劉大福1，蘇  旸1，2,，謝洪安1,，楊  凱1，2

　　(1.網(wǎng)絡(luò)與信息安全武警部隊(duì)重點(diǎn)實(shí)驗(yàn)室,，陜西 西安710086,；2.武警工程大學(xué)信息安全研究所，陜西 西安710086)

　　摘  要： 針對(duì)云服務(wù)環(huán)境下的云服務(wù)商和客戶之間缺乏信任建立和評(píng)估手段的問題,，提出了一種基于客戶評(píng)價(jià)的信任模型CETrust,。該模型首先應(yīng)用基于粗糙集理論的屬性約簡算法精簡評(píng)價(jià)數(shù)據(jù)，而后通過評(píng)價(jià)相似度的客戶過濾算法提升計(jì)算精度,。充分考慮客戶的可信性,，將總體評(píng)價(jià)與分項(xiàng)屬性評(píng)價(jià)結(jié)合來計(jì)算評(píng)價(jià)信任度，最后綜合第三方評(píng)估機(jī)構(gòu)的認(rèn)證結(jié)果得出綜合信任度,。實(shí)驗(yàn)仿真結(jié)果表明，與同類技術(shù)相比,，該模型特點(diǎn)是在不損失信任度計(jì)算精確性的條件下減少了計(jì)算量,，能夠有效過濾各類惡意評(píng)價(jià)，得出真實(shí)反映云服務(wù)可信性的綜合評(píng)估結(jié)果,。

　　關(guān)鍵詞： 云服務(wù),；信任模型；評(píng)價(jià)過濾,；屬性約簡

0 引言

　　信任模型可以根據(jù)客戶與云服務(wù)的歷史交互行為和評(píng)價(jià),，使交易雙方能夠了解對(duì)方的可信程度，從而為客戶選擇云服務(wù)提供有價(jià)值的參考,。學(xué)界針對(duì)其他分布式計(jì)算環(huán)境,，如Ad Hoc網(wǎng)絡(luò)[1，2]和P2P網(wǎng)絡(luò)[3,，4]已經(jīng)提出很多有效的信任模型,。這些模型大多建立在對(duì)等條件下，每個(gè)節(jié)點(diǎn)都有自己的信任度,，并且都能夠主動(dòng)發(fā)起與其他節(jié)點(diǎn)的信任度量評(píng)估,。但是在云服務(wù)環(huán)境中的實(shí)體并不是對(duì)等關(guān)系，而是以客戶為主體對(duì)云服務(wù)商進(jìn)行評(píng)價(jià)和選擇,；第三方評(píng)估機(jī)構(gòu)作為認(rèn)證決策者,，其他實(shí)體接受其判斷。因此不能直接使用已有方案對(duì)云服務(wù)環(huán)境下的信任建模,。

　　針對(duì)云服務(wù)環(huán)境實(shí)際情況,，文獻(xiàn)[5，6]通過以監(jiān)督服務(wù)質(zhì)量（Quality of Service，QoS）和服務(wù)等級(jí)協(xié)議（Service Level Agreement,，SLA）為基礎(chǔ)來獲取信任值,，從而建立信任管理模型。但這種方式僅關(guān)注服務(wù)性能,，對(duì)技術(shù)規(guī)格條款的分類模糊,，缺乏對(duì)云服務(wù)安全能力的考慮。TALAL H N[7,，8]等建立了一個(gè)基于信譽(yù)的云服務(wù)信任管理框架CloudArmor,，但是框架中并沒有一個(gè)可信的第三方對(duì)信任值驗(yàn)證提供支持。中國可信云服務(wù)認(rèn)證組織建立了可信云網(wǎng)站(http：//www.kexinyun.org),，網(wǎng)站對(duì)信任管理與第三方認(rèn)證方式結(jié)合的服務(wù)選擇判斷進(jìn)行了初步嘗試,，但其信任管理機(jī)制還很粗糙，難以抵抗各類惡意評(píng)價(jià),。

