基于行为和反馈的云环境下信任计算

沙特国王大学学报云环境下基于行为和反馈的信任计算青芥属穆贾瓦尔·阿·洛凯什·B.巴占特里ba计算机工程系，Ramrao Adik技术学院，Nerul，Navi Mumbai，Maharashtra，印度b印度卡纳塔克邦巴加尔科特Baskhwar工程学院信息科学与工程系阿提奇莱因福奥文章历史记录：收到2020年2020年12月3日修订2020年12月5日接受2020年12月11日网上发售保留字：云计算信任行为信任与反馈信任A B S T R A C T云计算已经成为一个有前途的范例，提供不同的计算资源和服务，在互联网上的需求。云用户必须依赖第三方服务提供商来访问服务。随着可用云服务的增加，选择合适的云服务提供商来安全地提供服务对用户来说总是具有挑战性的。在云计算环境中，信任度量在选择合适的服务提供商来处理用户请求时起着重要的作用。因此，在选择云服务提供商交付服务之前评估其可信度已成为云环境中的重要要求。本文提出了一种基于云服务提供商的行为和用户反馈的云服务提供商可信度评估方法各种服务质量属性被考虑用于计算行为信任值。来自服务级别协议的不同参数用于维护反馈并计算服务提供商的反馈信任值。通过计算累积信任来判断云服务提供商的可信度，累积信任是使用行为信任和反馈信任计算的。此外，该模型包括一个机制来判断用户提交的反馈的一致性。将该方法与基于证据的信任模型和增强的基于QoS的模型进行比较，以评估该方法在准确性和效率方面的性能©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍云计算引入了计算即服务的范式。在云计算的帮助下，用户可以通过互联网获得不同的计算资源。云计算的主要优势包括降低运营成本、无限的能力、高度可扩展性、更少的维护等。因此，许多组织和个人用户已经开始迅速采用云计算。因此，大量数据存储在云环境中。它基本上是使用别人的软件使用别人的硬件使用别人的平台（Tabassum等人，2017年）。云环境中的主要实体是云服务提供商（CSP）和云用户*通讯作者。电子邮件地址：tabbu3002@gmail.com（T.N.Mujawar）。沙特国王大学负责同行审查（CU）。CU可以从云平台请求和消耗不同的计算云服务完全由CSP管理CSP将负责提供所有必要的支持，以向用户提供所需的资源或服务。尽管云计算提供了如此多的好处，但仍存在一些需要解决的挑战。最大的挑战是存储在云中的数据的安全性问题。数据暴露在共享环境中，用户在一定程度上失去了对数据的控制。用户必须依赖服务提供商来确保数据的安全性。用户和组织不能完全信任第三方服务提供商。因此，不愿意普遍接受云计算的主要原因是与用户和云服务提供商之间的信任相关的问题（Wu，2018）。信任问题的出现是因为用户无法控制数据，并且云消费者和提供商之间没有透明度（Kanwal等人，2015年）。因此，用户不希望将他们的私人或敏感信息存储在云环境中。因此，在云用户和云提供商之间建立信任的问题越来越受到研究人员的关注。一些研究人员已经考虑将信任度量纳入传统方法中，并将其应用于云环境。信托https://doi.org/10.1016/j.jksuci.2020.12.0031319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comT.N. Mujawar和L.B. 巴占特里沙特国王大学学报4957管理机制可以用于在云用户和云环境之间建立信任。信任管理系统可以帮助识别恶意或受损的服务提供商。此外，有必要判断云用户的可信度。本文提出了一种基于行为和反馈的信任计算方案（BFTCS）来评估云环境下CSP的可信度。如前所述，CSP完全负责向CU提供云服务。因此，在云环境中，有必要确保服务仅由受信任的CSP交付。所提出的方法考虑的两种类型的信任措施是行为信任和反馈信任。本文提出了一个信任计算模型，根据CSP的行为和云用户对服务的反馈来判断CSP的可信性。与服务质量（QoS）相关的属性在CSP的行为评估中起着重要作用。不同的QoS特征，如吞吐量、可用性、成功率、响应时间等，用于评估行为信任。基于诸如用户满意度、可靠性、完整性、成本和机密性之类的参数来考虑关于云服务的反馈。这些参数是云用户和CSP之间服务级别协议履行的指示。云用户可以根据服务的交付方式以及特定服务是否遵守协议中提到的参数来提交反馈。