Trust Management Based on User Feedback in Cloud Computing Environment by Using Cuckoo Optimization Algorithm
Subject Areas : ICTMuqtada Soleimani Mobarake 1 , Golnaz Aghaee 2 * , Babak Nikmard 3
1 - Masters student, Computer Engineering, Department of Computer Engineering, Islamic Azad University, Dolatabad Branch, Isfahan, Iran
2 - Department of Computer ,Dolat abad Branch, Islamic Azad University, isfahan, Iran
3 - Department of Computer ,Dolat abad Branch, Islamic Azad University, isfahan, Iran
Keywords: cloud computing, trust management, user feedback, cuckoo optimization algorithm, K-Means algorithm,
Abstract :
Cloud computing provides computational services such as servers, memory, storage space, databases, networks, software, analytics, and information as virtualized resources through the internet to offer faster innovation, flexible resources, and cost savings at scale. Although cloud computing service providers are innovatively expanding their services, trust is one of the major obstacles to the progress of this matter. Trust is the biggest issue in cloud computing since trust is an effective guarantor during interactions between the users and the providers. Trust is one of the most fundamental methods for increasing confidence in resources provided in the cloud environment and is important in cloud business environments. With the increasing number of cloud services providers in the cloud computing environment and the number of users, the selection of provider has become a major challenge. The Coa algorithm has a higher convergence speed, at least by 5.9%, compared to the studied algorithms. In this research, an optimization approach based on a metaheuristic process using the COA algorithm combined with the K-means clustering algorithm is proposed to solve the optimization problem of selecting the best provider in the trust management third-party component layer based on parameters. In this method, while reducing trust evaluation time, the accuracy of user access to the most trusted provider based on user priorities has increased compared to previous methods. This can increase user confidence and improve the quality of service providers.
[1] Jens Lansing , Ali Sunyaev, “Trust in CloudComputing: Conceptual Typology and Trust- BuildingAntecedents”, ACM SIGMIS Database SystemsVolume 47Issue 2May 2016,pp 58–96
[2] Huang, J., Nicol, D.M, “Trust mechanisms for cloud computing”, Journal of Cloud Computing Advances, Systems and Applications volume 2, Article number: 9 (2013) , pp 1-14.
[3] F. Azzedin and M. Maheswaran, "Towards Trust-Aware Resource Management in Grid Computing Systems," 2nd IEEE/ACM International Symposium on Cluster Computing and the Grid CCGRID'02), Berlin, Germany, 2002, pp. 452-452.
[4] Abhishek Kesarwani, Pabitra Mohan Khilar, " Development of trustbased access control models using fuzzy logic in cloud computing " Journal of King Saud University - Computer and Information Sciences, Volume 34, Issue 5, 2022, pp1958-1967.
[5] P. Gupta, M. K. Goyal and P. Kumar, "Trust and reliabilitybased load balancing algorithm for cloud . IaaS," 2013 3rd IEEE International Advance Computing Conference (IACC), Ghaziabad, India, 2013, pp. 65-69.
[6] Mohammad Javad Salehi1, Mehrdad Ashtiani2* and Behrouz Minaei Bidgoli Cloud Service Selection based on the Credibility persistency of Users’Feedbacks, Volume 7, Issue 1 December 2018Pages 29-41.
[7] Tabassum N. Mujawar, Lokesh B. Bhajantri, “Behavior and feedbackbased trust computation in cloud environment”, Journal of King Saud University - Computer and Information Sciences, Volume 34, Issue 8, PartA,2022, Pages 4956-4967.
[8] Aghaee Ghazvini, G., Mohsenzadeh, M., Nasiri, R. et al. " A new multi-level trust management framework (MLTM) for solving the invalidity and sparse problems of user feedback ratings in cloud environments”. J Supercomput 77, (2021), pp2326–2354 (2021).
[9] H. Hassan, A. I. El-Desouky, A. Ibrahim, E. -S. M. El-Kenawy and R. Arnous, "Enhanced QoS-Based Model for Trust Assessment in Cloud Computing Environment," in IEEE Access, 2020, vol. 8, pp. 43752-43763.
[10] Aghaee Ghazvini, G, Mohsenzadeh, M, Nasiri, R, Masoud Rahmani, A. MMLT: A mutual multilevel trust framework based on trusted third parties in multicloud environments. Software Pract .Exper. 2020; 50: 1203– 1227, pp 1-25.
[11] Noor, T.H., Sheng, Q.Z. (2011). “Trust as a Service: A Framework for Trust Management in Cloud Environments” In: Bouguettaya, A., Hauswirth, M., Liu, L. (eds) Web Information System Engineering – WISE 2011. WISE 2011. Lecture Notes in Computer Science, vol 6997. Springer, Berlin, Heidelberg.pp315-317.
[12] Shakeel Ahmad, Bashir Ahmad, Sheikh Muhammad Saqib and Rashid Muhammad Khattak, “Trust Model : Cloud’s Provider and Cloud’s User”,International Journal of Advanced Science and Technology Vol.44,July,2012.
[13] Saurabh Kumar Garg, Steve Versteeg, Rajkumar Buyya, A framework for ranking of cloud computing services, Future Generation Computer Systems, Volume 29, Issue 4,2013, Pages 1012-1023,
[14] Muhammad Kashif Naseer, Sohail Jabbar, Dr. Irfan Zafar, “ ANovel Trust Model for Selection of . Cloud Service Provider”, (IEEE 2014) ,2014.
[15] Paul Manuel, 2015. "A trust model of cloud computing based on Quality of Service," Annals of . Operations Research, Springer, vol. 233(1), pages 281-292, October.
[16] Talal H. Noor, Quan Z. Sheng, Athman Bouguettaya ,Trust Management in Cloud Services, Springer, 2014,pp1-119.
[17] Ricardo Perez-Truglia, Markets, trust and cultural biases: evidence from eBay, Journal of Behavioral and Experimental Economics, Volume 72,2018, pp 17-27.
[18] Rajabioun, Ramin. (2011). Cuckoo Optimization Algorithm. Applied Soft Computing. 11. pp5508–5518.