　　針對(duì)上述不足,，本文建立了基于客戶評(píng)價(jià)的信任模型(Customer Evaluation based Trust Model，CETrust),，通過總體評(píng)價(jià)和分項(xiàng)可信屬性評(píng)價(jià)兩種方式計(jì)算信任度,，根據(jù)第三方評(píng)估機(jī)構(gòu)權(quán)威認(rèn)證綜合評(píng)估信任度。提出性能和功能屬性約簡算法對(duì)計(jì)算的屬性項(xiàng)目進(jìn)行約簡,，減少評(píng)價(jià)冗余和模型計(jì)算量,。通過客戶之間總體評(píng)價(jià)和分項(xiàng)屬性評(píng)價(jià)相似度大小來過濾共謀客戶和惡意客戶的評(píng)價(jià)，提升模型信任度評(píng)估的準(zhǔn)確性,。計(jì)算信任度過程中考慮客戶可信性,，引入信任度增長和懲罰因子，提升模型動(dòng)態(tài)性能和評(píng)價(jià)的綜合性,。

1 CETrust評(píng)價(jià)屬性約簡

　　參考云計(jì)算服務(wù)安全的2個(gè)國家標(biāo)準(zhǔn)[9,，10]，本文將云服務(wù)環(huán)境中的實(shí)體簡化為云服務(wù)客戶(Cloud Service Customer,，CSC),、云服務(wù)提供商(Cloud Service Provider，CSP)和第三方評(píng)估機(jī)構(gòu)(Third Party Assessment Organization,，3PAO),。云服務(wù)的可信屬性分為3類：功能屬性、性能屬性和安全能力屬性,。

　　由于云服務(wù)本身能力與CSC個(gè)體視角不同的原因,，CSC對(duì)云服務(wù)性能屬性和功能屬性的評(píng)價(jià)可能產(chǎn)生不一致、不完整,、不精確的情況,；計(jì)算信任度時(shí)并不是每個(gè)屬性都起決定性作用,，評(píng)價(jià)中可能存在相當(dāng)程度的冗余。因此CETrust基于知識(shí)信息量的屬性約簡算法評(píng)價(jià)屬性進(jìn)行約簡,。

　　CSC對(duì)象集C=(c1,，c2，…,，ci)需要根據(jù)信任度選擇能夠滿足自身個(gè)性化需求的云服務(wù),，每個(gè)云服務(wù)都有性能屬性和功能屬性集合A=(a1，a2,，…,，am)，CSC對(duì)A中的屬性進(jìn)行評(píng)價(jià),，值域?yàn)镈=(D1,，D2，…,，Dn),。這樣CSC對(duì)云服務(wù)的屬性評(píng)價(jià)構(gòu)成一個(gè)信息系統(tǒng)S=(C，A,，D,，f)。

　　定義 1[11]  設(shè)S=(C,，A，D,，f)為一個(gè)信息系統(tǒng),，C為論域，R是A上的等價(jià)關(guān)系族,。如果Q?哿R,，且Q≠?覫，則Q的所有等價(jià)關(guān)系的交也是一個(gè)等價(jià)關(guān)系,，記作IND(Q),。

　　定義 2[11]  設(shè)R是一個(gè)等價(jià)關(guān)系族，r∈R,，如果IND(R)=IND(R-{r}),，則稱r在R中是可被約去的知識(shí)；如果P=R-{r}是獨(dú)立的,，則P是R中的一個(gè)約簡,。

　　定義 3[11]  R中所有不可約去的關(guān)系稱為核，由它構(gòu)成的集合稱為R的核集,，記作CORE(R),。

　　定義4  客戶Cx的屬性評(píng)價(jià)知識(shí)P?哿A，且C_IND(P)=(C1，C2,，…,，Cx)，則知識(shí)P的信息量為：

　　其中表示等價(jià)類Ci在C中的概率,，|Ci|表示集合C的基數(shù),。

　　定義5  屬性ap∈A(1≤p≤m)在A中的重要性為：

　　即a的重要性表示為在A中去掉a后引起信息量變化的大小。

　　假設(shè)R?哿A,，a∈R,，最小約簡中每一個(gè)屬性的權(quán)值表示為Wl=(wl1，wl1,，…,，wlm)，則基于知識(shí)信息量的屬性約簡算法描述如下：

