云環(huán)境下主客觀協(xié)同的信任模型研究

張 迪，丁 箐

(中國(guó)科學(xué)技術(shù)大學(xué) 軟件學(xué)院，安徽 合肥 230051)

0 引言

近年來，云環(huán)境的信任問題一直是學(xué)術(shù)界和工業(yè)界討論的熱點(diǎn)問題[1-4]。由于云環(huán)境的安全性無法得到保障，許多用戶仍然不敢將自己的產(chǎn)品部署在云平臺(tái)上。當(dāng)用戶將自己的產(chǎn)品部署到云上時(shí)，CSP需要確保自己提供的服務(wù)是可信賴的，即具有穩(wěn)定性、安全性和可伸縮性。然而現(xiàn)今用戶與CSP之間的信任關(guān)系主要是CSP單方面對(duì)用戶做出的承諾，沒有一種機(jī)制可以確保這種承諾一定會(huì)按照約定執(zhí)行。另外用戶在選擇CSP時(shí)，主要是根據(jù)以往用過此CSP的客戶的反饋評(píng)價(jià)來進(jìn)行選擇，其中不可避免會(huì)出現(xiàn)不公正的評(píng)價(jià)。

為了解決云環(huán)境的信任問題并提高用戶對(duì)云環(huán)境的信任度，需要建立完善的第三方云服務(wù)信任評(píng)估系統(tǒng)，同時(shí)對(duì)CSP和用戶建立信任評(píng)估體系，實(shí)時(shí)收集并計(jì)算CSP和用戶的信任值，在此信任評(píng)估系統(tǒng)作用下，用戶可以根據(jù)自身需求選擇值得信任的CSP，同時(shí)信任評(píng)估系統(tǒng)也能保證CSP按約提供服務(wù)。

本文提出了云環(huán)境下主客觀協(xié)同的信任模型SOCTM。該模型提取了主觀與客觀特征屬性，使用模糊集將特征屬性中的語言術(shù)語描述轉(zhuǎn)化為具體的數(shù)值，并構(gòu)建特征矩陣。通過應(yīng)用TOPSIS，計(jì)算信任值向量。SOCTM使用用戶主觀賦權(quán)重的方法，可以根據(jù)不同用戶需求，構(gòu)建合適的特征矩陣，從而選擇出符合用戶需求的CSP。

1 相關(guān)工作

近年來，學(xué)術(shù)界提出了多種可信計(jì)算模型，并嘗試將可信計(jì)算模型應(yīng)用到實(shí)際工業(yè)中。但由于提出的可信計(jì)算模型都有某些方面的缺陷，因而在實(shí)際工業(yè)中的應(yīng)用非常少。本節(jié)將討論幾種典型的可信計(jì)算模型，總結(jié)它們的優(yōu)點(diǎn)與不足。

Li Xiaoyong和Du Junping[7]提出了一種自適應(yīng)的可信計(jì)算模型。該模型在SLA的基礎(chǔ)上考慮了時(shí)間和權(quán)重問題。模型以一個(gè)時(shí)間槽為測(cè)量單位，在n個(gè)時(shí)間槽內(nèi)測(cè)量m個(gè)SLA屬性值，首先假定m個(gè)屬性的權(quán)重為(w1,w2,…,wn)，n個(gè)時(shí)間槽的權(quán)重為(a1,a2,…,an)。通過矩陣向量相乘得出最后的信任值。模型使用了粗糙集理論和IOWA算子的方法自適應(yīng)的計(jì)算權(quán)重，使得最終的信任結(jié)果更加準(zhǔn)確。但是該模型僅僅計(jì)算了客觀信任值，沒有結(jié)合用戶的主觀信任值，使得信任值的表達(dá)不夠全面。

MUCHAHARI M K和SINHA S K[8]使用用戶反饋的方法來建立信任模型。服務(wù)提供商的信任值由3部分組成：歷史信任值、其他服務(wù)提供商對(duì)其評(píng)價(jià)得出的信任值以及當(dāng)前用戶反饋得出的信任值。取這三個(gè)值的平均值得出最終的信任值。能夠?qū)υ摲?wù)提供商進(jìn)行評(píng)價(jià)的其他服務(wù)提供商和用戶都必須是可信的，也即其可信值在平均值之上。該模型每計(jì)算一次信任值，需要系統(tǒng)中所有服務(wù)提供商和用戶對(duì)其進(jìn)行評(píng)價(jià)，代價(jià)太高。