[19] J. Gibson, R. Rondeau, D. Eveleigh and Q. Tan, "Benefits and challenges of three cloud computing service models," 2012 Fourth International Conference on Computational Aspects of Social Networks (CASoN), Sao Carlos, Brazil, 2012, pp. 198-205
. [20] Sana, Kouchi & Nacer, Hassina. (2022). Service Selection in Cloud Computing Environment by Using Cuckoo Search. 10.1007/978-3-030-91738-8_2 pp219-227.
Journal of Information and
Communication Technology
Volume 16, Issue 61-62, Autumn and Winter 2024, pp. 147-164
Trust Management Based on User Feedback in Cloud Computing Environment by Using Cuckoo Optimization Algorithm
Muqtada Soleimani Mobarake1, Golnaz Aghaee Ghazvini11, Babak Nikmard1
1 Department of Computer Engineering, Dol. C., Islamic Azad University, Isfahan, Iran
Received: 28 September 2023, Revised: 20 November 2023, Accepted: 01 May 2024
Paper type: Research
Abstract
Cloud computing provides computational services such as servers, memory, storage space, databases, networks, software, analytics, and information as virtualized resources through the internet to offer faster innovation, flexible resources, and cost savings at scale. Although cloud computing service providers are innovatively expanding their services, trust is one of the major obstacles to the progress of this matter. Trust is the biggest issue in cloud computing since trust is an effective guarantor during interactions between the users and the providers. Trust is one of the most fundamental methods for increasing confidence in resources provided in the cloud environment and is important in cloud business environments. With the increasing number of cloud services providers in the cloud computing environment and the number of users, the selection of provider has become a major challenge. The Coa algorithm has a higher convergence speed, at least by 5.9%, compared to the studied algorithms. In this research, an optimization approach based on a metaheuristic process using the COA algorithm combined with the K-means clustering algorithm is proposed to solve the optimization problem of selecting the best provider in the trust management third-party component layer based on parameters. In this method, while reducing trust evaluation time, the accuracy of user access to the most trusted provider based on user priorities has increased compared to previous methods. This can increase user confidence and improve the service quality of providers.
Keywords: Cloud Computing, Trust Management, User Feedback, Cuckoo Optimization Algorithm, K-Means Algorithm
مدیریت اعتماد مبتنی بر بازخورد کاربران در محیط ابری با استفاده از الگوریتم بهینه فاخته
مقتدا سلیمانی مبارکه1، گلناز آقایی قزوینی12، بابک نیکمرد1
1 گروه مهندسی کامپیوتر، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران
تاریخ دریافت: 06/07/1402 تاریخ بازبینی: 29/08/1402 تاریخ پذیرش: 12/02/1403
نوع مقاله: پژوهشی
چکيده
مدیریت اعتماد مبتنی بر بازخورد کاربران در محیط ابری از اهمیت زیادی برخوردار است. در محیط ابری انتخاب تأمینکننده برای کاربران ابر، چالش برانگیز است. این موضوع که آیا انتخاب تامینکننده بر مبنای اولویتهای کاربر و پارامترهای ثبت شده تا چه میزان دقیق است به عوامل زیادی بستگی دارد. در مطالعات پیشین چارچوبهای زیادی در خصوص نحوه محاسبه اعتمادهای عینی و درونی ارائه شده است. در روشهای موجود با استفاده از الگوریتمهای جستجوی فاخته، ژنتیک و مگس میوه بهره برده شده است. قالب تحقیقات انجام شده به رتبهبندی، محاسبه پارامترها و یا سرعت محاسبه و میزان دقت در ارزیابی پارامترها پرداخته شده است که معمولاٌ یا در بهینه محلی گیر کرده و یا زمان پاسخ بسیار کند بوده است. در این روش کاهش زمان ارزیابی اعتماد، نسبت به الگوریتمهای قبلی همچون ژنتیک به دلیل این که پارامترهای کمتری برای تنظیم دارد مشهود است. با تغییر در شعاع تخمگذاری و افزایش بررسی در فضای بیشتری از مسئله، الگوریتم بهینه فاخته نسبت به الگوریتم مرجع، سرعت همگرایی بیشتر، حداقل به میزان 5.9 درصد را دارد. در خصوص میزان دقت دسترسی کاربر به قابل اعتمادترین ارائهدهنده نیز با تغییر در جمعیت و پارامترهایی همچون تعداد فراهمکنندگان، کاربران و تکرار الگوریتم همچنان نتیجه بهتری حاصل شده است. در مجموع، نتایج حاصل شده نشان میدهد، مسئله با استفاده از الگوریتم بهینه فاخته در زمان بسیار کمتر نسبت به سایر الگوریتمها به نقطه بهینه همگرا میشود و نتیجهای دقیقتر بدست میآید.
کلیدواژگان: رایانش ابـری، مدیریت اعتـماد، بازخورد کاربران، انتخاب بهترین تامینکننده، الگوریتم بهینه فاخته، الگوریتم خوشهبندی K-Means.