　　輸入：信息系統(tǒng)S=(C,，A,，D，f),；

　　輸出：最小約簡RED(A),，各屬性的權(quán)值。

　　(1)由式(2)循環(huán)計(jì)算核集CORE(R),，若E(a)>0則屬性a標(biāo)記為核屬性,；

　　(2)RED(A)=CORE(R)，若IND(RED(A))=IND(R)則轉(zhuǎn)到步驟(5),，否則進(jìn)入步驟(3),；

　　(3)?坌a∈R-RED(R)，由式(1)計(jì)算每個(gè)屬性的信息量,，并標(biāo)記當(dāng)前重要性最大的屬性ap,；

　　(4)RED(A)=RED(A)∪：{ap}，轉(zhuǎn)到步驟(2),；

　　(5)：輸出最小約簡RED(A),；

　　(6)：輸出。

　　假設(shè)若CSC使用過CSP提供的云服務(wù),，則需要對(duì)其作整體評(píng)價(jià),，并且針對(duì)性能和功能屬性分別作屬性評(píng)價(jià)。參與評(píng)價(jià)的全體客戶記為RC={cp|1≤p≤i},。經(jīng)過屬性約簡后的評(píng)價(jià)矩陣表示為：

2 CETrust客戶評(píng)價(jià)過濾

　　惡意評(píng)價(jià)通常有2種：(1)利用共謀方式夸大或詆毀云服務(wù)信任評(píng)價(jià)以獲取利益的共謀客戶MC(Malicious Consumer)的評(píng)價(jià),，這類評(píng)價(jià)具有明顯的相似性；(2)以不負(fù)責(zé)的行為或報(bào)復(fù)心理進(jìn)行的惡意客戶CC(Collusive Consumer)的評(píng)價(jià),，這類評(píng)價(jià)有很高的隨意性,，與其他正常的評(píng)價(jià)有明顯不同,。

　　假設(shè)云服務(wù)環(huán)境中大部分客戶對(duì)云服務(wù)進(jìn)行符合自身實(shí)際情況的正常的評(píng)價(jià)，小部分客戶進(jìn)行了惡意評(píng)價(jià),。那么,，在第k+1次評(píng)價(jià)中，當(dāng)此客戶的評(píng)價(jià)與其他大部分客戶有一定程度不同時(shí),，客戶的真實(shí)性存疑,。即：

　　其中1≤p≤i，?灼(0<?灼<１)表示可疑評(píng)價(jià)檢測閾值,。評(píng)價(jià)超過閾值的客戶cp被標(biāo)記為可疑客戶SC(Suspicious Consumer),。SC中任意兩個(gè)客戶ce和cf間第k+1次的評(píng)價(jià)相似度為：

　　其中，1≤e≤s,，1≤f≤s,，e≠f。越高,，客戶就越可能是MC,，設(shè)共謀客戶閾值為?字(0<?字<1)；越低,，客戶越可能是CC,，設(shè)惡意客戶閾值為?啄(0<?啄<?字<1)。

　　使用基于評(píng)價(jià)相似度的客戶過濾算法過濾惡意評(píng)價(jià),，具體如下：

　　輸入：可疑客戶集SC,，評(píng)價(jià)矩陣E；

　　輸出：MC和CC的數(shù)量,。

　　(1)由式(5)計(jì)算任意兩個(gè)客戶ce和cf間第k+1次的評(píng)價(jià)相似度,；

　　(2)構(gòu)建模糊圖SG=(V，E)的最大生成樹,，V表示頂點(diǎn)集，每一個(gè)頂點(diǎn)代表一個(gè)客戶,，E表示無向邊集,，邊的權(quán)重為評(píng)價(jià)相似度，標(biāo)記所有頂點(diǎn)為SC,；

　　(3)減去≤≤字的邊,；

　　(4)標(biāo)記聚集起來>字的頂點(diǎn)為CC，標(biāo)記分散人<的頂點(diǎn)為MC,；

　　(5)分別輸出MC和CC的標(biāo)記數(shù)量,。

3 CETrust信任度計(jì)算

　　3.1 評(píng)價(jià)信任度計(jì)算

　　在第k+1輪評(píng)價(jià)中分項(xiàng)屬性ac的信任度為：

　　在第k+1輪評(píng)價(jià)中OE信任度為：

　　在第k+1輪評(píng)價(jià)后，分項(xiàng)屬性ac的信任度為：

　　其中,，

　　在第k+1輪評(píng)價(jià)后,，OE的信任度為：

　　其中,，

　　為信任值增長因子，為信任值懲罰因子,，和設(shè)為0.5,。

　　在第k+1輪評(píng)價(jià)后，由分項(xiàng)屬性ac聚合的信任度為：

　　最后驗(yàn)證<5%,，認(rèn)為客戶的總體評(píng)價(jià)和分項(xiàng)的屬性評(píng)價(jià)能夠相互印證,，取值為：

　　3.2 綜合信任度評(píng)估

　　由CSC的評(píng)價(jià)計(jì)算出性能屬性和功能屬性的信任度后，需要和3PAO對(duì)安全能力屬性的認(rèn)證評(píng)估綜合,，從而得到對(duì)云服務(wù)的完整的綜合信任度,。綜合信任度與云服務(wù)編號(hào)組成信譽(yù)表Table(CSnum，TDcs),。綜合信任度評(píng)估方法為：