在获得反馈信任时，有必要确定错误反馈的影响，并且需要某种机制来检测这种反馈。因此，在这项工作中，基于协方差的方法用于检测云环境中的错误反馈。使用过去计算的信任值和协方差系数的值来确定当前反馈是否是真实的。在反馈信任计算过程中消除了虚假反馈。该方法通过计算信任度的累积值来确定CSP的信任度，并且在一定的时间间隔后，信任度值会在信任数据库中更新，因此，在信任计算过程中将考虑最近的行为和反馈。该信任级别将用于判断CSP的可信度，并保证向云用户安全地提供服务。在拟议的工作中，主要贡献如下：提出的BFTCS方法动态评估云环境中CSP的累积信任，通过使用不同的因素。通过考虑各种QoS属性来计算CSP的行为信任的方法。提出了根据服务水平协议中为了优先考虑的属性，层次分析法（AHP）和动态自适应方法被用来计算权重，决定属性之间的优先级。提出了利用历史信任和协方差方法判断用户反馈真实性的方法。本文的其余部分是作为第2节简要介绍了文献调查，涵盖了一些现有的信任计算模型的云计算。第3节中演示了所提出的基于行为和反馈的信任计算方案（BFTCS）以及计算CSP累积信任值的算法。第四部分简要介绍了实验结果。最后，在第5节中给出了结论2. 相关工作本节深入回顾了文献中用于评估云环境中信任的方法。在云环境中评估信任的方法，包括消除意见领袖的影响和巨魔实体的影响，在（Matin和Nima，2016）中提出。信任评估中涉及的各种参数是可用性、可靠性、身份、完整性和能力。本文提出了一种识别巨魔实体和意见领袖的方法。在评估信任值时，这些实体的影响被去除，因此所提出的方法比其他模型具有更好的准确性。基于QoS属性和处理请求的速度的信任模型在（Atoosa和Mostafa，2015）中给出。该模型选择可信源来提供云服务。信任值是通过考虑各种属性来计算的，例如交付服务所花费的时间、成本、处理器速度和实现所需的时间。将资源信任度与实现速度相结合，评估云资源的周转信任度。信任模型还利用层次分析过程，同时在云环境中选择最合适、可靠和可信的资源。基于博弈论方法的信任模型在（Gokulnath和Rhymend，2015）中提出。此模型的主要目标是在引导加载级别正确识别可信资源。采用博弈论方法来识别用户和资源的可信度。该模型通过使用风险参数和适当地将资源映射到用户，提供了比其他类似模型更好的效率。在（Udaykumar和Latha，2017）中给出的工作提出了基于云证明协议的信任模型。该模型通过度量服务的完整性来发现云服务提供商提供的可信服务。诸如响应时间、成功的服务初始化、成功的服务完成等的各种度量，用来衡量服务。在计算信任值时，利用层次分析法计算的不同权重。 该模型的主要特点是加入了认证协议，通过对信任值的再次检验来保证认证的正确性。在（Christian et al.，2016年）。该方法还结合了博弈论的方法，以及模糊推理理论。通过应用模糊推理以分布式方式选择存储服务，然后利用博弈论方法在所有可用的提供商中选择讲真话的服务提供商。由于采用了分布式的存储方式，该方法降低了存储服务的成本.在（Li et al.，2016年a）。该方法应用了模糊理论。偏好信任机制用于评估云环境中提供的服务。选择不同的云服务属性，并应用模糊评价理论计算信任度。该方法采用动态需求，比现有的同类信任模型更有效.对允许用户使用云资源渲染文件的云渲染场服务进行排名的方法在（Annette等人，2016年）。该方法采用层次分析法和一个简单的加法加权法来分配服务的排名。不同的QoS属性被认为是排名的服务，包括成本，上传时间，弹性，响应时间和可用性。●●●●●T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4958在（Nirnay et al.，2015年）。提出的框架用于在云环境中选择可信任的云服务提供商。它结合可信度和能力来评估CSP的信任价值。为了判断服务提供商的可信度，直接的互动，并考虑反馈。在（Li etal.，2016年b）。该模型基于信任证据、时间和场景等多个因素。这些因素通过服务评级、电话、认证和监控收集。同时，提出了恶意评分的检测方法.在评估过程中所需的权重是根据用户的偏好计算的。每个服务的评估进行使用的信任证据和获得的权重。在（Fan et al.，2015年）。在该方法中，基于用户的反馈评级来计算基于信誉和感知的信任。基于感知的信任是使用活跃用户与云服务的直接交互来评估的。基于信誉的信任基于其他用户的交互来计算。