[1] * Corresponding Author’s email: g.aghaee@iauda.ac.ir
[2] * رایانامة نويسنده مسؤول: g.aghaee@iauda.ac.ir
1- مقدمه
رایانش ابری ارائه سرویسهای محاسباتی مانند سرورها، حافظه، فضای ذخیرهسازی، پایگاههای اطلاعاتی، شبکهها، نرمافزارها، تجزیه و تحلیلها و اطلاعات بصورت منبعهای مجازی شده توسط تامینکنندگان خدمت از طریق اینترنت برای ارائه نوآوری سریعتر و منابع انعطاف پذیر و صرفه جویی در مقیاس است. با وجود اینکه تامینکنندگان خدمات رایانش ابری به گسترش روز افزون خدمات خود بصورت مبتکرانه میپردازند اما اعتماد یکی از موانع مهم بر سر راه پیشرفت این امر میباشد. اعتماد بزرگترین مسئله در رایانش ابری است، چرا که تضمین وجود اعتماد دادهها بطور موثر در طول تعاملات بین کاربر و ابر میباشد که به سبب آن یک ارتباط قابل اعتماد متقابل بین کاربر و ارائهدهنده خدمات ابر با روشهای کنترل دسترسی در محیط ابری بوجود میآید. اگرچه برای انتخاب ارئهدهنده خدمات ابری طیف وسیعی از معیارها وجود دارد با این حال انتخاب نهایی در اختیار کاربر است. استفاده از چارچوبی مناسب در مدیریت اعتمادهای عینی و درونی با بهره بردن از معیارها وارزیابی آن میتواند تاثیر بسزایی در تعاملات بین تامینکنندگان و کاربران ابری بگذارد. در این مقاله با توجه به اهمیت موضوع، جهت بهبود و افزایش اعتماد و انتخاب بهترین تامینکننده با در نظر گرفتن پارامترهای عینی و درونی در محاسبات یک روش مبتنی بر الگوریتم بهینه فاخته ارائه شده است تا علاوه بر سرعت در مدیریت دادهها و دریافت پاسخ در کمترین زمان ممکن میزان دقت در معرفی بهترین تامینکننده نیز نسبت به الگوریتمهای بکارگرفته شده در پژوهشهای قبلی بر مبنای اولویتهای کاربران افزایش یافته است. در این مقاله یک الگوریتم بهینهسازی تکاملی جدید معرفی میشود که از سبک زندگی یک خانواده پرندگان به نام فاخته الهام گرفته شده است. تخمگذاری و پرورش خاص فاختهها اساس این الگوریتم بهینهسازی جدید است. تلاش برای زنده ماندن در میان فاختهها اساس الگوریتم بهینهسازی فاخته را تشکیل میدهد. با توجه به اهمیت موضوع و جهت بهبود و افزایش اعتماد در محاسبات ابری در مدیریت دادهها در بستر رایانش ابری یک روش مبتنی بر الگوریتم تکاملی فاخته ارائه شده است. در روش پیشنهادی، بازخورد کاربران و کیفیت سرویس ارائهدهندگان در سیستم ثبت میشود و این اطلاعات به عنوان پارامترهای ورودی الگوریتم فاخته استفاده میشود. تلاش میشود کمک شایانی به کاهش اندازه مسئله مورد نظر، همچنین کاهش فضای جستجو برای کاربران و کاهش پراکندگی بازخورد کاربران انجام شود. همچنین با بهرهمندی از این الگوریتم، باید بتوان به بهترین و قابلاعتمادترین ارائهدهنده برمبنای بازخورد کاربران و کیفیت سرویس درفضای رایانش ابری، در مدت زمان کمتر و ارائهدهندهای با کارایی بالاتر دست یافته شود. .بصورت کلی کاربران ابری خواهند توانست در سریعترین زمان ممکن با در نظر گرفتن نیازمندیها و اولویتهای خود سرویس ابری را انتخاب نمایند.
ادامه مقاله به شرح زیر سازماندهی شده است: بخش دوم مروری بر مطالعات انجام شده و دربخش سوم پیشینه نیز توضیح داده میشود. در بخش چهارم چارچوب پیشنهادی مورد بحث قرار گرفته است. رویکرد ارزیابی اعتماد با استفاده از الگوریتم بهینه فاخته در بخش پنجم ارائه شده است. در بخش ششم نتایج شبیهسازی و پیادهسازی بیان شده است. و در بخش انتهایی با ارائه نتیجه و پیشنهادات آتی مقاله به پایان میرسد.
2- مروری بر مطالعات انجام شده
در پژوهشهای انجام شده اعتماد بر پایه بازخورد، دامنه و توافق مورد محاسبه و ارزیابی قرار گرفتهاند. این ارزیابی بصورت عینی و یا درونی انجام و هرکدام دارای نحوه عملکرد منحصر بفرد خود هستند. نحوه محاسبه بر مبنای تحلیل سلسله مراتبی، اعتماد چند نوبتی، سابقه تعامل، اعتماد درون و برون دامنه انجام شده است. بعنوان نمونه در مطالعات انجام شده با تبادل فایلها میان نودها بر مبنای سابقه تعاملات و گزارشات میان نودها و حفظ جامعیت دیتا فرایند ارزیابی صورت میگیرد و یا با استفاده از پارامترهای قابل اندازهگیری مثل اطمینان، هزینه، امنیت و بهره بردن از مکانیزم رتبهبندی در ارزیابی با تحلیل سلسله مراتبی راهکارهایی پیشنهاد شده، اما ضعف این موارد در عدم کاربرد برای بعضی پارامترهایی است که قابل اندازهگیری نیستند. در راهکارهایی که فرایند اعتماد در چند مرحله صورت میگیرد وابستگی به تامینکنندگان سرویس ابری بسیار زیاد است. در نمونههای جامعتر نیز همچون ارزیابی بر مبنای دسترسیپذیری، قابلیت اطمینان و یکپارچگی داده و کارایی زمان پاسخ نیز با وجود اینکه بهترین منبع انتخاب میشود اما زمانبندی و نوبت درخواستهای کاربران نادیده گرفته میشود.
در بعضی از پژوهشها محاسبه مقدار اعتماد بین گرهها بر اساس تبادلات، جدول اعتماد، جدول اعتماد درون دامنه و جدول اعتماد برون دامنه بود با وجود این که برای دامنهها از سیاستهای امنیتی مختلفی استفاده میشود و یا از تاریخچه تراکنش و سابقه بهره میبرد اما ممکن است گره مربوطه به چندین دامنه تعلق داشته باشد و یا موضوع تراکنش که یک عامل ضروری در تشخیص مقدار اعتماد است در نظر گرفته نشود. در جدیدترین مطالعات انجام شده در این خصوص مدیریت اعتماد دوطرفه در محیط محاسبات تکابری و چندابری به همراه راهکارهایی برای بازخوردهای نامعتبر و پراکنده، رتبهبندی بازخورد کاربران پیشنهاد شده است که البته مقادیر بازخوردها ایستا در نظر گرفته شده است .
