袁小艳， 卫洪春， 成淑萍

(四川文理学院 计算机学院， 四川 达州 635000)



基于SLA的个性化动态信任模型研究

袁小艳， 卫洪春， 成淑萍

(四川文理学院 计算机学院， 四川 达州 635000)

针对现有云环境中云服务信任问题，将SLA服务水平协议中的参数引入信任度的计算中，通过在云端和客户端实时监测SLA参数，同时结合用户对SLA参数和云服务属性的主观评价，计算出云服务质量的信任度，并将个性化因素考虑其中，最终形成对云服务全面的、动态的、个性化的评估.同时，本模型还考虑了历史因素、时间因素、金额因素等，采用灰色关联度计算评价相似度，最终提高综合信任度的科学性和准确性.实验结果表明，与其它两种模型比较，其成功交易率分别提高了5%和9%，有效地提高了云服务的成功交易率.

SLA参数； 动态信任模型； 云服务； 个性化； 智能学习

0 引言

在当今云时代，云计算发展得越来越迅猛，云服务也逐步出现，这些云服务封装了很多的存储、软件和计算等资源.用户要使用这些资源时，需要用到“按需付费”[1]的服务模式,从而使用云服务商提供的资源和服务.由于牵涉到经济利益等原因，云服务商难免会提供劣质服务，商业竞争对手也可能会恶意地评价服务，这些问题都导致用户无法快速、准确地获得个性化要求的服务.为了解决这个问题，需要评价各种云服务的服务质量和可信度，即考虑云服务的信任度[2].

云服务的信任取决于云服务商和用户双方.这就要求云服务商提供的服务是安全、稳定、可靠、符合用户要求的，而用户的评价是真实、可信的.随着用户安全意识的增强，越来越多的学者在研究信任模型时，特别是对等网中，利用信任评价模型对商家和用户的信誉进行评估，并已经投入到实践中去，但这些都不适合云环境下的服务.当前，云环境下信任模型的研究主要是评估云服务商和用户的信任，很少涉及到云服务质量的信任，因此难以保证用户在选择服务时的主动权.

用户要使用云服务，首先会与云服务商签订一个协议，即SLA(服务水平协议)[3-5].该协议详细规定了各种参数，如服务水平/指标、相关责任、补救措施等信息[2].为了保证云服务的质量，很多学者和专家都将SLA引入信任模型中，对SLA各参数进行监测[6,7]，并应用于信任评估，这样得到的服务信任度是最准确的，无法造假.例如,在文献[2]中,提出了一种基于SLA的第三方平台，使用用户评价进行信任评估;在文献[7]中,提出了一种信任评估模型，同时采用用户评价和监测对SLA参数评分.以上基于SLA的信任模型都还存在很多问题，如缺少客户端监控、SLA参数分类模糊、信任因素单一、缺少服务质量的评估等问题.

针对现有模型的不足，结合目前已有的技术和研究成果，本文充分利用SLA相关的监测值并进行分类，同时还将用户对SLA参数的评价和用户对云服务的总体评价引入其中，得到了对云服务的信任度，从总体上对各种云服务进行了多方、动态的评估.

1 动态信任模型

本文充分利用SLA参数的监测值和用户对SLA参数的评价进行信任研究，并以此得到了云服务的信任度.

1.1 SLA参数

根据SLA的定义，SLA中包含了云服务的各种服务参数，这些参数分可测量的和不可测量的两种.如带宽、存储能力、计费等参数是可测量的，但可靠性、可用性、安全性、终端支持等参数是不可测量的.不可测量的参数可以映射到可测量的参数进行监测，如将平均工作时间和平均修复时间映射到可用性，将带宽、数据包与字节流映射到响应时间，将某个时间段得到的请求数映射到吞吐量等.

SLA参数还需要用户的评价，分为客观评价、主观评价和综合评价[7].客观评价是SLA参数在客户端的监测值;主观评价是用户对SLA参数的评价，分为六个等级，即优秀(0.9)、良好(0.8)、中等(0.7)、差(0.5)、特差(0.3)、无(0);综合评价是综合主客观因素得到的信任度.

根据云服务的特点，主要将服务分为IaaS(设施即服务)、PaaS(平台即服务)和SaaS(软件即服务)[8].如智能学习中有云存储、云学习服务器等IaaS服务；有虚拟桌面、虚拟实验室、云图书馆、云学习平台等PaaS服务；有工具软件、编程软件、电子作业、电子书包等SaaS服务.服务不同,参数也不同.下面给出几个典型的服务参数，如表1所示.

