一种基于AIFS权重计算信任的方法与流程

本发明涉及一种基于AIFS权重计算信任的方法。

背景技术：

信任在商业云环境中起着重要的作用。它是云技术面临的最大挑战之一。信任使用户能够在一个异构的云基础设施中选择最佳的资源。选择云服务之前评估云服务安全也是其中一个必须的方面。因此，信任模型Trust Model(TM)作为一个安全强度评估和分级服务云应用和服务。它可以作为一个基准建立云服务的安全性，发现不足和云基础设施的改善。文献[1]研究发现，安全问题与信任问题密不可分，信任模型TM是一个行之有效的方法，近年来越来越多的学者关注并提出方法应用于云计算安全领域，其中，选择可信的云服务提供商(Cloud Service Provider,CSP)也是研究热点^[2]。文献[3]引入了一个新的信任模型，根据过去的凭据和目前的云资源提供商的能力。信任值计算使用四个参数，如可用性，可靠性，周转效率和数据完整性，介绍了如何服务水平协议的准备相结合的服务质量要求的用户和云资源提供商的能力，最终提出类似信任模型的概念。文献[3]针对云制造环境下因存在大量功能相同或相似的制造云服务而导致用户很难获得合适云服务的问题，提出了一种基于可信评价的制造云服务选择方法对问题进行了抽象：将可靠性，可用性，时效性，价格和诚信度纳入可信特征集，并考虑评价时间，评价者的诚信度，初步解决了可信云服务选择的问题。文献[4]提出了在面向服务的云计算QoS准确的评价方法：采用模糊综合决策评估云服务提供商根据用户的喜好，然后采用云计算的云模型的基础上QoS监测数据云服务的不确定性。最后，得出模糊逻辑控制QoS评价结果。在云服务提供商选择的研究中，文献[5]首次将服务等级标准SLA与信任模型结合，综合多属性计算CSP信任，为用户选择可信的CSP提供解决方案。

文献[6]在云服务选择云和用户服务偏好方面提出了一个框架和算法，通过应用推理的专家知识，模糊逻辑的组合优化组合，解决了用户对合适和喜好的云服务选择问题。

报告[7]指出，云环境中的安全属性可被刻画为一系列必须的自治系统变量。这些变量通常由自治系统所需的特定变量。文献[8]以模糊逻辑为基础，将各个安全要素分解为评判集，建立了CSP对用户信任追踪的方法，对用户行为进行分析，追踪，从而能够稳定监督和找出云环境中的黑客。以上可以看出，模糊算法的优势是可以降低不确定因素的影响以及自我修正性：能够极好地适应多属性的服务值，例如：价格、开销、服务质量、网络延迟等。

综之，以上文献主要研究云服务选择的相关问题，但未从权重计算角度利用模糊理论来解决云服务的信任问题。因此，本文通过信任度量模型与模糊集合理论来刻画相关的安全问题，利用AIFS(Antanassov intuitionistic fuzzy set)模糊集合能较好地处理了问题的模糊性、不确定性，本文提出一种基于AIFS最优权重选择的信任模型。最后针对用户选择可信云服务提供商问题给出解决方案和仿真实验。

参考文献：

[1]Bera S,Misra S,Rodrigues J P C.Cloud computing applications for smart grid:A survey[J].IEEE Transactions on Parallel and Distributed Systems,2015,26(5):1477-1494.

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

[3]陶飞,张霖,郭华,等.云制造特征及云服务组合关键问题研究[J].计算机集成制造系统,2011,17(3):477-486.

[4]Wang S,Liu Z,Sun Q,et al.Towards an accurate evaluation of quality of cloud service in service-oriented cloud computing[J].Journal of Intelligent Manufacturing,2014,25(2):283-291.

[5]高云璐,沈备军,孔华锋.基于SLA与用户评价的云计算信任模型[J].计算机工程,2012,38(7):28-30.

[6]Dastjerdi A V,Buyya R.Compatibility-aware cloud service composition under fuzzy preferences of users[J].IEEE Transactions on Cloud Computing,2014,2(1):1-13.

[7]Feng D G,Zhang M,Zhang Y,et al.Study on cloud computing security[J].Journal of software,2011,22(1):71-83.

