CN113364844A - 云环境下基于特性因素和sla的信任评估方法 - Google Patents

Abstract

本发明公开一种云环境下基于特性因素和SLA的信任评估方法，包括：S1、评估服务请求用户u对云服务提供商集合中各云服务提供商的综合信任值；S2、获取待选提供商集，计算待选提供商集中各云服务提供商的成本偏差，将成本偏差最小的云服务提供商作为最优的云服务提供商；S3、服务请求用u户与最优云的服务提供商p签订SLA，进行交易，SLA代理监测服务过程；S4、计算此次交易的服务质量系数ρ，并基于服务质量系数ρ判断此次交易的交易结果；S5、依据交易结果更新服务请求用户u对云服务提供商p的认可度。在考虑用户对提供商综合信任值和自荐信任值的基础上，考虑成本偏差，将服务成本作为信任评估的因素之一。

Description

云环境下基于特性因素和SLA的信任评估方法

技术领域

本发明属于云安全技术领域，更具体地，本发明涉及一种云环境下基于特性因素和SLA的信任评估方法。

背景技术

随着云计算技术的发展成熟，除在互联网行业，也将在医药医疗、制造业、金融与能源、电子政务、教育科研等其他传统行业发挥重要作用。云计算拥有强大的性能和海量的存储空间，按需付费的方式帮助企业或个人节省了大量的成本开支，解决了很多一直未能解决的问题。

由于云计算环境的开放性、动态性特点，云服务的交易双方通常是相互陌生的。因此，须在复杂的云环境下，帮助用户在众多的提供商中高效、精准的选择符合用户需求的提供商。通过在网络中陌生实体间建立信任关系，依托信任模型选择值得信赖的云服务提供商为用户提供可靠的云服务，是解决上述问题的方法之一。

近年来，国内外学者已对云环境下信任模型展开了研究，其中大多数信任模型仅考虑如时间衰减、历史行为等上下文因素对信任评估的影响。但由于云环境的复杂性，云环境具有其自身的特性，仅考虑上下文因素不能准确反映云环境下用户对提供商的信任程度，影响恶意实体的识别效率，降低交易成功率。并且，大多数信任模型由于缺少协商监测机制，导致用户和提供商不能对云服务性能指标达成一致，违反SLA的行为得不到约束，从而影响交易结果，导致交易失败。

发明内容

本发明提供一种基于云环境下基于特性因素和SLA的信任评估方法，旨在改善上述问题。

本发明是这样实现的，一种云环境下基于特性因素和SLA的信任评估方法，所述方法具体包括如下步骤：

S1、基于服务请求用户u对各云服务提供商的认可度，来评估服务请求用户u对云服务提供商集合中各云服务提供商的综合信任值CT_up；

S2、将综合信任值CT_up或自荐信任值ST_p较高的云服务提供商放入待选提供商集，计算待选提供商集中各云服务提供商的成本偏差，将成本偏差最小的云服务提供商作为最优的云服务提供商；

S3、服务请求用u户与最优云的服务提供商p签订SLA，进行交易，SLA代理监测服务过程；

S4、根据云服务提供商p承诺的协议质量A_QoS、服务请求用户u提供的交易体验质量E_QoS和SLA代理提供的监测服务质量M_QoS计算此次交易的服务质量系数ρ，并基于服务质量系数ρ判断此次交易的交易结果；

