基于多维信任云的信任模型研究

针对主观信任的模糊性和不确定性以及现有的基于云模型的信任模型中粒度粗糙的问题,提出了一种基于多维信任云的信任模型。首先,依据实体间的直接交互经验和交互时间,利用加权逆向云生成算法计算被评估实体的直接信任云;然后,通过评估推荐实体的推荐可信度,计算被评估实体的推荐信任云;最后,综合直接信任云和推荐信任云产生综合信任云,并依此进行可信实体的选择。仿真结果表明,基于多维信任云的信任模型能够有效地识别系统中的各类服务实体,可提高实体间的交易成功率。

云环境下基于协同推荐的信任评估与服务选择

"模糊、自治"的云计算环境中,服务品类繁多、质量参差不齐,用户主体难以进行可信赖的服务选择。在用户交互经验的基础上,结合现实人际交易模式,提出了一种基于协同推荐的综合信任量化评估模型。模型引入了时间衰减、权重两类动态因子,设计了多元化混合协同推荐算法来实现用户之间的有效协作,帮助用户正确选择可信云服务。为了验证模型的可行性,设计出一个分布式的原型系统,对模型的用户满意度和服务选择质量进行仿真实验。仿真结果表明,该模型能够更快地提高平均服务满意度,更有效地抑制恶意服务,而且随着交互次数的增长,服务选择质量也会不断提高。

云模型属性加权聚类服务推荐信任度算法

云环境下存在不同质量的服务,如何选择可信度较高的服务是服务选择的关键问题.针对现有服务信任评估方法的不足,提出一种基于云模型服务属性加权的聚类方法,通过基于服务聚类的加权Pearson相关系数法计算用户信任评价相似度,结合用户服务选择指标权重进一步计算出用户相似度,从而选取最近邻居,通过服务推荐信任度算法,计算得到服务对于目标用户的推荐信任度。仿真实验表明,该算法能更加准确地计算出服务推荐信任度,有效满足用户在服务信任方面需求,为用户选取高质量可信服务提供有力的决策支持。

基于灰色关联预测与信任云混合算法的方案推荐

针对传统推荐方法中的数据稀疏性问题,常用的方法通常受到数据量的制约,因此采用灰色关联预测法计算方案评分数据间的相关系数,以预测空缺的评分数据;针对面向新用户的冷启动问题,考虑用户兴趣特征相似度和基于信任云的用户对方案评分的相似性,计算用户间的综合相似度,将合适的方案推荐给新用户。最后,以汽车方案推荐为例进行方法验证,并通过与协同过滤,云模型等推荐算法进行对比,证明了该方法的有效性。

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。

海上边缘计算云边智能协同服务建模

由于受环境、资源、能耗、异构等因素制约,海上无线技术发展明显滞后于陆地.以低开销、自适应和自主融合为约束,提出一种海上边缘计算云边智能协同服务策略模型(Model of Cloud-Edge Cooperative Service Scheme for Maritime Edge Computing,MCECS-MEC).基于边缘计算构建海上云边智能协同服务网络框架,抽象海上边缘计算节点行为特征,建立具有抑制联合作弊的节点信任和推荐量化综合评价模型,根据其综合属性评价将准盟员节点融合聚类到不同的协同服务池,实现分级就近服务;基于协同服务请求的优先级和负载均衡理论,设计协同服务池组建规则和段页式自适应轻量级、自适应过热规避盟员发现算法,以状态机方式描述和分析MCECS-MEC协同服务状态演化.基于Router View公开数据集对MCECS-MEC模型性能进行仿真分析,仿真实验表明,MCECS-MEC相比于AODV(Ad hoc On-Demand Distance Vector Routing)、SR(Stochastic Routing)算法,减少了57.7%和55.04%的冗余传输流量,链路重寻率小于3%,负载率稳定于65%.MCECS-MEC模型能有效降低过载、热区、空洞效应等对网络性能的影响,提高海上边缘计算云边智能协同服务效率和质量.