表1 SLA参数

续表1

服务类型SLA参数参数说明是否可测量测量方式评估类型SaaS易用性定制性简易性变更响应自定义终端支持非功能参数非功能参数非功能参数非功能参数功能参数功能参数是是否是否否云/用户云/客户端-云/客户端--综合综合主观客观主观主观

1.2 个性化服务

环境不同，用户的需求可能会不同.每个云服务除了SLA参数外，还有一些功能性的服务属性，以此来体现每个人的服务需求，即个性化[9,10]，并能更准确地评估云服务商和用户的行为.

Pm表示第m个服务商，A(Pm)=(Am1,Am2,…,Amn)，Amn是Pm的第n种服务，每种服务又包含k个属性，各属性的权重向量是W(Amn)=(Wmn1,Wmn2,…,Wmnk)，Wmnk是Amn的第k个属性权重.因此，用户个性化需求的矩阵是：

如智能学习云服务提供商提供虚拟实验室服务、学习资源检索服务、智能答疑服务.虚拟实验室服务有内容是否丰富、仿真程度、实验技能考核等属性;学习资源检索服务有速度、准确率、新鲜度等属性;智能答疑服务有易理解性、准确性、知识范围的广度等属性.现有Rose、Jack用户对学习资源检索服务的个性化需求矩阵为：

以上两个矩阵表示了Rose和Jack对学习资源检索服务关心的侧重点不同，代表了他们个性化的需求.交易完成后，用户U都需评价此次服务，评价向量S(Amn)=(Smn1,Smn2,…,Smnk)，tmn表示第m个云服务商与第n个用户交易的次数.用户S在请求服务前，会得到一个同类服务的信息副本，其结构如表2所示.

表2 XX服务的信任关系

1.3 信任度计算

云服务的信任度主要来源于两种：一种是直接信任度，即用户通过直接使用云服务而得到的信任度；另一种是间接信任度，即通过别人使用云服务的信任度而得到的信任度.最后,通过这两种信任度得到综合信任度.

1.3.1 SLA不可测量参数监测值的计算

在SLA参数中有不可测量的参数，这些参数的值不能直接得到，需要将其映射到与其相关的、可以测量的参数，才能得到其参数值.即参数AUG=(aug1,aug2,…,augr)，augr为第r个分解参数的监测值，其权重向量为PW=(pw1,pw2,…,pwr)，因此AUG参数的监测值为：

(1)

计算出不可测量参数的监测值后，便可将其代入公式(2)SLA参数监测值的计算中，以得到单次云服务的信任值.

1.3.2 单次云服务信任值的计算

影响云服务信任值的因素有三项，即SLA参数的监测值、用户对SLA参数的评价值和用户对云服务SLA参数以外的属性的评价值.

假设某次云服务的SLA参数监测值为Q=(q1,q2,…,qk)，其权重向量为QW=(qw1,qw2,…,qwk)，用户对SLA参数的评价值S=(s1,s2,…,sk)，其权重向量为SW=(sw1,sw2,…,swk)，此处监测值的权重高于评价值的权重.为了防止用户对云服务的恶意评价，本文将这两部分值合为一个整体J，即：

(2)

该次云服务中,用户对SLA参数以外属性的评价值为Z=(z1,z2,…,zm)，其权重向量为ZW=(zw1,zw2,…,zwm)，这些属性值实际上就是个性化因素.因此,此次云服务的属性评价值为：

(3)

综合以上两部分，得到此次云服务的简单信任值，即用户第j次使用该服务的信任值为：

SVj=βJj+(1-β)NZj

(4)

β的值根据服务来决定，IaaS服务更注重性能，所以β的值高于0.5；SaaS服务更注重于个性化，所以β的值小于0.5；而PaaS中β的值为0.5.

云服务信任值的计算还应该考虑时间和金额因素，使用云服务的时间越近越可信，金额越小对信任值的影响越小.因此,时间衰减函数和金额衰减函数为：

(5)

(6)

其中,tj-TI是用户第j次请求该云服务的时间和该用户第1次使用该服务初始化信任的时间间隔;DTj是用户第j次使用云服务持续的时间;mj是用户第j次使用该云服务的金额.