S5、依据交易结果更新服务请求用户u对云服务提供商p的认可度。

进一步的，综合信任值CT_up的计算公式具体如下：

其中，DT_up为服务请求用户u对云服务提供商p的直接信任值，RT_up为服务请求用户u对云服务提供商p的推荐信任值，

为权重参数。

进一步的，服务请求用户u对云服务提供商p的直接信任值DT_up的计算公式具体如下：

DT_up＝RD_up×Rel_p

其中，RD_up为服务请求用户u当前对云服务提供商p的认可度，Rel_p表示云服务提供商p的信任可靠度。

进一步的，云服务提供商p的信任可靠度Rel_p的计算公式具体如下：

Rel_p＝F_p(Δt)×Φ_p

其中，F_p(Δt)为云服务提供商p的时间衰减函数，Φ_p为提供商p的历史行为函数。

进一步的，云服务提供商p的时间衰减函数F_p(Δt)通过如下公式进行计算：

其中，Δt＝t-t_l，t表示当前时间，t_l表示云服务提供商p最近一次服务的发生时间，T为一个衰减周期，单位为天；

云服务提供商p的历史行为函数Φ_p如下公式进行计算：

Φ_p＝δ(n)*Rate

其中，Rate表示云服务提供商p的历史服务成功率，δ(n)为服务次数函数，其计算公式为δ(n)＝1-e^-n2，n为云服务商提供商p的服务次数。

进一步的，服务请求用户u对云服务提供商p_k的推荐信任值

的计算公式具体如下：

其中，

为服务请求用户u的推荐用户u_r对云服务提供商p_k的直接信任值，

为服务请求用户u与推荐用户u_r关于对云服务提供商p_k的认可度的关联系数。

进一步的，云服务提供商p的自荐信任值ST_p的计算公式具体如下：

其中，DT_uip表示用户u_i对云服务提供商p的直接信任值参数，n为与云服务提供商p有历史交易的用户数量，u_i表示与云服务提供商p有历史交易的第i个用户，λ为正整数，且λ≠1。

进一步的，服务质量系数ρ的计算公式具体如下：

其中，α为监测质量和体验质量的权重因子，A_QoS＝[PV_p，WV]，PV_p是基于云服务提供商p承诺的SLA参数评分所生成的SLA参数向量，WV是基于服务请求用户u所需的SLA参数评分所生成的权重向量，[PV_p，WV]为PV_p与WV的向量内积；M_QoS＝[PV_a，WV]，PV_α是基于SLA代理α监测到的SLA参数评分所生成的SLA参数向量，[PV_a，WV]为PV_α与WV的向量内积；E_QoS＝[PV_u,WV]，PV_u是基于服务请求用户u体验到的SLA参数评分所生成的SLA参数向量，[PV_u,WV]为PV_u与WV的向量内积。

进一步的，通过服务质量系数ρ判断服务质量是否符合SLA要求，若ρ≥1，则交易成功；若ρ＜1，则交易失败，通过如下公式更新用户u对云服务提供商p的认可度：

其中，

是更新后的用户u对云服务提供商p的认可度，

是更新前用户u对云服务提供商p的认可度，Rel_p为云服务提供商p的信任可靠度，W_suc表示成功更新量，

W_fail为失败更新量，

θ为更新量权重。

进一步的，待选提供商集的获取方法具体如下：

评估服务请求用户u对云服务商集中各云服务提供商p的综合信任值CT_up，将综合信任值CT_up大于综合信任阈值的云服务提供商放入待选提供商集中，没有提供过服务的云服务提供商p则不存在综合信任值CT_up；

检测待选提供商集是否为空集，若检测结果为是，则计算云服务商集中各云服务提供商p的自荐信任值ST_p，将自荐信任值ST_p大于自推荐信任阈值的云服务提供商放入待选提供商集，输出待选提供商集，若检测结果为否，则输出待选提供商集。

本发明中的云环境下基于特性因素和SLA的信任模型具有如下有益效果：1、在考虑用户对提供商综合信任值和自荐信任值的基础上，通过考虑成本偏差，将服务成本作为信任评估的因素之一；2、引入SLA，建立协商监测机制，该机制规定由SLA代理制定SLA标准，以提高交易双方对服务成本和质量的评估准确性，同时要求交易前签订SLA以及要求SLA代理监测服务，以提高恶意实体识别效率；3、根据协议质量、体验质量和监测质量计算服务质量系数，并利用服务质量系数判断交易结果，使交易结果判断更准确；4、依据交易结果更新相关信任数据，提高信任评估准确性，从而提高交易成功率。

附图说明

图1为本发明实施例提供的云环境下基于特性因素和SLA的信任评估方法流程图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