[8]Jaiganesh M,Aarthi M,Kumar A V A.Fuzzy ART-based user behavior trust in cloud computing[M].Artificial Intelligence and Evolutionary Algorithms in Engineering Systems.Springer India,2015:341-348.

[9]Xu Z,Cai X.Intuitionistic fuzzy information aggregation[M].Intuitionistic Fuzzy Information Aggregation.Springer Berlin Heidelberg,2012:1-102.

[10]Wang W,Liu X.Intuitionistic fuzzy information aggregation using Einstein operations[J].IEEE Transactions on Fuzzy Systems,2012,20(5):923-938.

[11]张琳,饶凯莉,王汝传.云计算环境下基于评价可信度的动态信任评估模型[J].通信学报,2013:31-37.。

技术实现要素：

本发明的目的在于提供一种基于AIFS权重计算信任的方法，该方法对用户评价云服务提供商服务结果更为客观、可信。

为实现上述目的，本发明的技术方案是：一种基于AIFS权重计算信任的方法，包括如下步骤，

S1：选择一个云服务提供商进行交互；

S2：用户根据需求向云服务提供商请求一个服务等级l；其中，云服务提供商的服务等级x包括n个服务指标k_i^l，并用一组服务指标向量的形式表示为根据服务等级x的不同，k_i^l的服务指标值亦不同；

S3：采用AIFS权重计算方法确定步骤S2中服务指标向量的权重；

S4：云服务提供根据被请求的服务等级l，向该请求提供云服务；

S5：用户根据获得的云服务对本次服务做出评价，得到服务指标向量的实际测量值；进而根据步骤S3确定的服务指标向量的权重，计算用户对云服务提供商的评价值；

S6：所有用户对云服务提供商提供的云服务评价决定云服务提供商的信誉等级，即进行全局云服务提供商声誉计算，获得云服务提供商的总体信誉值。

在本发明一实施例中，所述步骤S3中采用AIFS权重计算方法确定步骤S2中服务指标向量的权重的具体实现过程如下：

定义爱因斯坦积、爱因斯坦和分别以T_ε(a,b)、S_ε(a,b)表示：

$T_{\mathrm{\ϵ}}(a,b)=\frac{a\·b}{1+(1-a)\·(1-b)}---\left(1\right)$

$S_{\mathrm{\ϵ}}(a,b)=\frac{a+b}{1+a\·b}---\left(2\right)$

其中，a，b∈[0,1]，(a,b)为模糊集合的支持量和反对量；

定义一组IFS集合表示为α＝(μ_α，v_α)，μ_α为对α变量的支持度，v_α为对α变量的不支持程度；令A、B为决策对象x的IFS决策值，且A＝(μ_A(x),v_A(x)),B＝(μ_B(x),v_B(x))

根据公式(1)、(2)可得，AIFS的爱因斯坦积、爱因斯坦和运算可表示如下：

$A\⊗B=\{T_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right),S_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right)\}$

A⊕B＝{S_ε(μ_A(x),v_A(x)),T_ε(μ_A(x),v_A(x))}

即：

$A\⊗B=\{\frac{{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)}{1+(1-{\mathrm{\μ}}_A(x\left)\right)\·(1-{\mathrm{\μ}}_B(x\left)\right)},\frac{v_A\left(x\right)+v_B\left(x\right)}{1+v_A\left(x\right)\·v_B\left(x\right)}\}---\left(3\right)$

$A\⊕B=\{\frac{{\mathrm{\μ}}_A\left(x\right)+{\mathrm{\μ}}_B\left(x\right)}{1+{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)},\frac{v_A\left(x\right)\·v_B\left(x\right)}{1+(1-v_A(x\left)\right)\·(1-v_B(x\left)\right)}\};---\left(4\right)$

假定有实数λ，则有如下多项乘法运算：

$\mathrm{\λ}\·A=\{\frac{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}-{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}+{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}},\frac{2\·{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[2-v_A\left(x\right)\]}^{\mathrm{\λ}}+{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}\}---\left(5\right)$

由于有n个服务指标，即n个决策属性，令为AIFS采集值，其中，j＝1,2,...,n；w＝(w₁,w₂,...,w_n)^T为的权重向量，且Σw_j＝1，根据(3)、(4)、(5)可得权重的聚合值，且聚合值也是一个IFS值：

