复杂跨组织协同中基于深度信任推理的服务组合

胡春华¹，常炳国²，徐慧²，赵强利¹

(1. 湖南商学院 计算机与电子工程学院，湖南 长沙，410205；

2. 湖南大学 信息科学与工程学院，湖南 长沙，410081)

摘要：以云计算环境下跨组织协同中服务提供者(SP)与服务消费者(SC)的深度信任推理及演化过程为研究对象，通过构建服务直接交互信任关系为主、公共信誉反馈为辅的QoS评价及修正方法，建立支持复杂跨组织协同的基于深度信任推理的服务组合策略。该策略在前期研究基础上，利用概率密度函数来表征服务实体间的信任度，通过研究基于概率密度函数的服务间接信任关系的计算、传递及合并方法，最后设计了基于深度信任推理的服务组合算法。仿真实验表明：该方法能有效评价服务参与者的信任度，提高复杂跨组织协同环境中服务组合的质量。

关键词：跨组织协同；间接信任评价；深度信任推理；服务组合

中图分类号：TP393          文献标志码：A         文章编号：1672-7207(2012)02-0567-09

Approach of service combination based on deepness trust reasoning in complex cross-organizational collaboration

HU Chun-hua¹, CHANG Bing-guo², XU Hui², ZHAO Qiao-li¹

(1. School of Computer Electronic Engineering, Hunan Business College, Changsha 410205, China;

2. School of Information Science and Engineering, Hunan University, Changsha 410081, China)

Abstract: The deepness credibility reasoning and evolution process was used for SP and SC in cloud computing environment for cross-organizational collaboration as the research object, and by the QoS evaluation and effective correction method which are mainly based on direct interactive trust relationship among service entities, taking the public credibility of the feedback system as a supplement, a strategy of service combination based on deepness trust reasoning supporting complex cross-organizational collaboration was established. The method used probability density function to represent the credibility of entities based on probability theory and the computing by studying reasoning and merging method in service indirect trust relationship and QoS correction strategy based on probability density, service combination algorithm based on deepness trust reason was devised. The results show that the method can effectively evaluate the credibility of service participants, and enhance the qualities of service combination in complex cross-organizational collaboration.

Key words: cross-organizational collaboration; indirect trust valuation; deepness trust reasoning; services combination

近年来，随着服务计算(Service-oriented computing)和云计算技术的出现，以Web服务为核心的新型跨组织协同技术已受广泛重视^[1-3]。在服务计算和云计算技术下，各组织中软件、平台以及基础设施等一切IT资源均可封装并发布为服务(又称Web服务或软件服务)^[2-3]。为保证服务的可复用性，单个服务的粒度不宜过大，因此，在实际应用中，需将多个服务组合成一个更大粒度的增值服务或系统，以满足组织间协同的需要^[3-4]。近年来，国内外学者就基于服务计算和云计算技术的跨组织协同进行了大量的研究，取得了较好的研究成果，如：Hao等^[4]利用基于代理的服务技术设计了满足协同制造调度策略；Ye等^[5]提出了支持跨组织协同的服务组合原子性分析方法；杜彦华等^[6]提出了面向服务的企业模式，并对跨组织工作流的协同建模及执行优化等进行了深入研究；Liu等^[7]提出了基于SOA的企业间业务协作平台。以上支持跨组织协同的研究都需具备2个前提条件：(1) 模型对跨组织环境下所有服务的功能属性都是了解的；(2) 服务所宣称的QoS(Quality of Services)等非功能信息都是真实可信的。显然，服务常常动态变化，调度方法难对相关服务信息都能知晓，而且在纷繁复杂的互联网中假设所有服务其宣称的功能属性和QoS等非功能属性的信息都真实不符合现实情况，因此，复杂网络下服务实体所宣称的信息不一定可靠，需进行论证和评  估^[8-9]，尤其针对异构互联、节点自治且安全难控的复杂跨组织协同环境以及存在服务交互和网络链路不稳定的条件下，如何保证服务组合的有效开展，仍是有待深入研究的课题^[10-11]。

