張永勝,樊悅芹,鄭志華,李能能

1(山東師范大學(xué) 信息科學(xué)與工程學(xué)院,濟(jì)南 250014) 2(山東師范大學(xué) 山東省分布式計(jì)算機(jī)軟件新技術(shù)重點(diǎn)實(shí)驗(yàn)室,濟(jì)南 250014)

1 引 言

近年來,隨著云計(jì)算技術(shù)的迅速發(fā)展,云服務(wù)應(yīng)用技術(shù)逐漸成熟,在國內(nèi)外業(yè)界取得了廣泛認(rèn)同.云服務(wù)的出現(xiàn)為商業(yè)模式與計(jì)算模型帶來了新的發(fā)展方向,許多大型企業(yè)開始由傳統(tǒng)業(yè)務(wù)服務(wù)向云服務(wù)轉(zhuǎn)型,創(chuàng)建企業(yè)云,建立獨(dú)立的數(shù)據(jù)中心.以云服務(wù)的形式為用戶提供存儲(chǔ)、計(jì)算資源已經(jīng)變成一種發(fā)展趨勢(shì).面對(duì)如此眾多功能特性相似,非功能特性不同的服務(wù),人們?cè)谠品?wù)選擇方面容易感到無所適從.如何在眾多的云服務(wù)提供商中為用戶選擇最佳服務(wù)解決方案,實(shí)現(xiàn)用戶與服務(wù)提供商的有效交互,已經(jīng)成為研究者熱切關(guān)注的問題.

服務(wù)屬性分為功能屬性與非功能屬性兩部分,功能屬性描述具體服務(wù)功能,非功能屬性描述服務(wù)的執(zhí)行特性,例如,完成時(shí)間,可靠性,執(zhí)行速度,費(fèi)用等.在功能屬性相同的情況下,這些非功能特性直接影響該服務(wù)的服務(wù)質(zhì)量(Quality of Service,QoS),QoS已經(jīng)成為計(jì)算機(jī)領(lǐng)域的研究熱點(diǎn)之一[1-5].隨著云計(jì)算商業(yè)模式的不斷推廣,服務(wù)提供商將會(huì)為用戶提供更多功能屬性相同但QoS不同的海量服務(wù).本文的主要研究問題是,如何對(duì)海量服務(wù)進(jìn)行篩選,以及對(duì)不同的用戶進(jìn)行服務(wù)推薦.文獻(xiàn)[6]提出基于多代理器的解決策略,利用代理器、消費(fèi)者和服務(wù)提供商之間的交互過程,收集管理主體的信任關(guān)系.文獻(xiàn)[7]提出了基于雙層的信譽(yù)系統(tǒng),但當(dāng)用戶反饋信息不一致時(shí),很難確定誰是虛假反饋.Liu等人[8]提出了基于環(huán)境感知的服務(wù)推薦方法,更好的符合用戶需求,使QoS預(yù)測(cè)精確度大大提高.文獻(xiàn)[9]提出了一種基于粗糙集理論的服務(wù)匹配方法,通過為用戶建立基于服務(wù)質(zhì)量屬性的分類規(guī)則,為用戶選擇對(duì)應(yīng)匹配的服務(wù).

本文基于現(xiàn)有的服務(wù)選擇研究基礎(chǔ)展開進(jìn)一步研究,研究發(fā)現(xiàn),過去的研究一般通過服務(wù)的信譽(yù)情況評(píng)價(jià)服務(wù)的好壞程度,容易忽略服務(wù)穩(wěn)定性在服務(wù)選擇中所起的作用.本文對(duì)服務(wù)的穩(wěn)定性進(jìn)行定量計(jì)算,分析了穩(wěn)定性在服務(wù)信譽(yù)評(píng)價(jià)中所起到的重要作用,并且對(duì)虛假用戶信息的過濾方法進(jìn)行進(jìn)一步分析,提出一種完成虛假信息過濾的方法,進(jìn)而對(duì)傳統(tǒng)相似度計(jì)算方法進(jìn)行改進(jìn),優(yōu)化服務(wù)推薦過程,提高交互的成功率.