در روش پیشنهادی مدیریت اعتماد از طریق مولفه شخص ثالث قابل اطمینان انجام میشود. این عامل با به کارگیری سرویسهای تعبیه شده در مولفههای خود به ارزیابی قابلیت اعتماد تامینکنندگان سرویس ابری به صورت عینی و درونی، خوشهبندی و رتبهبندی سرویسهای ابری مورد اعتماد بر اساس سلایق و اولویتهای شخصـیسـازی شده کاربران، جمـعآوری و یکپـارچه سازی مقادیر اعتماد ارزیابی شده از ارائهدهندگان در محیط ابری، ارزیابی اعتماد کاربر ابری مبتنی بر بازخوردهای ثبت شده در سیستم مدیریت اعتماد، پیشنهاد ارائهدهندگان با بیشترین شباهت با اولویتهای کاربران بر مبنای پارامترهای عینی و درونی میپردازد. به نحوی که علاوه بر حفظ ویژگیهای مذکور سرعت و دقت بیشتری در ارزیابی اعتماد دارد.
3- پیشینه تحقیق
در این مقاله پیشینه مفهوم اعتماد در رایانش ابری و همچنین رویکردهایی که اخیراً در ارزیابی اعتماد صورت پذیرفته است، مورد بررسی میگردد. رایانش ابری بدلیل تسهیل دستیابی مشترک به منابع محاسباتی در یک محیط جغرافیایی توزیع شده، از اهمیت تحقـیقاتی فـراوانی بـرخـوردار اسـت. یک کاربـر قـادر اسـت که از مجموعهای از منبعها استفاده کند. در محیط ابری دسترسی به صورت درخواستی و به صورت سلف سرویس با حداقل تعامل با ارائهدهنده اعطا میشود. منابع محاسباتی مبتنی بر معماری چند مستاجر مجازی شده و بین مشتریان به اشتراک گذاشته میشوند و به صورت خودکار مدیریت میشوند. مکان فیزیکی منابع برای کاربران مبهم است. مجازی بودن این بستر به خاطر حساسیت و اهمیت دادهها یا اطلاعات ممکن است به لحاظ ذهنیتی برای کاربران قابل اعتماد نباشد، به همین دلیل میبایست مساله اعتماد حل شود تا یک موجودیت بتواند از منبعها استفاده کند یا خدمات را برروی آن مستقر کند. در یک چنین شرایطی مصرفکننده و تامینکننده بر روی یکدیگر کنترل کامل ندارند]1[. هنوز مسائل چالشبرانگیز بسیاری مانند کیفیت ارئه منابع، امنیت و جامعیت و نهانسازی دادههای ذخیره شده در ابر و عدم اطمینان به ارائهدهندگان وجود دارد. انتخاب تامینکننده قابل اعتماد یکی از مسائل چالش بر انگیز محیط ابر است. اهمیت روزافزون رایانش ابری این امر را به طور فزایندهای ضروری میکند که ما با معنای اعتماد درمحیط ابر و نحوه ایجاد این اعتماد توسط مشتری، ارائهدهنده و به طور کلیتر جامعه دست و پنجه نرم کنیم]2[. مفهوم اعتماد موضوع پیچیدهای است درواقع اعتقاد راسخ به ویژگیهایی مانند قابلیت اطمینان، صداقت و شایستگی نهاد مورد اعتماد مربوط میشود]3[. برآورد اعتماد مبتنی بر رفتـاری است که شامل تاریخچه ارتباط مستقیم بین کاربر و ارائهدهنده خدمات و همچنین بر اساس توصیههای دوستان و شخص ثالث است]4[. ارزش اعتماد منابع به کاربران ابر کمک میکند تا خدمات یک ارائهدهنده ابر را برای پردازش و ذخیره اطـلاعات ضروری خود انتــخاب کننـد. همچنـین، ارائهدهندگـان خدمات میتوانند به کاربران بر اساس ارزش اعتماد دسترسی داشته باشند تا منابع ابری را از کاربران مخرب ایمن کنند. همگی این جنبههای ایجاد اعتماد و روشهای محاسبة آنها معمولا با نام «مدلهای اعتماد» در مراجع علمی شناخته میشود. مدلهای اعتماد در رایانش ابری بسیار گسترده هستند به طوری که هر مدل امکانات مختلفی را پشتیبانی میکند و سرویسهای ابری را بر اساس پارامترها و نیازمندیهای مختلفی ارزشیابی میکند. در رایانش ابری، معیارها وکیفیت سطح سرویس از یک مصرفکننده سرویس ابر تا مصرفکننده دیگر ابر متفاوت است. چرا که، یکی ممکن است یکپارچگی دادههای ارائه شده توسط تامینکننده سرویس ابر را ترجیح دهد در حالی که مصرفکننده دیگر سرویس ابری را انتخاب کند که بیشترین پهنای باند موجود و کارایی زمان پاسخ را داشته باشد. بنابراین، بسیار اهمیت دارد که مدل اعتماد مناسبی انتخاب شود که بیشترین پوشش را از تمامی پارامترها داشته باشد]5[. صالحی و همکاران، مقالهای تحت عنوان «انتخاب سرویس ابری مبانی بر پایداری در اعتلاف بازخورد کاربران»، انجام دادند]6[. در اين مقاله، يك مدل محاسباتي مبتني بر اعتبار بازخورد كاربران، به منظور محاسبه اعتماد سرويسها ارائه ميشود. اين مدل علاوه بر تجربيات كاربران از اعتبار كاربران به همراه ميزان پايداري بازخوردهاي درست آنها استفاده مينمايد. در انتها، ميزان كارايي مدل بررسي شده و ارزيابيها نشان ميدهد كه مدل ارائه شده با