7.5 信任模型LBCTM的综合信任度评估算法
7.4节提出了直接信任度算法，详细描述了实体间直接信任度的初始化形成以及直接信任关系的更新。然而，在云计算环境中两个实体很可能从未发生过直接的交互行为，即在信任关系网中二者并不存在直接信任关系。本节将通过直接信任关系推导得出间接信任关系，进而获得实体间的综合信任关系，同时获得云的信誉度向量。
7.4节获得了云环境中任意实体Ei与实体Ej的直接关系矩阵D，其中
表示在t时刻实体Ei与实体Ej的直接信任度。
当实体Ei与实体Ej发生交互时，Ei可以根据本身与Ej的交互历史而获取实体间的直接信任Dij，同时Ei向其他实体
发送查询请求来获得其他实体对Ej的推荐信任。由于不同的实体
都保存着与Ei的交互历史，这些其他实体
的直接信任相对于请求实体Ei来讲就是推荐信任。
然而，并非每个其他实体
都可以以同样的影响程度向请求实体Ei反馈其推荐信任，因为实体之间的信赖程度也不尽相同。比如，实体A将要与实体B进行交互，实体A可以向其他实体寻求它们对实体B的信任程度。其他实体相对于A来讲是推荐实体，由于推荐实体本身相对于请求实体而言也具有不同的信任度，因此在向实体A推荐其对B的信任度时，需要根据请求实体Ei对推荐实体El 的信任度进行综合计算。
通过信任关系的推导，可以获得实体Ei关于实体Ej的间接信任度
。
其中，
表示对于实体Ei而言的推荐实体。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推荐实体
的获取也不完全相同。
对于
有两种情况。
（1）Ei是租户：推荐实体应当是租户身份，即
属于租户层。
（2）Ei是组件：推荐实体应当是组件身份，即
属于组件层。
表示在t时刻推荐实体
对实体Ej的直接信任值，
表示实体Ei对推荐实体
的综合信任值，Ut（Ej）表示实体Ej所属云在时刻t的信誉度。
如同直接信任评估算法一样，对于Ut（Ej）有4种情况。
（1）
是租户，Ej是组件：Ut（Ej）为组件Ej所属云于时刻t的信誉度。
（2）
是租户，Ej是租户：Ut（Ej）=1，因为租户不隶属于其他集合。
（3）
是组件，Ej是组件：当El与Ej不属于同一个云时，Ut（Ej）为组件Ej所属云于时刻t的信誉度。否则，Ut（Ej）=1，即组件无条件相信自身所处的云。
（4）
是组件，Ej是租户：Ut（Ej）=1，因为租户不隶属于其他集合。
设云环境中有n个云，其中第i个云包含j个组件，设组成云i的组件集合为G，即Ej∈G。云的信誉由其组成组件的综合信任值共同计算所得，称之为云的信誉度，记为
。
表 示其他实体
在时刻t对组件Ej的综合信任。
至此，从直接信任关系矩阵D推导获得了间接信任关系矩阵R以及云的信誉度向量U。接下来要对实体Ei与实体Ej进行综合信任评估。
用三元组表示综合信任度评估算法，Overall TrustScheme=（D，I，U），其中D表示直接信任关系矩阵，I表示间接信任关系矩阵，U表示云的信誉度向量。
LBCTM的工作流程一共分为三个步骤：请求实体提出使用服务请求、根据信任度筛选服务实体、请求实体与服务实体完成交互。通过实体间的交互历史可以获得直接信任关系矩阵D，进而获得间接信任关系矩阵I，这里需要将直接信任与间接信任结合起来生成实体的全局信任，以供请求实体与服务实体进行双向选择。
在现有的信任管理模型中，直接信任与间接信任的综合大多是通过专家意见或平均权重的静态权重分配的方法计算的，这是与实际不符的。因为当实体间进行交互时，若交互主体与客体之间有着足够多的交互历史，那么主体将拥有大量的关于客体的直接信任，这时间接信任对主体的参考意义将会下降。同理，当主体与客体拥有极少的交互历史时，那么主体将拥有极少的关于客体的直接信任，主体将更多地依赖由其他实体推荐而来的间接信任。在这两种情况下，现有的权重分配方法不满足客观实际。
比如，用户A与企业B进行合作时，由于他们之间拥有长期的合作经验，用户A可以理所当然地认为企业B的服务质量就是为自身提供的服务质量，而不需要听取其他用户对企业B的评价。若用户A从未或者很少与企业B进行合作，那么其他用户对于企业B的评价将大大影响用户A的合作意向。可能企业B之前为用户A提供的服务质量较好，但大量的其他用户对企业B的评价较差，那么用户A将极有可能不再与企业B进行合作。
通过以上分析，实体间的交互次数对直接信任与间接信任之间的权重分配有着至关重要的作用。因此，引入交互次数阈值的概念，根据交互次数动态分配直接信任与间接信任的权重。
设实体Ei与实体Ej的综合信任值为
，则
其中，n代表实体Ei与实体Ej的直接交互次数，Nmax代表交互次数上限阈值，Nmin代表交互次数下限阈值。在进行综合信任评估时，若实体Ei与实体Ej的直接交互次数n大于等于上限阈值Nmax，则认为实体Ei可以仅依靠直接信任判别是否信任实体Ej；若直接交互次数n小于等于下限阈值Nmin，则认为实体Ei可以仅依靠间接信任判别是否信任实体Ej；其他情况下，则综合信任等于直接信任与间接信任的加权和。β代表调节系数，用于自动调节权重，计算公式如下：
其中，m代表实体Ei与其他实体
的交互次数相对于与实体Ej的交互次数的比例系数。θ为常数，用以控制β趋向于1的速度。当实体Ei与实体Ej的交互次数远远大于与其他实体
的交互次数时，m将减小，β将减小并趋近于0，在全局信任中直接信任的权重趋近于1，符合之前我们对综合信任的定义。
至此，获得了实体Ei与实体Ej的综合信任值，为
，并可进一步得出实体Ei与实体Ej的综合信任关系矩阵O。