7.4.2 直接信任度算法
通过上一节可以获得实体Ei与实体Ej的行为信任向量BVij。然而LBCTM将云计算实体分为三种：云（云服务提供者）、云租户和组件，并且根据不同的实体身份划分了各种应用场景。因此在不同的应用场景下实体间的直接信任
也不完全相同。
其中，实体Ei与实体Ej的行为信任向量
表示第k次行为信任值所对应的时刻。Ut（Ej）表示组件Ej所属云在时刻t的信誉度。θ（t）表示对于时刻t的时间衰减因子。
对于
有以下4种情况。
（1）Ei是租户，Ej是组件：
）为组件Ej所属云于时刻
的信誉度。
（2）Ei是租户，Ej是租户
，因为租户不隶属于其他集合。
（3）Ei是组件，Ej是组件：当Ei与Ej不属于同一个云时，
为组件Ej所属云于时刻
的信誉度。否则，
，即组件无条件相信自身所处的云。
（4）Ei是组件，Ej是租户：
，因为租户不隶属于其他集合。
考虑到信任具有时间相关性，所以需要设置信任的时间衰减因子来对行为信任值进行处理，提高信任管理的准确性。比如，租户A与组件B之间一共有过5次交互历史，第1次组件B提供的服务质量最优，第5次组件B提供的服务质量最差，按照时间的顺序服务质量依次递减。在这种情况下，如果对每次交互历史都同等权重看待，则在下一次使用组件B所提供的服务时，认为组件B的信任度为中等，这显然是不符合实际情况的。
作为信任的自然属性，信任是随着时间的推移而进行衰减的。在以上的例子中，尽管早些时候组件B所提供的服务质量较好，但由于组件B最近几次交互的表现都非常差，下次使用时可以认为组件B所提供的服务质量较差。
并且，在租户A与组件B的交互历史中，太久之前的交互历史是可以忽略的。比如，租户A与组件B一共进行了100次交互，若依次计算其100次交互历史的信任度并且进行时间衰减，模型将承受过多不必要的计算，降低了模型的效率。
所以，引入时间窗口的概念来解决这一问题。时间窗口是由一段连续的时间序列组成的，时间窗口的长度有限，在计算信任时，只计算时间窗口内实体间的交互历史，避免了不必要的计算。
本章引入时间衰减因子θ（t）来对实体间交互历史根据发生的时间进行衰减，公式如下：
其中，Δt代表该交互记录与当前时刻的时间差，α为常数用来控制衰减速度，decay Time Threshold为时间窗口阈值。
至此，从信任证据TE推导获得行为信任BV以及直接信任DV，进而可以获得实体Ei与实体Ej的直接信任关系矩阵D。