CN103200277B - 一种基于日志的云计算服务可信度评估方法 - Google Patents

Abstract

本发明公开了一种基于日志的云计算服务可信度评估方法，综合考虑用户评价与历史调用日志对云计算环境下服务可信度的影响，对一组相似服务进行更加客观公正的评估。本发明涉及到的关键操作包括：（1）分析历史调用日志中与可信相关的特征，根据特征对日志数据以及用户评价数据进行统计，构建关于服务的信任特征向量；（2）评价体系综合考虑用户直接交互、通过用户好友关系的间接交互以及被测者全局交互，分别计算其信任特征向量，并按用户提供的权重对各个级别的信任特征向量进行综合，得到信任评估结果。

Description

一种基于日志的云计算服务可信度评估方法

技术领域

本发明属于云计算中信任评估的领域，涉及一种基于日志的云计算服务可信度评估方法。

背景技术

近年来，云计算得到了学术界和工业界的广泛关注。与传统模式相比，云计算可按需提供接近无限的计算资源，拥有强大的计算和存储能力；并能够迅速跟进负载激增，按需扩展资源，并按用量计费，从而降低了业务部署成本，提高了系统灵活性与可扩展性。

云计算作为一种开放环境下的计算模型，具有动态性、自治性、平台无关性等特征，应用以及资源以服务的形式部署、递送。服务提供者和服务使用者作为云环境下的两大重要角色，通过松散耦合的模式进行交互，因此都面临着信任相关问题。服务提供者将资源以及应用封装为服务发布，当收到服务请求时，需要根据用户身份判断是否提供服务，提供何种程度的服务；服务使用者通过服务接口访问资源与应用，但不了解服务实际运行的位置，运行的机制，需要判定目标服务是否可信，将私有数据交付应用是否安全等等。由于这些原因，人们对云计算缺乏信任、存在疑惑，一定程度上阻碍了云计算的发展，因此，开展关于云计算服务两端间相互信任的问题的研究对于云计算的推广是至关重要的。需要有完善的机制对云计算环境下的信任进行保障与评估。

发明内容

技术问题：本发明的目的是提供一种克服传统方法中过度依赖用户评价所带来的客观性不强、数据稀疏等局限性，能够对一组相似服务做出相对客观的可信度评估，而且对与用户恶意刷分行为有一定抵御能力的基于日志的云计算服务可信度评估方法。

技术方案：本发明的基于日志的云计算服务可信度评估方法对一组相似服务的调用日志进行分析，并对其按信任特征在全局、相关用户、用户个人三个级别上进行统计，生成信任特征向量。然后，以全局平均信任特征向量作为基准，计算每个服务各级别上鱼全局平均信任特征向量的偏移；最后，按用户提供的权重，对各级别信任特征向量进行综合，完成服务可信度的评估。

本发明提出的基于日志的云计算服务可信度评估方法，包括如下步骤：

步骤1）评估发起用户u0对含有n个相似服务的服务集S={s1,s2...sn}发起可信度评估，获取这些服务的调用日志集L，以及用户u0认为可信的相关用户集U={u1,u2...uk}；

步骤2）根据步骤1）获取的服务调用日志集L，构造每个被评估服务si的全局信任特征向量vi，并计算所有全局信任特征向量v1，v2...vn的平均值作为全局平均特征向量vavg；

步骤3）从步骤1）获取的服务调用日志集L，提取用户u0认为可信的相关用户集U中所有用户对服务集S中服务的调用日志，组成相关调用日志集L’，基于相关调用日志集L’构造每个被评估服务si的相关用户信任特征向量vi’，并计算所有相关用户信任特征向量v1’，v2’...vn’的平均值作为相关用户平均特征向量vavg’；

步骤4）从步骤1）获取的服务调用日志集L中，提取用户u0对服务集S中服务的调用日志，组成直接调用日志集L’’，基于直接调用日志集L’’构造每个被评估服务si的直接信任特征向量vi’’，并计算所有直接信任特征向量v1’’，v2’’...vn’’的平均值作为直接平均特征向量vavg’’；

