許瀚 羅亮 孫鵬 孟颯

摘 要：針對云環(huán)境缺乏安全性評估的問題，提出一種評估系統(tǒng)安全性的建模方法，并建立了云環(huán)境下的安全性性能（SP）關聯(lián)模型。首先，針對云系統(tǒng)中最重要的組成部分，即虛擬機，建立了評估其安全性的模型，該模型充分反映了安全機制和惡意攻擊兩個安全因素對虛擬機的影響;隨后基于虛擬機與云系統(tǒng)之間的關系，提出評估云系統(tǒng)安全性的指標;其次，提出一種分層建模方法來建立SP關聯(lián)模型。利用隊列理論對云計算系統(tǒng)的性能進行建模，然后基于貝葉斯理論和相關分析建立了安全性和性能之間的關聯(lián)關系，并提出評估復雜SP相關性的新指標。實驗結果驗證了理論模型的正確性，并揭示了安全因素引起的性能動態(tài)變化規(guī)律。

關鍵詞：云計算;安全性建模;性能建模;馬爾可夫模型;排隊論

中圖分類號：

TP309.2文獻標志碼：A

Cloud system security and performance modeling based on Markov model

XU Han*， LUO Liang， SUN Peng， MENG Sa

College of Computer Science and Engineering， University of Electronic Science and Technology of China， Chengdu Sichuan 611731， China

Abstract：

Aiming at the lack of security assessment in cloud environment， a cloudbased security modeling method was proposed，and a SecurityPerformance （SP） association model in cloud environment was established. Firstly， a model was constructed for virtual machines， the most important component of the cloud system， to evaluate its security. The model fully reflected the impact of security mechanisms and malicious attacks on virtual machines. Secondly， based on the relationship between virtual machine and cloud system， an indicator was proposed for assessing the security of the cloud system. Thirdly， a hierarchical modeling method was proposed to establish an SP association model. Queuing theory was used to model the performance of cloud computing systems， and the relationship between security and performance was established based on Bayesian theory and association analysis， and a new index for evaluating the association of complex SP was proposed. Experimental results verify the correctness of the theoretical model and reveal the dynamic change rule of performance caused by safety factors.

Key words：

cloud computing; security modeling; performance modeling; Markov model; queuing theory

0?引言

在云計算系統(tǒng)（Cloud Computing System， CCS）中，服務質量（Quality of Service， QoS）是從提供商和客戶角度來看的重要服務評估標準，它直接影響云提供商的客戶體驗和利潤。 因此，對QoS的精確評估可以幫助云提供商開發(fā)合理的資源分配策略以改善客戶端體驗。 通常采用性能度量來量化QoS。 人們已經廣泛研究了許多用于評估性能的方法和方法，但是，另一個重要的指標，即安全性，在評估QoS時沒有得到足夠的重視。 更重要的是，安全性還會對性能指標產生嚴重影響，即復雜的SP相關性。CCS動態(tài)地組織虛擬機（Virtual Machine， VM）和服務器以運行一系列服務，其中每個服務被分離為在VM上并行執(zhí)行的一組任務。雖然動態(tài)組織和并行執(zhí)行使CCS有效地完成了服務，但它也給CCS安全帶來了嚴重的問題。由于CCS的虛擬化，VM安全性成為傳統(tǒng)系統(tǒng)中不存在的新安全因素。VM的安全性具有一些相似的特征，例如，不同的VM完全隔離，并且共存的VM可能由于對其主機服務器的攻擊而同時失敗。同時，VM安全性在最近的研究中也備受關注。 文獻[1]的研究表明，

在基礎架構即服務（Infrastructure as a Service， IaaS）級別上，

大多數特定于云的攻擊通過受到攻擊的VM威脅CCS，例如VM側通道攻擊、對虛擬機管理程序的VM攻擊、對運行中VM進行磁盤注入等攻擊方式。

下面簡要介紹以上列舉的攻擊行為：

1）VM側通道攻擊通?；赩M漏洞[2]。它代表了利用VM共存的一類攻擊，當兩個或多個用戶的VM共享相同的硬件時會出現這種共存。

2）通過虛擬機管理程序的VM攻擊從受感染的VM開始[3]。攻擊者可以從已感染的VM獲取有效的用戶憑證（通過捕獲、監(jiān)視或使用惡意軟件）。然后，攻擊者可以獲得公共云賬戶以危害虛擬機管理程序，并從公共云中存在的相關攻擊路徑訪問目標共同駐留機構的其他VM。