2 服務(wù)穩(wěn)定性與可信評(píng)價(jià)分析

2.1 服務(wù)的穩(wěn)定性判斷

通過對(duì)用戶反饋信息進(jìn)行處理,過濾掉用戶惡意評(píng)價(jià),使用戶的反饋評(píng)價(jià)可以正確的反應(yīng)服務(wù)質(zhì)量水平.通常情況下,服務(wù)信譽(yù)度計(jì)算主要受兩方面因素影響,一方面是受用戶的主觀評(píng)價(jià)影響,由于主觀評(píng)價(jià)因用戶個(gè)人喜好不同而不一致,所獲取的用戶對(duì)服務(wù)各項(xiàng)QoS指標(biāo)的主觀評(píng)價(jià)會(huì)有一定的偏差.另一方面,系統(tǒng)根據(jù)服務(wù)運(yùn)行日志對(duì)QoS的各項(xiàng)指標(biāo)進(jìn)行檢測(cè)分析,為用戶服務(wù)選擇提供的參考數(shù)據(jù)也會(huì)影響服務(wù)的信譽(yù).研究發(fā)現(xiàn),單純的QoS值計(jì)算分析無法正確反映服務(wù)性能的優(yōu)劣.對(duì)于用戶而言,服務(wù)的穩(wěn)定性相對(duì)于計(jì)算得出的QoS參數(shù)值同樣具有參考價(jià)值.下面舉例說明服務(wù)穩(wěn)定性的重要性.

選取兩個(gè)功能特性相似的云服務(wù)S1和S2,以響應(yīng)時(shí)間為例,分別對(duì)服務(wù)的運(yùn)行日志進(jìn)行一定的隨機(jī)讀取,服務(wù)水平能呈現(xiàn)動(dòng)態(tài)變化,這種動(dòng)態(tài)變化由運(yùn)行日志中的相應(yīng)參數(shù)數(shù)據(jù)表現(xiàn)出來.由于待分析數(shù)據(jù)量龐大,隨機(jī)選取不同時(shí)刻同一服務(wù)功能的6個(gè)響應(yīng)時(shí)間數(shù)據(jù)做為分析對(duì)象,響應(yīng)時(shí)間情況見表1.

表1 服務(wù)運(yùn)行記錄對(duì)比
Table 1 Contrast of the service operation

時(shí) 刻服務(wù)S1服務(wù)S2T11334T21737T35935T44734T51435T65333Aver33．834．6

為了研究服務(wù)的穩(wěn)定性,引入逆向云算法[10],將云服務(wù)的穩(wěn)定性由定性的問題轉(zhuǎn)換為定量數(shù)值求解的問題.云模型已經(jīng)成為衡量服務(wù)穩(wěn)定性很好的一種方法,可以簡化表示為Clod(QoS)=(Ex,En).主要由2個(gè)數(shù)字特征值的含義分別為,Ex表示QoS屬性的期望值,主要反映QoS的服務(wù)質(zhì)量的平均水平.En稱為熵,反應(yīng)穩(wěn)定性情況.下面給出這2個(gè)數(shù)字特征值的計(jì)算過程:

針對(duì)租房市場(chǎng)出現(xiàn)的亂象，多地監(jiān)管部門采取了行動(dòng)。7月份以來，已有北京、上海、深圳、南京和西安等20余個(gè)城市出臺(tái)住房租賃新政，通過用地保障、增加房源投入、規(guī)范“租金貸”及其他住房租賃交易服務(wù)等舉措，促進(jìn)住房租賃市場(chǎng)健康發(fā)展。

熵值表示可度量粒度的大小,即不確定程度的定性表示.熵值越大,云滴的離散程度越大,則云服務(wù)的不確定性越高,以表1中的數(shù)據(jù)S1{13,17,59,47,14,53},S2{34,37,35,34,35,33}為例,計(jì)算S1熵值為24,S2熵值為1.17,由此可見,S1的服務(wù)數(shù)據(jù)熵值明顯高于S2的服務(wù)數(shù)據(jù)熵值,S1的服務(wù)參數(shù)不穩(wěn)定性較高,數(shù)據(jù)的離散程度較大.借助熵值計(jì)算公式對(duì)服務(wù)的穩(wěn)定性做定量分析,可以幫助用戶尋找到服務(wù)性能穩(wěn)定的服務(wù),排除不確定性較高的服務(wù).

2.2 虛假用戶評(píng)價(jià)甄別

用戶進(jìn)行不實(shí)評(píng)價(jià)的行為對(duì)服務(wù)可信度計(jì)算造成惡劣的影響,直接影響服務(wù)信譽(yù)評(píng)估,不利于云服務(wù)市場(chǎng)的良性競爭.本文就這一問題提出一種利用二維空間距離判別用戶評(píng)價(jià)是否真實(shí)的方法.該方法充分考慮用戶做出評(píng)價(jià)時(shí)系統(tǒng)所處的上下文環(huán)境,接近的上下文環(huán)境下用戶所做的評(píng)價(jià)才有比較價(jià)值.由于上下文環(huán)境很難定量的表示,而同一時(shí)間段內(nèi),上下文環(huán)境幾乎沒有發(fā)生變化,將用戶的反饋評(píng)價(jià)與時(shí)間變量構(gòu)建二維空間.每位用戶表示為二維空間中的一個(gè)點(diǎn),在二維空間中只能確定唯一位置.因此,不同用戶之間的反饋相似度(Feedback similarity)可以通過計(jì)算用戶之間的幾何距離來確定,距離越近的用戶之間反饋相似度越高,距離與用戶的反饋相似度成負(fù)相關(guān)關(guān)系.

