基于服务满意度的云制造服务综合信任评价模型

基于服务满意度的云制造服务综合信任评价模型

谭明智易树平曾锐

重庆大学,重庆,400044

摘要：为有效量化云制造服务共享平台中企业间的合作信任关系，分析了共享平台的运营模式,提出了一种综合考虑服务满意度与服务满意度波动性的服务综合信任评价模型。首先，建立评价指标体系量化服务满意度，以时间衰减函数表征服务满意度随时间的变化关系；然后，利用虚拟资源包的历史服务满意度信息，提出计算全局服务满意度的方法；最后，以服务满意度波动大小作为奖惩依据对全局服务满意度进行修正,得到虚拟资源包的服务综合信任值。数值实验验证了该模型使用的时间衰减函数和奖惩机制的可行性以及对监测企业提供不稳定服务的有效性。

关键词：云制造；服务综合信任评价；全局服务满意度；服务满意度波动性

中图分类号：TH166

收稿日期：2014-12-11

基金项目：国家自然科学基金资助项目(71501020,70871127);重庆市科技攻关项目(cstc2012gg-yyjs70009)

作者简介：谭明智，男，1970年生。重庆大学机械工程学院博士研究生。主要研究方向为计算机集成制造系统。易树平，男，1960年生。重庆大学机械工程学院教授、博士研究生导师。曾锐，女，1991年生。重庆大学机械工程学院硕士研究生。

AComprehensiveTrustEvaluationModelforCloudManufacturingServiceBasedonServiceSatisfaction

TanMingzhiYiShupingZengRui

ChongqingUniversity，Chongqing,400044

Abstract:To effectively monitor the trust relationship of inter-enterprises cooperation on service-sharing platform of cloud manufacturing,a model of service comprehensive trust evaluation with comprehensive consideration of service satisfaction and its volatility was developed,which was suitable for the operation mode of sharing platform.Firstly,an evaluation index system was designed to quantize service satisfaction by introducing the used time decay function to express the varying trend of service satisfaction with time.Secondly,a computation method of global service satisfaction was put forth using the history informations of service satisfaction of virtual package.Lastly,service comprehensive trust values of virtual resource package was the modification value of global service satisfaction by using volatility value of service satisfaction as the mechanism of rewards and punishments.Computational experiments confirm the used time decay function and mechanism of rewards and punishments are feasible, and they also prove the model is valid to monitor the unstable services provided by enterprises.

Keywords:cloudmanufacturing;servicecomprehensivetrustevaluation;globalservicesatisfaction;volatilityofservicesatisfaction

0引言

在云制造服务模式中,参与者之间良好的信任关系是服务交易的基础。信任具有模糊性、动态性和复杂性,它的量化结果是通过对实体行为或实体间行为关系的监测、评估计算得到的[1]。目前,云制造领域内的研究主要集中在云制造服务共享平台的体系架构和运行模式[2]、资源虚拟化与使用[3]、资源优化配置[4]以及实际应用[5]等方面。服务综合信任评价为云制造服务共享平台运行中的重要环节，其评价结果与资源优化配置有着紧密关系。服务综合信任评价的研究主要聚焦于信任评估方法体系的建设及相应算法。胡业发等[6]提出了包括域内和域间资源服务信任QoS(qualityofservice)评估的两层结构的制造网格资源服务信任评估模型;胡春华等[7-8]基于概率密度信任推理的方法,采用信息熵的服务选取策略解决了多维可信指标的简单加权问题;马毅等[9]根据节点通信目标在簇内和簇外两种情况计算了节点间信任度，该方法在识别恶意节点、成功交易率方面优于传统的全局信任模型;董元发等[10]提出了云制造模式下基于互评机制的服务质量获取方法，建立了服务信任度评价模型并用于服务选择。