因此，最终的信任值包含当前用户用于云服务的信任量化的基于模糊评估的模型在（Huo等人，2015年）。在这里，云用户可以基于其在云环境中的行为来选择服务。应用层服务和基础设施层服务被考虑用于评估信任值。根据不同的服务类型的参数被认为是信任评估。参数包括存储容量、吞吐量、带宽、执行时间、可用时间等。信任指标采用基于一致性强度的模糊方法生成。基于合规性监控的云服务提供商信任评估框架见（Jagpreet和Sarbjeet，2017）。该框架采用改进的TOPSIS法计算信任值。该框架通过观察不同的QoS特征来计算服务提供者的可信度，并使用改进的TOPSIS方法将可信度分为五个不同的级别。在（Shilpa和Rajesh，2018）中提出了一种基于证据的信任估计模型（EBTEM），该模型使用不同的云服务属性来计算信任。该模型是动态的，因为它使用了一个自适应的方法进行信任评估。该方法利用云服务不同属性的证据来计算云服务当前的信任值。该信任模型采用自适应权重计算方法，考虑了云服务行为的变化。在信任值评估过程中考虑的云服务属性包括吞吐量、可用性、响应时间和安全性。该模型在准确性方面优于其他类似的信任模型和执行时间。该模型可以进一步改进，考虑不同的用户的QoS需求。信任管理中间件（TMM）框架来判断云服务的可信度在（Mukalel和Sridhar，2019）中给出。该框架包括基于协方差的用户反馈评估算法和基于QoS参数的信任评估算法。通过考虑用户偏好对不同的QoS属性进行优先级排序，并对云服务的信任值进行评估。在（Challagidad和Birje，2020）中提出了动态多维信任评估方法。该方法评估云服务提供商和云用户的可信度。 不同的QoS属性被认为是计算服务提供商的可信度。用于判断信任度的技术云提供商的评估方法包括改进的TOPSIS法、网络分析法（ANP）和Minkowski距离。在（Hala et al.，2020），其计算服务提供商的累积信任值。基于服务提供商的QoS属性和用户评级来基于协方差的方法被用来检测错误的反馈，并从信任计算过程中消除这种反馈在推荐、信誉和直接交互的基础上计算综合信任的信任评估模型在（Yubiao et al.，2019年）的报告。本文采用层次分析法计算推荐信任度的权重，并采用灰色关联分析法度量推荐信任度的相似度在（Yiqin et al.，2019年）的报告。直接信任通过与节点的交互来计算，推荐用于计算间接信任。并运用奖惩机制保证质量服务和提高准确性。文献调查中提出的方法有一定的局限性。存在一些考虑QoS属性的信任模型，但它们本质上是静态的。虽然在文献中提出了动态信任评估模型，进一步提高准确性和效率。此外，还需要建立一个包含安全措施所有方面的信任模型。在基于推荐的模型的情况下，需要解决恶意推荐的影响。其他的局限性包括缺乏信任参数获取和复杂的信任评估方法。另外，现有的信任管理模型考虑用户的行为参数来决定用户的访问权限。而且，现有的方案大多考虑用户的信任，而不是系统本身的信任。由于云环境是动态的，信任评估的过程也应该是动态的。因此，需要一个更强大的和动态的信任计算模型来判断服务提供者的可信度，在传统的模型中引入信任度量。为了解决这些问题，BFTCS被提出，它是一种动态的信任计算方法，结合行为和反馈属性来计算CSP的信任值。该方法考虑了相关的QoS属性，以适当地展示CSP的行为该方法还考虑了用户对任何服务的反馈，因为反馈在信任计算中也起着关键作用。因此，从服务水平协议的适当参数被用来计算反馈信任。云环境中的性能监控模块维护有关所有QoS属性的详细信息，并帮助维护任何服务提供商的最近行为。此外，最近的反馈是真实的，被认为是计算反馈信任。这确保了信任计算是动态进行的，并排除了错误的反馈。所提出的方法进行了比较，与现有的两种方法作为EBTEM和增强的基于QoS的模型，以评估其性能相对于不同的指标。以下部分将详细介绍所提出的信任计算方法3. 基于行为和反馈的信任计算方案在本节中，描述了基于行为和反馈的信任计算方案（BFTCS）的系统架构、用于计算行为信任、反馈信任和累积信任的算法。并给出了用户反馈验证的详细过程。提出的BFTCS方法的重要组成部分是云用户（CU）、云服务提供商（CSP）、云节点（CN）和信任计算T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4959模块（TCM）。协调单位利用由CN通过特定的CSP提供的各种服务。