圖1 用戶評(píng)價(jià)散點(diǎn)圖Fig.1 Scatter diagram of user evaluation

如圖1所示,隨機(jī)選取了服務(wù)Si在時(shí)間10s～25s之間的部分用戶評(píng)價(jià),由圖可以清晰看到點(diǎn)α,β,γ,η四個(gè)點(diǎn)距離相似時(shí)間下其他的服務(wù)評(píng)價(jià)距離較遠(yuǎn),這些點(diǎn)在對(duì)應(yīng)時(shí)間段內(nèi)與可信評(píng)價(jià)之間的距離超過判定真實(shí)評(píng)價(jià)的最大距離值,將這些點(diǎn)作為虛假用戶評(píng)價(jià)處理.

以用戶A與用戶B為例,為兩位用戶構(gòu)建以用戶評(píng)價(jià)與時(shí)間為坐標(biāo)軸向量的二維空間,計(jì)算兩用戶之間的反饋相似度公式如下:

(1)

在上述反饋相似度的計(jì)算過程中,不難發(fā)現(xiàn),Rn的大小將直接影響評(píng)價(jià)相似度的可信程度,Rn值越大,表示用戶A與用戶B之間共同使用過的服務(wù)數(shù)目越多,相似度越高.在本文中,Rn>=w,w表示共同服務(wù)個(gè)數(shù)的最小閾值,低于最小閾值w,則Rn的值設(shè)為0處理.

(2)

vqA表示A用戶虛擬反饋的計(jì)算結(jié)果,qi表示其他用戶對(duì)同一服務(wù)的評(píng)價(jià),并且根據(jù)與A用戶的評(píng)價(jià)相似度分配相應(yīng)權(quán)重,最后取其他用戶評(píng)價(jià)反饋相似度的平均值作為該用戶的虛擬反饋結(jié)果.

在計(jì)算虛擬反饋值之前,首先對(duì)k的取值做出分析,如果k<σ,表明只有極少數(shù)的用戶評(píng)價(jià)過該服務(wù),此服務(wù)稱為待定服務(wù).對(duì)于這類服務(wù),用虛擬反饋值判斷用戶是否進(jìn)行真實(shí)服務(wù)評(píng)價(jià)并不準(zhǔn)確,計(jì)算虛擬評(píng)價(jià)的價(jià)值較小;當(dāng)k>=σ時(shí),參與使用該服務(wù)的用戶已經(jīng)到達(dá)一定數(shù)量.將得出的虛擬反饋結(jié)果與實(shí)際反饋結(jié)果相比較,根據(jù)兩者的差異度對(duì)差異度高的反饋結(jié)果做出處理.σ為k的最小閾值.

(3)

采用這種計(jì)算方式,可以將異常的惡意反饋評(píng)價(jià)進(jìn)行有效過濾,進(jìn)一步保證反饋結(jié)果的準(zhǔn)確性.這種方式的不足是有些個(gè)別情況不能適用,大多數(shù)云服務(wù)的服務(wù)水平是平緩變化的,則應(yīng)用這種反饋結(jié)果篩選機(jī)制是切實(shí)有效的.但也存在云服務(wù)提供商硬件設(shè)施更換或者其他原因,服務(wù)能力可能發(fā)生大幅度提高或者下降的現(xiàn)象,則這種反饋計(jì)算方式將無法正確反應(yīng)實(shí)際的服務(wù)水平.對(duì)于這種情況,將進(jìn)行如下處理:當(dāng)反饋結(jié)果為Vq的頻率達(dá)到一定程度時(shí),立即采用可信用戶體驗(yàn)的方式,重新確定Vq的值.應(yīng)用這種反饋評(píng)價(jià)管理方法可以有效的阻止有組織、大范圍的惡意反饋,使用戶反饋評(píng)價(jià)正確地反應(yīng)實(shí)際的服務(wù)能力.

通過上述方法得出用戶服務(wù)虛擬評(píng)價(jià)的反饋結(jié)果,但只限于篩選出虛假用戶評(píng)價(jià),通過這種方式可以將虛假用戶評(píng)價(jià)對(duì)服務(wù)信譽(yù)的影響有效的降低.對(duì)于用戶的反饋評(píng)價(jià),可以作為服務(wù)的信譽(yù)參考,但不是唯一標(biāo)準(zhǔn),服務(wù)的穩(wěn)定性對(duì)服務(wù)選擇同樣發(fā)揮著重要得影響,2.1已對(duì)服務(wù)穩(wěn)定性在服務(wù)評(píng)價(jià)中所起到的作用進(jìn)行了詳細(xì)分析,下面將提出一種考慮穩(wěn)定性與可信評(píng)價(jià)的服務(wù)推薦方法.

