供商進(jìn)行服務(wù)交互來檢驗(yàn)本文可信模型是否可以準(zhǔn)確評(píng)估實(shí)體信任度量.

實(shí)驗(yàn)假定實(shí)體為可信實(shí)體,即一直提供可信服務(wù),其信任度量trust=0.8.在每次服務(wù)交互后,服務(wù)評(píng)價(jià)是針對(duì)服務(wù)的n個(gè)屬性參數(shù)進(jìn)行評(píng)價(jià),為了簡化計(jì)算,在對(duì)n維屬性參數(shù)進(jìn)行計(jì)算時(shí),使用PCA降維算法,選定最佳的降維維數(shù),然后利用信息熵理論進(jìn)行計(jì)算直接信任值.根據(jù)Matlab實(shí)驗(yàn)得到,信任值誤差在3%以內(nèi).實(shí)驗(yàn)中,我們選定4項(xiàng)屬性參數(shù)進(jìn)行實(shí)驗(yàn)計(jì)算,即從服務(wù)的可用性、時(shí)效性、完整性以及可靠性4個(gè)方面進(jìn)行評(píng)價(jià),Matlab仿真實(shí)驗(yàn)中直接信任信息格式和推薦信任信息格式為{屬性參數(shù)1值,屬性參數(shù)2值,屬性參數(shù)3值,屬性參數(shù)4值},則2實(shí)體在應(yīng)用信任模型前后的信任關(guān)系如圖4所示:

圖4 信任模型應(yīng)用前后靜態(tài)信任關(guān)系圖

從圖4可以看出,本文提出的信任模型在靜態(tài)信任關(guān)系評(píng)估方面準(zhǔn)確性高,仿真可信信任程度和真實(shí)的可信信任程度關(guān)系曲線之間的擬合程度高,信任度量誤差保持在10%之內(nèi),并且隨著交互次數(shù)的逐漸增多,誤差百分比也逐漸減小.

因?yàn)閷?shí)體假定為可信實(shí)體,并一直提供可信服務(wù),所以在經(jīng)過多次服務(wù)之后,實(shí)體的信任度量值應(yīng)不斷增大直至到一個(gè)固定值,所以將QoS反饋信任值應(yīng)用于綜合信任值計(jì)算中更具科學(xué)性.

但是在實(shí)際生活中,實(shí)體的行為是動(dòng)態(tài)變化的,其狀態(tài)會(huì)隨著交易次數(shù)或時(shí)間動(dòng)態(tài)變化,在考慮靜態(tài)信任時(shí),當(dāng)2實(shí)體服務(wù)交互次數(shù)足夠多時(shí),模型的評(píng)估結(jié)果逐漸與實(shí)體的實(shí)際信任度量值會(huì)歸于一致.考慮到實(shí)體行為的動(dòng)態(tài)性,我們?cè)趯?shí)驗(yàn)中假定實(shí)體提供的服務(wù)可用性cloudlet Ava是動(dòng)態(tài)變化的,服務(wù)可用性變化如下:

其中t表示當(dāng)前交互時(shí)間,云服務(wù)用戶可接受的閾值差為1,則服務(wù)提供商提供服務(wù)的可用性如圖5所示,而服務(wù)提供商的信任值變化如圖6所示:

圖5 服務(wù)可用性變化差值圖

圖6 動(dòng)態(tài)信任變化圖

在圖5中,在云用戶可接受閾值差以上的為實(shí)體不可接受的,本次服務(wù)交互評(píng)價(jià)為不可信評(píng)價(jià),其他均為可信評(píng)價(jià).

由圖5、圖6可知,在云服務(wù)的可用性變化時(shí),實(shí)體對(duì)云服務(wù)提供商的信任值也在不斷變化,當(dāng)服務(wù)可用性變化值在云用戶可接受的范圍內(nèi)時(shí),服務(wù)提供商的信任度量值也在升高.當(dāng)服務(wù)可用性變化值超過云用戶可接受的范圍時(shí),服務(wù)提供商的信任度量值下降,并且由圖6可知,信任值升高的速率小于信任值下降的速率.現(xiàn)模擬2類實(shí)體:一類為初始信任值較高trust=0.8的實(shí)體,在其可信服務(wù)比例分別為1.0,0.33,0.1時(shí)其信任值變化情況;另一類為初始信任值較低trust=0.5的實(shí)體,在其可信服務(wù)比例分別為1,0.5,0.25,0.1時(shí)其信任值變化情況.2類實(shí)體信任度量變化如圖7、圖8所示.