综合以上因素，用户第j次使用该服务的信任值为：

TVj=SVjTD(j)MD(j)

(7)

1.3.3 直接信任度

直接信任度并不是取决于某次云服务的信任值，而是取决于用户U使用云服务商P提供的云服务A(P)的所有信任值，即还需要考虑历史信任值.因此,用户使用了j次该服务的直接信任度为：

IMTUP(j)=(1-ξ)×IMTUP(j-1)+

ξ×η×TVj

(8)

其中,ξ为此次信任值的权重;η是激励因子，并根据TVj取值.若TVj大于0，η为a，若TVj小于0，η为b，若TVj等于0，η为0，并且b>a>0，以此来进一步惩罚恶意评价行为.

1.3.4 间接信任度

用户在第一次使用某云服务A时,是没有直接信任度的，这时就需要其他用户对该服务的信任度，并依此得到该服务的间接信任度.

本文的间接信任度从三个部分得到，即当前用户U和使用过本服务的其他用户Oi的评价相似度、其他用户Oi对该服务的信任度、其他用户Oi的可信度.公式如下：

(9)

其中,SimUOi表示用户U和其他用户Oi的相似度;TOi是其他用户Oi的可信度，以防其他用户联合欺诈;IMTOiA是其他用户Oi对云服务A的直接信任度.

以上两个向量集的灰色关联系数采用灰色系统理论的绝对关联度来计算，公式如下：

(10)

其中,Mmin是XU(IMTUA′)和XOi(IMTOiA′)的等级间最小差;Mmax是XU(IMTUA′)和XOi(IMTOiA′)的等级间最大差;M是XU(IMTUA′)和XOi(IMTOiA′)的绝对差;λ是分辨系数，一般取0.5.

则XU(IMTUA′)和XOi(IMTOiA′)的灰色关联度为：

(11)

根据XU(IMTUA′)和XOi(IMTOiA′)的灰色关联度，可以得到U和Oi的评价相似度为：

(12)

将以上用户U和Oi的评价相似度代入公式(9)中计算，便可得到某云服务的间接信任度.

1.3.5 综合信任度

根据以上直接信任度和间接信任度，可以计算出用户U对服务A的综合信任度为：

TUP(n)=α×IMTUP(n-1)+(1-α)×STUP(n)

(13)

其中,α的值根据用户间相似度决定.相似度越大，α越接近于0.5;相似度越小，α越接近于0.

2 实验结果与分析

通过仿真实验可验证本文模型的有效性和准确性.本文以智能学习云服务为例，将其实验结果和文献[2]、文献[7]中模型的结果进行了比较.

2.1 参数设置

本文包含了两部分参数，即SLA参数和算法中的参数.算法中的参数如表3所示.由于实验时云服务商提供的智能学习云服务太多，不能一一列举，本文仅以两个用户、三个云服务商均提供虚拟实验室服务VPR为例，给出了SLA参数的测试值，如表4所示.

表3 实验中的参数值设置

表4 SLA参数监测值及服务属性评价值

2.2 结果分析

本文的实验结果是通过云服务的交易成功率来分析的，交易成功率TS是通过云模仿平台中所有节点的交互总次数MC和成功的总次数SC计算得到的，其公式如下：

(14)

在设定恶意用户比例为2%的情景中，通过比较本文模型、文献[2]的模型和文献[7]的模型，可得到相应的交易成功率随着交易次数的变化而变化的曲线，如图1所示.

图1 三种模型的比较示意图

从图1可以知道，随着交易次数的递增，三种模型的交易成功率都逐渐降低并收敛于一个定值，本文模型为0.915,文献[2]中模型为0.865，文献[7]中模型为0.825,本文模型较文献[2]和文献[7]中模型分别提高了5%和9%.无疑，本文模型的交易成功率高于另外两种模型的成功率.这是因为本模型既考虑了SLA参数的监测，又考虑了个性化因素，从而更能准确地评估云服务和用户间的信任关系，更让云服务值得信任；而文献[2]的模型仅仅考虑了SLA参数的监测，没有考虑个性化因素，使用户无法感受到个性化的服务，所以降低了云服务的信任度；文献[7]则仅仅考虑了个性化服务，没有考虑SLA参数的细分和监测，得到的信任值并不能准确地评估信任关系，从而也降低了云服务的信任度.

3 结束语

现有的云服务动态信任模型大多数是计算云服务商的信任度，而不是云服务信任度的计算，这并不科学.因为信誉好的云服务商有可能提供低劣的服务[12-14]，而信誉不好的云服务商也可能提供优质的服务.基于此，本文提出了一种计算云服务信任度的动态信任模型.