3）對運行中VM進行磁盤注入這種攻擊方式，攻擊者試圖通過將惡意代碼放入目標VM的本地連接存儲中，以此來獲取對目標數據的訪問權[4]。很明顯，如果攻擊者愿意，他們的行為將通過受到攻擊的虛擬機對CCS的QoS產生巨大影響。VM安全性嚴重影響了CCS的安全性，因此，為確保云計算在現實環(huán)境中的應用，如何評估CCS安全性并評估其對QoS度量的影響（如服務性能）是必須解決的關鍵問題[5]。

近年來，已有許多用于量化QoS的性能度量方法的成果。文獻[6]中提出了用于評估基礎架構即服務（Infrastructure as a Service， IaaS）、平臺即服務（Platform as a Service， PaaS）、軟件即服務（Software as a Service， SaaS）以及混搭或混合云的通用云性能模型。作者使用現實生活中的基準程序測試云，并提出新的性能指標。文獻[7]研究了云計算環(huán)境中利潤最大化的最優(yōu)多服務器配置問題。在這種方法中，作者構建定價模型并將多服務器系統(tǒng)視為M/M/m排隊模型，以制定和分析解決優(yōu)化問題。文獻[8]中開發(fā)新的性能模型并運行HiBench基準測試，以測試各種彈性計算云（Amazon Elastic Compute Cloud， EC2）

配置上的Hadoop性能，并評估三種擴展策略，以提升彈性云（如EC2）的性能、效率和生產率。在這種方法中，性能模型的構造與文獻[7]中的相同。但是，在這些方法中沒有考慮安全性對性能的影響。

安全性要求通常與性能要求形成對比[9]：

一方面，安全機制的操作不可避免地消耗一定量的資源，例如CPU時間和存儲器，從而增加了服務的執(zhí)行時間;另一方面，惡意攻擊可能導致服務器或VM故障并導致服務故障或超時故障。目前，現有的系統(tǒng)安全性研究常常把安全機制和惡意攻擊對系統(tǒng)的影響分開來考慮。文獻[10]中提出了一種QoS驅動的方法來研究安全機制對不同系統(tǒng)性能的開銷;但是，作者還沒有研究惡意攻擊對性能的影響，這將導致性能評估的不準確性。在文獻[11]中，建模方法用于提供基于上下文的模型以平衡QoS和安全性;但是，這些研究并未系統(tǒng)地解決惡意攻擊對性能的影響。文獻[12]中構建一個多排隊模型，以整體地描述三種類型的攻擊，并研究特定電子郵件安全系統(tǒng)的性能指標;但是，安全機制的資源消耗尚未得到徹底解決。

為解決以上所提問題，本文針對可用性這一安全性因素對服務性能的影響進行研究，提出了一種分層建模方法，通過建立安全性和服務性能之間的聯(lián)系來全面地反映云系統(tǒng)中安全性對服務性能的影響。首先，給出了CCS的物理和邏輯結構;隨后，分別介紹了對CCS進行安全性和服務性能建模的方法;最后，給出了仿真實驗用以驗證所提分層建模方法的正確性，并揭示不同強度的安全機制對服務性能的影響。

1?云計算系統(tǒng)的結構

圖1顯示了CCS的部分系統(tǒng)結構。CCS中最基本的層是資源層，其中包含所有硬件和軟件，包括存儲、服務器基礎架構和虛擬基礎架構。在資源層中，CCS以VM為單位組織資源，這些VM資源是CCS上的高度自動化的系統(tǒng)單元。 VM通?？梢酝ㄟ^互聯(lián)網單獨訪問[13-14]。此功能使VM容易受到惡意攻擊，例如，常見漏洞和暴露（Common Vulnerabilities and Exposures， CVE）主動標識漏洞（CVE20074593），使攻擊者經由vstor2WS60.sys設備驅動程序在虛擬機（VMWare的）工作站6.0上進行拒絕服務（Denial of Service， DoS）攻擊[15]。 DoS攻擊可以減慢一些關鍵進程并導致失敗。顯然，VM安全性是CCS不可避免的漏洞，因此，評估VM安全性（包括從惡意攻擊中學習威脅并分析防御機制的行為）可以幫助提高云安全性甚至提高服務性能。值得注意的是，惡意攻擊是隨機的。理論建模方法可以根據抽象的特征和宏觀統(tǒng)計的觀點來捕捉這種隨機性。眾所周知，馬爾可夫模型理論已廣泛應用于安全評估領域。例如，文獻[12，16-17]中使用它進行研究。因此，本文建立了Markov模型來評估VM安全性。