وجود كاربران بدخواه، توانسته است اعتماد سيستم را به درستي محاسبه نمايد. مجوار و باجانتی، مقالهای تحت عنوان «برآورد اعتماد مبتنی بر رفتار و بازخـورد در فضای ابری»، انجـام دادند]7[. این مقاله روشی را برای ارزیابی قابلیت اعتماد ارائهدهنده خدمات ابری بر اساس رفتار و بازخورد ارائه شده توسط کاربران ارائه میکند. آقایی قزوینی و همکاران، مقالهای تحت عنوان «چارچوب جدید مدیریت اعتماد چند سطحی برای حل مشکلات نامعتبر و پراکنده رتبهبندی بازخورد کاربر در محیطهای ابری» انجام دادند]8[. در چارچوب این پژوهش، مؤلفههای جدیدی برای حل مشکلات نامعتبر و پراکنده ذخیرهسازی بازخورد تعریف شدند. مطمئناً ارزیابی اعتماد بر اساس آن دقیقتر خواهد بود. مقادیر تحلیلی نشان داد که رویکرد پیشـنهادی این پژوهش، حتی با کیفیت پایین داده ذخیرهسازی بازخورد به طور قابل توجـهی بهتر ازسایر رویکردها عمل میکند. حسن و همکاران، مقالهای تحت عنوان «مدل پیشرفته مبتنی بر کیفیت سرویس برای ارزیابی اعتماد در محیط ابری» انجام دادند ]9[. مدل پیشنهادی ارزش انباشته اعتماد را محاسبه میکند که به صورت پویا در هر تراکنش به روز میشود و منعکسکننده تراکنش فعلی یا آخرین تراکنش ارائهدهنده در ابر است. آقایی قزوینی و همکاران، مقالهای تحت عنوان «1MMLT یک چارچوب اعتماد چند سطحی متقابل بر اساس اشخاص ثالث قابل اعتماد در محیط های چند ابری»، انجام دادند]10[. این پژوهش را با هدف توسعه چارچوب مدیریت اعتماد موثر، رویکرد جدیدی برای بهبود تعاملات مبتنی بر اعتماد ارائه کرده است. پیریا و لاتا، مقالهای تحت عنوان «چارچوبی برای مدیریت اعتماد در فضای رایانش ابری»، انجام دادند]11[. در این مقاله چارچوب «اعتماد به عنوان سرویس» (Taas)2، برای بهبود روشهای مدیریت اعتماد در محیطهای ابری پیشنهاد شده است. در این مدل تطبیقی همچنین، تمایزی میان بازخوردهای معتبر و بازخوردهای مخرب در نظر گرفته شده است. احمد و همکارانش، یک مدل اعتماد میان کاربران و تأمینکنندگان ابری پیشنهاد کردهاند که اعتماد را در سه نوبت برقرار میکند و وقتی کاربران ابری در دو نوبت اول قانع شـدند، سپس در نوبت سوم آنها میتوانند روي تأمینکننده ابری حساب كنند [12]. کومار و همکارانش، چارچوبی را برای اندازهگیری کیفیت و اولویت سرویسهای ابر پیشنهاد کردند [13]. آنها پیشنهاد کردند فرآیند تحلیل سلسله مراتبی بر پایه مکانیزم رتبهبندی که سرویسهای ابر بر اساس برنامههای کاربردی مختلف مربوط به نیازمندیهای کیفیت سرویس میتواند ارزیابی نماید. این روش پیشنهادی فقط برای مشخصههای قابل اندازهگیری کیفیت سرویس استفاده میشود مانند: پاسخگویی، مهارت، اطمینان از سرویس، هزینه، کارایی، امنیت، حریم خصوصی و قابلیت استفاده، استفاده میشود. ظفر و همکارانش، یک مدلی را پیشنهاد کردند که به کاربران سرویس ابر، در پیدا کردن تامینکنندگان سرویس ابر قابل اعتماد و کارآمد، بر مبنای دادههای گرفته شده از مسئـولان قانونگـذار و عملکرد تامینکنندگان سرویس ابر در یک سال گذشته و بازخوردهای گرفته شده از مشتریان کمک میکند[14]. مانول و همکارانش، مدل اعتمادی پیشنهاد کردند براساس گواهینامه های قبلی و قابلیتهای کنونی تامینکنندگان سرویس ابری، مدل پیشنهاد شده را مدل اعتماد کیفیت سطح سرویس نامگذاری کردند[15]. در این مدل مقدار اعتماد با استفاده از چهار پارامتر، دسترسیپذیری3، قابلیت اطمینان4، یکپارچگی دادهها 5 و کارایی زمان پاسخ 6 محاسبه شده است.
4- روشها
در این پژوهش سعی بر آن است تا با استفاده از الگوریتم بهینه فاخته، بتوان به بهترین و قابلاعتمادترین تأمینکننده برمبنای بازخورد کاربران و کیفیت سرویس درفضای رایانش ابری، درمدت زمان کمتر و کارایی بالاتر دست یافت. از الگوریتم پیشنهادی میتوان در مولفههای عامل بخش ثالث مورد اعتماد به منظور بهینه استفاده نمود بدین صورت که بهینهسازی انتخاب، یافتن راه حلهای بهینه به طور کامل و دقیق کاملاً بر فرآیند جستجوی ذاتی متکی است. فرآیند جستجوی مورد استفاده برای انتخاب ارائهدهنده بر اساس نگاشت معیارهای درخواست توسط مصرفکننده و کیفیت خدمات منتشر شده توسط ارائهدهندگان پس از مرحله کشف است. در این بخش، ما یک راهحل فراابتکاری بهطور دقیقتر بر روی الگوریتم بهینه فاخته برای حل مشکل انتخاب ارائهدهنده در رایانش ابری پیشنهاد میکنیم.