以云计算和服务计算为代表的复杂跨组织协同环境中服务组合已取得了一定进展，这类研究依据其研究主题的不同而有多种，如：信任模型的表示研究^[12-13]、服务信任信息的获取与推理研究^[13-14]以及等服务实体的信任评价研究^{[11, 15]}等。但还有不少问题亟待解决：

(1) 直接信任关系在整个信任评价体系中所占比例偏小，需建立已直接信任为主、公共信誉反馈为辅的服务信任评价系统；

(2) 通过信任评价系统对服务所宣称的QoS进行评估后，现有研究较少根据评估信息，对其QoS进行有效修正的办法。

为此，本文作者在文献[16]的基础上，以云计算环境下的复杂跨组织协同为研究背景，根据服务消费者(SC)与服务提供者(SP)实体的深度信任推理及演化机制，建立对SP实体的QoS评价模型。实验结果表明：在复杂跨组织协同环境下，基于深度信任推理的服务组合方法能有效评价服务参与者的信任度，提高复杂跨组织协同环境中服务组合的质量。

1  服务实体的信任关系及评价

假设云计算环境下服务组合的交互实体可以将自己的评价向外公布，同时，服务公布自己的评价信息不是强制性的，可以不公布自身的评价信息，具体场景由服务实体决定。本文在文献[16]的基础上开展后续跟踪研究，所使用的系统模型和信任度量方法和与文献[16]中的描述相同。

1.1  服务交互直接信任度的计算

在开放的跨组织协同环境中，如云计算环境和服务计算环境，服务信息极其丰富，且可信度参差不齐，导致用户开展服务组合时，如何选取高质量、可信的SP实体极其困难。尤其是根据服务间的交互关系形成一种QoS与信任度的识别机制，尽量准确地表达实体间的信任关系以及SP实体的QoS依然是一个难题。为此，本文提出了一种对服务实体信任与SP实体QoS的深度推理新方法。其核心是依据组织间服务实体的间接交互关系从而建立起信任深度推理的有效模型，从而能扩展并丰富组织间SC实体的认知范围，提高复杂协同环境下服务选取的准确性，增强跨组织中服务组合的质量。

有关SC实体对SP实体的QoS评价计算以及SC实体对SP实体的信任值评价计算内容见文献[16]。为了能更清楚地了解复杂跨组织协同环境下的深度信任推理，现对SC实体的信任度评价赘述如下。

假设与SC实体A交互过的SP实体为，设与这z个SP交互过的SC实体个数为y个，对其交互的评价记录可用如下矩阵表示：

     (1)

其中每个元素又是一个不同时间的QoS评价向量：，的每个元素是１个u维向量，即 。

在矩阵中，第i行代表了SC实体A对 z个SP实体的QoS评价值，因而可认为这就是z个SP实体真实的QoS(SP实体自己宣称的QoS并不一定真实)。这样，依据SC实体A的QoS评价值来检验其他SC实体是否真实地反映了SP实体的QoS值，从而推导出其可信度。计算方法如下：

它代表SC实体A自身对SP实体B的QoS评价值。从矩阵中任取１个元素 ，代表SC实体C对SP实体B的QoS评价值，由于SC实体A对自己的评价是真实的，因而，通过SC实体C对SP实体B的评价与自己的差异值来判断SC实体C的可信度。从向量与中抽取SC实体A与SC实体C在ti时间对SP实体B的评价向量如下：

    (2)

    (3)

可认为第i个SC实体与自己直接得到的对第j个SP实体的QoS评价是真实的，因此，用自己得到的服务质量来检测其它SC实体给出的QoS评价是否真实。采用前面同样的方法计算两者评价值之差：

   (4)

同样，计算得到差异度的比例为：

          (5)

根据SC实体A得到的QoS来评价SC实体C所评价的QoS的差异来决定SC实体C的信任度。

          (6)

其中：表示梯度划分的量，“”表示取模；Λ为常数，当差异值小于此阀值常数时表示可信，差异值越小则信任度越高；而当差异值大于此阀值Δ时，则不可信，差异值越大越不可信，得到的可信度为负值。这样，SC实体A对SP实体C通过SP实体B所得到的服务信任评价结果存在信任评价向量为：