在應用層中，COS（Cloud Operating System）負責服務請求的分配和結果的收集。

從COS返回給用戶的請求數可以是用于描述CCS的服務性能的指標。因此，在本文中，服務性能定義為每單位時間完成的請求數。如上所述，VM對服務處理有很大影響：一方面，當虛擬機的可用性受到惡意攻擊的威脅時，虛擬機可能無法處理子任務并導致子任務的處理失敗。更嚴重的是，惡意攻擊可能會減少可用虛擬機的數量，并導致可用虛擬機太少時發(fā)生任務溢出故障。另一方面，在VM中啟用安全機制會消耗一部分CPU資源并減少用于處理子任務的CPU資源，最終，它可能會延長子任務的處理時間并導致超時失敗。通常，安全性通過影響VM的可用VM數量和CPU處理能力來影響服務性能，因此，這兩個參數可以成為安全性和性能之間的橋梁。

眾所周知，安全機制的CPU占用取決于其算法復雜性或安全級別，例如加密機制和分層保護域。對于加密機制，密鑰長度表示算法復雜度和加密機制的安全級別，并確定包括加密和解密在內的動作的CPU占用時間。對于分層保護域，安全級別確定用戶狀態(tài)和內核狀態(tài)之間切換的頻率和CPU占用時間。為了更好地描述算法的復雜性或安全級別，“強度”已被用于當前可靠性和安全性研究領域[10]。因此，“強度”也用于定義本章中算法復雜度或安全機制的安全級別。安全機制被定義為三種強度，即“高”“中”和“低”。強度越高，安全級別越高，算法越復雜。如果VM應用高強度安全機制，則與應用中強度或低強度安全機制相比，子任務的完成時間增加。

2?資源層中的安全性建模

安全性通常包括可用性、保密性、完整性等內容，本文主要針對系統(tǒng)VM受攻擊后的工作狀態(tài)來定義系統(tǒng)安全性，因此本文將從可用性的角度出發(fā)來評估系統(tǒng)的安全性。

2.1?模型建立前提條件

基于以下前提條件，Markov模型可用于對VM安全性進行建模：

1）大多數攻擊都是無組織和自發(fā)的，因此，攻擊的到達時間是隨機的。 這種隨機性可以通過適當的到達過程來描述，例如泊松分布[12，16-17]。

2）安全機制具有一系列規(guī)范化操作來抵御攻擊。 文獻[12，16-17]指出，

這些操作的時間服從指數分布。

注意，在馬爾可夫模型中，某些狀態(tài)的逗留時間的分布函數可能是非指數的。 因此，潛在的隨機模型需要根據半馬爾可夫過程（SemiMarkov Process， SMP）來制定[17]。

2.2?虛擬機安全性建模

圖2顯示了受攻擊的VM的狀態(tài)轉換圖。在該狀態(tài)轉換圖中有三種狀態(tài)：良好狀態(tài)（G）、受攻擊狀態(tài)（A）和失敗狀態(tài)（F）。狀態(tài)G表示VM處于可以提供可靠服務的良好狀態(tài);狀態(tài)A表示VM處于受攻擊影響的狀態(tài)，但此時VM仍然可以提供服務;狀態(tài)F表示VM處于受攻擊影響已經失效，無法提供服務的狀態(tài)。在圖2中，

P1、P2、P3和P4是狀態(tài)轉移概率，它們的取值取決于安全機制的強度和攻擊。P1表示VM處于G狀態(tài)中的概率;