3 服務(wù)推薦網(wǎng)絡(luò)

隨著候選服務(wù)數(shù)量的增加,服務(wù)選擇難度隨之增大,服務(wù)推薦已經(jīng)成為服務(wù)選擇中不可避免的環(huán)節(jié)之一.考慮到不同用戶具有不同的興趣愛好與知識(shí)背景,本文提出了一種考慮服務(wù)信譽(yù)值與服務(wù)穩(wěn)定性的有效推薦方法,為用戶選出對(duì)事物認(rèn)知與評(píng)價(jià)水平相同或相似的用戶群體,綜合這類用戶的評(píng)價(jià)進(jìn)行服務(wù)推薦結(jié)果預(yù)測(cè),得到可靠且具有較高參考價(jià)值的推薦結(jié)果.

經(jīng)過分析發(fā)現(xiàn),服務(wù)穩(wěn)定性對(duì)服務(wù)選擇同樣起到重要的作用,傳統(tǒng)的基于用戶評(píng)價(jià)的反饋相似度推薦算法已經(jīng)不再適用.計(jì)算推薦服務(wù)相似度,需要考慮用戶偏好的相似性,并且分析不同服務(wù)屬性在推薦相似度度量中所產(chǎn)生的不同影響,結(jié)合2.1中相似度計(jì)算方法對(duì)傳統(tǒng)的推薦方法進(jìn)行進(jìn)一步的改進(jìn),提出了一種基于服務(wù)信譽(yù)值與服務(wù)穩(wěn)定性的有效推薦方法.

3.1 計(jì)算相似度方法

將計(jì)算主體分為服務(wù)提供商主體S={s1,s2,s3,…,sn};用戶主體U={u1,u2,u3,…,um}.其中,服務(wù)提供商主體數(shù)量為n,用戶主體數(shù)量為m.用戶對(duì)服務(wù)的評(píng)價(jià)可以用一個(gè)n*m的矩陣表示;用戶與服務(wù)的多維屬性組成n*y的矩陣,如果用戶未對(duì)該服務(wù)進(jìn)行使用,則該矩陣的行值都為0.用戶ui對(duì)服務(wù)sα的第k項(xiàng)QoS屬性評(píng)價(jià)可以表示為Ri,α,k.用戶ui與用戶uj共同使用過的服務(wù)集合表示為Si,j.用戶ui與用戶uj的相似度Sim(i,j)用皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient,PCC)度量公式進(jìn)行計(jì)算:

(4)

S(m,n)是用戶i與用戶j使用服務(wù)的交集,| S(m,n)|的值越大,代表相似度的可信度越高.在計(jì)算相似度過程中,充分考慮了服務(wù)的信譽(yù)度屬性與頻率屬性.由公式(4)可知,信譽(yù)度屬性,操作頻率屬性與用戶相似度成反比(花費(fèi)屬性同樣是反比,在此不再一一列舉).例如,用戶α與用戶β同時(shí)調(diào)用了服務(wù)S1,由于S1是費(fèi)用屬性高,使用頻率高,信譽(yù)良好的服務(wù),用戶對(duì)S1的反饋結(jié)果普遍良好.對(duì)于服務(wù)S1相似的信譽(yù)評(píng)價(jià)不能夠有力證明兩個(gè)用戶的相似度高.但對(duì)于用戶使用頻率一般或者較低的服務(wù)Sa,Sa屬于集合Sm,n,則比較能夠證明目標(biāo)用戶ui與用戶uj之間有相同的喜好,并且用戶的選擇相似度高.因此,服務(wù)的信譽(yù)與使用頻率對(duì)相似度計(jì)算成負(fù)相關(guān)關(guān)系.

以上的相似度計(jì)算過程中,考慮各屬性之間的相似性并注意分配不同的權(quán)重,更加貼近用戶的個(gè)人偏好,但同樣沒有考慮用戶是否處于相似的上下文操作環(huán)境,也就要求保證用戶發(fā)生的交互行為發(fā)生在相近的時(shí)間段內(nèi).只有在相近的時(shí)間段內(nèi),用戶做出相似性高的服務(wù)評(píng)價(jià)才存在參考價(jià)值.因此,在進(jìn)行相似度計(jì)算之前,需要確定推薦用戶與目標(biāo)用戶之間的時(shí)間-評(píng)價(jià)二維空間之間的距離控制在合理范圍之內(nèi).這樣做既可以減少不必要的相似度計(jì)算步驟,縮小計(jì)算范圍,節(jié)約計(jì)算時(shí)間,又可以提高推薦的準(zhǔn)確度,使推薦結(jié)果更加可信.