所提出的方法的主要目标是确保服务由可信资源或服务提供商交付给CU。因此，TCM的责任将是在向CU提供服务之前评估特定CSP的信任值。云环境下CSP的信任评估通过行为信任和反馈信任的计算来实现。行为信任表示CSP在向CU提供服务时的行为。它是根据各种展示CSP行为的QoS参数。这些参数包括可用性、诚实性、响应时间、吞吐量等。这些属性值在与特定CSP的不同交互期间由性能监视系统监视和记录。为了判断任何CSP的可信度，考虑用户给出的反馈同样重要。反馈信任表示用户对特定CSP提供的服务的意见。呈现反馈的不同参数包括用户满意度、提供的安全措施、可靠性、服务成本等。这些参数用于计算反馈信任。为了判断用户提交的反馈是否真实，提出了一种基于协方差相关性和历史信任度的反馈验证方法。最后，计算表示云环境中CSP的可信度的累积信任值。建议的系统架构与所有重要的COM-在图1中描绘了ponents。拟议系统架构的每个组成部分说明如下：1. 云用户（CU）：多个用户可以从云环境中请求不同的2. 云节点（CN）：所请求的服务将通过特定的云节点交付，并且所有节点都由CSP管理。3. 云服务提供商（CSP）：CSP管理云环境中的不同节点。CSP负责选择合适的服务来满足用户4. 云管理器（CM）：云用户的请求将由CM处理。CM与信任计算模块相关联地计算特定CSP的累积信任5. 信任计算模块（TCM）：TCM应用BFTCS并计算CSP的信任值。它由以下组件组成：信任管理器（TM）：TM计算特定CSP的信任值。信任的计算是在反馈参数和行为参数的基础上进行反馈收集器（FC）：负责维护CSP的反馈属性并定期更新。反馈验证（FV）：负责测试反馈的真实性。如果反馈是合法的，则仅考虑用于信任计算，否则将其丢弃。行为控制器（BL）：它维护所有行为属性并定期更新它们。信任知识库（Trust Knowledge Base，TKB）：这是一个知识库，存储计算的信任值，并在需要时从中访问。所有CSP的信任值也会在特定时间间隔后更新。基于累积信任的值，确定特定CSP的可信度水平累积信任值将在[0-1]的范围内如果信任值低于预定限制值，则特定CSP将被认为是不可信的，并且该CSP的信任级别被标记为低。的Fig. 1. BFTCS的系统架构●●●●●T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4960PBT[i]¼累积信任值用于将CSP分类为可信的和不可信的或中等的。值得信赖的CSP的信任值可以在[0.8-1.0]的范围内，并且信任级别将很高。类似地，对于不受信任的CSP，范围设置为[0.0-0.4]。具有范围[0.4-0.8]中的信任值的以下子部分表示关于每种信任类型的计算的细节，行为、反馈和累积信任。3.1. 行为信任信任的计算涉及到各种QoS参数，如诚实性、可用性、可靠性、安全性、成本等。在亲-为了对属性进行优先级排序，将权重分配给所有属性。权重的计算采用层次分析法（AHP）。层次分析法是处理多属性决策问题的一种常用方法。为了开发每个属性的权重，根据所有属性的优先级，即，构造响应时间、吞吐量、可用性和成功率。该矩阵用于查找每个属性相对于其他属性的比较优先级层次分析法提供的规模，其范围从同等优先到非常优先，建立属性之间的排名提出的行为信任计算（BTC）算法演示了计算权重和行为信任的整个过程。表1中给出了拟议工作中使用的符号。提出的模型，行为信任计算的基础上，响应时间、吞吐量、可用性和成功率等属性。这些属性的值由性能监视系统在性能日志中维护。这些值在特定时间间隔后更新，以便捕获最近的行为。所有先前交互[0到t-1]的特定属性的平均值在特定时间“t”被考虑。如下所述，针对上述属性计算评估矩阵ba11ba 12· ·····：ba 1n算法1：行为信任计算（BTC）输入：Ab：{a1，a2，an};BA’:Normalized输出量：........................................{BT {bt1，bt2，btm};操作步骤：开始BA<$ba 21ba 22· ·····：：ba2n bam 1bam 2·· ····：：bamnð1Þ步骤1.考虑“AB”中所有属性的相关性这里但是。属性的值处于不同的范围或区间内，也具有不同的度量尺度。因此，有必要将这些值归一化到一些特定的区间。通过应用最小值-最大值方法将属性规范化为范围[0-1的归一化和归一化的评价矩阵计算，并表示为方程。