       (7)

采用信任等级的方法，若SC对SP实体的信任评价≥0，则令p₁=1，否则p₁=0，此beta密度函数的构造方法见文献[16]。

这样，SC实体A对其他y个SC实体的信任评价为(用表示：

     (8)

通过以上分析，可获得与SC实体直接交互的SP实体QoS值的计算方法，这样便得到了直接交互信任关系为主的服务QoS评价策略。

1.2  组织间SC实体推荐信任的计算

前面对组织间SP实体与SC实体的直接交互行为的信任度进行了计算和分析，构建了跨组织服务交互中直接信任关系的评价方法，下面对服务交互间间接信任推理尤其是间接深度信任推理的方法进行研究。

服务实体A现能推理出实体的信任关系为图1中所示的SP₀和SC₀集合。SP₀是指与SC实体A直接交互过的SP实体的集合，SC₀是指与SP₀集合中的SP实体有过交互作用的SC实体的集合。SP_k集合中的SP实体的信任值只能通过间接的信任关系推理得到。

如图1所示，SC实体A已推理得到对SC₀集合中的SC实体的信任值，与SC₀集合交互过的SP实体除了SP₀(SP₀是与实体A交互过的SP实体)集合外，还有SP₁集合。

图1  信任推导关系

Fig. 1  Relation of trust derivation

(1) 依据SC₀集合进行推理得到对SP₁集合的信任值。

(2) 与SP₁集合交互过的SC实体除了SC₀集合外，还有SC₁集合，这样，通过对比SC₀集合与SC₁集合对SP₁集合评价的不同从而推导出对SC₁集合的信任值(SC₀是通过参照SP1实体的评价来推导出SC₁的信任度，因此，在图1中SP实体都是信任评价的参照物，通过参照物推导得到对SC的评价)。这样信任推理就向前推理出SP₁集合和SC₁集合。

(3) 依据上述方法继续向前推理，从而可推理得到对SP_k实体的信任值与QoS评价。

下面通过如图1所示的典型信任推导图论述SC₀集合中的SC实体推理SP₁集合及对SC₁集合的信任值推理方法。设SC₀集合共有y个实体，SC₁集合共有v个实体，SP₀集合共有z个实体，SP₁集合共有χ个实体。

SC₀集合对SP₁集合的QoS评价矩阵如下：

     (9)

与SP₁集合的SP实体宣称的QoS对比，采用与前面类似的方法可以得到SC₀集合y个SC实体对SP₁集合的信任评价函数：

矩阵表示的是SC₀集合对SP₁集合的QoS评价，而矩阵表示的是SC₁集合对SP₁集合的QoS评价，其可表示如下：

     (10)

采用类似的方法，SC实体通过对比自己对SP₁集合QoS的评价与SC₁集合对SP₁集合QoS评价的差异值，从而推导出SC₀集合对SC₁集合的信任评价。通过SC₀中的实体E(即第j个)对SC₁集合实体F的信任度的推导过程以建立SC₀对SC₁的信任评价，其过程为：

(1) 计算E与F对SP实体H的评价差异值来推导出E对F的信任度。E与F对SP实体H在ti时评价的差异值如下所示：

   (11)

(2) 按照前面的推理方法计算出信任度：

         (12)

         (13)

经过上面的方法，可计算出E与F对SP实体H在不同时期评价的信任度：

  (14)

依据文献[16]中类似的方法，可转化为概率密度为：

采用前面同样的方法，可得到E参照SP实体H对F的信任函数为。

更进一步，E还可参照其它实体做出对F的信任函数：

(15)

采用类似方法，可得到SC₀集合中的实体E通过SP₁集合对SC₁中的每个实体的信任评价。第i个SC₀集合中的SC实体对SC₁集合每个实体的信任评价见式(16)中左边部分。由于式中的第i行表示实体E参照不同SP₁实体对SC₁实体i的信任评价，因此，综合成实体E的对实体i的总信任评价函数，这样得到了实体E对每个SC₁实体的信任评价函数，见式(16)中右边部分。

 (16)