3.2 分析推薦網(wǎng)絡(luò)

在推薦理論的相關(guān)研究中,主要分為直接推薦與間接推薦兩種推薦方式.由于相似度高的用戶并不一定使用過目標(biāo)用戶所選擇的服務(wù),這時(shí),采用間接推薦方式;如果相似度高的用戶與目標(biāo)服務(wù)發(fā)生過直接交互行為,則采用直接推薦方式.

服務(wù)推薦網(wǎng)絡(luò)中將參與主體分為兩類,一類是用戶實(shí)體,一類是待推薦實(shí)體.將參與主體抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn),假設(shè)用戶C1使用過目標(biāo)用戶C2將要選擇的服務(wù)S1,那么在服務(wù)選擇網(wǎng)絡(luò)中,存在C1→C2的一條邊,其中Ci∈C,C表示與目標(biāo)用戶相似度較高的可信用戶實(shí)體集合.邊的權(quán)值為weight(C1,C2),表示為C1對(duì)C2的推薦值.權(quán)值的大小確定問題將在下文給出具體的計(jì)算步驟.

圖2 推薦網(wǎng)絡(luò)模型圖Fig.2 Recommended network model

由于在進(jìn)行推薦計(jì)算之前,已經(jīng)對(duì)用戶評(píng)價(jià)進(jìn)行了過濾操作,所有評(píng)價(jià)都為可信評(píng)價(jià),得到的對(duì)應(yīng)推薦結(jié)果都是真實(shí)可靠的.直接推薦是指推薦者將目標(biāo)服務(wù)的評(píng)價(jià)結(jié)果推薦給目標(biāo)用戶,這時(shí)引入采納度的概念.采納度顧名思義,就是目標(biāo)用戶對(duì)推薦用戶推薦結(jié)果的采納程度.本文借鑒Beta模型中的Beta概率密度函數(shù)對(duì)服務(wù)采納度進(jìn)行求解,進(jìn)而對(duì)用戶之間的推薦記錄進(jìn)行分析,預(yù)測(cè).其中,用戶ui為目標(biāo)用戶,用戶uj為推薦用戶,uj對(duì)ui進(jìn)行推薦的成功次數(shù)為pi,j,推薦之后不被采納的次數(shù)為ni,j.則用戶ui對(duì)用戶uj的推薦采納度可表示為:

(5)

其中x為事件被采納的概率,ξ為gamma函數(shù),0

(6)

直接推薦步驟相對(duì)簡單,由用戶相似度與用戶的采納度共同計(jì)算得出影響權(quán)重,權(quán)重越大,則對(duì)推薦結(jié)果的影響越大,用戶采取推薦的可能性越大.以圖2為例計(jì)算公式如下:

(7)

通過公式(7),可以計(jì)算出服務(wù)s對(duì)于的用戶a推薦值,僅能在用戶a的top-k個(gè)相似度用戶都與服務(wù)s發(fā)生過直接交互時(shí),可以通過公式(7)計(jì)算推薦值.通過計(jì)算不同用戶的權(quán)重值在總的權(quán)重值中所占的比例,決定該用戶的評(píng)價(jià)對(duì)推薦結(jié)果所起到的影響.

以圖2為例,對(duì)存在間接推薦的過程進(jìn)行分析.首先選取目標(biāo)用戶的相似度top-k個(gè)用戶組成推薦用戶集合.集合中存在α個(gè)用戶可以進(jìn)行直接推薦,有k-α個(gè)用戶進(jìn)行間接推薦.間接推薦路徑表示為,R8→R7→R1,R1為目標(biāo)用戶,R7為相似度top-k用戶,由于R7并未與目標(biāo)用戶的意向服務(wù)發(fā)生過直接交互,無法給出直接推薦結(jié)果,而R8為R7的相似度top-k用戶,并與意向服務(wù)發(fā)生過直接交互,因此,R8將服務(wù)反饋值推薦給R7,再由R7推薦給R1,通過推薦傳遞計(jì)算,得出最終的推薦結(jié)果.

(8)

(9)

在計(jì)算過程中,將用戶a的top-k相似用戶集合分為兩類推薦用戶,與服務(wù)s發(fā)生過直接交互的用戶群體稱為α類用戶,與服務(wù)s未發(fā)生直接交互的用戶群體稱為β類用戶,β類用戶的top-k相似用戶集合β′中存在與服務(wù)s發(fā)生交互的用戶.設(shè)α類用戶的個(gè)數(shù)為x,β類用戶的人數(shù)為y,通過公式(8),將直接推薦值與間接推薦值進(jìn)行綜合計(jì)算,選取推薦結(jié)果的均值得出最終的推薦結(jié)果.通過公式(9),將β′類用戶的推薦值賦值給β類用戶.