　　其中,，As取值為1或0，當(dāng)TDcs≥1時(shí),，表示云服務(wù)經(jīng)過3PA0的評(píng)估認(rèn)證,；當(dāng)TDcs<1時(shí)，表示沒有經(jīng)過3PA0的評(píng)估認(rèn)證,，其信任度由其他CSC的評(píng)價(jià)計(jì)算而出,。CSC如果對(duì)安全能力有要求，則應(yīng)當(dāng)從綜合信任度大于1的云服務(wù)中進(jìn)行選擇,；如果CSC對(duì)安全能力沒有要求,，則可以考慮其他客戶評(píng)價(jià)計(jì)算出的信任度。

4 實(shí)驗(yàn)仿真與分析

　　采用NetLogo5.2平臺(tái)對(duì)云服務(wù)信任模型進(jìn)行實(shí)驗(yàn)仿真,。假設(shè)某云服務(wù)的性能和功能屬性共10項(xiàng),，評(píng)價(jià)等級(jí)劃分為D=(D1，D2,，D3,，D4，D5),，即滿意,、較滿意、一般,、不滿意,、差，量化為1,、0.75,、0.5、0.25,、0,。RC總數(shù)設(shè)置為1 000人,，評(píng)價(jià)次數(shù)設(shè)置為50次。進(jìn)行評(píng)價(jià)的客戶設(shè)置為3類,，分別是：正?？蛻鬘C共850人，共謀客戶CC共100人,，惡意客戶MC共50人,。各參數(shù)設(shè)置為：=0.50，=0.85,，=0.20,，=0.60，=0.90,。

　　4.1 惡意評(píng)價(jià)過濾

　　圖1顯示CETrust在50次評(píng)價(jià)中檢測出的SC,、CC和MC的數(shù)量，基本穩(wěn)定后平均值為SC=211,、CC=103,、MC=52。由于不同客戶對(duì)同一云服務(wù)的各項(xiàng)性能和功能屬性主觀體驗(yàn)各不相同但大體一致,，因此模型對(duì)客戶類型的檢測數(shù)量會(huì)不斷波動(dòng),，但平均數(shù)趨于一致。SC,、CC,、MC檢測結(jié)果略大于實(shí)驗(yàn)設(shè)置的標(biāo)準(zhǔn)值（5%左右）。實(shí)際是以提升誤檢率為代價(jià)減少漏檢率的,，目的是提升模型抵抗惡意評(píng)價(jià)的能力,。

　　4.2 屬性約減后的信任度

　　圖2中CAR和CAR-RE分別表示不進(jìn)行屬性約減和進(jìn)行屬性約減兩種情況得到的信任度曲線。CAR和CAR-RE曲線總體保持一致,，在第50輪時(shí)信任度都穩(wěn)定在0.69,。說明CETrust在進(jìn)行屬性約簡后沒有損失信息系統(tǒng)的信息，在減小計(jì)算量的同時(shí)保持了與屬性約簡前的計(jì)算準(zhǔn)確度,。CR曲線表示客戶的總體評(píng)價(jià)得到的信任度,，由于評(píng)價(jià)尺度粒度較粗，不同客戶的不同評(píng)價(jià)標(biāo)準(zhǔn)使用總體評(píng)價(jià)CR和分項(xiàng)屬性評(píng)價(jià)CAR(CAR-RE)信任度有6%左右的偏差,。

　　4.3 Eigen-Trust與CETrust的信任度

　　將Eigen-Trust模型[12]作為基準(zhǔn)與CETrust的總體和分項(xiàng)屬性評(píng)價(jià)聚合計(jì)算出的信任度TD進(jìn)行對(duì)比。設(shè)置兩個(gè)模型的初始信任度都為0.5,。圖3中CETrust信任度穩(wěn)定在0.70,，Eigen-Trust信任度平均值為0.79。由于Eigen-Trust僅將服務(wù)質(zhì)量作為評(píng)價(jià)時(shí)信任度計(jì)算的指標(biāo),，因此在計(jì)算信任度時(shí)對(duì)惡意評(píng)價(jià)的過濾效果不夠好,，導(dǎo)致其信任度在計(jì)算時(shí)受到不負(fù)責(zé)任的評(píng)價(jià)影響的會(huì)有較大波動(dòng),，受到共謀的夸大影響使可信度計(jì)算結(jié)果偏高。