经综合，全部SC₀集合对全部SC₁集合的信任评价如下式所示：

下式中的1行实际上对式(16)中右边部分的1列，代表了SC₀集合中的某个SC实体对SC₁集合中每个实体的信任评价函数。依据上面的方法，从SC₀出发，依据SP₁推导出SC₀对SC₁实体的信任值，再从SC₁出发依据SP₂推导出对SC₂，然后依次推理至推导出SC_k。推理过程如图1所示。

通过上述分析，可获得与SC实体间接交互SP实体的QoS值计算方法，通过综合上节的分析，可以得到直接交互信任关系为主、公共信誉反馈为辅的QoS评价模型。

2  服务组合中传递信任关系的计算

依据前面的推理可以得到如图2所示的信任传递关系图。首先，SC实体S依据推理出SC₀集合的信任关系；然后，根据SC₀继续向前推理，直到达到目标SP实体D。从图2可以看出既有信任关系的传递关系，也有多条信任的传播路径关系，这里主要研究信任关系的多重传播与合并关系的演算。

图2  组织间实体信任传递关系图

Fig. 2  Relation of trust transfer in cross organization

2.1  服务组合中信任关系的多重传播分析

定义1 (信任的传递关系) 设实体A对B的直接信任值为，实体B对实体C的直接信任值为。从实体A推导出对实体C信任值的过程称为信任传递，如图2(b)所示，可以通过下式得到间接信任关系。

其中：

可见：信任传递后的与通常会减小，即信任与不信任会减少，而 即不确定性会   增大。

多重的复杂信任信息传递过程如图2(a)所示，信任信息从A到B，再从B到C，最后从C到D。计算过程如下：

=，=，

=

“A→B→…→D→E”构成了１条信任链。理论上，信任信息可通过任意长度的信任链进行传递，但实际上随着信任链的增长信任信息将衰减直至消亡，因此，在实际运用中需要限制信任推理的深度。

2.2  组织间多路径传递任信息的合并

前面论述了组织间信任传递关系的计算，在模型中可能不止１条推荐信任路径。例如，从图2(a)可以看出，从A到D除了前面论述的“A→B→C→D”路径外，还有从C开始的不同多条路径如A→B→C₁→D，A→B→C₂→D和A→B→C₃→D路径，也还可从B开始的不同多条路径如A→B₁→C→D，A→B₁→C₁→D，A→B₁→C₂→D和A→B₁→C₃→D路径，从A出发也存在多条可达D的信任路径。对于这样多个可达目的实体的信任路径，需要对这些路径进行组合，以获得综合的组合信任值。

定义2 (信任的合并) 设评估者S到达目的实体E的推荐路径有和，计算的推荐信任值分别为和 ，则组合这2条路径的组合信任如下：

其中：

由定义2可知：通过组织间的服务组合增加了信任概率，减少了不确定的概率。若存在多于2条以上的信任推荐路径，则通过反复使用定义2，从而获得多条路径的综合信任值。

3  基于深度信任推理的服务组合算法

algorithm 1 Servicecom (SC S, SP T，int k, int ε₀，int ε₁)

//算法为SC实体返回优化的SP实体T；要求信任传递推理深度不大于k，单个实体的信任度＞ε₀，整个推荐链路信任度＞ε₁。

该算法给出了组织间SC实体S对SP实体T的信任与QoS评价。其主要步骤为3个阶段。

第1阶段：信任计算网络图的建立与直接信任关系的计算，具体过程见文献[16]。信任度的推理与计算即计算出两两交互实体间信任度的计算，它是信任评价的基础。

第2阶段：(1) 信任路径与传递信任值的计算。计算程序如下：

//得到信任度大于阀值的信任路径以及信任值，结果保存在向量Credit[ ]和Path[ ]中。

{

         VerT u, w;

         SeqQueue queue;      //定义待处理实体队列

     queue.Append(S);             //SC实体S入队列

         while(queue.NotEmpty( )) //队列非空时循环

         {

                   u = queue.Delete( );  //取出队列当前的实体

                   w = GetFirstCreditNode(u);   //获SC实体u能推理出信任评价的SC实体集合第一个值

  while(w != -1 &  w.depthε₀)