从上述分析可知，现有的研究主要关注信任的评估方法以及信任模型的应用，都没有考虑服务质量不稳定情况带来的波动影响。云制造资源共享环境下企业在长期服务过程中提供的服务质量存在波动性，将对企业的信任评估产生一定的影响，同时影响企业间的服务合作关系,但在云制造领域关注如何提高企业间服务合作稳定性的研究较少。本文针对云制造服务共享平台(以下简称共享平台)中企业间的合作信任问题，提出一种基于服务满意度的服务综合信任评价模型。

1云制造服务共享平台

云制造服务共享平台能够实现资源的集中管理和有效分配，为用户提供产品整个生命周期的服务，其中包括产品设计、性能检测、制造、销售、售后服务等。它可支持“多对多”、“多对一”等用户模式的服务，实现企业间的资源共享。共享平台的运营模式如图1所示。

图1　云制造服务共享平台运营模式

(1)资源发布企业(resourcepublishingenterprise,RPE)将需共享的资源封装并发布到共享平台上形成虚拟资源包(virtualresourcepackage,VP)(同时负责实时更新资源使用情况等状态信息)。虚拟资源包是发布在平台上的由一系列实体资源组合而成并且能提供一种或者多种服务的资源包;资源发布企业是将自有实体资源封装成虚拟资源包的企业；任务请求企业(taskrequestenterprise,TRE)是发出任务合作请求的企业；资源发布企业和任务请求企业是共享平台的注册企业。资源发布企业集合RPE={RPE1，RPE2,…,RPEβ,…,RPEi}(i∈N,β=1,2,…,i),RPEβ为资源发布企业的编码。任务请求企业集合TRE={TRE1,TRE2,…,TREχ,…,TREj}(j∈N,χ=1,2,…,j),TREχ是任务请求企业在共享平台上的编码。

(2)任务请求企业向共享平台提出任务请求,请求成功识别后,共享平台对其进行任务分解,得到合适粒度的任务分解方案,以任务包(taskpackage,TP)的形式表征。记任务包关联集合TP={TP1,TP2,…,TPφ,…,TPm}(m∈N,φ=1,2,…,m),TPφ是任务包在共享平台上的编码，关联集合是指任务包与任务包间存在的关联信息集合,如串联或并联关系信息集合。

(3)建立任务包与虚拟资源包的一一映射关系,是根据任务包要求在虚拟资源库中搜索得到符合要求的候选资源包集(setofcandidateresourcepackage,CRS)。其中，各类虚拟资源包通过层次化分类形成虚拟资源库；候选资源包集是一组能够完成同一种任务的虚拟资源包集合。候选资源包集集合记为CRS={CRS1,CRS2,…,CRSξ,…,CRSm}(m∈N，ξ=1,2,…,m),表示各个任务包在虚拟资源库中搜索相对应并且符合要求的候选资源包集,CRSξ表示任务包对应的候选资源集编码;候选资源包集CRSξ={VP(m,9,1),VP(m,7,2),…,VP(m,μ,ν),…,VP(m,ki,nj)}(μ=9,7,…,ki;ν=1,2,…,ηj;ki,nj∈N),该集合包含nj个候选资源包,VP(m,μ,ν)为虚拟资源包的编码,其中m表征与该虚拟资源包相匹配的任务包编码,μ为虚拟资源包在虚拟资源库的编码,ν为虚拟资源包在候选资源包集中的序号。

(4)依据候选资源包集间虚拟资源包的优化选择组合,形成任务-资源匹配方案。记任务-资源匹配方案为:P={VP(1,a,b),VP(2,c,d),…,VP(η,α,β),…,VP(m,g,l)}(β∈[1,nj],η=1,2,…,m),同时进行方案的冲突监测,确保方案涉及的资源可按时按需调用。

(5)任务请求企业与匹配的服务合作企业(servicecooperationenterprise,SCE)确认方案并开始执行。服务合作企业是被选中完成任务请求的资源发布企业,简称合作企业。合作企业集合记为SCE={SCE(1,a,p1),SCE(2,c,p2),…,SCE(η,α,pζ),…,SCE(m,g,pq)}(q∈N,ζ=1,2,…,q),其中SCE(η,α,pζ)为合作企业的编码,α与P中的虚拟资源包在虚拟资源库的编码相对应,pζ与资源发布企业在平台中的编码相对应。在服务合作中,请求企业和合作企业实时反馈服务综合信任评价信息。