本模型将SLA服务水平协议中的参数引入其中，参数值在云端和客户端都进行监测，同时本模型中还引入了历史信任系数、时间衰减函数[15]、金额衰减函数、激励因子、惩罚因子等，让参数值更科学、更准确.最后,采用灰色关联度来计算用户间的评价相似度.实验结果表明，本模型能更准确地评估云服务的信任度，并能提供个性化的云服务.

[1] 任 伟,雷 敏,杨 榆.DRT:一种云计算中可信软件服务的通用动态演变鲁棒信任模型[J].小型微型计算机系统,2013,33(4):679-683.

[2] 赵娉婷.云计算环境下服务信任度评估技术的研究[D].北京：北京交通大学，2014.

[3] Alhamad M,Dillon T,Chang E.SLA-based trust model for cloud computing[C]//Proceedings of 13th IEEE International Conference on Network-Based Information Systems(NBiS).Gifu,Japan:IEEE Computer Society,2010:321-324.

[4] Alhamad M,Dillon T,Chang E.Conceptual SLA framework for cloud computing[C]//Proceedings of 4th IEEE International Conference on Digital Ecosystems and Technologies (DEST).Dubai,UAE:BEBⅡ,2010:606-610.

[5] Emeakaroha V C,Brandic I,Maurer M,et al.Low level metrics to high level SLAs-LoM 2HiS framework:Bridging the gap between monitored metrics and SLA parameters in cloud environments[C]//Proceedings of 2010 International Conference on High Performance Computing and Simulation (HPCS).Uoft,Canada:Institute of Physics Publishing,2010:48-54

[6] Wang M C,Wu X,Zhang W,et al.A conceptual platform of SLA in cloud computing[C]//Proceeding of 2011 IEEE 9th International Conference on Dependable,Autonomic and Secure Computing (DASC).Sydney:NSW,2011:1 131-1 135.

[7] 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.

[8] 沈舫涛.面向云服务的信任演化仿真模型研究[D].南京：南京大学，2013.

[9] 刘 飞，罗永龙，郭良敏，等.面向个性化云服务的动态信任模型[J].计算机工程,2014,40(4):32-36.

[10] 刘 飞，罗永龙，郭良敏，等.面向个性化云服务基于用户类型和隐私保护的信任模型[J].计算机应用,2014,34(4):994-998.

[11] 朱 琦.基于灰色关联度的云平台信任模型研究[D].湖北：湖北大学，2013.

[12] 崔 超.云计算平台下的动态信任模型研究[D].哈尔滨：哈尔滨工业大学，2011.

[13] 谢立军,朱智强.基于隶属度理论的云服务行为信任评估模型研究[J].计算机应用研究,2013,30(4):1 051-1 054.

[14] 王 磊,黄梦醒.云计算环境下基于灰色AHP的供应商信任评估研究[J].计算机应用研究,2013,30(3):742-745.

[15] 吴 慧，于 炯，于斐然.云计算环境下基于信任模型的动态级访问控制[J].计算机工程与应用，2012，48(23)：102-106.

The research of personalized dynamic trust model based on SLA

YUAN Xiao-yan, WEI Hong-chun, CHENG Shu-ping

(College of Computer, Sichuan University of Arts and Science, Dazhou 635000, China)

How to solve the cloud service trust issues under the cloud enviroment,this paper proposes the introduction of the SLA parameters in the trust calculate,calculate a cloud service quality of trust through SLA parameters real-time monitoring in the cloud and the client,and combined with the user′s subjective evaluation of the SLA parameter and cloud service properties,and the personalized factor among them,to form a comprehensive,dynamic,personalized evaluation of cloud services the final.At the same time,this model also takes into consideration the historical factor,time factor and amount,and evaluation similarity is obtained by using the grey correlation degree,eventually improve the science and accuracy of comprehensive trust.Experimental results show that compared with the other two models,the successful transaction rate increased by 5% and 9% respectively,effectively improve the success of cloud services exchange rate.

SLA parameters; dynamic trust model; cloud services; personalized; intelligent learning

2015-03-28

四川省教育厅科技计划项目(15ZB0318，15ZB0324)； 四川文理学院校级科研计划项目(2014Z012Y)

袁小艳(1982-)，女，重庆永川人，讲师，硕士，研究方向：软件技术及开发、云教育及知识工程

1000-5811(2015)03-0167-06

TP312

A