4-1- چارچوب پیشنهادی مدیریت اعتماد
مدیریت اعتماد از دو دیدگاه متفاوت تعریف شده است، دیدگاه فراهمکننده سرویس ابری که میزان تطابق پارامترهای کیفیت سـرویس از جمله در دسترسپذیری، زمان پاسـخ، قابلیت اعتـماد، صحت و شفافیت با مقادیر تعیین شده در قرارداد سطح سرویس SLA ارزیابی و سنجیده میشود. دوم دیدگاه کاربر ابری که به ارزیابی و سنجش رفتار کاربر ابری با تامینکنندگان سرویس میپردازد. با در نظر گرفتن چارچوب مدیریت اعتماد در این پژوهش چهار عامل اصلی زیر تقسیم میشوند، فراهمکننده سرویس ابری در حوزه محاسبات ابری، این عامل میتواند محدوده وسیعی از سرویسها را با مدلهای مختلف از جمله 7IaaS، 8PaaS، 9SaaS ارائه کنند. کاربر ابری میتواند از سرویسهای ارائه شده توسط تامینکنندگان استفاده کند و با ارسال درخواست به عامل مدیریت اعتماد همان ابر درباره قابلیت اعتماد سرویس ابری اطلاعاتی کسب نماید تا از این طریق بهترین سرویس ابری مورد اعتماد را با توجه به نیازمندیهای وظیفهمندی و سلایق شخصی خود انتخاب کند. بخش ثالث مورد اعتماد10، این عامل با به کارگیری سرویسهای تعبیه شده در مولفههای خود وظایف که در ادامه بیان میشود را بر عهده دارد: ارزیابی قابلیت اعتماد تامینکنندگان سرویس ابری به صورت عینی و درونی، در دسته اول از کیفیت سرویس بعنوان معیار استفاده میشود شایان ذکر است کیفیت سرویس قابل مشاهده و اندازهگیری است]16[. دسته دوم روشهایی هستند که برای ارزیابی و انتخاب سرویس ابری از باز خوردهای ارسال شده توسط کاربران بهره میبرد. ارزیابی مبتنی بر بازخورد که به آن ارزیابی اعتماد درونی هم گفته میشود به طور گسـترده در سیستمهای تجارت الکترونیـک از جمله آمازون و ایبی به کار گرفته میشود]17[. همچنین، خوشهبندی سرویسهای ابری مورد اعتماد بر اساس سلایق و اولـویتهای شخصـیسـازی شـده کـاربران. جمـعآوری و یکپارچـهسازی مقادیر اعتماد ارزیابـی شده از تـامینکنندگـان درمحیط ابری. ارزیابی اعتماد کاربر ابری مبتنی بر بازخوردهای ثبت شده در سیستم مدیریت اعتماد. آخرین عامل نیز سرویس ثبت ابری است، این عامل با دو هدف اساسی در چارچوب مدیریت اعتماد قرار گرفته است که شامل اعلان سرویس و کشف سرویس است بدین معنا که یک فراهمکننده سرویس ابری قادر است سرویسهای خود را از طریق این مولفه ثبت نماید و از طرف دیگر کاربران با دسترسی به سیستم مدیریت ابری به کشف سرویس ابری مناسب میپردازند.کاربر ابری، میتواند از سرویسهای ارائه شده توسط تامینکنندگان استفاده کند و با ارسال درخواست به عامل مدیریت اعتماد همان ابر درباره قابلیت اعتماد سرویس ابری اطلاعاتی کسب نماید تا از این طریق بهترین سرویس ابری مورد اعتماد را با توجه به نیازمندیهای وظیفهمندی و سلایق شخصی خود انتخاب کند.
4-2- مولفههای چارچوب مدیریت اعتماد
هر کدام از عوامل ذیل نیازمند مولفههایی به منظور مدیریت اعتماد در محیط محاسبات چند ابری هستند که در ادامه به آنها پرداخته میشود. اولین مولفههای عامل فراهمکننده سرویس ابری است، این مولفه مذاکره SLA را بین یک کاربر و فراهمکننده ابری بر عهده دارد، به بیانی دیگر میتوان جزئیات قرارداد SLA درباره یک فراهمکننده سرویس ابری را از طریق این مولفه به دست آورد، پس از انجام مذاکرات موفقیتآمیز بین کاربر و فراهمکننده قرارداد و فرایند انجام مذاکره برای اعتبارسنجی آینده ثبت و نگهداری میشود. مولفه دیگر مولفههای عامل کاربر ابر، مولفه ناظـر قرارداد SLA در سمت کاربران، مانیتورینگ رفتار و کارایی یک سرویس ابری را به منظور تایید و تضمین قراردادهای SLA درسطح مطلوب بر عهده دارد. مولفه عامل بخش ثالث مورد اعتماد یعنی عامل TTP که در حالت کلی واسطی بین کاربران و تامینکنندگان سرویس ابری است، به عبارتی دیگر این عاملها نمایندگانی هستند که در سطح ابرهای مختلف توزیع شدهاند این عامل شامل مولفههای جمعآوری بازخورد کاربران، مولفه معیارهای انتخاب11، یعنی پارامترهای مورد نظرکاربران بر مبنای اولویت آنها، مولفه ارزیابی اعتماد 12 که وظیفه ارزیابی اعتماد تامینکنندگان و کاربران ابری را بر اساس اطلاعات جمعآوری شده بر مبنای الگوریتم پیشنهادی بر عهده دارد. مولفه مخزن 13 ذخیره مقادیر اعتماد حاوی مقادیر اعتماد ارزیابی شده تامینکنندگان میباشد. عامل TTP برای ارزیابی اعتمادی عینی و درونی تامینکنندگان ابری از اطلاعات فراهم شده توسط مولفه جمعآوری اطلاعات ناظر و به منظور ارزیابی اعتماد تامینکنندگان ابری از بازخوردهای ارسال شده توسط کاربران که توسط مولفه جمعآوری بازخوردهایی معتبر و به روز جمعآوری شده است استفاده میکند. چارچوب پیشنهادی در شکل 1 نمایش داده شده است.
شکل 1. چارچوب پیشنهادی مدیریت اعتماد
4-3- الگوریتم بهینه فاخته COA
الگوریتم فاخته با الهام از زندگی و رفتار گروهی فاختهها تعریف شده است. شکل2 فلوچارت الگوریتم پیشنهادی را نشان میدهد.
همانند الگوریتمهای تکاملی، الگوریتم پیشنهادی با جمعیت اولیه فاختهها آغاز میشود. این فاختههای در لانه برخی از پرندگان تخم گذاری میکنند. برخی از این تخمها که بیشتر شبیه تخمهای پرنده میزبان هستند، امکان زنده ماندن و تبدیل شدن به فاخته بالغ را دارند. تخمهای دیگر توسط پرندگان میزبان شناسایی شده و از بین میروند. تخمهای رشد یافته نیز بیانگر مناسب بودن لانههای آن منطقه است. هر چه تعداد تخمهای رشد کرده در یک منطقه بیشتر باشد، سود بیشتری در آن منطقه به دست میآید. بنابراین مکانهایی که در آن تخمهای بیشتری بالغ میشوند پارامتری خواهد بود که الگوریتم بهینه فاخته بهینهسازی آن را انجام میدهد.