 //若SC能推理出的SC实体存在, 且单个实体的信任值大于阀值ε₀，路径传递深度小于k

                   {

                       If (u==S)

{             //如果是SC实体自身则信任计算不需传递计算, 直接计算可得：

Credit[uw]= ；

Path[path[u,v]，w]= Path[u,v]+[w];

} else

{     //直接计算得到

v=u.parent;   //v是u的父亲节点

Credit[path[u,v],w]=Credit[path[u,v]]  }

//路径的信任计算需要传递计算得到

Path[path[u,v]，w]= Path[u,v]+[w]；

//得到推理的路径

If (Credit[path[u,v],w]＞ε₁& w.NextNode!=T)

//若当前推到w父亲节点V时的链路信任小于ε₁时或已是T时则停止推理

{queue.Append(w);}  //否则实体w入队列,这样将低信任度的信任路径剪枝。

w=GetNextCreditNode (u);

//取实体w的下一个实体}

         }

}

(2) 在步骤(１)的基础上依据信任传递路径关系计算出每条传递信任路径的信任值

第3阶段：信任路径合并及服务进行组合。

(1) 对实体T的直接QoS评价为，直接信任评价为Ca.all。    //若存在直接信任关系

(2) 对每条信任推理路径，反复采用定义2的方法得到对SP实体的综合信任度。

设得到的合并信任度为T.unionCredit。

T宣称的QoS为T.q，则推理得到的QoS为：T.Q=T.unionCredit*T.QoS.

(3) 综合的QoS评价：

T.QoS=*∫+ T.Q*(1-∫)

//如果空，则∫=0

(4) 对每条传递信任路径的信任值进行合并的计算过程，并计算出对SP实体整体的QoS评价。具体

(5) 输出可信度高的组合服务

End

算法的时间复杂度分析如下。

首先，算法的运行空间只在与此实体相关的信任推理路径上相关的实体间进行，而不是全部的空间范围，因此，大大减少了运算的复杂度。其次，计算算法1的复杂度。算法1的代价主要在图2所示的类似多段图间进行，设多段图每段实体个数为Θ(n)，则推理时的复杂度不会超过Θ(n²)，推理的深度不会超过Θ(K)。因此，算法总的时间复杂度为Θ(k·n²)。

定理1：算法1的时间复杂度为Θ((n/k)^k)，其中k为信任推理的深度，n为提供同类服务的实体个数。

证明：算法1的代价主要在图2所示的信任推理的多段图间进行，设提供同类服务的实体个数为n，也就是多段图中进行信任推理与评价的总的实体个数为n，设信任推理的多段图的第i段的实体个数为m_i，第i+1段的实体个数为m_i+1，则第i段与i+1段间的复杂度为Θ(m_i×m_i+1)，整个信任推理与评价的复杂度为。可以证明：当每段实体个数为且复杂度达到最大值时，其时间复杂度为：

==

证毕。

实际上，算法的运行空间只在相关信任推理路径的实体间进行，而不是全部的空间范围，因此，n相对于整个跨组织协同服务空间是非常小，算法的时间复杂度较小。

4  性能分析与仿真实验

由于本文是以云计算环境为研究背景来对复杂跨组织协同中的服务组合问题开展研究，因而可以采用文献[16]中的实验设置环境来进行验证。实验设置SP实体的总数是3 000个，其中SP(1)类实体占80%，SP(2)类和SP(3)类实体各占10%。SC实体的总数是5 000，其中Sc(1)类实占60%，Sc(2)类和Sc(3)类各占10%，Sc(4)类占20%。这样设置与网络中的实际情况较相符，网络中真实实体要大于恶意实体的比例。实验的交互过程是以轮(rounds)为单位，SC实体A在每轮中与SP实体交互的个数为10个，当每一轮结束后，再统计此轮中交互的情况。

图3所示为依据本文提出的服务QoS评价策略在不同推理深度对SP实体评价准确性的对比结果，其中推理深度k是指信任推的传递深度见图1和图2。图1中SP₀为SC实体A直接推得到的SP实体集合，其推理深度k=1，同样，SC₀集合的深度k也为1；而SC₁和SP₁的推理深度k=2。一般来说，k越小，对SP实体评价的准确性越高，当k=1是直接交互的结果，是比较准确的，而k越大，对SP实体的评价的准确性越低。