(6)合作企业将服务执行结果(outcome,OT)反馈给任务请求企业。服务执行结果记为：OT={OT(1,p1,y1),OT(2,p2,y2),…,OT(η,pζ,yε),…,OT(m,pq,ym)},(ε=1,2,…,m),其中OT(η,pζ,yε)为服务执行结果的编码,yε表示服务执行结果在平台上的编码。

2服务综合信任评价思路

在云制造服务模式中,参与者之间良好的信任关系是服务交易的基础,有必要建立一种服务综合信任评价方法，为候选资源包集间虚拟资源包的优化选择组合提供必要的择优信息,以便共享平台在选择合作企业时可对虚拟资源库中满足任务要求的资源发布企业进行预先评估。

服务综合信任评价是以虚拟资源包获取的服务满意度(servicesatisfaction,SS)为基础的,通过全局服务满意度(globalservicesatisfaction,GSS)和服务满意度波动性(volatilityofservicesatisfaction,VSS)两个因素来综合评判。全局服务满意度越高，服务满意度波动性越小，虚拟资源包的服务综合信任值(servicecomprehensivetrustvalues,SCTV)越高。服务满意度是根据服务满意度评价指标体系综合计算得到的;全局服务满意度是根据虚拟资源包的服务满意度综合计算直接满意度(directsatisfaction,DS)和推荐满意度(recommendedsatisfaction,RS)而得到的；而服务满意度波动性则考虑虚拟资源包历史服务满意度数据存在的波动性,表现为虚拟资源包对应的合作企业提供的服务稳定性。服务综合信任评价思路如图2所示。

图2　服务综合信任评价思路

3服务综合信任评价模型

以服务综合信任值(SCTV)VSCT作为整体评价服务可靠性的指标,通过全局服务满意度(GSS)SGS和服务满意度波动性(VSS)VSS两个因素综合评判。全局服务满意度越高,服务满意度波动性越小,虚拟资源包的服务综合信任值越高。该信任评价用公式表示为

(1)

其中,φ为任务请求企业能接受的服务满意度波动性阈值,φ值越小,表示任务请求企业对合作企业提供服务的稳定性要求越高。当服务满意度波动性小于等于阈值φ时,则给全局服务满意度一定的奖励;当服务满意度波动性大于阈值φ时,在全局服务满意度上给一定的惩罚。α0为惩罚修正因子,λ为奖励修正因子,α0∈[0,1]，λ∈[0,1],φ∈[0,+∞)。

3.1服务满意度计算

3.1.1服务满意度评价指标体系

服务满意度评价指标体系分为三级,如图3所示。直接性指标能直接反映合作企业的服务水平,主要包括服务响应率、服务成本偏差、服务可靠性、交付及时率和服务成功率等；间接性指标从侧面反映合作企业的服务水平，包含服务合作率和近期活跃度等。

图3　服务满意度评价指标体系

(1)服务响应率(serviceresponserate,SRR)RSR:合作企业近期(时间段为M)向共享平台发出合作请求的响应次数(responsenumber,RN)NR与平台向合作企业发出的请求次数(request number,RNB)NRB之比，即RSR=NR/NRB,反映企业有意愿参与合作的程度。

(2)服务成本偏差(idealcostdeviation,ICD)dIC：虚拟资源包的成本(costofVP,CVP)CVP与候选资源集中所有虚拟资源包的平均成本(averagecostofCRS,ACC)CA之比,即dIC=CVP/CA,反映企业对成本的控制水平。

(3)服务可靠性(servicereliability,SR)RS：合作企业服务失效时间(service failure time,SFT)tSF与服务时间(servicetime,ST)tS之比,即RS=tSF/tS,反映合作企业提供服务的持续性。