P2表示在安全機制未能抵御攻擊的情況下VM的狀態(tài)從A變?yōu)镕的概率;P3=1-P1表示當安全機制成功抵抗攻擊時，VM的狀態(tài)從A變?yōu)镚的概率; P4=1-P2表示當攻擊影響VM時，VM的狀態(tài)從G變?yōu)锳的概率。另外，不考慮VM的狀態(tài)從G變?yōu)镕的情況。這是因為云服務提供商通常非常注重安全性，這使得攻擊者很難在不被注意的情況下使VM無效。注意F是吸收狀態(tài)，這意味著不能從該狀態(tài)改變到任何其他狀態(tài)。在真實環(huán)境中，安全機制可能不夠強大，無法抵御攻擊。發(fā)生這種情況時，除非系統(tǒng)管理員采取緊急措施，例如重新啟動、切斷互聯(lián)網訪問等，否則系統(tǒng)無法恢復正常。因此，虛線用于描述在激活那些緊急動作之后VM的狀態(tài)從F變?yōu)镚的情況。

現在，可以通過求解此狀態(tài)轉換圖來進行VM安全性評估。在此，定義Na（x，n）和Pa兩個安全指標，其中：Na（x，n）表示n個VM中有x個VM可用的概率;Pa表示VM可用的概率;n是VM的總數;x是可用VM的數量;x≤n。

Na（x，n）和Pa分別用于評估整個系統(tǒng)和一個VM的安全性。值得注意的是，Pa是計算Na（x，n）的前提條件。

Pa的求解過程如下：

首先將VM的狀態(tài)分別定義為可用集xa和不可用集xua。

如果VM的狀態(tài)屬于xa，則此VM可用;

否則屬于xua，VM不可用。

在本文中，G和A被分類為集合xa，F被分類為集合xua。其次，ПG、ПA和ПF分別被定義為狀態(tài)G、A和F的穩(wěn)態(tài)概率。

因為∑i∈（G，A，F）πi=1，所以通過式（1）即可求解Pa：

pa=πG+πA=1-πF

（1）

本文采用文獻[17]方法

來求解圖2所示的SMP模型，πi{i∈（G，A，F）}可由如下公式計算：

πi=vihi∑ivihi

（2）

其中：vi{i∈（G，A，F）}是圖2中所示的嵌入離散時間馬爾可夫鏈中的狀態(tài)的穩(wěn)態(tài)概率，并且hi{i∈（G，A，F）}每個狀態(tài)的平均逗留時間。

vi的計算公式如下：

=P

（3）

其中：=[vG?vA?vF];

P是轉移概率矩陣。

估算P和hi的值有兩種方法：第一種方法是使用先驗知識和攻擊實驗;第二種方法是使用參數訓練方法，該方法取決于預定義的Pa值和模型（本文的實驗部分就是采用這種方法）。

在此簡單介紹一下第二種方法。在某些情況下，安全機制和攻擊的先驗知識是有限的，因此在一段時間內，

只能從系統(tǒng)日志中獲取VM故障數和攻擊時間的數據。

然后，可以使用通過這些統(tǒng)計數據，合并使用概率理論，即可求得來計算Pa。

最后，P和hi的值可以通過Pa參數訓練方法獲得。

如前所述，Pa是計算Na（x，n）的前提條件。

如果分配了x和n，并且每個VM的Pa是已知的，則可以計算Na（x，n）。

容易理解，可用VM的數量有Cxn種組合。根據貝葉斯理論，通過對每種組合的概率求和，即可求解Na（x，n）。

以計算Na（3，5）的值作為說明。Na（3，5）表示在CCS中總共有5個VM（1號到5號），其中只有3個可用，惡意攻擊使另外兩個不可用。 在這種情況下，不知道哪三個可用。 事實上，每種組合都有可能發(fā)生。 例如：可能是1～3號可用，而4～5號不可用;也可能是2～4號可用，而1、5號不可用。 因此，應考慮所有可能的組合來計算Na（3，5）。在對所有可能組合的概率求和并計算平均結果之后，獲得Na（3，5），計算公式如下：

N1a=p1ap2ap3a（1-p4a）（1-p5a）

其他可能組合的計算公式也可用相同的方式計算。

將這些組合的結果相加求和，并除以這些組合的數量（C35），即可得到Na（3，5），計算公式如下所示：

Na（3，5）=N1a+N2a+N3a+…+NC35aC35

該方法，即可求得Na（x，n）。

3?應用層中的性能建模與SP關聯(lián)指標

3.1?模模型建立前提條件

排隊理論已廣泛用于模擬真實環(huán)境中隨機事件的到達完成過程，因此選用M/M/S排隊模型來描述CCS中任務的到達完成過程。 M/M/S表示任務的到達遵循泊松分布，子任務的服務時間遵循指數分布，任務的隊列長度是有限的。