فاختهها به دنبال بهترین نقاط برای تخم گذاری میگردند تا درصد زنده ماندن تخمهایشان به بالاترین میزان برسد. پس رشد تخمها در بهترین مکان و تبدیل به یک فاخته بالغ، جوامعی را تشکیل میدهند. هر جامعه منطقه زیستگاه خود را برای زندگی دارد. بهترین زیستگاه در میان این جوامع، مقصد فاختهها در سایر جوامع خواهد بود. سپس فاختهها به سمت این ناحیه مهاجرت میکنند. آنها در جایی نزدیک به بهترین زیستگاه ساکن خواهند شد. با توجه به تعداد تخمهای هر فاخته و همچنین فاصله فاخته تا نقطه هدف که همـان بهتـرین زیستگـاه است، شعـاعهـای تخـم گذاری به آن اختصاص داده شده است. سپس فاخته در چند لانه تصادفی در داخل شعاع تخمگذاری خود شروع به تخم گذاری میکند. این روند تا زمانی ادامه مییابد که بهترین موقعیت با حداکثر ارزش سود بدست آید و بیشتر جمعیت فاخته حول همان موقعیت جمع شوند.
4-4- ایجاد سکونت گاه اولیه فاخته
در یک مسئله بعد، یک سکونت گاه
آرایهای است که نشاندهنده محل فعلی زندگی فاخته است. این آرایه بصورت زیر است.
(1)
ميزان مناسب بودن يا مقدار سود در فعلی با ارزيابی تابع سود (
) در
به دست میآيد.
(2)
شکل 2. فلوچارت الگوریتم فاخته ]18[
برای شروع الگوريتم بهينهسازی يک ماتريس به سايز
×
تولید میشود، سپس برای هر کدام از اين
ها تعدادی تصادفی تخم تخصيص میيابد.
هر فاخته دريک دامنه مشخص تخمهای خود را میگذارد.
(3)
در این فورمول 14ELR شعاع تخمگذاری و α یک عدد صحیح است که قرار است حداکثر مقدار شعاع تخمگذاری را کنترل کند، بنابراين بعد از هر تخمگذاری از تمام تخمها (معمولا 10%) که مقدار تابع سود آنها کمتر است نابود میشوند. بقيه جوجهها در لانه ميزبان تغديه شده و رشد میکنند ]18[.
شکل 3. روش تخمگذاری هر فاخته در یک دامنه مشخص ]18[
زمانی که فاختههای بالغ در تمام محیط، زندگی میکنند، تشخیص این که کدام فاخته متعلق به کدام گروه است دشوار است. برای حل این مشکل، گروهبندی فاختهها باروش خوشهبندی K-Means انجام میشود. اکنون که گروههای فاخته تشکیل شدهاند، میانگین ارزش سود آنها محاسبه میشود. سپس حداکثر مقدار این میانگین سود، گروه هدف را تعیین میکند و در نتیجه بهترین زیستگاه آن گروه، زیستگاه مقصد جدید فاختههای مهاجر است. هر فاخته تنها λ% از مسیر را با درجه انحراف φ رادیان پرواز میکند پارا مترهای λ و φ به فاختهها کمک میکند تا مناطق بیشتری را برای یافتن زیستگاه بهینه با بیشترین منبع غذایی و بهترین شرایط زندگی جستجو کنند. وقتي تمام فاختهها به سمت نقطه هدف مهاجرت كردند و نقاط سكونت جديد هركدام مشخص شد، هر فاخته صاحب تعدادي تخم ميشود. با توجه به تعداد تخم هر فاخته يك ELR براي آن مشخص ميشود و سپس تخمگذاري شروع ميگردد. فرمول عملگر مهاجرت در الگوريتم بهينهسازي فاخته به صورت رابطه زیر است.
(6)
كاهش مرحله اي شعـاع تخمگذاري ميتواند منجر به بهبود جستجو شده و دقت جوابها را بالا ببرد. درالگوريتم COAاين تغيير را ميتوان با كاهش تدريجي ضريب آلفا انجام داد. شعاع تخمگذاري به صورت زيركاهش مييابد.
(7)
يك مقدار ثابت از بازه (0،20) و
ماكزيمم تعداد تكرارها است .از اين رو،
(8)
(9)
(10)
║ ║به معناي قسمت صحيح عدد خاص خواهد بود. بنابراين در هر تكرار
با استفاده از معادله بالا اصلاح ميشود.
شکل 4. مهاجرت فاختهها به سمت سکونتگاه جدید(18).
4-5- L ́evy Flight، الگویی از حرکتهای تصادفی در فضای مسئله
پرواز لوی یک مدل تصادفی برای حرکت ذرات است که در آن طول قدمها به دنباله تصادفی از مقادیر مثبت نمونه برداری شده از یک پرواز تصادفی پیروی میکند. در این روش، ذرات با طول قدمهای تصادفی به طور گسترده حرکت میکنند و در نتیجه به سرعت به سراسر فضا پخش میشوند.
(11)
این روش میتواند به عنوان یک الگوریتم بهینهسازی در بسیاری از مسائل به کار گرفته شود. فرمول به صورت زیر است.
(12) (13)
برای استفاده از مدل پرواز لوی به عنوان یک الگوریتم بهینهسازی، میتوان همان فرمول را به صورت زیر بازنویسی کرد.
(14)
در این فرمول، α یک پارامتر مثبت است که نشاندهنده شدت حرکت تصادفی است ]17[. ما با انجام پرواز لوی از فاختههای موجود (راه حلها) فاختههای جدید (راه حل) تولید میکنیم. مطابق معادله 15.
(15)
قانون تکامل برای هر فاخته و در اینجا
نیز اندازه گام است. در بیشتر موارد، میتوانیم از
استفاده کنیم. ⊗ به معنای ضربهای ورودی است ]19[.