$IFW=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{w_j}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{w_j}+{\Π}_{j=1}^n{v_{a_j}}^{w_j}}\}---\left(6\right)$

通过公式(6)，即可计算云服务提供商决策者提供的各决策方案的IFS值的支持量，支持量最大的方案即为最优方案，并以该方案提出的向量权重作为服务指标向量的权重。

在本发明一实施例中，所述步骤S5的具体实现过程如下：

用户根据获得的云服务对本次服务做出评价，得到服务指标向量的实际测量值(a₁,a₂,a₃,a₄,...,a_n)，由此可得服务偏差值σ：

$\mathrm{\σ}=\underset{i=1}{\Σ}({k_i}^l-a_i)\·w_i---\left(7\right)$

若服务指标k_i^l的实际测量值高于服务指标值，则k_i^l-a_i＝0；

用户评价云服务提供商的不支持量以统计方法计算：

用户评价云服务提供商的IFS集合(μ_a,v_a)＝(1-v_a,v_a) (9)。

在本发明一实施例中，所述步骤S6的具体实现过程如下：

对于总体的N个用户，可视为每个用户权重为1/N的二次AIFS聚合计算，将每个用户的(μ_a,v_a)代入公式(6)中，可得到全局云服务提供商声誉值T_CSP：

$T_{CSP}=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{1/N}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{1/N}+{\Π}_{j=1}^n{v_{a_j}}^{1/N}}\}---\left(10\right)$

将得到的T_CSP支持量百分化，可得到最终的云服务提供商总体声誉值为

$100*\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}---\left(11\right).$

相较于现有技术，本发明具有以下有益效果：

本发明的方法，通过建立合理的信任模型以及信任评估方法，给出一种可信云服务提供商选择方法，该方法能够从全局信誉的角度出发，动态调整用户在全局评价中的权重，合理评判CSP的信誉，达到尽可能选择可信CPS的目的；实验结果表明，本方法能够较好地解决可信CSP选择问题

附图说明

图1为本发明信任模型示意图。

图2为全局声誉比较图。

图3为准确率比较图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明的一种基于AIFS权重计算信任的方法，包括如下步骤，

S1：选择一个云服务提供商进行交互；

S2：用户根据需求向云服务提供商请求一个服务等级l；其中，云服务提供商的服务等级l包括n个服务指标k_i^l，并用一组服务指标向量的形式表示为根据服务等级l的不同，k_i^l的服务指标值亦不同；

S3：采用AIFS权重计算方法确定步骤S2中服务指标向量的权重；

S4：云服务提供根据被请求的服务等级l，向该请求提供云服务；

S5：用户根据获得的云服务对本次服务做出评价，得到服务指标向量的实际测量值；进而根据步骤S3确定的服务指标向量的权重，计算用户对云服务提供商的评价值；

S6：所有用户对云服务提供商提供的云服务评价决定云服务提供商的信誉等级，即进行全局云服务提供商声誉计算，获得云服务提供商的总体信誉值。

所述步骤S3中采用AIFS权重计算方法确定步骤S2中服务指标向量的权重的具体实现过程如下：

定义爱因斯坦积、爱因斯坦和分别以T_ε(a,b)、S_ε(a,b)表示：

$T_{\mathrm{\ϵ}}(a,b)=\frac{a\·b}{1+(1-a)\·(1-b)}---\left(1\right)$

$S_{\mathrm{\ϵ}}(a,b)=\frac{a+b}{1+a\·b}---\left(2\right)$

其中，a，b∈[0,1]，(a,b)为模糊集合的支持量和反对量；

定义一组IFS集合表示为α＝(μ_α，v_α)，μ_α为对α变量的支持度，v_α为对α变量的不支持程度；令A、B为决策对象x的IFS决策值，且A＝(μ_A(x),v_A(x)),B＝(μ_B(x),v_B(x))

根据公式(1)、(2)可得，AIFS的爱因斯坦积、爱因斯坦和运算可表示如下：

$A\⊗B=\{T_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right),S_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right)\}$

A⊕B＝{S_ε(μ_A(x),v_A(x)),T_ε(μ_A(x),v_A(x))}

即：

$A\⊗B=\{\frac{{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)}{1+(1-{\mathrm{\μ}}_A(x\left)\right)\·(1-{\mathrm{\μ}}_B(x\left)\right)},\frac{v_A\left(x\right)+v_B\left(x\right)}{1+v_A\left(x\right)\·v_B\left(x\right)}\}---\left(3\right)$