為了便于計算，本文假設：

1）同一信任區(qū)域（Trust Zone， TZ）中的所有VM（構成了一個網段（network segmentation）[1]）采用具有相同強度的統(tǒng)一安全機制。在真實的云環(huán)境中，CCS由許多互連的TZ[1]組成。 TZ的設置是為了便于管理和處理不同類型的任務，其中用戶請求通常會租用多臺相同類型的VM實例。因此，假設所有VM在同一TZ中應用相同的安全機制是可行的。

2）VM和CPU遵循一對一的邏輯映射機制，這在CCS中很常見。

3）在VM中，一次只執(zhí)行一個任務。

4）任務隊列遵循先來先服務（First Come First Service， FCFS）的規(guī)則。

5）當所有可用的VM都忙時，新到達的任務應該在任務隊列中等待。如果任務隊列中的任務數等于任務隊列的最大長度，則放棄新到達的任務。

3.2?云計算系統(tǒng)性能建模

圖3用生滅過程展示了任務隊列的執(zhí)行過程。該任務隊列的參數定義如下。

1）f-dj是VMj中運行的安全機制的CPU占用率。

2）λ是任務的到達率，可以定義為每單位時間到達任務的數量。例如，λ=2.1s-1。

3）fj是VMj中除安全機制占用的部分之外的可用CPU速率， fj≤1-f-dj。

4）n是VM的數量，包含所有可用和不可用VM的數量。

5）x是可用VM的數量，x≤n。

6）L是任務隊列的最大長度。

7）μ是未應用任何安全機制的VM的最大服務速率，可以定義為每單位時間完成的任務數。例如，μ=1.1s-1。

8）μe是有i個任務同時執(zhí)行時的服務速率，i≤L。根據假設1，所有處在一個TZ中的VM應用相同的安全機制。因此，μi的計算公式為：

μi=i×1n∑nj=1μ（fj）; i≤x

（4）

μi=μx=∑xj=1μ（fj）; x

（5）

其中：

1n∑nj=1μ（fj）表示TZ中每個VM的平均服務速率;μ（fj）是VMj的服務速率，它是參數fj和μ的函數。 μ（fj）表示當運行的安全機制占用CPU的某些部分時VMj的處理任務的能力。

9）Te是任務的最大逗留時間。如果任務的逗留時間超過Td，則發(fā)生超時故障。

可以通過分析此任務隊列模型來評估CCS的性能。 這里，性能指標被定義為δ（x），其中：x表示可用VM的數量;δ（x）表示每單位時間完成的任務數。任務完成意味著在任務的整個執(zhí)行過程中沒有發(fā)生超時故障。根據隊列理論，δ（x）的計算公式為：

δ（x）=ηe（1-ptimeout）

（6）

其中：1-Ptimeout表示任務在整個執(zhí)行過程中未發(fā)生超時故障，且已成功完成的概率;ηe表示新任務的有效到達率。有效到達意味著任務已被放置在任務隊列中，而沒有因到達后隊列已滿而被放棄。 因此，ηe可根據式（7）計算：

ηe=λ（1-qL）

（7）

其中：λ是任務的到達率;qL表示任務隊列已滿的概率。當隊列已滿時，將放棄新到達的任務，這意味著任務隊列發(fā)生阻塞故障。為了計算qL，首先將qe定義為任務隊列中現有i個任務的概率。通過圖3構建ChapmanKolmogorov方程并求解該方程，

可以很容易得到qi。因此，qi可通過如下公式計算：

q0=1 + x-1i=1（λ）i∏ir=1μr + Li=x（λ）iμi-xx∏xr=1μr-1

（8）

qi=（λ）i∏ir=1μrq0; 1≤i

（9）

qi=（λ）iμxi-x∏xr=1μrq0; x≤i

（10）

根據式（10），可求得qL：

qL=pblock=（λ）LμL-xx∏xr=1μrq0

（11）

以上是ηe的解。下面對（1-Pe）進行求解。（1-Pe）表示任務的執(zhí)行時間超過最大逗留時間Te的概率。

根據Ptimeout的定義，可知

ptimeout=Pr{Ts>Td}=1-∫?Td0fs（t）dt

（12）

其中：Ts表示任務的逗留時間，即任務的處理時間; fs（t）被定義為逗留時間Ts的概率密度函數（Probability Density Function，PDF）。 顯然，Ts是任務執(zhí)行時間Te和等待時間Tw之和。 因此， fs（t）的計算公式為：