(4)交付及时率(in-timedeliveryrate,IDR)RID:合作企业近期交付及时次数(in-timedeliverytime,IDT)tID与合作次数(cooperationnumber,CN)NC之比,即RID=tID/NC,反映企业处理订单的能力。交付及时次数是共享平台记录合作企业在规定的交付期内提交服务的次数,可比较完成服务时间与交付期的大小来确定。

(5)服务成功率(servicesuccessrate,SSR)RSS:合作企业在近期服务成功次数(successnumber,SN)NS与合作次数之比,即RSS=NS/NC,反映企业参与合作的服务水平。

(6)服务合作率(servicecooperationrate,SCR)RSC:合作企业近期合作次数与响应次数之比,即RSC=NC/NR,反映企业在合作匹配中的优先度。

(7)近期活跃度(recentactiveness,RA)AR:虚拟资源包在近期与其他企业进行服务交互的频繁程度[11]，可表示为

其中,γ是修正系数。当NC大于γ时，AR值上升较快；相反，当NC小于γ时,AR值上升较慢。

3.1.2服务满意度计算方法

服务满意度评价指标信息的获取过程包含两个途径:第一,共享平台对合作企业实施服务的过程监测;第二,合作企业集合中,下游企业对上游企业服务执行结果的评价。这些信息将直接存储在虚拟资源包中。服务满意度的基础信息包含服务序列(servicesequence,SSQ)、服务时间(servicetime,ST)、任务包编码、服务满意度评价指标(servicesatisfactionrvaluationindex,SSEI)和服务满意度评价指标值(evaluationvalue,EV)。服务序列记录虚拟资源包匹配任务包的序号；服务时间记录获取服务满意度评价指标信息的截止时间；服务满意度评价指标值是共享平台和合作企业对平台要求的服务满意度评价指标的评估值。

服务序列集合SSQ={1,2,…,k,…,i}(i∈N),k表示虚拟资源包匹配任务包的序号;服务时间集合ST={t1,t2,…,tk,…,ti},tk表示第k次获取的服务满意度评价指标信息的截止时间;虚拟资源包VP(m,μ,ν)匹配的任务包集合TP′={TPa1,TPa2,…,TPar…,TPay}(y∈N),TPar与TPφ意义相同;服务满意度评价指标体系的第三级指标集合SSEI={SSEI1,SSEI2,…,SSEIh,…,SSEIj}(j∈N),SSEIh表示虚拟资源包的第h个服务满意度评价指标;虚拟资源包的历史服务满意度评价指标值矩阵如下：

其中,Vkh表示第k次匹配任务包TPar获取的第h个服务满意度评价指标值。

(2)

3.1.3服务满意度的时间衰减处理方法

共享平台中企业间的信任关系是在长期交互过程中形成和发展的。由于过去事件对当前的影响力将随着时间的增长而衰减，因而过去的评价信息(服务满意度)同样具有一定的时效性。服务满意度的生成时间距离当前调用虚拟资源包的时刻ti越远,该服务满意度信息对当前虚拟资源包的信任评估影响力越小。因此，企业共享的虚拟资源包的服务满意度和时间密切相关,其与时间的关系用时间衰减函数f表示。

3.2全局服务满意度计算

虚拟资源包的服务满意度是针对任务包而言的,同一个虚拟资源包对不同的任务包有不同的服务满意度。虚拟资源包的全局服务满意度可分两部分计算,即直接满意度SD和推荐满意度SR,两类满意度均利用历史服务满意度记录加以计算。

对共享平台在虚拟资源库中寻求能够完成任务包TPar的虚拟资源包进行全局服务满意度评价。利用虚拟资源包服务于任务包TPar的历史记录中的服务满意度计算该虚拟资源包对该任务包的直接满意度;利用该虚拟资源包服务于其他任务包的历史记录中的服务满意度计算该虚拟资源包对该任务包TPar的推荐满意度。引入权重因子μ，综合计算直接满意度和推荐满意度得出该虚拟资源包的全局服务满意度，公式如下：

SGS=μSD+(1-μ)SRμ∈[0,1]

(3)