$A\⊕B=\{\frac{{\mathrm{\μ}}_A\left(x\right)+{\mathrm{\μ}}_B\left(x\right)}{1+{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)},\frac{v_A\left(x\right)\·v_B\left(x\right)}{1+(1-v_A(x\left)\right)\·(1-v_B(x\left)\right)}\};---\left(4\right)$

假定有实数λ，则有如下多项乘法运算：

$\mathrm{\λ}\·A=\{\frac{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}-{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}+{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}},\frac{2\·{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[2-v_A\left(x\right)\]}^{\mathrm{\λ}}+{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}\}---\left(5\right)$

由于有n个服务指标，即n个决策属性，令为AIFS采集值，其中，j＝1,2,...,n；w＝(w₁,w₂,...,w_n)^T为的权重向量，且∑w_j＝1，根据(3)、(4)、(5)可得权重的聚合值，且聚合值也是一个IFS值：

$IFW=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{w_j}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{w_j}+{\Π}_{j=1}^n{v_{a_j}}^{w_j}}\}---\left(6\right)$

通过公式(6)，即可计算云服务提供商决策者提供的各决策方案的IFS值的支持量，支持量最大的方案即为最优方案，并以该方案提出的向量权重作为服务指标向量的权重。

所述步骤S5的具体实现过程如下：

用户根据获得的云服务对本次服务做出评价，得到服务指标向量的实际测量值(a₁,a₂,a₃,a₄,...,a_n)，由此可得服务偏差值σ：

$\mathrm{\σ}=\underset{i=1}{\Σ}({k_i}^l-a_i)\·w_i---\left(7\right)$

若服务指标k_i^l的实际测量值高于服务指标值，则k_i^l-a_i＝0；

用户评价云服务提供商的不支持量以统计方法计算：

用户评价云服务提供商的IFS集合(μ_a,v_a)＝(1-v_a,v_a) (9)。

所述步骤S6的具体实现过程如下：

对于总体的N个用户，可视为每个用户权重为1/N的二次AIFS聚合计算，将每个用户的(μ_a,v_a)代入公式(6)中，可得到全局云服务提供商声誉值T_CSP：

$T_{CSP}=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{1/N}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{1/N}+{\Π}_{j=1}^n{v_{a_j}}^{1/N}}\}---\left(10\right)$

将得到的T_CSP支持量百分化，可得到最终的云服务提供商总体声誉值为

$100*\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}---\left(11\right).$

以下为本发明的具体实现过程。

1.信任模型设计

本信任模型中，由所有的本地端云用户对CSP(云服务提供商)的信誉评价通过聚合计算得到总体的CSP信誉。信任模型设计思路如图1所示。

信任计算步骤：

(1)信任模型选择一个CSP(云服务提供商)进行交互；

(2)用户请求一个服务等级l：CSP服务等级包括n个服务指标k_i^l，用一组服务指标向量的形式表示为根据服务等级x的不同，k_i^l的服务指标值亦不同；并采用AIFS权重计算方法确定服务指标向量的权重；

(3)根据被请求的服务等级，CSP向该请求提供云服务；

(4)用户根据获得的云服务对本次服务做出评价：评价值的获得以服务指标向量的实际测量值计算；

(5)所有用户对此CSP提供的云服务评价决定CSP的信誉等级。

本文方案中，主要由三部分构成：

(1)信任证据权重w＝(w₁,w₂,...,w_n)^T的获得；

(2)信任证据的获得，即用户获得服务指标向量的实际值；

(3)单个用户对CSP的信任值计算；CSP全局声誉计算。

所有的信任证据的集合作为输入，这些证据作为一个信任向量输出：T＝(t₁,t₂,t₃,...,t_n)。我们将所有的信任值采用1量化，1…n代表信任指标值的数量。单个用户的信任由该用户的各个证据的权重分布计算获得。在信任模型中，用户采用模糊算法对收到的云服务各项指标的满意度计算得出该次服务的满意度。