fs（t）=∑xi=0Pr（i）·fe（t）+∑L-1i=x+1Pr（i）·fi-x+1（t）fe（t）

（13）

其中：“”代表兩個函數的卷積運算符;Pr（i）是當新任務到達時，任務隊列中有i個任務的概率。根據貝葉斯方法和式（8）～（10），Pr（i）的計算公式為：

Pr（i）=Pr{i|i

（14）

如前所述，任務的服務時間遵循指數分布。 fe（t）被定義為具有參數μe的執(zhí)行時間Te的PDF，因此， fe（t）的計算公式為：

fe（t）=μi·e-μit

（15）

等待時間Tw的PDF為fi-x+1（t）。如圖3所示，

任務i的fi-x+1（t）表示執(zhí)行完前面i-x+1個任務所花費的時間。顯然， Tw服從Erlang分布。 fi-x+1（t）的計算公式為：

fi-x+1（t）=（μxt）i-x（i-x）！ μx·e-μxt; t≥0，x

（16）

現在，已經求得（1-Ptimeout），將ηe和（1-Ptimeout）代入式（6），即可求得δ（x）。

3.3?SP關聯(lián)指標

依據本文對安全性的定義：一方面，安全指標Na（x，n）反映了安全因素對可用VM數量的影響;另一方面，性能指標δ（x）反映了可用VM數量對服務性能的影響。

因此，可以通過將Na（x，n）與δ（x）組合來評估安全因素對服務性能的影響。 因此，定義SP關聯(lián)指標來反映這種影響。E（δ（x））被定義為SP關聯(lián)指標，它代表將安全性影響因素加入考慮的新的性能指標。根據貝葉斯方法，E（δ（x））的計算公式為：

E（δ（x））=∑nx=1Na（x，n）×δ（x）

（17）

可用VM的數量（x）在CCS中是不確定的，x可以等于1和n之間的任何數字，且取值概率為Na（x，n）。因此，E（δ（x））是通過對所有這些概率求和得到的。實驗部分給出了計算該指標的仿真實例。

4?實驗及分析

實驗部分，首先采用仿真實例對建模方法進行驗證，仿真在矩陣實驗室（Matlab）上進行，其中將使用仿真程序計算的仿真結果與使用建模方法計算的理論結果進行比較。隨后，進行了不同強度的安全機制對服務性能的影響的對比實驗。最后，根據仿真結果，提出了三個關于在保持一定程度安全性的同時如何有效提高服務性能的優(yōu)化建議。

4.1?建模方法的驗證

表1～4顯示了安全性建模方法和性能建模方法的參數配置。

如前所述，安全建模中，選用參數訓練方法來獲得P和hi，因此，直接在表1中指定了Pa的值。值得注意的是，有眾多參數訓練方法已經被大量應用，在這里就不具體介紹參數訓練方法的細節(jié)。在表2中，根據文獻[10]中的參數定義對f-dj進行了賦值。實際上，在真實環(huán)境中獲得安全機制的CPU占用率是容易的。例如，現有操作系統(tǒng)都提供了檢測每個運行的應用程序的CPU占用率的服務。在表3中，未分配參數x的值，因為，它的值取決于n的值。文獻[9]表明安全性和服務性能是成反比的。因此，定義了表4中的參數取值，以滿足安全性和服務性能之間的相關性。

下面對仿真程序的設定進行簡要介紹：

1）仿真程序中μ以0.1為取值間隔從0.5到2.6進行取值。

2）所有4個VM都采用高強度安全機制。

3）仿真程序執(zhí)行50×21次。在每次迭代中，定義循環(huán)1-000次的主循環(huán)結構。在仿真中，一個循環(huán)意味著理論建模方法中的一個單位時間。 50×21次迭代將產生50×21輸出，其中：50表示μ的每個取值會產生50個結果;21表示μ有21個不同的值。這些輸出中的每一個表示在不同μ值的任務的完成率。