其中,μ值越大,表示直接满意度的权重越大,平台越信赖虚拟资源包服务于任务包TPar获取的历史服务满意度。当虚拟资源包的服务序列小于等于20时，用专家评价法设定μ值;当大于20时,μ值由下式确定：

(4)

其中,SGS,k表示第k次计算的全局服务满意度。集合A={b1,b2,…bs,…,bz}(bs∈N,A∈SSQ),A为服务序列,A不包含任务包TPar对应的服务序列号,集合A的个数为ψ。

直接满意度和推荐满意度的计算公式为

(5)

(6)

式(6)中,CR,k称为推荐可信度(recommendedcredibility，RC),表示虚拟资源包对起推荐作用的任务包的服务满意度的信任程度,随这类任务包对虚拟资源包的评价次数增加而变化，更新公式如下：

(7)

3.3服务满意度波动性计算

服务满意度波动性是指虚拟资源包在近期的服务满意度的数值波动状况,依赖于历史服务满意度Sk的波动性大小，以标准差(standarddeviation,SD)dS的变换形式表示为

其中,fΔ表示时间衰减函数,fΔ=1/eν2Δt ，Δt表示某个历史时间距离当前时间的时间差,ν2是时间衰减修正系数。dS表示虚拟资源包的服务满意度与近期历史服务满意度均值的标准差,历史服务满意度的信息随时间衰减。dS越大,表示历史服务满意度波动性越大,对全局服务满意度产生的影响越大；相反，dS越小，表示历史服务满意度波动性越小，对全局服务满意度产生的影响越小。

由全局服务满意度评价过程推理可知，任务包TPar和其他任务包各自形成的近期服务满意度波动性对全局服务满意度产生的影响不同，故服务满意度波动性由任务包TPar的服务满意度波动性(volatilityofservicesatisfactionofdirectpackage,VSSD)VSSD和其他任务包的服务满意度波动性(volatilityofservicesatisfactionofrecommendedpackage,VSSR)VSSR组成，则服务满意度波动性为

VSS=ωVSSD+(1-ω)VSSR

(8)

其中,ω为服务满意度波动性修正系数,ω∈[0,1]。任务包TPar的服务满意度波动性和其他任务包的服务满意度波动性的表达式如下：

(9)

3.4服务综合信任评价算法流程

在整个服务综合信任评价中,关键是根据虚拟资源包的历史服务满意度计算全局服务满意度和服务满意度波动性，具体评价算法流程如下：

(1)设定服务满意度波动性阈值φ,惩罚修正因子α0,奖励修正因子λ,直接满意度权重因子μ,时间衰减修正系数ν1、ν2,服务满意度波动性修正系数ω，虚拟资源包被选为候选资源包时的服务序列为i+1；

(2)用式(2)计算虚拟资源包的每次服务交易的服务满意度；

(3)结合时间衰减函数和推荐可信度，用式(5)和式(6)分别计算虚拟资源包的直接满意度和推荐满意度,并用式(7)计算更新每个起推荐作用的任务包的推荐可信度；

(4)用式(3)计算虚拟资源包的全局服务满意度；

(5)用式(9)计算任务包TPar的服务满意度波动性和其他任务包的服务满意度波动性；

(7)用式(8)计算虚拟资源包的服务满意度波动性；

(8)用式(1)计算虚拟资源包的服务综合信任值。

4算例

为验证本文提出的基于服务满意度的云制造服务综合信任评价模型中的策略和参数设定的可行性以及对监测企业提供不稳定服务的有效性，运用控制变量法对服务满意度进行设定，观察各情况结果，最终实现对模型和算法的实验验证。

当任务请求企业向云制造服务共享平台提出任务请求时，共享平台首先将任务请求分解为任务包,任务包与虚拟资源库进行任务与资源映射，然后选择出符合要求的候选资源包集，候选资源包的服务综合信任评价是候选资源集中虚拟资源包优化组合的基础。其中符合要求的候选资源包包含虚拟资源包VP(m,μ,ν),服务过的任务包有两个，分别是任务包TPa1和TPa2。根据服务先后顺序依次记录虚拟资源包的服务满意度评价指标值，然后计算其服务满意度。设定服务综合信任值的交易成功阈值为0.5,其他参数值见表1。