同时，由图3可见：即使是直接交互时也存在一定的误差，但误差较少，即给出的评价是较准确的，完全不影响服务选择算法的调用。k越大，给出的评价误码率越大，因为其本质是：在信任传递过程中很多信息无法在传递过程中保存，而且存在很多不确定性和信任冲突，导致误差率上升。但总体来说，本文的策略对这3类SP实体都能做出较好评价。本文实验与以往实验很大的不同是：以往实验往往最后给出总体的QoS或者信任评价，但在实际中，服务消费者(SC)的认识是随着交互而深入，对不同推理阶段得到的评价结果不同，很难用统一的平均值来概括，因此，本实验给出了较为细致的不同阶段的评价结论，较符合网络实际情况。

图3  推理深度k与SP实体评价准确性对比

Fig. 3  Comparison of reasoning depth k and SP entity evaluation veracity

随着交互次数的增长对SP实体评价准确性分析结果见图4。从图4可以看出：随着交互次数的增长，即使是不同的推理深度，得到对SP实体评价的误差率都在下降。这时因为随着交互次数的增多，SC实体A从更多的信任路径上获得了对SP实体评价结论，从而提高了评价的准确性。此外，推理深度k越大阶段评价的误差率下降得越大。这是因为：随着交互次数的增多，k越大的实体增长的信任路径几乎是几何级的，从而其信任推理路径也增长非常快，须从更多方面对其做出评价，其评价的准确率也上升得比较快，从而其评价误差率下降得较快。

跨组织协同中不同推理深度推导出SP实体个数与交互次数关系，见图5。由图5可见：组织间随着交互次数的增大，k为1与2的阶段能推理出SP实体一直在增长，而且在前期增长较快，在后期增长较平缓；而k为3，4和5的阶段推理出的SP实体在前期增长较快，而在后期反而下降。这是因为随着组织间交互次数的增多，在开始阶段很快就扩展到很多SP实体，但随后很多SP实体都转变为k为1与2阶段的实体，k=5阶段的实体转化为k＜5阶段的实体。因而，k=5阶段的实体下降最快。从图5也可看出：随着交互次数的增多，k越小阶段的服务QoS评价越准确，从而提高了评价的准确性。

图4  SP实体评价准确性与交互次数的关系

Fig. 4  Relationship between SP entity evaluation veracity and interaction number

随着交互次数的增多，服务组合成功率的变化情况见图6。从图6可见：总体来看，随着交互次数的增大，信任SC实体的可信度上升，该类服务组合的成功率也将增大；而不确定服务实体和不可信实体组合的成功率则较低。

采用可信度大于0.5的服务实体参与计算与只采用前top 3个服务实体参与信任推理2种情况进行对比，结果见图7。从图7可见：这2种情况结果相差不太大，但是，采用top k个可信实体参与计算能大大减少计算量。

图5  SP实体个数与交互次数的关系

Fig. 5  Relationship between SP entity number and interactive number

图6  SC实体可信度与交互次数的关系

Fig. 6  Relationship between SC entity trust lever and interactive number

图7  服务实体可信度的对比

Fig. 7  Comparison of service entity trust lever

5  结论

(1) 通过分析复杂跨组织协同环境中的服务交互信任推理与演化行为，建立了直接信任关系为主、公共信誉反馈系统为辅的QoS评价模型。

(2) 通过研究基于概率密度函数来表征实体间的信任度，给出了基于概率密度信任关系的计算、传递及合并方法，在此基础上提出了基于深度信任推理的服务组合算法。

(3) 仿真实验表明该方法能有效评价服务参与者的信任度，削弱不可信的实体对服务评价的影响，提高复杂跨组织协同环境下服务组合的质量。

参考文献：

[1] 张建良, 范玉顺. 面向服务的企业与业务生态系统[J]. 计算机集成制造系统, 2010, 16(8): 1751-1759.
ZHANG Jian-liang, FAN Yu-shun. Service-oriented enterprise and business ecosystem[J]. Computer Integrated Manufacturing Systems, 2010, 16(8): 1751-1759.