步骤5）对每个被评估服务si，分别求取在全局、相关、直接三个级别上的各个信任特征向量的分量与对应平均特征向量分量的比值，比值的大小反映服务的可信度，分别将各级别的所有信任特征向量的分量与平均特征向量分量的比值组合，得到各级别的偏移量向量，即全局偏移量向量、相关偏移量向量和直接偏移量向量；

步骤6）根据用户指定的三个级别的服务可信度权重，对服务集S中每个服务在三个级别上的偏移量向量进行加权平均，完成对服务可信度的评估。

本发明的步骤2），步骤3）和步骤4）中构造每个被评估服务si的信任特征向量的具体方法为：

a）从服务的调用日志L中，提取被评估服务si的日志条目，统计被评估服务si的总调用次数，获得各类评价的次数和总调用用户数，并统计每个用户调用被评估服务si的次数；

b）从被评估服务si的日志条目中，根据步骤a）中得到的各类评价次数，用获得好评次数减去获得差评次数，得到评价次数差值，如计算结果小于1，则将1作为评价次数差值；

c）将步骤a）中得到的总调用次数与总调用用户数相除，得到每个用户调用被评估服务si的平均次数，根据步骤a）中每个用户调用被评估服务si的次数，得到每个用户调用被评估服务si的次数的中位数；

d）将步骤b）中得到的评价次数差值、步骤c）得到的每个用户调用被评估服务si的平均次数和调用次数中位数，组合为被评估服务si的信任特征向量。

本发明方法从服务的调用日志中寻找信任相关证据，完成对一组相似服务可信度的评估。与现有方法相比，该方法能够克服传统方法中过度依赖用户评价所带来的客观性不强，数据稀疏等局限性；并且考虑了信任证据的不同级别，用户可根据需求定制权重。该方法能够对一组相似服务做出相对客观的可信度评估，而且对与用户恶意刷分行为有一定的抵御能力。

有益效果：本发明与现有技术相比，具有以下一些优点：

（1）本方法从调用日志中寻找可信证据，不仅仅依赖于用户评价。服务调用日志真实记录了用户的调用行为，能够反映服务是否值得信任。用户评价信息在本方法中属于考虑因素之一，并不占主导地位，即使用户调用时未给出评价，评估过程不受影响，这也保证了本方法所做出评估的客观性，有效降低了用户评价信息的主观性与稀疏性对评估过程的影响。

（2）本方法综合考虑了不同级别下信任证据对服务可信度的影响。全局信任特征向量反映了所有用户对服务的调用、评价情况；相关用户信任特征向量反映了与用户具有关联关系的用户组对服务的调用、评价情况；用户个人信任特征向量反映了用户与服务直接调用的历史情况，通常来说，三个级别各有利弊，本方法将三个级别综合考虑，根据用户提供权值进行综合，具有灵活性。

（3）本方法能够一定程度上抵御用户恶意刷分行为。由于用户评价在本方法中仅作为考虑因素之一，本方法能够抵御通过发表不真实评价的方式进行恶意刷分的行为，即使发生了这样的行为，其他信任因素仍可正常发挥作用，能够保证评估结果的稳定。

附图说明

图1是本发明所提出方法的总体结构示意图；

图2是本发明所提出方法的应用场景示意图；

图3是本发明所提出方法的具体流程示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明提出的服务可信度评估方法从用户调用日志出发，从中寻找信任相关证据，并从多个级别进行考虑，完成服务可信度评估，如图2所示。具体步骤如下：

步骤1）评估发起用户u0对含有n个相似服务的服务集S={s1,s2...sn}发起可信度评估，获取这些服务的调用日志集L，以及用户u0认为可信的相关用户集U={u1,u2...uk}；

根据待评估的n个相似服务，从日志中提取出相关的日志条目组成初始日志数据集合，调用日志条目为四元组：<sid,uid,review,time>，sid标识被调用服务；uid标识发起调用的用户；review为此用户对该次服务调用的整体可信度评价，分为好、中、差三个级别；time为调用发生时间，从提高评估结果对服务变化灵敏度的角度考虑，设置时间窗口，窗口内的调用条目被提取出来。