云环境下基于Bayesian主观信任模型的动态级调度算法

针对云环境下存在的信任问题,提出了一种基于Bayesian方法的主观信任模型,用于量化和评估节点的可信程度。该模型给出了信任传递与合成的数学表述和实现方法,同时考虑云资源节点具有动态性、异构性、欺骗性等特征,引入了惩罚机制和分级剪枝过滤机制。最后将该模型应用于DLS算法得到基于Bayesian主观信任模型的动态级调度算法(BST-DLS)。分析及仿真实验结果表明,提出的BSTDLS算法能够以较小的调度长度为代价,有效地提高云环境下任务执行的成功率。

面向个性化通讯云的移动互联用户大数据可信服务推荐算法

为提高基于移动互联用户大数据服务的通讯云可信服务效率,为通讯云用户提供个性化的服务,首先对个性化通讯云、移动互联用户大数据信任服务进行定义;其次提出面向个性化通讯云的移动互联用户大数据可信服务算法,改进相关算法,并基于此设计推荐算法和模型;最后实施实证应用,分析改进算法及模型性能,并与传统模型综合对比.实证分析结果表明,该模型相比传统模型具有更高的精确度和鲁棒性,因此该模型具有一定的应用价值.

复杂云环境下基于推荐的信任协商框架设计

针对复杂云计算环境,提出一个推荐辅助的信任协商框架。云服务请求者首先从好友处获得所需服务的提供者候选,然后根据服务提供者的信任值综合考虑最终的提供者。信任的评估是双向的,服务提供者同样可以查询服务请求者的信任值,并以此判断是否提供服务。同时设计了相应的信任协商协议,保证云环境下的用户能够借助服务等级协议实现对服务相关参数的协商,并据此计算用户的信任值。模拟实验显示该设计能够提供复杂云环境下服务提供商和请求者间的双向互信。

云计算环境下的信任评估研究

云计算环境中,资源广域分布、对象复杂多变,服务实体之间的信任关系因不确定性强而难以有效建立与维护。在这种环境下,光有用户的信心不足以甄别确定可信的云服务提供商。因此,信任评估是云计算中的重要挑战。文章分析并研究了云计算环境下几种信任评估和服务推荐的方法,并对未来研究方向进行了展望。

一种融合云模型和信任的推荐算法

针对传统的协同过滤推荐系统推荐精度低的问题,从用户相似度和用户信任度两个角度出发,提出了一种融合云模型和信任的推荐算法。采用云模型的相似度方法计算用户间的相似度,再采用信任推导来计算用户间的信任值,在此基础之上根据用户相似度和信任度两个因素分别确定邻居用户,得到预测评分。再将二者的预测评分结合的混合值作为最终的预测评分,从而产生推荐。实验结果表明,该算法与基于信任关系的推荐算法相比有更好的推荐效果。

考虑MeanShift用户聚类的云服务推荐

针对传统云服务推荐算法只考虑推荐精度而忽略推荐效率问题,提出考虑了MeanShift用户聚类的云服务推荐。MeanShift聚类算法计算量小、运行速度快,可对任意分布的数据进行密度估计。该云服务首先根据数据密度分布对所有用户进行访问,然后计算用户在各个类簇中出现的累计频数,并将其划分到累计频数最大的类簇中,最后在该类簇中寻找目标用户的近邻集用于推荐云服务。样本推荐结果显示:与信任云推荐算法、信任云混合推荐算法、基于灰色关联与信任云混合算法相比,该算法在平均绝对误差上降低约10.15%,在均方根误差上降低约7.87%,在执行时间上降低约59.77%,说明所提算法在保证一定推荐精度的基础上有效提高了推荐效率。

基于凸函数证据理论的关联感知云服务信任模型

针对大规模分布式云计算系统中的服务可信度辨别问题,提出一种基于凸函数证据理论的关联感知云服务信任模型。对云计算系统中云服务提供商、服务和用户之间的信任关系进行形式化描述,充分挖掘了同一服务商中的不同云服务之间的关联性,利用凸函数证据理论对有序命题的处理能力,构建了云计算系统中的可信服务推荐方法,根据用户需求为其提供合理可靠的云服务。与经典证据理论方法的对比结果表明,基于凸函数证据理论的关联感知云服务信任模型在保证有效性和健壮性的同时,充分利用了云计算系统中云服务之间的关联信息,能够根据用户的请求提供合理的云服务。