相关定义：

定义1认可度(RD)：认可度表示一个实体对另一实体的认可程度，取值范围是(0,1)。

定义2自荐信任(ST)：自荐信任是指请求用户依据综合信任值未找到最优提供商，且提供商主动向请求用户推荐自己，则根据该提供商全部的历史交易行为评估的信任。

定义3SLA代理：SLA代理是用户和提供商认可的第三方，主要职能是制定SLA标准和监测提供商的服务质量，并以SLA参数向量的形式反馈。

定义4SLA标准：包含用户和提供商应承担的责任和义务，各类服务的SLA参数及其指标等级，由SLA代理制定。

定义5SLA参数：SLA参数将对服务质量的要求具体化，不同类型的云服务对应不同的SLA参数。

定义6SLA参数向量(PV)：将某类服务的SLA参数数值化后存入SLA参数向量，用以体现服务质量。各类型服务都包含多个SLA参数，假设某类型服务有n个SLA参数，其中第i个SLA参数评分为S_Ci，则PV＝(S_C1，S_C,2，...，S_Cn)^T。

定义7需求权重向量(WV)：不同用户对服务的SLA参数要求不同，用户须将需求权重向量在SLA中写明。假设某类型服务有n个SLA参数，用户对该类服务第i个SLA参数的需求权重为W_i，则WV＝(W₁,W₂,...,W_n)，其中W₁+W₂+...+W_n＝1。

定义8服务质量系数(ρ)：由协议质量、监测质量和体验质量计算得出，反映服务质量是否符合SLA要求。签订SLA时，提供商以SLA参数向量的形式承诺服务质量，即协议质量。服务开始至结束，SLA代理监测提供商的服务质量，并以SLA参数向量的形式反馈，即监测质量。用户将体验到的服务质量以SLA参数向量的形式反馈，即体验质量。

筛选出最优提供商后，请求用户使用该提供商的云服务前，须和最优提供商签订SLA，其中规定了云服务的SLA参数需达到的指标，这是衡量服务质量的因素之一。由于用户和提供商对SLA参数标准达成共识，双方对服务成本的估算将更准确、统一。

各类型服务包含多个SLA参数，不同用户对服务的SLA参数的要求不同，请求交易时，用户须将需求权重向量在SLA中写明。签订SLA时，提供商以SLA参数向量的形式承诺服务质量；服务开始至结束，SLA代理监测提供商服务过程中的SLA参数，并将数据以SLA参数向量的形式反馈，同时用户也将体验到的服务质量以SLA参数向量的形式反馈。

根据服务类型的不同，对服务参数的要求也不同。由于用户的差异性，对不同参数的质量需求权重不同。通过对各类型服务的分析，总结各类型服务最重要的SLA参数，如表1所示。

表1 SLA参数

为进一步规范SLA参数衡量的标准，本章将SLA参数的指标数值化，并将SLA参数的指标分为五个等级，如表2所示。

表2 SLA参数的指标等级

本发明提供的环境下基于特性因素和SLA的信任模型，该模型考虑服务质量、成本等特性因素对信任评估的影响，并引入SLA，建立协商监测机制，提高信任评估准确性和恶意实体识别效率。

图1为本发明实施例提供的云环境下基于特性因素和SLA的信任评估方法流程图，该模型具体包括如下步骤：

S1、SLA代理制定SLA标准，首次启用时，云服务提供商在提供商注册中心登记；

云服务提供商在提供商注册中心登记服务类型及SLA参数指标等级上限，基于服务类型确定云服务提供商是否能满足服务请求用户的需求，将满足用户服务请求的云服务提供商放入云服务提供商集合；服务请求用户u提供服务并注明服务要求，包括：服务类型，服务的SLA参数需求权重。

S2、基于服务请求用户u对各云服务提供商的认可度，来评估服务请求用户u对云服务提供商集合中各云服务提供商的综合信任值CT_up，将综合信任值CT_up或自荐信任值ST_p较高的云服务提供商放入待选提供商集，并计算待选提供商集中各提供商的成本偏差，将成本偏差最小的云服务提供商作为最优的云服务提供商；