同时，考虑高相关用户更可能有着相似的服务使用习惯，获取评估发起用户u0认为值得信任、具有相关关系用户的id集合U，为后续步骤计算相关用户信任特征向量做准备。

步骤2）根据步骤1）获取的服务调用日志集L，构造每个被评估服务si的全局信任特征向量vi，并计算所有全局信任特征向量v1，v2…vn的平均值作为全局平均特征向量vavg；

综合考虑云计算的运行模式，以及调用日志条目的结构，确定进行统计所得到的信任特征向量为三元组：v=<c,tA,tM>各分量具体意义及计算方法如下：

a）基于调用日志L，提取服务si相关的日志条目，统计其总调用次数，获得各类评价相应的调用次数，总调用用户数，并统计每个用户调用此服务次数；

b）计算该服务评价次数差值c，使用获得好评次数减去获得差评的次数得到评价次数差值，如计算结果小于1，则将1作为评价次数差值；

c）将步骤a）中总调用次数与总调用用户数相除，得到每个用户调用被评估服务si的次数的平均次数tA，根据步骤a）中每个用户调用被评估服务si的次数，得到每用户调用次数的中位数tM，即排在最中间位置的每用户调用次数；

d）将步骤b）中得到的评价次数差值c、步骤c）得到的每用户平均调用次数tA以及每用户调用次数中位数tM，组合为服务si的信任特征向量v=<c,tA,tM>。

所有服务的信任特征向量计算完毕后，在此基础上计算全局平均信任特征向量vavg，作为后续步骤中服务评估的准则。计算方法如下：

$v_{\mathrm{avg}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{v}_i/n$

步骤3）从步骤1）获取的服务调用日志集L，提取用户u0认为可信的相关用户集U中所有用户对服务集S中服务的调用日志，组成相关调用日志集L’，基于相关调用日志集L’构造每个被评估服务si的相关用户信任特征向量vi’，并计算所有相关用户信任特征向量v1’，v2’...vn’的平均值作为相关用户平均特征向量vavg’；

根据步骤1）获取的相关用户集U，从L中提取关联条目，组成L’。在L’之上计算各服务信任特征向量。计算方法同步骤2）。

步骤4）从步骤1）获取的服务调用日志集L中，提取用户u0对服务集S中服务的调用日志，组成直接调用日志集L’’，基于直接调用日志集L’’构造每个被评估服务si的直接信任特征向量vi’’，并计算所有直接信任特征向量v1’’，v2’’...vn’’的平均值作为直接平均特征向量vavg’’；

考虑用户对各服务个人调用经历对服务可信度具有直接的影响作用，在这一步骤中，提取出L中用户个人调用的日志条目，组成L’’。并在L’’上之上计算各服务信任特征向量，计算方法同步骤2）。若用户对服务未进行过调用，则相应的服务信任特征向量使用计算出的vavg’’进行代替。

步骤5）对每个被评估服务si，分别求取在全局、相关、直接三个级别上的各个信任特征向量的分量与对应平均特征向量分量的比值，比值的大小反映服务的可信度，分别将各级别的所有信任特征向量的分量与平均特征向量分量的比值组合，得到各级别的偏移量向量，即全局偏移量向量、相关偏移量向量和直接偏移量向量；

定义偏移量向量z:<uc,utA,utM>。

定义偏移量向量的计算方法z=f(v,vavg):

z->uc=v->c/vavg->c;

z->utA=v->tA/vavg->tA;

z->utA=v->tM/vavg->tM;

分别计算三个级别上对应各级别平均特征向量的偏移量，作为该级别对服务si的信任评估：

For i=1to n

zi=f(vi,vavg);

zi’=f(vi’,vavg’);

zi’’=f(vi’’,vavg’’);

endFor.

步骤6）根据用户指定的三个级别的服务可信度权重，对服务集S中每个服务在三个级别上的偏移量向量进行加权平均，完成对服务可信度的评估。

考虑用户对三个级别评估结果的权重分配：{w1,w2,w3}，对步骤5）的结果进行综合,得到每个服务的信任评估结果向量：

For i=1to n

Ti=w1*zi+w2*zi’+w3*zi’’

endFor.