（二）、b011b012· ··· ··：b01n步骤2.对于i = 0到n，步骤2.1.初始化t = 1.0;步骤2.2.对于j = 0到n//计算行乘;步骤2.2.1.将行中的每个元素相乘t = t*CR[i][j]端步骤2.3.将计算值存储在矩阵中，m[i]= t;b021b022·· · ·· ·：：b02nb0m1b0m2· · ·· ··：：b0mn表1符号。符号描述行为属性反馈属性行为属性的权重反馈属性CRnxn“n”属性的成对比较矩阵反馈属性的FAnxm反馈属性的FAð2Þ端步骤3. int sum = 0;对于i = 0到n//计算n次方根步骤3.1.生成矩阵m中每个元素的n次根为nroot[i] = pow（m[i]，（1/n））步骤3.2计算第n次根的和为; sum = sum + nroot [i];端步骤4：对于i = 0到n//计算权重步骤4.1为Ab中的每个属性生成权重，公式为，n [i] =nroot[i]/sum;端步骤5：对于i = 0到m步骤5.1.计算CSPi的行为信任，行为属性的BAmxn行为属性BT行为信任值的BAFT反馈信任值CT累积信任值t行乘法值m1xn行乘法值nj¼0端端wb<$j]ωBA0<$i]<$j]nroot1xn nth rootsum n次根sn个交互作用的特定属性值的总和avgn个交互的特定属性的平均值v差异四.差异的影响sumIV方差影响总和F_CU当前用户反馈PF_CSP CSP过去的反馈SI相似性指数所提出的算法1的功能描述如下：步骤1：BTC算法利用AHP方法计算属性的权重。第一步是计算成对比较矩阵CR. AHP方法具有[1-9]的预定义标度，以提供属性之间的排名。如果存在属性之间的相对重要性CR1x 1CR1x 2·· ·CR 1xncov协方差SD标准差用于SI计算的l协方差相关系数CRnxn¼CR 2x 1CR 2x 2·· ·CR 2x1CRnx 1CRnx 2·· ·CRnxnð3ÞT.N. Mujawar和L.B. 巴占特里沙特国王大学学报4961T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4962YXPX.¼P0[i]<$wf<$j]ωFA<$i]<$j]步骤2：计算行中每个元素的乘法nm½i]<$m½i] ωCR½i]½j]4第1页第三步：计算上一步计算值的n次方根，可以表示为：nroot<$i]<$m<$i]1=n5然后计算第n次根的和为：L总金额：1/1第4步：通过将前面步骤中计算的平均值归一化来计算权重wb½i]<$nroot½i]=sum7为了计算反馈信任，必须为每个属性分配权重。在所提出的模型中，（Shilpa和Rajesh，2018）中提出的自适应方法用于权重计算。根据自适应方法，权重计算的基础上测量值的属性的偏差。因此，所提出的反馈信任计算方法利用的权重，这是分配的基础上在特定的时间间隔内的属性值的变化。反馈信任计算（FTC）算法演示了自适应权值计算和反馈信任计算的过程算法2：反馈信任计算（FTC）输入：Af {a1，a2，am};FA输出量：其中，ni1wb½i]¼1wf {wf1，wf2，wfm};步骤5：在该步骤中，通过计算属性值的加权和来计算行为信任考虑在云环境中存在“n”个CSP，并且针对行为考虑“m”个行为信任BT_CSPi或CSPi被计算为：nBTCSPiwb½j] ωB A½i]½j]ð8Þ第1页3.2. 反馈信任度在该模型中，用户对特定CSP提供的服务的反馈被认为是反馈信任的计算反馈考虑的属性包括用户满意度、可靠性、完整性、成本和保密性。用户满意度表示用户是否对CSP提供的服务感到满意术语可靠性表示在提供服务时是否术语完整性表示CSP在交付服务时是否保持完整性。cost属性表示用户是否对CSP产生的成本感到满意机密性属性是根据是否提供机密性措施来衡量的每个参数的值根据用户是否已按照协议获得服务而设置为0或1。设Af = {f1，f2，fm }是“m”的集合，参数反馈。