基于集对分析的信任评估模型及其在服务选择中的应用

网络的大规模、异构、动态、分布和自治性造成了资源和服务的不确定性和欺骗性,从而导致服务交易双方风险增大,因此构建有效的信任模型是降低交易双方风险的重要途径。针对当前基于模糊理论的信任模型和基于反馈信息的信任评估方法存在的缺陷,提出了一种基于集对分析理论中联系数概念的主观信任表示方法,以克服模糊数学中用一个精确、唯一的隶属函数严格表示模糊概念的缺点,同时,在此模型中不是单纯基于用户的反馈信息来评价服务的信任度,而是结合服务资源在服务过程达到的服务能力来增加模型的客观性、实时性。将新的信任函数并入到传统的组件服务选择算法中,提出了两种基于信任的服务选择算法,并进行了实验仿真。结果表明,基于信任驱动的服务选择算法的任务执行成功率较传统方法有明显的提高。

基于离散量子粒子群的信任增值服务工作流选择方法

随着面向服务计算技术的发展,用户提出的任务趋于复杂化,如何高效地把现存的各种组件服务整合起来形成新的满足复杂任务需求的增值服务即组合服务,已成为研究的热点。针对这种增值服务的服务选择问题,设计了一种信任增值离散量子粒子群算法。该算法与传统的面向QoS全局最优的服务选择算法的区别在于,前者不仅考虑了服务的信任问题,有效地解决了服务工作流中的恶意欺骗问题,同时还结合工作流的特点,将量子粒子群算法离散化,根据服务选择应用场景重新定义了量子粒子群算法中各种位置的计算方法和其中权重系数的自动调整。仿真实验结果表明,该离散量子粒子群算法不仅降低了服务选择的时间,且能得到更优的适应度值,同时还考虑了信任问题,提高了服务选择的成功率。