Zhao Kang和Pan Li[9]提出了一種基于機(jī)器學(xué)習(xí)的方式計(jì)算信任值的方法并將其應(yīng)用在社交網(wǎng)絡(luò)領(lǐng)域。他們使用SVM方法對(duì)節(jié)點(diǎn)進(jìn)行分類，將其分為可信和不可信。該模型對(duì)應(yīng)于云計(jì)算領(lǐng)域還是有一些不足：僅僅將節(jié)點(diǎn)分為可信和不可信只能提供給用戶一個(gè)參考依據(jù)，不能幫助用戶進(jìn)行選擇；由于模型需要大量的訓(xùn)練數(shù)據(jù)，在初期是不適用的。

2 模型的計(jì)算機(jī)制

本文提出的模型綜合了客觀和主觀信任值。客觀信任通過機(jī)器監(jiān)測(cè)而得，主觀信任通過用戶反饋而得。將這兩者結(jié)合在一起可以彌補(bǔ)主觀或客觀單一描述信任值不夠準(zhǔn)確的問題。下面具體介紹模型的計(jì)算機(jī)制。

2.1 特征屬性的獲取

將屬性值分為兩類，分別為客觀特征屬性和主觀特征屬性?？陀^特征屬性反映了CSP在與用戶交互過程中SLA協(xié)議的完成程度，屬性值由機(jī)器監(jiān)測(cè)得到；主觀特征屬性反映了用戶在使用CSP提供的服務(wù)過程中的滿意程度，屬性值由用戶反饋得到。下面分別介紹這兩部分的特征屬性。

客觀特征屬性：根據(jù)SLA協(xié)議的相關(guān)[6]概念，本文主要關(guān)心服務(wù)的可靠性、安全性和可獲得性?？煽啃源砹薈SP提供穩(wěn)定服務(wù)的能力，使用用戶請(qǐng)求成功率來表示CSP的這一能力。CSP的安全直接關(guān)系到用戶部署在其上的數(shù)據(jù)是否能夠穩(wěn)定存儲(chǔ)或者是否被第三方竊取。因而CSP的安全性對(duì)用戶來說是至關(guān)重要的。使用單位時(shí)間內(nèi)非法請(qǐng)求數(shù)和數(shù)據(jù)加密等級(jí)來衡量CSP的這一特征?？色@得性表示用戶在使用CSP提供的服務(wù)時(shí)CSP的整體性能，用CSP平均響應(yīng)時(shí)間來衡量這一特征。綜上，使用4個(gè)屬性來描述CSP的客觀信任值，分別為：用戶請(qǐng)求成功率、單位時(shí)間非法請(qǐng)求數(shù)、數(shù)據(jù)加密等級(jí)和平均響應(yīng)時(shí)間。將測(cè)量的時(shí)間單位設(shè)為t，CSP與用戶交互的總時(shí)間為m，對(duì)于第i個(gè)特征屬性，我們?nèi)∑湓趍個(gè)時(shí)間單位內(nèi)測(cè)量值的平均值作為最終的屬性測(cè)量值。

主觀特征屬性：用戶在使用CSP的過程中主要關(guān)心CSP的性價(jià)比和穩(wěn)定性，因而這兩個(gè)屬性可以用來刻畫CSP的主觀信任值。另外，CSP是否為用戶提供了滿意的服務(wù)也是一個(gè)重要的衡量指標(biāo)。綜上，使用3個(gè)屬性來描述CSP的客觀信任值，分別為：性價(jià)比、穩(wěn)定性和滿意度。用戶在完成與CSP的交互后需要填寫一份滿意度調(diào)查，用于收集主觀信任部分的信任值。

2.2 屬性值的度量

一共提取了7個(gè)特征屬性，其中客觀特征屬性有4個(gè)，主觀特征屬性有3個(gè)。其中用戶請(qǐng)求成功率、單位時(shí)間非法請(qǐng)求數(shù)和平均響應(yīng)時(shí)間這3個(gè)屬性可以用數(shù)值來表示，記為X1,X2和X3；其余4個(gè)屬性需要用語言術(shù)語來表示，分別是數(shù)據(jù)加密等級(jí)、性價(jià)比、穩(wěn)定性和滿意度，記為X4,X5,X6和X7。表1總結(jié)了這4個(gè)屬性的描述術(shù)語。