在本发明实施例中，待选提供商集的获取方法具体如下：

评估服务请求用户u对云服务商集中各云服务提供商的综合信任值CT_up，将综合信任值CT_up大于综合信任阈值的云服务提供商放入待选提供商集中，没有提供过服务的云服务提供商p则不存在综合信任值CT_up；

检测待选提供商集是否为空集，若检测结果为是，则计算云服务商集中各云服务提供商p的自荐信任值ST_p，将自荐信任值ST_p大于自推荐信任阈值的云服务提供商放入待选提供商集，输出待选提供商集，若检测结果为否，则输出待选提供商集。

在本发明实施例中，服务请求用户u对云服务提供商p的综合信任值CT_up的计算公式如下：

其中，DT_up为服务请求用户u对云服务提供商p的直接信任值，RT_up为服务请求用户u对云服务提供商p的推荐信任值，

为权重参数。

在本发明实施方式中，服务请求用户u对云服务提供商p的直接信任值DT_up计算公式具体如下：

DT_up＝RD_up×Rel_p (2)

其中，RD_up为服务请求用户u当前对云服务提供商p的认可度(将公式(10)中的

)，Rel_p表示云服务提供商p的信任可靠度，云服务提供商p的信任可靠度Rel_p通过公式(3)计算：

Rel_p＝F_p(Δt)×Φ_p (3)

其中，F_p(Δt)为云服务提供商p的时间衰减函数，Φ_p为提供商p的历史行为函数，云服务提供商p的时间衰减函数F_p(Δt)通过公式(4)计算：

其中，Δt＝t-t_l，t表示当前时间，t_l表示云服务提供商p最近一次服务的发生时间，T为一个衰减周期，单位为天，云服务提供商p的历史行为函数Φ_p通过公式(5)计算：

Φ_p＝δ(n)*Rate (5)

其中，Rate表示云服务提供商p的历史服务成功率，δ(n)为服务次数函数，其计算公式为δ(n)＝1-e^-n2，n为云服务商提供商p的服务次数。

在本发明实施方式中，用户u对云服务提供商p的推荐信任值RT_up的计算方法具体包括：

假设存在提供商集S_p＝(p₁,p₂,...,p_n)，服务请求用户u和其他m个用户都与集合S_p中全部云服务提供商有过历史交易，则可根据服务请求用户u与这m个用户的关联度计算用户u对提供商集S_p中云服务提供商的推荐信任值，并称这m个用户为推荐用户。