得到的信任评估结果向量已可以反映服务在相似服务中所处的位置，经验用户可以从中得到选择服务所需的相关信息。进一步的，可以将信任评估结果向量各分量平均数作为数值化的评估结果。

Tri=(Ti->c+Ti->tA+Ti->tM)/3

Tri直观反映了服务si在n个相似服务中的可信度：Tri越高代表服务si可信度越高；Tri>1，代表服务si高于相似服务平均水平；Tri<1，代表服务si低于相似服务平均水平；

实施例：

为了方便描述，我们假定有如下简化的应用实例：

假定有如下3个相似服务，5个用户，30条相关调用日志条目,由于时间分量仅用于获得调用日志条目时的筛选，以下描述中将其略去，用户评价分量以{1,0,-1}代表{好,中,差}：

相似服务：S={s1,s2,s3}；

用户：U={u0,u1,u2,u3,u4}，其中u0与u1、u2、u3为好友关系；

调用日志条目：L=

{<u0,s2,1>,<u0,s2,1>,<u0,s2,0>,<u0,s3,0>,<u0,s3,-1>,

<u1,s1,1>,<u1,s1,1>,<u1,s1,-1>,<u1,s1,1>,<u1,s2,1>,

<u1,s2,1>,<u1,s3,1>,<u2,s1,1>,<u2,s1,1>,<u2,s1,-1>,

<u2,s1,1>,<u2,s1,1>,<u2,s2,0>,<u2,s3,1>,<u2,s3,0>,

<u3,s1,1>,<u3,s2,1>,<u3,s2,1>,<u3,s1,0>,<u3,s3,0>,

<u4,s1,1>,<u4,s2,1>,<u4,s2,1>,<u4,s3,0>,<u4,s3,-1>,}；

用户给定三个级别权重分配为：{0.2,0.3,0.5}.

下面对具体步骤进行描述：

步骤1）由用户u0发起对相似服务{s1,s2,s3}的信任评估，所提取的调用日志条目即为前述向量数组L。获取u0信任的相关用户集{u1,u2,u3}；

步骤2）首先按服务标识对日志条目包含信息进行统计，统计结果如表1所示,在此统计信息基础上，计算各服务信任特征向量为：

v1=<7,3.0,4>;

v2=<8,2.0,2>;

v3=<1,1.6,2>.

vavg=<5.3,2.2,2.7>

表1.全局调用日志条目的统计结果

步骤3）进行相关用户日志条目提取：

L’={<u1,s1,1>,<u1,s1,1>,<u1,s1,-1>,<u1,s1,1>,<u1,s2,1>,

<u1,s2,1>,<u1,s3,1>,<u2,s1,1>,<u2,s1,1>,<u2,s1,-1>,

<u2,s1,1>,<u2,s1,1>,<u2,s2,0>,<u2,s3,1>,<u2,s3,0>,

<u3,s1,1>,<u3,s2,1>,<u3,s2,1>,<u3,s1,0>,<u3,s3,0>,}

其统计结果如表2所示，在此统计信息基础上，计算各服务信任特征向量为：

v1’=<7,3.7,4>;

v2’=<4,1.7,2>;

v3’=<2,1.3,1>.

vavg’=<4.3,2.2,2.3>

表2.相关用户调用日志条目的统计结果

步骤4）提取用户直接交互日志条目：

L’’={<u0,s2,1>,<u0,s2,1>,<u0,s2,0>,<u0,s3,0>,<u0,s3,-1>}.

其统计结果如表3所示：

表3.直接调用日志条目的统计结果

在此统计信息基础上，计算各服务信任特征向量为：

v1’’=vavg’’=<1.5,2.5,2.5>;//由于没有直接交互，采用vavg’’的值

v2’’=<2.0,3.0,3.0>;

v3’’=<1.0,2.0,2.0>;

vavg’’=<1.5,2.5,2.5>

步骤5）以各级别平均信任特征向量为基准，计算各服务在各级别上信任特征偏移向量为：

z1=<1.3,1.4,1.5>

z2=<1.5,0.9,0.7>

z3=<0.2,0.7,0.7>

z1’=<1.6,1.7,1.5>

z2’=<0.9,0.7,0.9>

z3’=<0.5,0.6,0.4>

z1’’=<1.0,1.0,1.0>

z2’’=<1.3,1.2,1.2>

z3’’=<0.7,0.8,0.8>

步骤6）按用户给出的权重计算每个服务综合信任评估结果：

T1={1.24,1.29,1.25};

T2={1.22,0.99,1.01};

T3={0.54,0.72,0.66}.