用户反馈将记录为：FT {ft1，ft2，ftc};操作步骤：开始步骤1：对于i = 0至m，步骤1.1 s = 0.0;步骤1.2 v = 0.0;第1.3步：sumIV = 0.0;步骤1.4对于j = 0到n;//生成属性值的总和;步骤1.4.1计算属性值的总和;s = s + FA'[j][i];端步骤1.5计算属性值的平均值，avg = s/n步骤1.6对于j = 0到n//生成方差步骤1.6.1计算方差;v = v + pow（（端步骤1.7对于j = 0到n;步骤1.7.1计算方差影响;IV[j]= 1/（v+（1/n））端步骤1.8对于j = 0至n//IV的总和步骤1.8.1 sumIV = sumIV + IV[j]端端步骤2：对于i = 0到m//计算权重步骤2.1为每个属性生成权重，wf[i]= IVfi1用户满意0用户不满意对于所有i = 1到m。反馈评价矩阵FAð9Þ对于[i]/sumIV端步骤3：对于i = 0到c;步骤3.1.计算CSPi; FT的NXM‘mj¼0端f11f 12······：f 1mFAnxm¼f 21f22·····：：f 2mfn1fn2·····：：fnmð10Þ端所有这些属性的值通过取特定时间间隔“t”处的先前“n”个相互作用的平均值来考虑通过应用最小值-最大值归一化方法，将值在范围[0-1]内归一化。反馈属性的归一化评价矩阵如下所示f011f012·· · ·· ·：f01m考虑存在下面讨论FTC算法2的详细过程步骤1：在该步骤中，计算属性（attri）的变化影响（IV）为此，计算每个属性的方差和平均值。变化的影响计算如下：FA0nxm¼f021f022·· · ·· ·：：f02mð11ÞIV½attri]¼ 11=n12f0n1f0n2·· ·· · ·：：f0nmnj¼1vij-Avgi2.PT.N. Mujawar和L.B. 巴占特里沙特国王大学学报49631/1XXX0.01m-1Puf-ufωpf-pf1/4m-1CTCSPi这里，考虑用户与CSP的不同交互的反馈来计算权重。步骤2：使用如下所示的影响变化来计算属性的权重（attriwfi¼IV½attri]=Xm第四节半attr i]第13节考虑存在F_CU表示Uj的当前反馈，PF_CSPi表示CSPj的过去反馈。历史信任度（HT）通过取过去“n”次交互中收到的反馈的平均值计算P¼其中， Pm wf½i]¼1HTi¼1nð16 Þ步骤3：在该步骤中，计算CSP的反馈信任。考虑在云环境中存在“n”个CSP，并且考虑“m”个CSPi的反馈信任FT_CSPi被计算为：MFTCSPi¼wf<$j] ωF A0<$i]<$j]14第1页有时，用户可能会给出关于任何CSP的错误反馈。因此，有必要确定给定的反馈是否其中，0CTCSPi0表示CSPi的累积信任。该历史信任值用于计算相似性指数，使用该相似性指数将验证反馈的真实性。下面讨论UFV算法3的详细过程步骤1：在该步骤中，在针对PF_CSPi的过去反馈中针对最后电流反馈由“U j”表示过去的反馈计算为：是不是假的当前反馈和先前m n计算任何CSP的提交反馈以确定这两个反馈值如何彼此相关。利用协方差计算反馈系数，以判断特定反馈是否与先前提交的反馈相关。只有当相关系数的值大于零时，才考虑特定反馈并将其存储在反馈库中。否则，信号-PF CSPI¼ftK17mmJ¼1K¼ 1其中，然后，协方差计算为：Pm .uf-uf后被丢弃。计算相似性指数，以决定是否该部分-[医]小儿麻痹症ð18 Þ通过结合相关系数和历史信任度来考虑用户的反馈是否用于未来信任度的计算。历史信任值用于此目的，它是任何CSP的平均信任值相似性指数计算如下：SI<$aωl1-aωHT15在哪里，0l0 是相关系数t，HT表示历史信任，a表示权重参数。算法3表示用于验证反馈的过程。第二步：在下一步中，通过使用标准差和协方差来计算相关系数。这里，SD1表示当前用户反馈的标准偏差，SD2是过去反馈的标准偏差。l¼covuf;pf=SD1ωSD2 19步骤3：如果010的值大于零，则计算相似性指数（SI），否则丢弃反馈SI<$aωl1-aωHT 20其中，算法3：用户反馈验证（UFV）输入：F_CU {uf1，uf2，ufm};PF_CSP {pf1，pf2，pfm};HT历史信托输出量：相似性指数操作步骤：开始步骤1：计算协方差M[医]复律i¼1i我我我步骤2：计算相关系数l¼covuf;pf=SD1ωSD 2步骤3：如果l>0，则步骤3.1S1/2aω 1-aωHT其他3.2丢弃用户反馈第4步：如果SI大于0.5步骤4.1将反馈存储在存储库中步骤4.2丢弃用户反馈步骤4：在该步骤中，基于SI的值来做出关于反馈的一致性的决定。