4 仿真實(shí)驗(yàn)

為了測(cè)試考慮穩(wěn)定性與可信評(píng)價(jià)的服務(wù)推薦網(wǎng)絡(luò)相關(guān)特性,本文選取文中提出的3個(gè)模塊進(jìn)行實(shí)驗(yàn)仿真,并對(duì)仿真結(jié)果進(jìn)行分析.實(shí)驗(yàn)采用墨爾本大學(xué)開發(fā)的云仿真平臺(tái)CloudSim[11]進(jìn)行仿真實(shí)驗(yàn),軟硬件環(huán)境為Pentium Dual 2.4GHz,2.0GB RAM,Windows 10,MATLAB R2012A,Java 1.8.

實(shí)驗(yàn)1.用戶惡意評(píng)價(jià)過濾效果實(shí)驗(yàn).實(shí)驗(yàn)中,用戶數(shù)量為1000名,分為A,B兩組用戶各500人.A組用戶進(jìn)行積極惡意反饋,B組用戶進(jìn)行消極惡意反饋.參與本試驗(yàn)的云服務(wù)提供商服務(wù)水平相對(duì)穩(wěn)定,服務(wù)的實(shí)際水平由Z函數(shù)表示(較理想狀態(tài)).實(shí)驗(yàn)中,服務(wù)能力由服務(wù)的信譽(yù)值表示,服務(wù)信譽(yù)值采用兩種方式得出,一種是由傳統(tǒng)的計(jì)算方式,主要通過計(jì)算所參與用戶反饋評(píng)價(jià)均值的方式;一種是本文提出的,在原有計(jì)算方式的基礎(chǔ)上進(jìn)行虛假信息過濾用戶評(píng)價(jià)的計(jì)算方式.通過增加交互輪數(shù),觀察兩種計(jì)算方式下兩組用戶對(duì)服務(wù)的評(píng)價(jià)與Z函數(shù)之間的距離,距離越大,說明信譽(yù)值與實(shí)際的服務(wù)能力相差越大.

在實(shí)驗(yàn)1給出的圖3,圖4可以看出,無論是積極反饋評(píng)價(jià),還是消極反饋評(píng)價(jià),本文提出的RNSTE用戶虛假消息過濾方法與QCCTM[12],S-OARM[13]提出的信譽(yù)評(píng)價(jià)方法相比更加接近信譽(yù)度理想值Z函數(shù).通過這種方法可以有效的過濾虛假的用戶反饋評(píng)價(jià),使服務(wù)信譽(yù)值更加的準(zhǔn)確.隨著交互次數(shù)的增多,無論是積極反饋還是消極反饋,三種評(píng)價(jià)方法的信譽(yù)值隨著輪數(shù)的增多差距逐漸增大.缺少用戶虛假信息過濾的信譽(yù)機(jī)制,隨著交互次數(shù)的增加,服務(wù)信譽(yù)值的可參考性受到影響.通過本實(shí)驗(yàn)可以證明,本文提出的虛假用戶信息過濾機(jī)制在計(jì)算服務(wù)信譽(yù)度的過程中可以起到重要的作用,雖然與實(shí)際服務(wù)能力相比存在一定誤差,但能夠?qū)⒄`差控制在一定范圍內(nèi),可以進(jìn)一步提高信譽(yù)值計(jì)算的準(zhǔn)確性.

圖3 積極反饋對(duì)比結(jié)果Fig.3 Comparison results of positive feedback

圖4 消極反饋對(duì)比實(shí)驗(yàn)Fig.4 Comparison results of negative feedback

實(shí)驗(yàn)2.服務(wù)穩(wěn)定性對(duì)交互成功率影響效果實(shí)驗(yàn).實(shí)驗(yàn)中包括A,B兩組服務(wù),A組服務(wù)的服務(wù)穩(wěn)定性較好,服務(wù)能力較穩(wěn)定,B組服務(wù)的服務(wù)穩(wěn)定性較差,服務(wù)能力隨著時(shí)間的推遲呈由高到低的變化趨勢(shì).B類服務(wù)雖然有較高的QoS屬性值,但服務(wù)能力不穩(wěn)定,不能保證用戶在使用過程中一直處于較高的服務(wù)質(zhì)量狀態(tài).設(shè)定參與本次實(shí)驗(yàn)的用戶均設(shè)定為可信用戶,對(duì)服務(wù)做出可信評(píng)價(jià).用戶與服務(wù)的交互結(jié)果分為交互成功,交互失敗兩種情況,用QoS總效用參數(shù)減去實(shí)際運(yùn)行監(jiān)測(cè)結(jié)果的絕對(duì)值小于等于θ來判定成功與失敗.θ值為判定交互成功的最低門限值,超過門限值則認(rèn)為這次交互屬于失敗交互.對(duì)比實(shí)驗(yàn)為本次實(shí)驗(yàn)選取可信交互模型CDLS[14].