在本发明方案中，如何确定证据向量的权重是最重要的一个环节，合理确定信任指标的权重，所得到的用户评价满意度才能合理，并且总体可信客观评价CSP的用户在评价CSP中可以得到更大的权重，因此才能反应出客观合理的CSP可信程度，下一小节中将给出确定权重向量的方法。

3.权重的确定

3.1服务指标向量权重的确定

在决策者做出决策后，给出n维属性权重比重，以及每个决策属性的IFS值。可得出IFW聚合值，通过IFW值可得该权重向量的(支持度，反对度)。达到合理决策的目的，实现在多个决策方案中选出支持度最高的决策方案。以下给出IFW判定方法：

模糊集的核心是特征函数以0或1的取值，这可以从闭区间[0,1]上采取任何价值隶属函数的扩展。Antanassov将Zadeh模糊集扩展为AIFS(Antanassov intuitionistic fuzzy set)，隶属函数仅是一个单值函数，它不能被用来在许多实际情况下，同时表达的支持和反对的证据^[9]。文献[10]进一步在AIFS的基础上提出并定义了爱因斯坦积、爱因斯坦和，和爱因斯坦的标量乘法操作(Einstein sum,Einstein product,and Einstein scalar multiplication.)，然后根据这些操作应用到多属性决策问题中。

定义1：本文中爱因斯坦积、爱因斯坦和分别以T_ε(a,b)、S_ε(a,b)表示：

$T_{\mathrm{\ϵ}}(a,b)=\frac{a\·b}{1+(1-a)\·(1-b)}---\left(1\right)$

$S_{\mathrm{\ϵ}}(a,b)=\frac{a+b}{1+a\·b}---\left(2\right)$

其中，a，b∈[0,1]，(a,b)为模糊集合的支持量和反对量；

定义2：本文中，一组IFS集合表示为α＝(μ_α，v_α)，μ_α为对α变量的支持度，v_α为对α变量的不支持程度；令A、B为决策对象x的IFS决策值，且A＝(μ_A(x),v_A(x)),B＝(μ_B(x),v_B(x))

因此根据公式(1)、(2)可得，AIFS的爱因斯坦积、爱因斯坦和运算可表示如下：

$A\⊗B=\{T_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right),S_{\mathrm{\ϵ}}\left({\mathrm{\μ}}_A\right(x),v_A(x\left)\right)\}$

A⊕B＝{S_ε(μ_A(x),v_A(x)),T_ε(μ_A(x),v_A(x))}

即：

$A\⊗B=\{\frac{{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)}{1+(1-{\mathrm{\μ}}_A(x\left)\right)\·(1-{\mathrm{\μ}}_B(x\left)\right)},\frac{v_A\left(x\right)+v_B\left(x\right)}{1+v_A\left(x\right)\·v_B\left(x\right)}\}---\left(3\right)$

$A\⊕B=\{\frac{{\mathrm{\μ}}_A\left(x\right)+{\mathrm{\μ}}_B\left(x\right)}{1+{\mathrm{\μ}}_A\left(x\right)\·{\mathrm{\μ}}_B\left(x\right)},\frac{v_A\left(x\right)\·v_B\left(x\right)}{1+(1-v_A(x\left)\right)\·(1-v_B(x\left)\right)}\};---\left(4\right)$

假定有实数λ，Wang、Liu定义了多项乘法运算：

$\mathrm{\λ}\·A=\{\frac{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}-{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[1+{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}+{\[1-{\mathrm{\μ}}_A\left(x\right)\]}^{\mathrm{\λ}}},\frac{2\·{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}{{\[2-v_A\left(x\right)\]}^{\mathrm{\λ}}+{\[v_A\left(x\right)\]}^{\mathrm{\λ}}}\}---\left(5\right)$

定义3：本发明中有n个服务指标，故设有n个决策属性，令为AIFS采集值，其中，j＝1,2,...,n；w＝(w₁,w₂,...,w_n)^T为的权重向量(∑w_j＝1)，根据(3)、(4)、(5)可得权重的聚合值，且聚合值也是一个IFS值：

$IFW=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{w_j}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{w_j}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{w_j}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{w_j}+{\Π}_{j=1}^n{v_{a_j}}^{w_j}}\}---\left(6\right)$