如果它高于预定义阈值，则将反馈存储在储存库中，否则丢弃反馈为SI设置的阈值为0.5。这一部分给出了行为信任和反馈信任的计算算法以及反馈的验证算法。下一个任务是计算CSP的累积信任，它代表CSP的可信度计算CSP累积信任的算法CTC将在下一节中演示。3.3. 累积信任计算累积信任用于表示任何CSP的最终信任值。通过行为信任和反馈信任计算累积信任。所有属性的必要权重都是通过使用前面部分中描述的过程生成的。 基于分配给所考虑的属性的权重来计算反馈信任和行为信任。累积信任表示CSP是可信的、不可信的还是适度的。算法4表示累积信任的计算过程。端nT.N. Mujawar和L.B. 巴占特里沙特国王大学学报4964≥≥算法4：累积信任计算（CTC）输入Ab：行为属性列表{a1，a2，an}Af：反馈属性列表{b1，b2，bn}BA’: Normalized behavioral attribute values forCT：m个CSP的信任值，{ct1，ct2，ctm}信任级别：为每个CSP {tl1，tl2，tln}程序开始步骤1：初始化权重为w1 = 0.5和w2 = 0.5步骤2：计算CSP的行为信任，BT = BTC（Ab，步骤3：计算CSP的反馈信任，FT = FTC（Af，步骤4：对于i = 0到m步骤4.1.计算节点的累积信任，CT[i] = w1*BT[i] +w2*FT[i]//检查信任阈值步骤4.2.如果CT[i] 0.4步骤4.2.1.将信任级别分配为，TrustLevel[i] = un可信否则，如果CT[i] 0.4且CT[i] 0.8步骤4.2.2.将信任级别分配为，TrustLevel[i] = mo减额否则，如果CT[i] 0.8步骤4.2.3.将信任级别分配为，TrustLevel[i] = trustedEnd If步骤4.3更新信任数据库中节点的信任值。端端在计算可信度的同时。ii）通过应用诸如AHP和基于变化影响的动态方法等适当的方法来计算权重以分配所有考虑的属性的相对重要性。iv）所考虑的QoS和SLA参数与展示关于CSP的行为和反馈更相关，因此所提出的模型可以以更准确的方式计算任何CSP的可信度，并帮助选择合适的CSP来提供云服务。4. 仿真结果BFTCS的原型是使用CloudSim仿真器实现的，最低硬件配置为Core i3处理器和4 GB RAM。不同的信任值是使用第3节中指定的算法计算的。CSP的累积信任值通过模拟云环境来计算。云环境包括CU、CM和CSP。CU的请求由CM接收，CM又计算CSP的可信度，然后将请求转发给CSP。CSP管理云节点以向CU提供所需的服务。通过改变交互次数、CU数和CSP数来考虑不同的场景，并计算CSP的可信度本节将讨论模拟结果。为了演示仿真结果，考虑了所有行为和反馈属性的不同值。实时数据集（Zhang等人，2011）的响应时间和吞吐量被认为是在拟议的工作。为剩余属性创建合成数据集，即，服务的可用性、诚实性、用户满意度、安全措施、可靠性和成本。关于所提供服务的质量和在CU中，CSP可以被分类为可信和不可信或中等。CSP的信任值范围为[0-1]。值得信任的CSP的信任值总是大于0.8。不受信任CSP的信任阈值为0.4。温和的CSP将信任值在[0.4-0.8]范围内。图图2-4表示CSP在不同时间间隔相对于该算法调用了反馈信任和行为信任的计算方法。考虑到在云环境中存在CTCSPi¼w1ωBTCSPiw2ωFTCSPi21其中，w1 + w2 = 1这里，“BT_CSP i”是行为信任值，并且“FT_CSP i”是“CS P i”的反馈信任值。 本文提出的方法在云环境中CSP的行为和反馈同等重要。因此，行为信任和反馈信任即w1 = w2 = 0.5。累积信任值将位于[0-1.0]的范围内在计算累积信任值后，将根据预定义的标准为每个CSP分配适当的信任级别。信任级别可以是不可信、中等或可信。如果累积信任值大于0.8，则信任级别将被信任。如果它位于[0.4-0.8]范围内，则水平将是中等的。如果累积信任值低于0.4，则信任级别将设置为低。因此，该模型使用动态自适应方法和基于AHP的方法来计算权重。然后，CSP的可信性进行评估，通过计算累积信任，其中包括行为信任反馈的信任值。该模型的优点是：（1）该模型同时考虑了反馈和行为行为信任、反馈信任和累积信任。通过改变CSP的数量，在不同的时间间隔进行不同的实验。每种类型的CSP的可信度。可以观察到，BFTCS可以产生图二. 