4）假設每個任務可以在一個循環(huán)（一個單位時間）內完成。

5）如果VM處于吸收狀態(tài)F，則在hF單位時間之后它將從F變?yōu)镚。hF的取值如表1所示。

6）仿真程序運行中記錄每項任務的信息，包括已到達、已完成和已放棄任務的數量。

7）設置隨機數生成器。在仿真中，已經預定義了概率（VM的可用概率）以決定每個VM的可用性。在每個循環(huán)中，通過將預定概率與隨機數進行比較來確定每個VM的可用性。

8）依據λ的值，設定仿真程序中確定每單位時間新到達任務的數量。

μ、 f-dj，以及可用VM的數量共同決定每單位時間完成的任務的數量。

比較結果如圖4所示。 在圖4中，理論結果與仿真結果完全匹配，服務速率增加。 該結果說明了所提出的安全性性能建模方法的正確性。

4.2?不同參數取值情況下的性能分析

選取三個主要參數，包括VM的數量（n）、安全機制的CPU占用率（f-dj）和VM的服務速率（μ），通過改變它們的取值來揭示它們對服務性能的影響。為了反映安全機制（f-dj）的CPU占用率對服務性能的影響，

在此設計了組1、組2和組3三個比較組，分別采用低、中和高強度安全機制。

如前所述，每個組由相同數量且采用相同強度安全機制的VM組成。

實驗研究μ和n兩個參數對服務性能的影響。μ值如下：

1）對于n，其取值范圍為3到8。在本實驗中，服務速率為μ=1.0s-1。結果如圖5所示。

2）對于μ，為其設計了一組值。 μ的第一組值在0.6～1.8，到達率λ=2.1s-1。結果如圖6所示。

3）不同安全機制的CPU占用率值（ f-dj），與表2中的相同。

4）其他參數的取值與表1、3～4中的相同。

實驗的結果分析如下：

1）當可用資源，包括VM服務速率（μ）和VM數量（n）數量受到限制時，服務性能和安全性之間存在逆相關。例如，當圖6中的μ=0.6～1.0或圖5中的n=3～4時，低強度安全機制的E（δ（x））值（藍線，組1）大于對于中等強度安全機制（黑線，組2）和高強度安全機制（紅線，組3）的E（δ（x））值。這些結果表明，高安全性并不總是最佳選擇。

2）隨著可用資源的增加，服務性能與安全性之間存在正相關關系。如圖5所示，高強度安全機制（紅線）和中強度安全機制（黑線）的E（δ（x））值的增加率比大于低強度安全機制（藍線）的E（δ（x））值的增加率比。

3）采取冗余備份策略是提高服務性能較好的策略。在圖5中，E（δ（x））的值隨著VM數量（n）的增加而迅速增加。

總的來說，上面兩個實驗說明了安全性對服務性能的影響，反映了惡意攻擊和安全機制這兩個安全因素是通過影響虛擬機的服務速率和可用虛擬機的數量來影響服務性能的。 因此，通過實驗可知，安全性是服務性能評估不可或缺的因素。

5?結語

針對云環(huán)境缺乏安全性評估這一問題，本文提出了用分層建模方法和定義安全性性能關聯(lián)指標來研究安全性（惡意攻擊和安全機制）對服務性能的影響。所提出的建模方法通過兩個關鍵因素（VM的數量和服務速率）建立了安全性和服務性能之間的連接。實驗結果驗證了所提出的建模方法的正確性，還獲得了如下結論：1）當CCS面臨嚴重的安全問題時，冗余是提高服務性能最簡單、最可行的方法。 2）高安全性并不總是最佳選擇。 3）當資源量有限時，服務性能和安全性之間是反相關的;當資源量充足時，服務性能和安全性之間是正相關的。未來可以將該建模方法進一步應用到調度算法的設計中去，以提升系統(tǒng)的服務性能。

參考文獻（References）

[1]?GONZALES D， KAPLAN J M， SALTZMAN E， et al. Cloudtrust — a security assessment model for Infrastructure as a Service （IaaS） clouds[J]. IEEE Transactions on Cloud Computing， 2017， 5（3）： 523-536.

[2]LIU L， WANG A， ZANG W， et al. Shuffler： mitigate crossVM sidechannel attacks via hypervisor scheduling[C]// Proceedings of the 2018 International Conference on Security and Privacy in Communication Systems， LNICST 254. Berlin： Springer， 2018： 491-511.