由圖5可知,在穩(wěn)定狀態(tài)下,兩種可信機(jī)制的成功率都非常高,接近100%,兩種機(jī)制的優(yōu)劣程度并不明顯.在服務(wù)能力不穩(wěn)定狀態(tài)下,本文提出的RNSTE機(jī)制仍然保持較高的成功率,未考慮穩(wěn)定性因素的機(jī)制會(huì)隨著交互輪數(shù)的不斷增加,交互成功率呈不穩(wěn)定動(dòng)態(tài)變化,無法保證較高的交互成功率.考慮到服務(wù)能力的穩(wěn)定性與不確定性因素,可以有效克服服務(wù)性能不穩(wěn)定問題,進(jìn)一步提高交互的成功率.

實(shí)驗(yàn)3.服務(wù)網(wǎng)絡(luò)推薦效果實(shí)驗(yàn).實(shí)驗(yàn)2已證明考慮服務(wù)的穩(wěn)定性可以有效提高服務(wù)選擇的成功率,在此基礎(chǔ)上進(jìn)行服務(wù)網(wǎng)絡(luò)推薦效果的相關(guān)實(shí)驗(yàn).本實(shí)驗(yàn)中,用戶為可信用戶,用戶數(shù)量為200.Top-k用戶的k值取10,選取α為目標(biāo)推薦用戶,逐漸增加服務(wù)網(wǎng)絡(luò)中可信用戶的數(shù)量,觀察服務(wù)推薦質(zhì)量的變化.在本實(shí)驗(yàn)中,服務(wù)質(zhì)量用平均絕對(duì)誤差(MAE)表示,MAE的定義表示如下[15]:

(10)

圖5 可信機(jī)制成功率對(duì)比圖Fig.5 Comparison of success rate of trust mechanism

其中,Pi,s表示為用戶真實(shí)評(píng)價(jià),Qi,s表示為Top-k用戶給出服務(wù)信譽(yù)值的預(yù)測(cè)值.M為推薦用戶的總數(shù)目,由于k為10,則M≥10,MAE的值越大,說明推薦質(zhì)量越差.

圖6 推薦質(zhì)量比較Fig.6 Comparison of recommended quality

選取PHCF[16]與本文提出的推薦網(wǎng)絡(luò)形成對(duì)比實(shí)驗(yàn).由推薦質(zhì)量比較結(jié)果圖6可知,在相同的條件下,本文提出的CSRN推薦方法的MAE值要明顯低于PHCF.隨著鄰居用戶數(shù)目的增加,兩種推薦方法的MAE值都在下降,說明推薦結(jié)果的準(zhǔn)確度在不斷提高.隨著鄰居用戶數(shù)目的增加,本文提出的CSRN方法優(yōu)勢(shì)更為明顯.通過對(duì)推薦相似度計(jì)算的進(jìn)一步分析研究,利用推薦網(wǎng)絡(luò)對(duì)目標(biāo)用戶進(jìn)行直接推薦與間接推薦結(jié)果相結(jié)合的方法,可以進(jìn)一步提高推薦準(zhǔn)確度,為目標(biāo)用戶進(jìn)行更為有效的推薦.

5 總 結(jié)

本文提出了一種考慮穩(wěn)定性與可信評(píng)價(jià)的云服務(wù)推薦網(wǎng)絡(luò),從云服務(wù)的穩(wěn)定性與非法用戶的惡意評(píng)價(jià)過濾兩方面來優(yōu)化服務(wù)選擇過程,進(jìn)一步精確服務(wù)信譽(yù)度.單一的考慮服務(wù)可信度選擇服務(wù),容易選擇高信譽(yù)度但穩(wěn)定性差的云服務(wù),將云服務(wù)的信譽(yù)度與穩(wěn)定性綜合考慮,可以進(jìn)一步提高交互成功率.在此基礎(chǔ)上,創(chuàng)建了服務(wù)推薦網(wǎng)絡(luò),為服務(wù)推薦提出一種新的方法,為服務(wù)推薦進(jìn)行路徑分析,采用直接推薦與間接推薦相結(jié)合的方式,為用戶提供更為有效的推薦結(jié)果,引入top-k推薦用戶群的概念,可以有效的縮減推薦計(jì)算量.經(jīng)過研究實(shí)驗(yàn)結(jié)果,本文提出的CSRN方法在成功過濾非法用戶惡意評(píng)價(jià)的基礎(chǔ)上,增強(qiáng)推薦系統(tǒng)抵御惡意攻擊的能力,有效的提高服務(wù)交互成功率與服務(wù)推薦的成功率.