将服务请求用户u对集合S_p中全部云服务提供商的认可度组成向量

称为认可度向量，

表示服务请求用户u对云云服务提供商p_n的认可度；u_r为服务请求用户u的一个推荐用户，u_r对集合S_p中全部云服务提供商的认可度组成向量

称为参考向量，

表示服务请求用户u的推荐用户u_r对云服务提供商p_n的认可度；

关联系数矩阵A如下所示，

其中，

为灰色系统理论中的关联系数，本发明中为服务请求用户u与推荐用户u_r关于对云服务提供商p_k的认可度的关联系数，即

与

的关联系数，遍历集合S_p中全部云服务提供商，即获取

与

的关联系数。通过以下公式(6)计算服务请求用户u对云服务提供商p_k的推荐信任值

其中，

为服务请求用户u的推荐用户u_r对云服务提供商p_k的直接信任值。

在本发明实施方式中，自荐信任值ST_p的计算方法具体如下：

假设与云服务提供商p有历史交易的所有用户有n个，并放入用户集S_u＝(u₁,u₂,...,u_n)，则集合S_u中所有用户对云服务提供商p的直接信任向量为

表示用户u_n对云服务提供商p的直接信任值。

通过以下公式(7)计算云服务提供商p的自荐信任值ST_p：

其中，参数λ的取值范围为λ∈N^*∩λ≠1，参数λ为正整数，且λ≠1。

在本发明实施方式中，云服务提供商的成本偏差Cd(p_price)的计算公式(8)具体如下：

其中，p_price为云服务提供商的服务费用，_mprice为市场价格，即待选提供商集中各云服务提供商提出的服务费用集合，μ和σ为正态分布参数。

S3、服务请求用户u与最优的云服务提供商p签订SLA，进行交易，SLA代理监测服务过程；

S4、根据云服务提供商承诺的协议质量A_QoS、服务请求用户提供的交易体验质量E_QoS和SLA代理提供的监测服务质量M_QoS计算此次交易的服务质量系数ρ，并基于服务质量系数判断此次交易的交易结果，使交易结果判断更准确；

在本发明实施方式中，服务质量系数ρ计算公式(9)具体如下：

其中，α为监测质量和体验质量的权重因子；

A_QoS为云服务提供商承诺的协议质量，且A_QoS＝[PV_p，WV]，PV_p是基于云服务提供商p承诺的SLA参数评分所生成的SLA参数向量，WV是基于服务请求用户u所需的SLA参数评分所生成的权重向量，[PV_p，WV]为PV_p与WV的向量内积；M_QoS为SLA代理提供的监测服务质量，且M_QoS＝[PV_α,WV]，PV_α是基于SLA代理α监测到的SLA参数评分所生成的SLA参数向量，[PV_a，WV]为PV_α与WV的向量内积；E_QoS为服务请求用户提供的交易体验质量，E_QoS＝[PV_u,WV]，PV_u是基于服务请求用户u体验到的SLA参数评分所生成的SLA参数向量，[PV_u,WV]为PV_u与WV的向量内积。

S5、依据交易结果更新服务请求用户u对云服务提供商p的认可度，提高信任评估准确性，其中信任数据更新方法具体包括：

通过服务质量系数ρ判断服务质量是否符合SLA要求，若ρ≥1，说明符合要求，则交易成功；若ρ＜1，说明未达到要求，则交易失败。通过以下公式(10)更新认可度数据：

其中，

是更新后的用户u对云服务提供商p的认可度，

是更新前用户u对云服务提供商p的认可度，Rel_p为云服务提供商p的信任可靠度，W_suc表示成功更新量，计算公式为

W_fail为失败更新量，计算公式为

θ为更新量权重。

本发明中的云环境下基于特性因素和SLA的信任模型具有如下有益效果：

1、在考虑用户对提供商综合信任值和自荐信任值的基础上，通过考虑成本偏差，将服务成本作为信任评估的因素之一，提高了信任评估的准确性；

2、引入SLA，建立协商监测机制，该机制规定由SLA代理制定SLA标准，以提高交易双方对服务成本和质量的评估准确性，同时要求交易前签订SLA以及要求SLA代理监测服务，以提高恶意实体识别效率；

3、根据协议质量、体验质量和监测质量计算服务质量系数，并利用服务质量系数判断交易结果，使交易结果判断更准确；

4、依据交易结果更新相关信任数据，提高信任评估准确性，从而提高交易成功率。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (10)

1.一种云环境下基于特性因素和SLA的信任评估方法，其特征在于，所述方法具体包括如下步骤：

S1、基于服务请求用户u对各云服务提供商的认可度，来评估服务请求用户u对云服务提供商集合中各云服务提供商的综合信任值CT_up；

S2、将综合信任值CT_up或自荐信任值ST_p较高的云服务提供商放入待选提供商集，计算待选提供商集中各云服务提供商的成本偏差，将成本偏差最小的云服务提供商作为最优的云服务提供商；

S3、服务请求用u户与最优云的服务提供商p签订SLA，进行交易，SLA代理监测服务过程；

S4、根据云服务提供商p承诺的协议质量A_QoS、服务请求用户u提供的交易体验质量E_QoS和SLA代理提供的监测服务质量M_QoS计算此次交易的服务质量系数ρ，并基于服务质量系数ρ判断此次交易的交易结果；

S5、依据交易结果更新服务请求用户u对云服务提供商p的认可度。

2.如权利要求1所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，综合信任值CT_up的计算公式具体如下：