4-6- خوشهبندی
الگوریتم K-Means یک الگوریتم بر پایهی تکراری است که سعی میکند مجموعه دادهها را به زیرگروههای متمایز بدون همپوشانی تعریف کند، که به این زیر گروهها خوشه گفته میشود. در این گروهها هر نقطه داده فقط به یک گروه تعلق دارد. در این الگوریتم سعی میشود نقاط داده درون خوشهای را تا حد ممکن شبیه به هم ساخت و در عین حال خوشهها را تا حد امکان متفاوت (دور) از هم تعریف کرد. این الگوریتم دادهها را به یک خوشه اختصاص میدهد به طوری که مجموع فاصله مربع شده بین نقاط داده و مرکز گروه (میانگین محاسبه تمام نقاط دادهای که به آن خوشه تعلق دارند) در حداقل باشد. هدف از خوشهبندی طبقهبندی اطلاعات با میزان تشابه بین آنها در دو یا چند گروه است. مسئله خوشهبندی را بصورت کلی میتوان به شرح زیر بیان کرد.
در مجموع دادههای x ,
,...,
، n شی داده شده به k خوشه
تقسیم میشود، بطوری که شباهت دادههای درون هر خوشه حداکثر و شباهت بین دادههای بین خوشههای متفاوت حداقل شود. این مسئله در معادله زیر بیان شده است.
(16)
تعداد خوشهها و
خوشه
ام میباشد از نظر ریاضی خوشه
بصورت معادله 17 مشخص است، باید فاصله هر داده با مراکز خوشه محاسبه شود.
(17)
در این فرمول، نماینده یک داده در مجموعه دادههای
است.
نماینده مرکز خوشه i است و
تعداد کل خوشهها را نشان میدهد. بعنوان مثال در اینجا، ‖
‖ نشاندهنده فاصله داده
تا مرکز خوشه ۱ است و ‖
‖ و‖
‖ نشاندهنده فاصله داده
تا مراکز خوشه ۲ و ۳ به ترتیب هستند]20[.
║ ║بیانگر فاصله اقلیدسی و یا کسینوسی بین هر دو نقطه است، مرکز خوشه
است که در واقع میانگین تمامی نقطهها در خوشه را نشان میدهد. مجموع خطاها بصورت زیر محاسبه میشود.
(18)
مقدار تابع برازش در خوشهبندی دادهها برابر با میانگین فاصله دادهها از مرا کز خوشهها میباشد، که بصورت معادله (19) است.
(19)
در محیط ابری، تامینکنندگان بسته به پارامترهای مختلف خدمات ابری به ارایه سرویس میپردازند. باید بهترین تامینکننده با سرویس بهتر را از لیست تامینکنندگان کاندید با ویژگیهای مختلف کیفیت خدمات بسته به نیاز مصرفکنندگان انتخاب شود. مشکل انتخاب تامینکننده را با کاهش اندازه مسئله، همچنین کاهش فضای جستجو برای کاربران به صورت زیر مدل میشود. به طوری که،
(20)
که نشاندهنده کاندید فراهمکننده با عملکرد یکسان است.
(21)
که بیانگر کیفیت تامینکننده با
معیار است.
( (22)
فاکتور هزینه15 پارامتری است که مشتری برای هزینه اعمال محدودیت میکند و محدودیت16 نیز میتواند شامل هرگونه محدودیت همچون زمان پاسخدهی باشد، بعنوان مثال کاربر میتواند زمان پاسخدهی 5 روزه را تعیین نماید، به طور کلی به محدودیتهای مصرفکننده اشاره دارند و بر اساس نیاز مشتری قابل تغییر میباشند.
(23)
مجموعهای از محدودیتهای تعریف شده توسط مصرفکننده که با نشان داده میشود. وزنهای ارائه شده توسط کاربر برای هر
را معادله (24) نشان میدهد.
(24)
برای مقادیر مثبت معادله (25).
(25)
برای مقادیر منفی معادله (26)
(26)
نیز تابع هدف (مقدار تناسب) میباشد.
(27)
تعداد ویژگیهای یک تامینکننده است و مقادیر
میزان ارزش را نشان میدهد به نحوی که هر چه مقدار
مثبتتر باشد ارزش بیشتری دارد مثل قابلیت اعتماد و سرعت و مقدار – نیز هرچه کمتر باشد ارزش بیشتری خواهد داشت همانند هزینه کمتر یا زمان پاسخگویی خدمات]22[. البته برای تسهیل در محاسبه مقدار تابع هدف انتخاب تامینکننده، مقادیر ویژگی تامینکنندگان مختلف را به عددی بین صفر و 1 نرمال میکنیم و شبه کد الگوریتم جستجوی فاخته بصورت زیر میباشد.
حال از یک فرآیند جستجوی تسریع شده برای بهبود نرخ همگرایی استفاده میشود. برای بهبود نرخ همگرایی، در الگوریتم پیشنهادی از پرواز لوی برای مزایای آن استفاده شده است. پروازهای لوی همانگونه که قبلا توضیح داده شد برای کاوش در مناطق جستجو در مقیاس بزرگ کارآمدتر هستند. هر تخم در یک لانه نشاندهنده یک تامینکننده است و هر فاخته میتواند یک تخم بگذارد هدف استفاده از بهترین تامینکننده برای جایگزینی یک تامینکننده با ویژگیهای کمتردر محیط ابری است (لانه).
الگوریتم 1: شبه کد الگوریتم جستجوی فاخته (CSA)
Input: n (number of Cuckoos); Max It; QoS−/+; Const Output: Best provider | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Objective Function 1. Generate initial population 2. Evaluate fitness 3.while (t ≤ Max It) do It = It+1
4. Get a Cuckoo randomly by Levy Flights 5.Evaluate its quality/Fitness fi 6. Choose a random nest j;
7.if (fi ≥ fj) then 8. Replace j by the new solution;
9.End if
10.Worst nest is abandoned with probability (pa) and new nest is built with Levy flights;
11.Keep the best solution (or cuckoo with quality solutions); 12.Rank the solutions and find the current best provider; 13.End while 14.Result (best provider)
در این مورد، دیگر تمایزی بین تخم، لانه یا فاخته وجود ندارد و هر لانه مربوط به یک تخم است که همچنین نشاندهنده فاختهای است که با یک تامینکننده مدل شده است. الگوریتم پیشنهادی با استفاده از پرواز لوی و خوشهبندی K-Means به منظور افزایش سرعت انتخاب و انتخاب دقیقتر قابلاعتمادترین تامینکننده و پرهیز از همگرایی زودرس به صورت زیر است.
الگوریتم 2: شبه کد الگوریتم بهینه فاخته (COA)
|