进一步的，可以将信任评估结果向量数值化，使其更加直观：

Tr1=1.26；Tr2=1.07；Tr3=0.64

结果显示s1最值得信任，s2次之，s3最不可信；s1、s2均在平均线以上，s1较高的平均每使用者调用次数为其增加了可信权重，即使s2有着更高的好评率。通过实施例可以看出，本发明提出的基于日志的云计算服务可信度评估方法能够有效地对服务可信度进行评估，当根据用户评价得到的评估结果相近时，能够通过用户调用行为的分量对服务进行区分，降低用户评价主观性与不稳定性对服务可信度的影响；分级别的结构具有高灵活性，可适应各种情况下的不同需求。

Claims (2)

1. 一种基于日志的云计算服务可信度评估方法，其特征在于，该方法包括如下步骤：

步骤1）评估发起用户u0对含有n个相似服务的服务集S={s1,s2…sn}发起可信度评估，获取这些服务的调用日志集L，以及用户u0认为可信的相关用户集U={u1,u2…uk}；

步骤2）根据所述步骤1）获取的服务调用日志集L，构造每个被评估服务si的全局信任特征向量vi ，并计算所有全局信任特征向量v1，v2…vn的平均值作为全局平均特征向量vavg；

步骤3）从所述步骤1）获取的服务调用日志集L，提取用户u0认为可信的相关用户集U中所有用户对服务集S中服务的调用日志，组成相关调用日志集L’，基于所述相关调用日志集L’ 构造每个被评估服务si的相关用户信任特征向量vi’， 并计算所有相关用户信任特征向量v1’，v2’…vn’的平均值作为相关用户平均特征向量vavg’；

步骤4）从所述步骤1）获取的服务调用日志集L中，提取用户u0对服务集S中服务的调用日志，组成直接调用日志集L’’，基于所述直接调用日志集L’’ 构造每个被评估服务si的直接信任特征向量vi’’，并计算所有直接信任特征向量v1’’，v2’’…vn’’的平均值作为直接平均特征向量vavg’’；

步骤5）对每个被评估服务si，分别求取在全局、相关和直接三个级别上的各个信任特征向量的分量与对应平均特征向量分量的比值，比值的大小反映服务的可信度，分别将各级别的所有信任特征向量的分量与平均特征向量分量的比值组合，得到各级别的偏移量向量，即全局偏移量向量、相关偏移量向量和直接偏移量向量；

步骤6）根据用户指定的三个级别的服务可信度权重，对服务集S中每个服务在三个级别上的偏移量向量进行加权平均，完成对服务可信度的评估。

2.根据权利要求1所述的基于日志的云计算服务可信度评估方法，其特征在于，所述步骤2），步骤3）和步骤4）中构造每个被评估服务si的信任特征向量的具体方法为：

a）从服务的调用日志集中，提取被评估服务si的日志条目，统计被评估服务si的总调用次数，获得各类评价的次数和总调用用户数，并统计每个用户调用被评估服务si的次数；

b）从被评估服务si的日志条目中，根据步骤a）中得到的各类评价次数，用获得好评次数减去获得差评次数，得到评价次数差值，如计算结果小于1，则将1作为评价次数差值；

c）将步骤a）中得到的总调用次数与总调用用户数相除，得到每个用户调用被评估服务si的平均次数，根据步骤a）中每个用户调用被评估服务si的次数，得到每个用户调用被评估服务si的次数的中位数；

d）将步骤b）中得到的评价次数差值、步骤c）得到的每个用户调用被评估服务si的平均次数和调用次数中位数，组合为被评估服务si的信任特征向量。