5 結(jié)論

　　本文提出了一種云服務(wù)環(huán)境下基于客戶評(píng)價(jià)的信任模型,，結(jié)合粗糙集理論確定分項(xiàng)屬性權(quán)重,，基于知識(shí)信息量的屬性約簡算法減少分項(xiàng)屬性信任度的計(jì)算量，使用基于評(píng)價(jià)相似過濾算法去除惡意評(píng)價(jià)影響,，最后通過第三方機(jī)構(gòu)的認(rèn)證評(píng)估結(jié)果得到了能夠真實(shí)準(zhǔn)確反應(yīng)客戶評(píng)價(jià)的綜合信任度,。仿真與分析結(jié)果表明，該模型能夠通過標(biāo)識(shí)共謀客戶和惡意客戶方法,，有效應(yīng)對(duì)各類惡意評(píng)價(jià),，在不損失信任度計(jì)算精確性的條件下減少了計(jì)算量，為當(dāng)前云服務(wù)信任度評(píng)估和云服務(wù)選擇提供了一種有效方法,。

　　參考文獻(xiàn)

　　[1] 田春岐,，黃震華，鄒仕洪.構(gòu)建自組網(wǎng)絡(luò)中基于興趣群組的激勵(lì)機(jī)制[J].電子學(xué)報(bào),，2015,，43(12)：2466-2469.

　　[2] RAVINDRA J M，DADASO T M.TRAODV：Trusted and robust adhoc on demand distance vector routing in MANET [J].International Journal of Computer Science and Information Technologies,，2015,，6(3)：2342-234.

　　[3] KANG X，WU Y.A trust-based pollution attack prevention scheme in peer-to-peer streaming networks[J].Computer Networks,，2014,，72(7)：62-73.

　　[4] 陳衛(wèi)東，李敏強(qiáng),，趙慶展.基于P2P環(huán)境下的Web服務(wù)選擇信任模型研究[J].計(jì)算機(jī)科學(xué),，2015，42(1)：113-118.

　　[5] ALHAMAD M,，DILLON T,CHANG E.SLA-based trust model for cloud computing[C].NBIS：Proceedings of 13th International Conference on Network-Based Information Systems,，IEEE，2010：321-324.

　　[6] QU C,，BUYYA R.A cloud trust evaluation system using hierarchical fuzzy inference system for service selection[C].Proceedings of IEEE 28th International Conference on Advanced Information Networking and Applications,，IEEE，2014：850-857.

　　[7] TALAL H N,，QUAN Z S,，NGU A H，et al.CloudArmor：supporting reputation-based trust management for cloud services[J].IEEE Transactions on Parallel and Distributed,，2016,，27(2)：367-380.

　　[8] TALAL H N，QUAN Z,，ZEADALLY S,，et al.Trust management of services in cloud environments：obstacles and solutions[J].ACM Computing Surveys,，2013，46(1)：28-36.

　　[9] 全國信息安全標(biāo)準(zhǔn)化技術(shù)委員會(huì).GB/T 31168-2014信息安全技術(shù)云計(jì)算服務(wù)安全指南[S].北京：中國標(biāo)準(zhǔn)出版社,，2014.

　　[10] 全國信息安全標(biāo)準(zhǔn)化技術(shù)委員會(huì).GB/T 31167-2014信息安全技術(shù)云計(jì)算服務(wù)安全能力要求[S].北京：中國標(biāo)準(zhǔn)出版社,，2014.

　　[11] 王國胤，姚一豫,，于洪.粗糙集理論與應(yīng)用研究綜述[J].計(jì)算機(jī)學(xué)報(bào),，2009，32(7)：1229-1246.

　　[12] SEPANDAR D K,，MARIO T S,，HECTOR G M.The EigenTrust algorithm for reputation management in P2P networks[C].Proceedings of the 12th Int'l Conf.on World Wide Web.Budapest：ACM Press，2003：640-651.