[2] XU Li-da, LIU Hui-min, WANG Song, et al. Modeling and analysis techniques for cross-organizational workflow systems[J]. Systems Research and Behavioral Science, 2009, 26(3): 367-389.

[3] Armbrust M, Fox A, Griffith R, et al. A view of cloud computing[J]. Communications of the ACM, 2010, 53(4): 50-58.

[4] HAO Qi, SHEN Wei-ming, WANG Li-hui. Collaborative manufacturing resource scheduling using agent-based Web services[J]. International Journal of Manufacturing Technology and Management, 2006, 9(2): 309-327.

[5] YE C Y, Cheung S C, Chan W K, et al. Atomicity analysis of service composition across organizations[J]. IEEE Transactions on Software Engineering, 2009, 35(1): 2-28.

[6] 杜彦华, 范玉顺. 基于事件-状态-过程规则的跨组织工作流协同方法[J]. 计算机集成制造系统, 2008, 14(7): 1342-1348.
DU Yan-hua, FAN Yu-shun. Collaboration method for inter-organizational workflows based on ESP rules[J]. Computer Integrated Manufacturing Systems, 2008, 14(7): 1342-1348.

[7] LIU Min, GAO Qi, SHEN Wei-ming, et al. A semantic-augmented multi-level matching model of Web services[J]. Service Oriented Computing and Applications, 2009, 3(3): 205-215.

[8] Almenarez F, Marin A, Campo C. TrustAC: trust-based access control for pervasive devices[C]//LNCS 3450. Berlin: Springer-Verlag, 2005: 225-238.

[9] 陈志刚, 刘莉平, 刘安丰. 基于黑白板的信任敏感Web服务组合策略[J]. 通信学报, 2010, 31(6): 25-35.
CHEN Zhi-gang, LIU Li-ping, LIU Aa-feng. Trust-sensitive Web service composition strategy based on black and white board[J]. Journal on Communications, 2010, 31(6): 25-35.

[10] Jurca R, Faltingsi B. Eliciting truthful feedback for binary reputation mechanisms[C]//Proceedings of the 2004 IEEE/WIC/ACM International Conference on Web Intelligence. Los Alamitos, CA: IEEE Computer Society Press, 2004: 214-220.

[11] Liman N, Boutaba R. Assessing software service quality and trustworthiness at selection time[J]. IEEE Transactions on Software Engineering, 2010, 36(4): 559-574.

[12] Damiani E, Vimercati S D, Paraboschi S. A reputation based approach for choosing reliable resources in P2P networks[C]//Proceedings of ACM conference on Computers and Communications Security. New York: ACM Press, 2002: 18-22.

[13] Zaki M, Athman B. Reputation bootstrapping for trust establishment among Web services[J]. IEEE Internet Computing, 2009, 13(1): 40-47.

[14] 潘静, 徐锋, 吕建. 面向可信服务选取的基于声誉的推荐者发现方法[J]. 软件学报, 2010, 21(2): 388-400.
PAN Jing, XU Feng, LU Jian. Reputation-based recommender discovery approach for service selection[J]. Journal of Software, 2010, 21(2): 388-400.

[15] Suryanarayana G.. Selection and architecture-based com- position of trust models in decentralized applications[D]. University of California, 2007: 26-36.

[16] 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.
HU Chun-hua, LUO Xin-xing, WANG Si-chun, et al. Approach of service evaluation based on trust reasoning for cloud computing[J]. Journal on Communications, 2011, 32(12): 72-81.

(编辑 陈灿华)

收稿日期：2011-03-05；修回日期：2011-06-02

基金项目：国家自然科学基金资助项目(64311004)；湖南省自然科学基金重点资助项目(IIJJ2033)；教育部人文社会科学研究青年基金资助项目(10YJC630080)；湖南省教育厅重点科研项目(11A062)；湖南省科技计划项目(2010JT4053)

通信作者：胡春华(1973-)，男，湖南新化人，博士，副教授，从事跨组织协同及云计算等研究；电话：0731-88688270；E-mail：huchunhua777@163.com