從表1中可以看出數(shù)據(jù)加密等級(jí)有4個(gè)術(shù)語等級(jí)，性價(jià)比和穩(wěn)定性有3個(gè)術(shù)語等級(jí)，滿意度有5個(gè)術(shù)語等級(jí)。使用語言術(shù)語描述屬性值，雖然表達(dá)了用戶的主觀感受，但具有很強(qiáng)的模糊性，也不能將語言術(shù)語應(yīng)用到具體的公式進(jìn)行計(jì)算，因而需要將語言術(shù)語轉(zhuǎn)化為模糊數(shù)[10]，最終轉(zhuǎn)化為具體的數(shù)值。文獻(xiàn)[11]中介紹了一種將語言術(shù)語轉(zhuǎn)化為模糊數(shù)的方法。該文獻(xiàn)中定義了8個(gè)等級(jí)轉(zhuǎn)換表，本文選取其中第三等級(jí)轉(zhuǎn)換表。該等級(jí)轉(zhuǎn)換表有5個(gè)等級(jí)尺度，分別為差、很差、中等、好、非常好。將屬性和對(duì)應(yīng)的語言描述術(shù)語轉(zhuǎn)化為相應(yīng)等級(jí)尺度，如表2所示。第三等級(jí)轉(zhuǎn)化表對(duì)應(yīng)的模糊數(shù)如圖1所示。

圖1 第三等級(jí)轉(zhuǎn)化表

X4(數(shù)據(jù)加密等級(jí))一級(jí)、二級(jí)、三級(jí)、四級(jí)X5(性價(jià)比)高、一般、低X6(穩(wěn)定性)高、一般、低X7(滿意度)非常滿意、滿意、一般、不滿意、非常不滿意

表2 語言術(shù)語與等級(jí)尺度轉(zhuǎn)化表

接下來將模糊數(shù)轉(zhuǎn)化為具體的數(shù)值。我們使用文獻(xiàn) [12]提出的左右分值法來確定模糊數(shù)的數(shù)值。具體步驟如下：

有n個(gè)模糊數(shù)，每個(gè)模糊數(shù)表示為Mi，i=1,2,…，n。分別定義模糊數(shù)的最大值和最小值：

(1)

(2)

對(duì)于模糊數(shù)Mi其左右分?jǐn)?shù)值的計(jì)算方法如下：

μL(i)=supx[μmin(x)ΛμMi(x)]

(3)

μR(i)=supx[μmax(x)ΛμMi(x)]

(4)

那么，μL(i)和μR(i)都是在[0,1]之間的具體數(shù)值。

獲得了左右分?jǐn)?shù)值后，使用公式(5)計(jì)算模糊數(shù)Mi的具體數(shù)值：

根據(jù)上述步驟計(jì)算出了X4,X5,X6和X7各個(gè)等級(jí)尺度所表示的具體數(shù)值，如表3所示。

對(duì)于有多個(gè)用戶評(píng)價(jià)同一CSP的情況，取多個(gè)評(píng)價(jià)值得平均值(評(píng)價(jià)值均轉(zhuǎn)換成具體的數(shù)值)。

表3 等級(jí)尺度與數(shù)值轉(zhuǎn)化表

2.3 信任值計(jì)算

使用TOPSIS來計(jì)算CSP的信任值。假設(shè)系統(tǒng)中有m個(gè)CSP，每個(gè)CSP提取出了n個(gè)特征屬性。我們需要根據(jù)特征屬性的數(shù)值計(jì)算m個(gè)CSP的信任值。假設(shè)第i個(gè)CSP的第j個(gè)屬性的測(cè)量值為rij，則可用如下數(shù)值矩陣表示m個(gè)CSP的屬性值：

(6)

由于每個(gè)屬性值的維度不同，需要將其歸一化到同一個(gè)維度上，使用公式(7)進(jìn)行歸一化處理：

(7)

新的數(shù)值矩陣表示為：

(8)

對(duì)于n個(gè)屬性，設(shè)其權(quán)重為w=(w1,w2,…,wn)，其中wi(i=1,2,…,n)表示第i個(gè)屬性的權(quán)重。那么每個(gè)屬性值乘以權(quán)重后的值表示為：

(9)