表1　参数表

运用本文提出的模型和算法,设定虚拟资源包为任务包TPa1、TPa2提供的服务满意度均为0.7,运用MATLAB模拟虚拟资源包的服务次数为200,服务时间以月为单位。当虚拟资源包在服务时间为140个月时，提供1次不稳定服务,对任务包TPa1提供的服务满意度为0.3;当虚拟资源包在交易过程中周期性提供3次不稳定服务,周期T=16个月,对任务包TPa1提供的服务满意度为0.3。不稳定服务是指虚拟资源包提供的某次服务使得服务满意度波动性大于设定阈值。每次虚拟资源包为任务包TPa1和TPa2提供服务计算出的服务综合信任值模拟4种情况：

(1)历史服务满意度对虚拟资源包的重要程度不随时间衰减变化时,虚拟资源包的服务综合信任值无惩罚和奖励机制(nomechanismofrewardsandpunishmentswithouttimedecay,NTNRP),如图4中的NTNRP1曲线和NTNRP2曲线，分别对应虚拟资源包服务的任务包TPa1、TPa2的服务综合信任值。

(a)1次不稳定服务

(b)3次不稳定服务 图4　虚拟资源包提供1次/3次不稳定服务且无时间衰减

(2)历史服务满意度对虚拟资源包的重要程度不随时间衰减变化时,虚拟资源包的服务综合信任值有惩罚和奖励机制(havemechanismofrewardsandpunishmentswithouttimedecay,NTHRP),如图4中的NTHRP1曲线和NTHRP2曲线分别对应虚拟资源包服务的任务包TPa1、TPa2的服务综合信任值。

(3)历史服务满意度对虚拟资源包的重要程度随时间衰减变化时,虚拟资源包的服务综合信任值无惩罚和奖励机制(nomechanismofrewardsandpunishmentswithtimedecay,HTNRP),如图5中的HTNRP1曲线和HTNRP2曲线。

(4)历史服务满意度对虚拟资源包的重要程度随时间衰减变化时，虚拟资源包的服务综合信任值有惩罚和奖励机制(havemechanismofrewardsandpunishmentswithtimedecay,HTHRP),如图5中的HTHRP1曲线和HTHRP2曲线。

(a)1次不稳定服务

(b)3次不稳定服务 图5　虚拟资源包提供1次/3次不稳定服务且有时间衰减

分析图4和图5的数据可知，可以得到如下结论：

(1)虚拟资源包的服务满意度随时间衰减变化。在不考虑服务满意度随时间衰减变化的情况下，当虚拟资源包提供一次或少数几次不稳定服务时，这些异常服务带来的负面影响将持续过长的时间。考虑服务满意度随时间衰减变化，不稳定服务对服务综合信任值的影响在任务请求企业能接受的时间衰减长度范围内逐渐变小。

(2)采用奖惩机制激励虚拟资源包提供稳定服务。在考虑虚拟资源包的服务满意度随时间变化的情况下，若虚拟资源包提供不稳定的服务满意度，服务满意度波动性大于设定阈值，应给予较大的信任惩罚；若虚拟资源包提供不稳定服务之后提供较为稳定的服务，服务满意度波动性小于设定阈值，则应给予适当的信任奖励。

上述数值实验分析表明，利用本文提出的基于服务满意度的云制造服务综合信任评价模型能够由合作企业的历史服务满意度的数据获知未来提供服务的信任度，该指标可作为云制造服务共享平台中虚拟资源包优选的一个重要权重参量，从而确保企业间服务合作可行可靠。

参考文献:

[1]ChangE,ThomsonP,DillonT,etal.TheFuzzyandDynamicNatureofTrust[J].LectureNotesinComputerScience,2005,3592:161-174.

[2]尹超,黄必清,刘飞,等.中小企业云制造服务平台共性关键技术体系[J]. 计算机集成制造系统, 2011,17(3):495-503.