[3]SCHWARTZ M J. New virtualization vulnerability allows escape to hypervisor attacks[J]. Information Week Security， 2012， 4（2013）： 12.

[4]SINGH N， SINGH A K. SQLinjection vulnerabilities resolving using valid security tool in cloud[J]. Pertanika Journal of Science & Technology， 2019， 27（1）：159-174.

[5]LI P， LI J， HUANG Z， et al. Privacypreserving outsourced classification in cloud computing[J]. Cluster Computing， 2018， 21（1）： 277-286. [6]HWANG K， BAI X， SHI Y， et al. Cloud performance modeling with benchmark evaluation of elastic scaling strategies[J]. IEEE Transactions on Parallel and Distributed Systems， 2016， 27（1）： 130-143.

[7]CAO J， HWANG K， LI K， et al. Optimal multiserver configuration for profit maximization in cloud computing[J]. IEEE Transactions On Parallel and Distributed Systems， 2013， 24（6）： 1087-1096.

[8]HWANG K， SHI Y， BAI X. Scaleout vs. scaleup techniques for cloud performance and productivity[C]// Proceedings of the 2014 IEEE 6th International Conference on Cloud Computing Technology and Science. Piscataway：IEEE， 2014： 763-768.

[9]ZAMAN S， ADAMS B， HASSAN A E. Security versus performance bugs： a case study on FireFox[C]// Proceedings of the 8th Working Conference on Mining Software Repositories. New York：ACM， 2011： 93-102.

[10]BATISTA B G， FERREIRA C H G， SEGURA D C M， et al. A QoSdriven approach for cloud computing addressing attributes of performance and security[J]. Future Generation Computer Systems， 2017， 68： 260-274.

[11]ALIA M， LACOSTE M， HE R， et al. Putting together QoS and security in autonomic pervasive systems[C]// Proceedings of the 6th ACM Workshop on QoS and Security for Wireless and Mobile Networks. New York：ACM， 2010： 19-28.

[12]WANG Y， LIN C， LI Q. Performance analysis of email systems under three types of attacks[J]. Performance Evaluation， 2010， 67（6）： 485-499.

[13]LOMBARDI F， DI PIETRO R. Secure virtualization for cloud computing[J]. Journal of Network and Computer Applications， 2011， 34（4）： 1113-1122.

[14]ARSHAD J， TOWNEND P， XU J. Quantification of security for compute intensive workloads in clouds[C]// Proceedings of the 15th International Conference on Parallel and Distributed Systems. Piscstaway： IEEE， 2009： 479-486.

[15]OZKAN S. CVE details： the ultimate security vulnerabiltiy data source[EB/OL]. [2018-09-10]. https：//www.cvedetails.com/cve/CVE-2007-4593/

[16]KREIDL O P. Analysis of a Markov decision process model for intrusion tolerance[C]// Proceedings of the 2010 International Conference on Dependable Systems and Networks Workshops （DSNW）. Piscstaway：IEEE， 2010： 156-161.

[17]MADAN B B， GOGEVAPOPSTOJANOVA K， VAIDYANATHAN K， et al. Modeling and quantification of security attributes of software systems[C]// Proceedings of the 2002 International Conference on Dependable Systems and Networks. Piscstaway： IEEE， 2002： 505-514.

[18]XU F， LIU F， JIN H. Heterogeneity and interferenceaware virtual machine provisioning for predictable performance in the cloud[J]. IEEE Transactions on Computers， 2016， 65（8）： 2470-2483.

[19]ZHU Z， DONG S， YU C. A text hybrid clustering algorithm based on HowNet semantics[J]. Key Engineering Materials， 2011，474/475/476：2071-2078.

This work is partially supported by the National Natural Science Foundation of China （61602094）.

XU Han， born in 1990， Ph. D. candidate. His research interests include cloud computing， system modeling.

LUO Liang， born in 1980， Ph. D.， lecturer. Her research interests include cloud computing， energy modeling， system modeling.

SUN Peng， born in 1979， Ph. D.， lecturer. Her research interests include cloud computing， autonomic computing， intelligent scheduling.

MENG Sa， born in 1987， Ph. D. candidate. His research interests include cloud computing， resource scheduling.