其中vij=Xij*wj，i=1,2,…,m;j=1,2,…,n。

w1,w2,…,wn反映了每個(gè)屬性對(duì)最終信任值的影響程度。傳統(tǒng)方法一般使用計(jì)算者主觀賦權(quán)重的方法，這種方法由于計(jì)算者的主觀性太強(qiáng)，并不能準(zhǔn)確表示CSP實(shí)際屬性間的權(quán)重關(guān)系。為了改進(jìn)這一問題，將權(quán)重的指定權(quán)交給用戶，用戶在選擇CSP時(shí)可以根據(jù)自身需求，賦予特征矩陣合適的權(quán)重值。

根據(jù)TOPSIS，需要確定每個(gè)屬性在m個(gè)CSP中對(duì)應(yīng)的理想值和最不理想值。

理想值和最不理想值的定義為:

A*= {(maxivij|j∈J),(minivij|j∈J′)

|i=1,2,…,m}={v1*,v2*,…,vn*}

(10)

A-= {(minivij|j∈J),(maxivij|j∈J′)

|i=1,2,…,m}= {v1-,v2-,…,vn-}

(11)

其中J表示正向?qū)傩缘募希驅(qū)傩允侵笇傩灾翟酱笮Ч胶玫膶傩?；J′是負(fù)向?qū)傩缘募?，?fù)向?qū)傩允侵笇傩灾翟叫⌒Ч胶玫膶傩浴?/p>

下面計(jì)算m個(gè)CSP到其理想值和最不理想值的歐幾里得距離：

(12)

(13)

最后根據(jù)如下公式計(jì)算每個(gè)CSP的信任值:

(14)

對(duì)于m個(gè)CSP的信任值，選擇信任值最大的CSP作為最優(yōu)CSP。

3 實(shí)驗(yàn)?zāi)M與分析

為了模擬云計(jì)算環(huán)境，使用云計(jì)算仿真工具CloudSim[13]進(jìn)行模擬實(shí)驗(yàn)，下面具體介紹實(shí)驗(yàn)設(shè)置。

3.1 實(shí)驗(yàn)準(zhǔn)確度分析

使用平均絕對(duì)百分誤差(MAPE)[14]來衡量計(jì)算結(jié)果的準(zhǔn)確度。MAPE的定義為：

(15)

其中，M表示信任值計(jì)算的準(zhǔn)確度，Ti+1表示第i+1個(gè)時(shí)間窗內(nèi)測(cè)得的信任值，Ti表示第i個(gè)時(shí)間窗內(nèi)測(cè)得的信任值，n表示總的測(cè)量次數(shù)。

在本次實(shí)驗(yàn)中，一個(gè)時(shí)間窗表示用戶與CSP的一次交互，將時(shí)間設(shè)定為20 min，總共進(jìn)行20次交互。同時(shí)請(qǐng)來4人作為用戶，每人檢測(cè)與CSP的5次交互，給出主觀反饋值，特征屬性的屬性權(quán)重也由用戶給出。設(shè)置3組對(duì)比實(shí)驗(yàn):第一組實(shí)驗(yàn)中，CSP性能優(yōu)秀，CPU、RAM和帶寬都較高，同時(shí)數(shù)據(jù)加密等級(jí)也達(dá)到了四級(jí)，但是價(jià)格較貴；第二組實(shí)驗(yàn)中，CPU、RAM和帶寬在三組實(shí)驗(yàn)中處于中等配置，數(shù)據(jù)加密等級(jí)為三級(jí)，但是性價(jià)比高；第三組實(shí)驗(yàn)中，CPU、RAM和帶寬配置都較低，數(shù)據(jù)加密等級(jí)也較低。每組實(shí)驗(yàn)中有30%的CSP不能提供承諾的服務(wù)，也就是說達(dá)不到承諾的服務(wù)標(biāo)準(zhǔn)，其余70%的CSP可達(dá)到承諾的服務(wù)標(biāo)準(zhǔn)。實(shí)驗(yàn)配置如表4所示。

表4 實(shí)驗(yàn)參數(shù)配置表

另外在每組實(shí)驗(yàn)中設(shè)置了3組對(duì)比條件，分別為只計(jì)算客觀信任值、只計(jì)算主觀信任值、主客觀結(jié)合方式計(jì)算信任值。圖2顯示了3組實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果。第一組實(shí)驗(yàn)CSP的配置最高，性能最好，測(cè)得的MAPE最低；第三組實(shí)驗(yàn)CSP的配置最低，性能最差，測(cè)得的MAPE最高；第二組介于第一和第三組實(shí)驗(yàn)之間。CSP的配置高、性能好時(shí)，用戶給出的反饋值也會(huì)較好，但由于配置高必然會(huì)使價(jià)格高，因而性價(jià)比不會(huì)很高，這導(dǎo)致第一組實(shí)驗(yàn)中客觀信任值高于主觀信任值，而主客觀結(jié)合的信任值介于兩者之間，因而更真實(shí)地反映了CSP的信任情況。注意到第三組實(shí)驗(yàn)中，主觀信任值測(cè)得的結(jié)果是在客觀信任值之上的，這是因?yàn)楫?dāng)CSP的配置較低時(shí)，其性價(jià)比相對(duì)來說是較高的，使得測(cè)得的主觀信任值高于客觀信任值。