YinChao,HuangBiqing,LiuFei,etal.CommonKeyTechnologySystemofCloudManufacturingServicePlatformforSmallandMediumEnterprises[J].ComputerIntegratedManufacturingSystems,2011,17(3):495-503.

[3]曹啸博,许承东,胡春生.云制造环境中的虚拟制造单元[J].计算机集成制造系统,2012,18(7):1415-1425.

CaoXiaobo,XuChengdong,HuChunsheng.VirtualManufacturingUnitinCloudManufacturing[J].ComputerIntegratedManufacturingSystems,2012,18(7):1415-1425.

[4]吴晓晓,石胜友,侯俊杰,等.航天云制造服务应用模式研究[J].计算机集成制造系统,2012,18(7):1595-1603.

WuXiaoxiao,ShiShengyou,HouJunjie,etal.AerospaceCloudManufacturingServiceApplicationMode[J].ComputerIntegratedManufacturingSystems,2012,18(7):1595-1603.

[5]沈磊,郭钢,董元发,等.面向装备制造行业的云制造服务需求与资源响应模型[J].中国机械工程,2014,25(7):911-917.

ShengLei,GuoGang,DongYuanfa,etal.EquipmentManufacturingIndustry-orientedRespondModelofCloudManufacturingServiceRequirementsandResources[J].ChinaMechanicalEngineering,2014,25(7):911-917.

[6]胡业发, 陶飞, 周祖德. 制造网格资源服务Trust-QoS评估及其应用[J]. 机械工程学报, 2007,43(12)： 203-211.

HuYefa,TaoFei,ZhouZude.ManufacturingGridResourceServiceTrust-QoSEvaluationandApplication[J].ChineseJournalofMechanicalEngineering, 2007,43(12):203-211.

[7]胡春华, 罗新星, 王四春,等. 云计算环境下基于信任推理的服务评价方法[J].通信学报,2011，32(12)：72-81.

HuChunhua,LuoXinxing,WangSichun,etal.ApproachofServiceEvaluationBasedonTrustReasoningforCloudComputing[J].JournalonCommunications,2011,32(12)：72-81.

[8]胡春华,刘济波,刘建勋.云计算环境下基于信任演化及集合的服务选择[J].通信学报,2011,32(7):71-79.

HuChunhua,LiuJibo,LiuJianxun.ServicesSelectionBasedonTrustEvolutionandUnionforCloudComputing[J].JournalonCommunications,2011,32(7):71-79.

[9]马毅, 谭振华, 常桂然,等. 基于历史聚集簇的P2P网络信任模型[J]. 东北大学学报(自然科学版), 2013,34(4)：512-515.

MaYi,TanZhenhua,ChangGuiran,etal.RelatedClusterBasedTrustModelforP2PNetworks[J].JournalofNortheasternUniversity(NaturalScience), 2013,34(4)：512-515.

[10]董元发,郭钢. 基于模板与全局信任度的云制造服务评价与选择方法[J]. 计算机集成制造系统, 2014,20(1)：207-214.

DongYuanfa,GuoGang.EvaluationandSelectionApproachforCloudManufacturingServiceBasedonTemplateandGlobalTrustDegree[J].ComputerIntegratedManufacturingSystems,2014,20(1):207-214.

[11]蔡红云,杜瑞忠,田俊峰,等.基于云模型和风险评估的信任模型研究[J].计算机工程,2012,38(23):139-142.

CaiHongyun,DuRuizhong,TianJunfeng,etal.ResearchofTrustModelBasedonCloudModelandRiskEvaluation[J].ComputerEngineering,2012,38(23):139-142.

[12]印桂生, 崔晓晖, 马志强. 遗忘曲线的协同过滤推荐模型[J]. 哈尔滨工程大学学报, 2012, 20(1):207-214.

YinGuisheng,CuiXiaohui,MaZhiqiang.ForgettingCurve-basedCollaborativeFilteringRecommendationModel[J].JournalofHarbinEngineeringUniversity, 2012,33(1):85-90.

(编辑袁兴玲)