[发明专利]基于评价可信度的云计算信任管理方法

摘要

本发明涉及一种基于评价可信度的云计算信任管理方法。首先，通过交易满意度、评价满意度、评价可信度的计算，剔除恶意用户获得信任反馈，而后，结合信誉度计算、合谋反馈侦测及女巫攻击侦测，获得服务的准确信任结果。本发明可以有效侦测合谋攻击中的误导性反馈，以及女巫攻击，并通过建立的可信度公式，使得用户可以更有效的选择真正值得信任的云服务商。

主权项

一种基于评价可信度的云计算信任管理方法，其特征在于：由于来自用户的恶意评价会影响云服务的信誉度，为此需进行反馈可信度的计算，以剔除恶意用户评价，即剔除不可信的信任反馈，具体计算过程如下：设表示用户实体c_i在t_k时刻接收的服务实体s_j提供的服务属性度量指标的集合，t_k表示第k次交易的时间，并且$W_{c_i\&RightArrow;s_j}^{t_k}(c_i,s_j,t_k)=\{W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_1}^{t_k},\mathrm{......},W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_p}^{t_k}\}$代表用户实体c_i在t_k时刻接收到的服务实体s_j提供的第t个度量指标Mr_t的服务质量，并且$0\&le;W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_1}^{t_k},......,W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_p}^{t_k}\&le;1;$S1：计算交易满意度：用户实体c_i根据服务实体s_j提供给自己的服务能力与s_j自己宣称的服务能力进行比较，根据差值计算满意度；用ρ(c_i,s_j,t_k)表示用户实体c_i对服务实体s_j在t_k时刻提供的服务的满意度，计算方式如下：$\mathrm{\&rho;}(c_i,s_j,t_k)=\underset{t=1}{\overset{p}{\&Sigma;}}{\mathrm{\&delta;}}_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_t}^{t_k}$是单服务属性度量指标的满意度，计算方法如下：${\mathrm{\&delta;}}_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_t}^{t_k}=\{\begin{array}{c}1,W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_t}^{t_k}-W_{s_j,{\mathrm{Mr}}_t}^{t_k}\&GreaterEqual;0\\ {\mathrm{\&gamma;}}^{\left|W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_t}^{t_k}-W_{s_j,{\mathrm{Mr}}_t}^{t_k}\right|},W_{c_i\&RightArrow;s_j,{\mathrm{Mr}}_t}^{t_k}-W_{s_j,{\mathrm{Mr}}_t}^{t_k}\&lt;0\end{array}$式中，表示服务实体s_j在t_k时刻宣称的第t个服务属性Mr_t的质量，且当时，表明服务实体s_j满足了用户实体c_i的需求，此时交易满意度为1；当时，表明服务实体s_j提供的服务能力与用户实体c_i的需求存在偏差，偏差越大，的值就越小，其中0＜γ＜1；为保证计算具有时效性，引入时间窗概念win；当计算可信度时只采用win内的记录；时间窗机制是每单位时间段，时间窗win向前移动一个单位的长度；根据时间窗win内用户实体c_i对服务实体s_j的每次交易满意度，求出服务实体s_j的直接交易信任度：$T_{c_i,s_j}^{t_r}=\frac{\mathrm{\&psi;}\left(f_{c_i}^{t_r}\right)\underset{k=z}{\overset{r}{\&Sigma;}}u\left(k\right)\mathrm{\&rho;}(c_i,s_j,t_k)}{\underset{k=z}{\overset{r}{\&Sigma;}}u\left(k\right)}$其中，当前时刻t_r，用户实体c_i在时间窗win内已交易的次数为为交易次数函数，表示在时间窗win内交易次数越多服务越可信；u(k)为时间衰减函数，令S2：计算评价满意度：根据服务实体s_j的信誉度与用户实体c_i对s_j的评价产生的直接交易信任度的差值计算评价满意度；用表示服务实体s_j对用户实体c_i给出的评价满意度；设服务实体s_j距离当前时刻t_r最近一次更新的信誉度为则${\mathrm{\&eta;}}_{s_j,c_i}^{t_r}=\left\{\begin{array}{c}{\mathrm{\&beta;}}^{\left|T_{c_i,s_j}^{t_r}-{\mathrm{TD}}_{s_j}^{t_r-1}\right|},\left|T_{c_i.s_j}^{t_r}-{\mathrm{TD}}_{s_j}^{t_{r-1}}\right|\&le;\mathrm{\&theta;}\\ -{\mathrm{\&beta;}}^{\left|T_{c_i,s_j}^{t_r}-{\mathrm{TD}}_{s_j}^{t_r-1}\right|},\left|T_{c_i.s_j}^{t_r}-{\mathrm{TD}}_{s_j}^{t_{r-1}}\right|\&gt;\mathrm{\&theta;}\end{array}\right.$式中，θ为阈值；当时，由于该用户的直接交易信任度较为接近该服务的信誉度，表明用户评价相对真实，差值越小真实度越高；当时，表示用户评价并不真实；其中，0<β<1；S3：计算评价可信度：根据时间窗win内的多次评价满意度，用户实体c_i对服务实体s_j的反馈可信度由以下公式得出：${\mathrm{EH}}_{c_i,s_j}^{t_r}=\frac{\underset{t_k\&Subset;win}{\overset{t_r}{\&Sigma;}}{\mathrm{\&eta;}}_{s_j,c_i}^{t_r}}{f_{c_i}^{t_r}}$时间窗win内与用户实体c_i进行交易的服务实体集为：P＝{s₁,……,s_n}，用户实体c_i的最终评价可信度为：${\mathrm{EH}}_{c_i}^{t_r}=\frac{\underset{t=1}{\overset{n}{\&Sigma;}}{\mathrm{EH}}_{c_i,s_t}^{t_r}}{\left|P\right|}$其中，|P|表示集合P中服务实体的数量；S4：计算信誉度：根据所有用户对服务的交易信任度能够得出此服务实体的信誉度，将之前求得的用户评价可信度作为相应的权重；在时间窗win内与服务实体s_j进行交易的用户实体集合为C₁＝{c₁,…,c_n}，则服务实体s_j的信誉度由以下公式可得：${\mathrm{TD}}_{s_j}^{t_r}=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{EH}}_{c_i}^{t_r}{T}_{c_i,s_j}^{t_r}}{\left|C_1\right|}.{\mathrm{\&lambda;}}^{\frac{1}{\left|C_1\right|}}$其中，|C₁|表示用户实体的数量，λ∈(0,1)，用来表示在时间窗win内与服务实体s_j进行交易的用户数量越多，则服务实体s_j可信度越高。