圖2 實(shí)驗(yàn)準(zhǔn)確度分析

綜上，可以得出使用主客觀結(jié)合的信任模型比單獨(dú)使用主觀或客觀信任模型計(jì)算出的信任值更加準(zhǔn)確、可靠。

3.2 模型主觀偏好分析

在2.3小節(jié)中指出SOCTM是通過用戶主觀賦權(quán)重的方式確定各個(gè)特征屬性的重要程度的。本小節(jié)通過實(shí)驗(yàn)驗(yàn)證該方法能否幫助用戶選擇符合自身需求的CSP。

實(shí)驗(yàn)中設(shè)置4個(gè)CSP，每個(gè)CSP都有一個(gè)特征屬性值高于其他組，其余特征屬性值相同。CSP1性價(jià)比較高，CSP2數(shù)據(jù)加密等級(jí)較高，CSP3用戶請(qǐng)求成功率較高，CSP4平均響應(yīng)時(shí)間短(更好)。設(shè)置4組屬性權(quán)重，代表用戶的主觀偏好，如表5所示。

表5 屬性權(quán)重表

將4組屬性權(quán)重分別應(yīng)用到CSP的信任值計(jì)算中，結(jié)果如圖3所示。

圖3 不同屬性權(quán)重對(duì)應(yīng)的信任值

從圖3可以看出，當(dāng)某一特征屬性的權(quán)重較大時(shí)，本文的計(jì)算模型會(huì)將該特征屬性值較大的CSP挑選出來。如第一組實(shí)驗(yàn)，特征屬性的權(quán)重值為0.1，0.1，0.1，0.1，0.3，0.1，0.1，也就是說用戶比較關(guān)心性價(jià)比這一特征，從實(shí)驗(yàn)結(jié)果可以看出，計(jì)算出CSP1的信任值最高，而CSP1的性價(jià)比是在4個(gè)CSP中最高的，因而挑選出了符合用戶需求的CSP。

3.3 與其他模型比較

將SOCTM(模型1)與文獻(xiàn)[5]中提出的基于SLA的信任模型(模型2)進(jìn)行比較。為了公平起見，將各個(gè)特征屬性權(quán)重都設(shè)為相等的值，則模型1每個(gè)特征屬性的權(quán)重為0.142，模型2每個(gè)特征屬性的權(quán)重為0.25。模型1中主觀信任值由5名用戶給出；模型2中不包含主觀信任值。實(shí)驗(yàn)均在5個(gè)CSP，20個(gè)時(shí)間窗內(nèi)進(jìn)行。圖4是實(shí)驗(yàn)結(jié)果。從圖中可以看出模型1的準(zhǔn)確性要高于模型2。這也說明了本文的模型要優(yōu)于模型2。

圖4 兩種模型對(duì)比

4 模型的應(yīng)用

SOCTM可應(yīng)用在實(shí)際的云環(huán)境中，應(yīng)用場(chǎng)景如圖5所示。典型的云環(huán)境會(huì)有多個(gè)CSP，用戶需要從多個(gè)CSP中選取符合自己需求的CSP。傳統(tǒng)的選擇方法是根據(jù)以往的口碑、價(jià)格、服務(wù)類型等因素，用戶自己去判斷哪一個(gè)CSP更好，這種判斷帶有很強(qiáng)的主觀性。另外，影響用戶判斷的因素往往不是公正、客觀的。圖5中使用信任服務(wù)提供商(Trust Service Provider, TSP)作為中間信任代理，用戶在選取CSP時(shí)將直接與TSP進(jìn)行溝通，根據(jù)TSP提供的信任數(shù)據(jù)，選取合適的CSP。SLA Monitor Module 和 User Feedback Module用于收集用戶數(shù)據(jù)，Trust Value Computing Module用于計(jì)算CSP的信任值，信任值計(jì)算使用了SOCTM提出的計(jì)算方法。其余模塊負(fù)責(zé)數(shù)據(jù)存儲(chǔ)、CSP注冊(cè)、用戶協(xié)商與推薦等相關(guān)工作。