其中，DT_up为服务请求用户u对云服务提供商p的直接信任值，RT_up为服务请求用户u对云服务提供商p的推荐信任值，

为权重参数。

3.如权利要求2所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，服务请求用户u对云服务提供商p的直接信任值DT_up的计算公式具体如下：

DT_up＝RD_up×Rel_p

其中，RD_up为服务请求用户u当前对云服务提供商p的认可度，Rel_p表示云服务提供商p的信任可靠度。

4.如权利要求3所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，云服务提供商p的信任可靠度Rel_p的计算公式具体如下：

Rel_p＝F_p(Δt)×Φ_p

其中，F_p(Δt)为云服务提供商p的时间衰减函数，Φ_p为提供商p的历史行为函数。

5.如权利要求4所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，云服务提供商p的时间衰减函数F_p(Δt)通过如下公式进行计算：

其中，Δt＝t-t_l，t表示当前时间，t_l表示云服务提供商p最近一次服务的发生时间，T为一个衰减周期，单位为天；

云服务提供商p的历史行为函数Φ_p如下公式进行计算：

Φ_p＝δ(n)*Rate

其中，Rate表示云服务提供商p的历史服务成功率，δ(n)为服务次数函数，其计算公式为δ(n)＝1-e^-n/2，n为云服务商提供商p的服务次数。

6.如权利要求2所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，服务请求用户u对云服务提供商p_k的推荐信任值RT_upk的计算公式具体如下：

其中，

为服务请求用户u的推荐用户u_r对云服务提供商p_k的直接信任值，

为服务请求用户u与推荐用户u_r关于对云服务提供商p_k的认可度的关联系数。

7.如权利要求1所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，云服务提供商p的自荐信任值ST_p的计算公式具体如下：

其中，DT_uip表示用户u_i对云服务提供商p的直接信任值参数，n为与云服务提供商p有历史交易的用户数量，u_i表示与云服务提供商p有历史交易的第i个用户，λ为正整数，且λ≠1。

8.如权利要求1所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，服务质量系数ρ的计算公式具体如下：

其中，α为监测质量和体验质量的权重因子，A_QoS＝[PV_p，WV]，PV_p是基于云服务提供商p承诺的SLA参数评分所生成的SLA参数向量，WV是基于服务请求用户u所需的SLA参数评分所生成的权重向量，[PV_p，WV]为PV_p与WV的向量内积；M_QoS＝[PV_a，WV]，PV_α是基于SLA代理α监测到的SLA参数评分所生成的SLA参数向量，[PV_a，WV]为PV_α与WV的向量内积；E_QoS＝[PV_u,WV]，PV_u是基于服务请求用户u体验到的SLA参数评分所生成的SLA参数向量，[PV_u,WV]为PV_u与WV的向量内积。

9.如权利要求1所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，通过服务质量系数ρ判断服务质量是否符合SLA要求，若ρ≥1，则交易成功；若ρ＜1，则交易失败，通过如下公式更新用户u对云服务提供商p的认可度：

其中，

是更新后的用户u对云服务提供商p的认可度，

是更新前用户u对云服务提供商p的认可度，Rel_p为云服务提供商p的信任可靠度，W_suc表示成功更新量，

W_fail为失败更新量，

θ为更新量权重。

10.如权利要求1所述云环境下基于特性因素和SLA的信任评估方法，其特征在于，待选提供商集的获取方法具体如下：

评估服务请求用户u对云服务商集中各云服务提供商p的综合信任值CT_up，将综合信任值CT_up大于综合信任阈值的云服务提供商放入待选提供商集中，没有提供过服务的云服务提供商p则不存在综合信任值CT_up；

检测待选提供商集是否为空集，若检测结果为是，则计算云服务商集中各云服务提供商p的自荐信任值ST_p，将自荐信任值ST_p大于自推荐信任阈值的云服务提供商放入待选提供商集，输出待选提供商集，若检测结果为否，则输出待选提供商集。

Images