圖7 初始信任值trust=0.8的動(dòng)態(tài)服務(wù)可用性信任變化圖

由圖7、圖8可以看出,可信行為比例越小,信任值降低速率越快,但可信行為比例越大,信任值雖不斷增加,但是其增加速率很緩慢直至為0.并且無論可信比例取何值,在信任值動(dòng)態(tài)變化過程中,增加速率比降低速率都要慢.

由圖7、圖8在交互次數(shù)的對(duì)比可知,在實(shí)體初始信任值較高trust=0.8時(shí),即使其可信服務(wù)提供率達(dá)到100%,信任值增幅仍很小,但是,當(dāng)其可信服務(wù)提供率為33%和10%時(shí),信任值降幅很大,并且可信服務(wù)提供率為10%時(shí)其信任值下降速率大于可信服務(wù)提供率為33%,當(dāng)可信服務(wù)提供率為10%,即提供可信服務(wù)的概率過小,最終其信任值會(huì)降到0,然而,可信服務(wù)提供率為33%,可信服務(wù)提供率雖低卻不過低,故其最終信任值下降到一定值但不為0時(shí)將會(huì)保持恒定;當(dāng)trust=0.5時(shí),對(duì)應(yīng)的高可信服務(wù)提供率、信任值增幅比trust=0.8時(shí)大,但是對(duì)應(yīng)于低可信服務(wù)提供率,信任值降幅比trust=0.8時(shí)小.故本實(shí)驗(yàn)結(jié)果很合理.

圖8 初始信任值trust=0.5的動(dòng)態(tài)服務(wù)可用性信任變化圖

4 總 結(jié)

本文提出了一種基于服務(wù)感知的可信QoS評(píng)價(jià)模型,提高云計(jì)算環(huán)境下云用戶與云服務(wù)提供商之間信任關(guān)系評(píng)估準(zhǔn)確性,通過細(xì)化云服務(wù),利用統(tǒng)計(jì)學(xué)中相關(guān)比理論表示推薦信息與直接交互信息的評(píng)價(jià)相似程度,引入信息熵理論計(jì)算每一條交互信息評(píng)價(jià)的滿意度,從而計(jì)算綜合信任度量.最后通過實(shí)驗(yàn)證明了該模型的準(zhǔn)確性和科學(xué)性.

[1]Ran S.A model for web services discovery with QoS[J].ACM SIGCOM Exchanges,2003,4(1):1-10

[2]Noor T H,Sheng Q Z,Yao L,et al.Cloud Armor:Supporting reputation-based trust management for cloud services[J].IEEE Trans on Parallel&Distributed Systems,2016,27(2):367-380

[3]Zhang H,Li C,Zhang X,et al.Comparison of dynamic trust management model in cloud computing[C]//Proc of Int Conf on Computer Science and Service System.Piscataway,NJ:IEEE,2012:699-701

[4]Muchahari M K,Sinha S K.A new trust management architecture for cloud computing environment[C]//Proc of Int Symp on Cloud and Services Computing.Los Alamitos,CA:IEEE Computer Society,2012:136-140

[5]Noor T H,Sheng Q Z,Alfazi A.Reputation attacks detection for effective trust assessment among cloud services[C]//Proc of IEEE Int Conf on Trust,Security and Privacy in Computing and Communications.Piscataway,NJ:IEEE,2013:469-476

[6]Cloud Security Alliance.The Notorious Nine Cloud Computing Top Threats in 2013[OL].[2018-03-22].https://downloads.cloudsecurityalliance.org/initiatives/topthreats/The-Notorious-Nine-Cloud-Computing-Top-Threats-in-2013.pdf

[7]Patel H,Patel D.A review of approaches to achieve data storage correctness in cloud computing csing crusted third party auditor[C]//Proc of Int Symp on Cloud and Services Computing(ISCOS).Piscataway,NJ:IEEE,2012:84-87

[8]謝立軍,朱智強(qiáng).基于隸屬度理論的云服務(wù)行為信任評(píng)估模型研究[J].計(jì)算機(jī)應(yīng)用研究,2013,30(4):1051-1054

[9]毛建景,張凱萍.云計(jì)算環(huán)境下海量用戶行為信任評(píng)估模型[J].計(jì)算機(jī)仿真,2016,33(3):385-388

[10]Singh S,Chand D.Trust evaluation in cloud based on friends and third party's recommendations[C]//Proc of Engineering and Computational Sciences.Piscataway,NJ:IEEE,2014:1-6