本文研究內(nèi)容的后續(xù)研究重點(diǎn)是,進(jìn)一步的分析服務(wù)推薦網(wǎng)絡(luò),完善推薦網(wǎng)絡(luò)體系的相關(guān)定義,并對(duì)top-k用戶群體中的k取值進(jìn)行進(jìn)一步研究分析,對(duì)推薦網(wǎng)絡(luò)中的間接推薦深度進(jìn)行進(jìn)一步的實(shí)驗(yàn)分析,確定最終的推薦深度,將服務(wù)推薦網(wǎng)絡(luò)進(jìn)一步的完善.

[1] Alrifai M,Skoutas D,Risse T.Selecting skyline services for QoS-based web service composition[C].the International World Wide Web Conference(IWWWC),USA,2010:11-20.

[2] Liu Shu-lei,Liu Yun-xiang,Zhang Fan,et al.A dynamic Web services selection algorithm with QoSglobal optimal in Web services composition[J].Journal of Software,2007,18(3):646-656.

[3] Choi C R,Jeong H Y.A broker-based quality evaluation system for service selection according to the QoS preferences of users[J].Information Sciences,2014,277(2):553-566.

[4] Mardukhi F,Nematbakhsh N,Zamanifar K,et al.QoS decomposition for service composition using genetic algorithm[J].Applied Soft Computing,2013,13(7):3409-3421.

[5] Hu Jian-qiang,Li Juan-zi,Liao Gui-ping.A multi-QoS based local optimal model of service selection[J].Chinses Journal of Computers,2010,33(3):526-534.

[6] Limam N,Boutaba R.Assessing software service quality and trustworthiness at selection time[J].IEEE Transactions on Software Engineering,2010,36(4):559-574.

[7] Pan J,Feng X U,Jian L.Reputation-based recommender discovery approach for service selection[J].Journal of Software,2010,21(2):388-400.

[8] Liu C,Lin H,Xiong Y.A Web service recommendation approach based on situation awareness[C].IEEE International Conference on Services Computing(ICSC),2013:432-437.

[9] Yahyaoui H,Almulla M,Own H S.A novel non-functional matchmaking approach between fuzzy user queries and real world web services based on rough sets[J].Future Generation Computer Systems,2014,35(35):27-38.

[10] Li De-yi,Liu Chang-yu,Du Yi,et al.Artificial intelligence with uncertainty[J].Journal of Software,2004,15(11):1583-1594.

[11] Calheiros R N,Ranjan R,Beloglazov A,et al.CloudSim:a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms[J].Software Practice & Experience,2011,41(1):23-50.

[12] Tian Li-ye,Zhan Jing,Jiang Wei,et al.Research on quantified cloud computing trust model[J].Computer Engineering and Design,2013,34(1):13-17.

[13] Wu Qing-tao,Zhang Xu-long,Zhang Ming-chuan,et al.A cloud service-oriented autonomous reputation management mechanism[J].Journal of Wuhan University,2013,59(5):425-430.

[14] Wang W,Zeng G,Tang D,et al.Cloud-DLS:dynamic trusted scheduling for cloud computing[J].Expert Systems with Applications,2012,39(3):2321-2329.

[15] Jia Dong-yan,Zhang Fu-zhi.A collaborate filtering recommendation algorithm based on double neighbor choosing strategy[J].Journal of Computer Research and Development,2013,50(5):1076-1084.

[16] Jiang Y,Liu J,Tang M,et al.An effective Web service recommendation method based on personalized collaborative filtering[C].IEEE International Conference on Web Services(ICWS),2011:211-218.

附中文參考文獻(xiàn)：

[2] 劉書雷,劉云翔,張 帆,等.一種服務(wù)聚合中QoS全局最優(yōu)服務(wù)動(dòng)態(tài)選擇算法[J].軟件學(xué)報(bào),2007,18(3):646-656.

[5] 胡建強(qiáng),李涓子,廖桂平.一種基于多維服務(wù)質(zhì)量的局部最優(yōu)服務(wù)選擇模型[J].計(jì)算機(jī)學(xué)報(bào),2010,33(3):526-534.

[10] 李德毅,劉常昱,杜 鹢,等.不確定性人工智能[J].軟件學(xué)報(bào),2004,15(11):1583-1594.

[12] 田立業(yè),詹 靜,姜 偉,等.量化的云計(jì)算信任模型研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(1):13-17.

[13] 吳慶濤,張旭龍,張明川,等.一種面向云服務(wù)的自主信譽(yù)管理機(jī)制[J].武漢大學(xué)學(xué)報(bào)(理學(xué)版),2013,59(5):425-430.

[15] 賈冬艷,張付志.基于雙重鄰居選取策略的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展,2013,50(5):1076-1084.