7.6.1　准确率

准确率，指信任评估结果与真实可信程度的一致性。由于在云计算环境中实体的行为表现无法预测，所以这里假设每个云实体的表现都是随机的。并且，由于在云计算环境中组件是云服务的实际承担者，因此相较于其他模型，LBCTM拥有层内信任与层间信任组合而成的更加立体的信任关系。所以，本节通过模拟若干次云计算实体的随机表现，经过若干次信任评估后，对比同样的实体处于不同的上下文环境中、表现不同时，不同信任管理模型的信任评估的准确率。

如表7-2所示，假设云计算环境中有10个租户、2个云服务提供者、20个组件，其中每个实体的信任度初值均为0.5。租户与组件的行为表现为随机值，信任度取值范围为[0，1]。每个租户与组件的层间交互次数为随机值，交互次数取值范围为[0，100]。租户与租户、组件与组件的层内交互次数为随机值，交互次数取值范围为[0，50]。可信度评估的可信度阈值为0.75。在初始实验中，使交互实体服务质量服从平均分布；之后的每次实验中，按照表格中的参数进行随机交互并求取实体间信任评估准确率的平均值。在这种实验环境下，不同信任管理模型计算得到的信任度的准确率结果如图7-8所示。

表7-2　准确率实验模拟参数

图7-8　准确率实验结果

随着实验次数的增加，三种模型的准确度呈不同程度的波动，且略微有所下降。因为初始实验采取了服务平均分配的策略，因此三种模型的评估准确率相同。随着实验次数的增加，实验中实体的随机性越来越强，导致三种模型的准确率均有所下降。实体的表现越随机，则模型的准确率越低；表现越均衡，则模型的准确率越高。因此在初始实验中，三种模型的准确率最高且相等，在第900次的实验模拟中，随着实体较差的随机表现，三种模型的准确率均最低。因为实体的随机表现是模拟现实交互场景的，所以三种模型的准确率只是在一定范围内波动，并不存在一致性走向。

然而，在这这种实验场景下LBCTM的准确率仍略高于Cloud Armor与T-Broker。因为在Cloud Armor与T-Broker模型中，实体的身份只有服务提供者与租户两种，信任关系比较简单。而LBCTM定义了组件与云的概念，因此实体之间有了更细粒度的层次关系。当组件所处的云不同的情况下，组件的信任直接影响云本身的信任，同时云的信任在进行推荐信任时也对组件的信任产生影响。在这种相互作用的情况下，层次化信任管理模型在进行信任评估时，通过时间窗口减少了部分不重要的信任数据参与运算；通过时间衰减因子使得不同时间的交互证据对信任评估的影响更加接近真实；根据交互次数动态分配直接信任与间接信任的权重，使得信任融合方法更加合理。因此，模型LBCTM的准确率较其他模型高。