假设服务指标为(k₁价格、k₂开销、k₃服务质量、k₄网络延迟)，其权重为(w1，w2，w3，w4)。

决策者给出M个决策方案(上标代表方案编号)：

例如，第一个决策方案为

根据公式(6)可以得到分别每个方案的IFW的值，得到的结果也是一个IFS值，则比较M个决策方案中每个IFS值的支持量，支持量最大的方案则为最优方案，以该方案提出的向量权重作为服务指标向量的权重。

3.2用户对CSP的评价值

用户请求一个服务等级后，获得服务结束，将得到服务指标向量的实际测量值(a₁,a₂,a₃,a₄,...)，用户对CSP的评价值由服务偏差量σ计算得到。

定义4：服务偏差量σ：用户请求的服务等级值与实际测量值的偏差，

$\mathrm{\σ}=\underset{i=1}{\Σ}({k_i}^x-a_i)\·w_i---\left(7\right)$

若在某个指标中，用户的实际测量值高于服务指标值(满足用户的服务要求)，则k_i^x-a_i＝0；

定义5：用户评价CSP的IFS集合(μ_a,v_a)

用户评价云服务提供商的不支持量以统计方法计算：

用户评价云服务提供商的IFS集合(μ_a,v_a)＝(1-v_a,v_a) (9)

3.3 CSP全局声誉计算

全局声誉计算中，设T_CSP为该CSP的总体信誉值。对于总体的N个用户，可视为每个用户权重为1/N的二次AIFS聚合计算，将每个用户的(μ_a,v_a)代入公式(6)中，可得到全局CSP声誉值T_CSP：

$T_{CSP}=\{\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}},\frac{2\·{\Π}_{j=1}^n{v_{a_j}}^{1/N}}{{\Π}_{j=1}^n{(2-v_{a_j})}^{1/N}+{\Π}_{j=1}^n{v_{a_j}}^{1/N}}\}---\left(10\right)$

将得到的T_CSP支持量百分化，可得到最终的云服务提供商总体声誉值为

$100*\frac{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}-{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}{{\Π}_{j=1}^n{(1+{\mathrm{\μ}}_{a_j})}^{1/N}+{\Π}_{j=1}^n{(1-{\mathrm{\μ}}_{a_j})}^{1/N}}---\left(11\right).$

4.仿真和实验：

(1)CSP信誉指标变化的研究：实验中设置单个CSP向用户提供服务100次，用户数量为10。在100次中有图1横坐标数量的次数向用户提供不符合用户要求的服务，最终给出100用户对该CSP的全局评价值的平均数。实验中对使用本文的信任模型方案和未使用本文的信任模型方案进行对比，结果如图2所示：

(2)实验以选择可信云服务提供商准确率为比较目标，在同样的条件下比较使用信任模型TM的方案和未使用信任模型TM的方案，其中用户的数量设置为100。它相应的结果在图2中给出。在大多数情况下，用户选择可信云服务提供商CSP准确性是均高于90％。只有当CSP数量比例高达50％以及以上时，这个比例下降到最低85％左右(当恶意商量最大)，这是改善的主要原因是信誉模型使良好的信誉客户的信任评分采取较高的权重在全局声誉的计算。因此，恶意的供应商提供的云服务很少被用户进行选择。

根据相关文献[11]的研究，参数设置如下表1：

表1参数设置表

在实验二中，本实验的目的是比较用户在提出服务请求到结束服务并对服务进行评价后，采用了信任模型和未采用信任模型的可信CSP准确率比较；其中，40％用户存在虚假评价的行为，可以模拟为CSP制造的女巫攻击，自身创建的多个用户提高自身评价，但采用TM以后，可以有效降低虚假评价在全局声誉评价中的比重，使得全局声誉评价的结果更为客观，用户能选择到的可信CSP准确率更高。

5.结论

信任模型在云计算中越来越受到关注。信任是关系发展的过程中的一个重要组成部分。这是云计算安全问题中的前置重要问题。研究信任模型的意义在于：针对安全问题将更容易采取适当的安全措施，并做出正确的决定，本文提出了一种基于AIFS权重动态调整的信任模型，通过建立合理的信任模型以及信任评估方法，给出一种可信云服务提供商选择方法，该方法能够从全局信誉的角度出发，动态调整用户在全局评价中的权重，合理评判CSP的信誉，达到尽可能选择可信CPS的目的。实验结果表明，本方法能够较好地解决可信CSP选择问题。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。