SOCTM在云環(huán)境中的應(yīng)用將提高用戶選擇CSP的效率，使用戶選擇出性價(jià)比更高、更符合自身需求的CSP。

圖5 SOCTM模型應(yīng)用場(chǎng)景示意圖

5 結(jié)論

本文提出了主客觀協(xié)同的信任模型。該模型選取了4個(gè)客觀特征屬性以及3個(gè)主觀特征屬性來計(jì)算信任值。在信任值的計(jì)算中，將主客觀特征屬性結(jié)合在一起，使用TOPSIS計(jì)算多個(gè)CSP的信任值。同時(shí)，應(yīng)用模糊集將語言術(shù)語轉(zhuǎn)化為具體的數(shù)值，方便了信任值的計(jì)算。在特征屬性權(quán)重方面，使用用戶賦權(quán)重的方法，可以滿足不同用戶的特殊需求。從實(shí)驗(yàn)結(jié)果可以看出本文提出的模型可以挑選出符合用戶需求的CSP，同時(shí)在準(zhǔn)確性方面，本文的模型也要優(yōu)于其他模型。

雖然本文的模型取得了不錯(cuò)的效果，但仍然有許多需要改進(jìn)的地方?？陀^特征屬性的選取過程中只選取了4個(gè)關(guān)鍵屬性，在實(shí)際應(yīng)用中，可能不能完全描述CSP的服務(wù)情況。另外，可以將CSP的歷史信任值作為用戶選擇CSP時(shí)的參考值，如果計(jì)算CSP信任值時(shí)的屬性權(quán)重符合用戶需求，那么用戶在選擇CSP時(shí)，系統(tǒng)就不必重新計(jì)算信任值了，這樣可以大大提升模型的效率。

[1] KAPIL D, TYAGI P, KUMAR S， TAMTA V P. Cloud computing: overview and research issues[J]. 2017 International Conference on Green Informatics，ICGI, Fuzhou, China, 2017：71-76.

[2] HARBAJANKA S， SAXENA P. Survey paper on trust management and security issues in cloud computing[J]. 2016 CDAN, Indore, 2016：1-3.

[3] 沈昌祥,張煥國(guó).可信計(jì)算的研究與發(fā)展[J].中國(guó)科學(xué)，2010,40(2):139-166.

[4] 丁滟,王懷民. 可信云服務(wù)[J].計(jì)算機(jī)學(xué)報(bào)，2005,38(1):133-149.

[5] CHAKRABORTY S， ROY K. An SLA-based Framework for Estimating Trustworthiness of a Cloud[J]. 2012 IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications, Liverpool, 2012：937-942.

[6] ALHAMAD M, DILLON T， CHANG E. Conceptual SLA framework for cloud computing[J]. 4th IEEE International Conference on Digital Ecosystems and Technologies, Dubai, 2010：606-610.

[7] Li Xiaoyong，Du Junping. Adaptive and attribute-based trust model for service level agreement guarantee in cloud computing[J]. IET Information Security, v2013,7(1)：39-50.

[8] MUCHAHARI M K， SINHA S K.A new trust management architecture for Cloud computing environment[J]. 2012 International Symposium on Cloud and Services Computing, Mangalore, 2012：136-140.

[9] Zhao Kang， Pan Li. A machine learning based trust evaluation framework for online social networks[J].2014 IEEE 13th International Conference on Trust, Security and Privacy in Computing and Communications, Beijing, 2014: 69-74.

[10] DUBOIS D, PRADE H. Fuzzy sets and systems: theory and applications[M]. New York：Academic Press, 1980.

[11] CHEN S J， HWANG C L. Fuzzy multiple attribute decision making[M]. Lecture Notes in Economics and Mathematical Systems，Springer, 1992,375 (1) :289-486.

[12] Chen Shanhuo. Ranking fuzzy numbers with maximizing set and minimizing set[J]. Fuzzy Sets and Systems, 1985，17(2)：113-129.

[13] 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 and Experience, 2011,41 (1) :23-50.

[14] SWANSON D A, TAYMAN J, BRYAN T M. MAPE-R: a rescaled measure of accuracy for cross-sectional subnational population forecasts[J]. Journal of Population Research, 2011，28(2-3):225-243.