行为信任方面的CSP的可信度。T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4965图三. CSP在反馈信任方面的可信度。图五. CSP的行为信任、反馈信任和累积信任的可信度。见图4。 CSP在累积信任方面的可信度。可信、不可信和适度CSP的信任值的适当分布。对于每种类型的CSP，可信度都在适当的范围内，并且随着CSP数量的增加，可信度的值在不同的时间间隔内都会降低。通过改变云环境中CSP的数量，CSP的整体可信度如图5所示。CSP的数量在[100-1000]的范围内变化从图5中可以观察到，随着环境中CSP的数量增加，可信度的值逐渐降低。通过取所有CSP的所有信任值的平均值来计算可信度值。反馈、行为和累积信任的值也在类似的时间间隔内变化。因此，我们可以说，所提出的方法计算的信任值在一个适当的方式。在实施BFTCS时，同样重视行为和反馈。因此，分配给两者的权重信任类型为w1 = w2 = 0.5。其中，通过改变这些权重进行不同的实验，观察其对可信度的影响。三个不同的实验通过改变权重值来进行。在实验1中，所考虑的权重为w1 = w2 = 0.5，而在实验2中，权重的值设置为w1 = 0.6和w2 = 0.4。最后，在实验3中，权重值被设置为w1 = 0.7和w2 = 0.3。不同数字的可信度的CSP为每个实验中表示图。 六、与反馈信任相比，行为信任的权重在实验2和实验3中有所增加。可以观察到，与实验1相比，实验2和3的可信度值都较小。因此，所提出的BFTCS使用的方法是适当的，通过分配相等的权重给两种类型的信任，它给出了适当的分布的信任度值的所有CSP。为了计算行为信任，不同的权重被分配给QoS属性。通过改变这些权重来进行不同的实验考虑的权重矩阵见图6。通过改变行为信任和反馈信任的权重来评估CSP的可信度。T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4966通过第一个实验是：Wb ={0.099，0.044，0.591，和0.264}，这是由BFTCS使用。该矩阵分别表示响应时间、吞吐量、可用性和成功率的权重。考虑的另外两个权重矩阵是Wb ={0.2，0.1，0.5，0.2}和Wb ={0.3，0.1，0.2，0.4}。对行为信任和累积信任的价值观的影响如图所示。7和8对于实验2和实验3，可信度的值都在逐渐下降。BFTCS赋予了更多的权重的可用性属性，这是在实验2和3的情况下较少。但是可信度的价值降低了，所以它会更好利用实验1的重量。为了评估性能，将所提出的模型与现有的EBTEM（Shilpa和Rajesh，2018）和增强的基于QoS的模型（Hala等人，2020年）。第一个比较是在信任计算方法的准确性方面。信任计算模型必须准确地评估可信度，以保证可信CSP及时、安全地提供服务。如果没有正确评估可信度，那么这将对系统的整体性能造成影响。准确度以标准误差来衡量。标准误差计算如下：SE¼sd=pn22这里，标准误差的比较如图9所示。从图9可以观察到，与EBTEM和基于增强QoS的模型相比，BFTCS的标准误差较小。标准误差越小，表示精度越高。因此，BFTCS提供了比现有方法更好的准确性。虽然交互的数量增加，BFTCS的标准误差值总是小于现有的工作。因此，对于大量的交互，所提出的方法也有效地工作。只有当CSP的信任级别为高或中等时，才会通过CSP将服务交付给用户。图10中示出了BFTCS和EBTEM以及基于增强QoS的模型的CSP和云用户之间的有效交互的比较。随着交互次数的增加，BFTCS、EBTEM和增强型QoS模型的成功交互次数逐渐减少。但是，与现有模型相比，所提出的模型具有更高的成功率。 这意味着该模型以适当的方式计算可信度，并且对用户的服务可用性也有很好的影响。图7.第一次会议。通过改变QoS属性的权重来确定CSP的行为信任图8.第八条。通过改变QoS属性的权重的CSP的累积信任见图9。不同方法的标准误差与迭代次数。图10个。成功互动的百分比比较图图11示出了所提出的BFTCS模型与现有的EBTEM和基于增强QoS的模型所需的执行时间的比较。可以观察到，T.N. Mujawar和L.B. 巴占特里沙特国王大学学报4967表2建议方法的比较。性能参数BFTCS（拟议）EBTEM（Shilpa和Rajesh，2018）增强的QoS（Hala等人， 2