7.6.2　稳健性

稳健性，指信任评估系统在不同应用场景下进行信任评估时，评估结果影响其评估准确率的程度，即系统的鲁棒性。在云计算环境中，信任评估由实体间的交互历史数据计算获得。具体来说，信任评估结果为直接信任与间接信任融合而来。然而，在其他的信任评估系统中，如T-Broker与Cloud Armor，直接信任与间接信任往往是用预定义的、静态的方法进行综合计算，这失去了信任评估过程的动态变化性与自适应性，使得在不同交互次数的情况下，信任评估的准确率差异较大，因此影响了信任评估系统的稳健性。本节通过模拟租户A与组件B的直接交互历史次数来评估租户A关于组件B的信任，判断其信任评估准确率的变化来说明相同条件下不同信任评估系统的稳健性差异。

如表7-3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，租户A与组件B是其中两个实体。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]。其他租户与组件B的交互次数为随机值，交互次数取值范围为[0，50]。其他租户与租户A、其他组件与组件的B层内交互次数为随机值，交互次数取值范围为[0，50]。租户A与租户B的交互次数分别为{0，10，20，30，70，50}，即代表很少交互次数到很多交互次数，可信度评估的可信度阈值为0.75。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变化如图7-9所示。

表7-3　稳健性实验模拟参数

在租户A与组件B的直接交互次数不同的情况下，不同信任模型得到的信任准确率变化不同。而在实体交互次数较少或较多时，信任评估准确率较低，交互次数处于均衡状态时准确率较高，因此实验结果呈现出轻微抛物线的走势。然而在此情境中，LBCTM的准确率变化较为平缓，较T-Broker与Cloud Armor呈现出明显优势。

在T-Broker与Cloud Armor模型中，直接信任与间接信任采取专家意见等其他方法的静态权重分配，使得模型在极端情况（交互次数极少、交互次数极多）下的准确性较差，以致系统的稳健性较差。在实体交互次数为0～100时，在T-Broker与Cloud Armor模型中，直接信任与间接信任的权重分配方法为静态分配，但在此条件下实体间并无直接交互经验或交互次数较少。从社会学的角度得出，此时实体对间接信任的依赖应大于对直接信任的依赖，而T-Broker与Cloud Armor在信任评估时依然采取静态权重策略，导致评估准确率较低。在实体交互次数为900～1 300时，T-Broker与Cloud Armor模型同样对直接信任与间接信任进行静态权重分配。然而在实体间交互历史很多的情况下，实体应当更加依赖直接信任而降低对间接信任的依赖。如图7-9所示，在实体间交互次数较少或较多的情况下，LBCTM采取了动态权限分配的方法进行信任融合，使得模型在这种极端情况下表现优异，在普通交互场景下的信任准确率优良，提高了信任管理系统的稳健性。同时由于本模型采取了层次化的方法进行分层信任评估，所以在进行信任评估时，实体随机表现映射到三层模型中信任关系比较明朗，只需按层次关系进行信任评估即可。云组件与云的从属关系使得信任变化平缓，因此实体的随机表现对本模型的信任评估影响最小，导致实验结果曲线波动较小。

图7-9　稳健性实验结果