云计算平台下恶意软件动态自适应自主防护算法设计研究

云计算平台较为复杂,当前恶意软件防护算法容易受到复杂环境的影响,导致误防护或防护效果不佳。为此,提出一种新的云计算平台下恶意软件动态自适应自主防护算法,引入时间衰减因子确定信任评价权重,依据云计算平台软件的多个属性对软件的直接信任值进行计算。利用用户评价相似度对推荐者的推荐权重进行计算,从而实现软件推荐信任云计算。通过直接信任云与推荐信任云获取综合信任云,比较综合信任云和不同标准信任云,求出相应信任综合评判结果。将信任值低于阈值的软件看作恶意软件,列入恶意软件列表中。令云计算平台中所有用户共同维护恶意软件列表,在恶意软件执行前将其删除,从而实现自主防护。实验结果表明,所提算法能有效防护恶意软件,且耗电量少。     

面向用户的通用云计算平台负载均衡机制

面向用户的通用云计算平台负载均衡机制在探寻云计算平台的成本和效用的基础上,由用户根据任务粒度从质量、成本定制云及云联盟资源三方面权重。由云均衡构件发出蚂蚁群搜索云内及云间计算资源。蚁群采用优化算法搜索资源并将信息发回蚁巢,并监视各个计算资源动态变化及时均衡负载,以降低云运营商成本和用户费用,提高云及云联盟的成本效用。将该负载均衡机制应用在自主研发的云计算平台上,实验结果验证了该负载均衡机制的可行性和优越性。     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

云环境下用户数据安全性访问控制算法

针对传统的用户数据安全性访问算法存在安全性及整体性能低下的问题,提出一种新的云环境下用户数据安全性访问控制算法。通过介绍所提算法的基本概念,利用模糊层次分析法计算云环境中用户数据直接信任值;通过用户和其他云服务之间的信任值求取用户数据推荐值;在此基础之上,确定用户数据综合信任值。通过用户数据信任等级分配得到用户访问权限,针对信任水平较低的用户,云服务供应商通过拒绝其访问保证整个云环境的安全性。实验结果表明,所提算法安全性高,整体性能强。     

结合信任和项目的抗攻击协同过滤算法

为提高基于项目协同过滤推荐方法的抗评分攻击能力,提出结合用户信任等级和项目进行资源协同过滤算法。提出根据用户兴趣相关性、评分相似性和评分相关性构建用户关联图,然后提出用户信任等级计算模型,并将用户信任等级值作为用户的权重结合到经典协同过滤推荐算法Slope One的项目差异性的计算中,形成基于用户信任等级的协同过滤方法。实验数据表明新算法在不影响推荐的预测准确性的基础上,比传统的过滤推荐算法具有更好的抗攻击能力。     

MOOC社区中基于移动情境感知的学伴推荐方法研究

在大规模学员参与的MOOC社区中智能推荐适配的学习伙伴,对促进学习投入和提升课程完成率具有重要意义.基于探究社区理论模型分析MOOC社区知识地图结构,梳理影响学伴推荐的用户情境(学习投入、评分、时间及位置)和社会情境(交互行为、强度及时效),相应地构建用户情境信任度和社会情境信任度;在社会情境信任度构建中,引入信任奖励因子和时间衰减因子,反映MOOC社交信任的动态性;最后融合用户情境和社会情境计算动态综合信任度,通过信任传播构建MOOC社区复杂信任网络,基于此为学员生成Top-N推荐列表.实验表明,融合用户情境和社会情境的学伴推荐方法,能充分挖掘学员兴趣偏好及交互行为变化所反映的动态信任关系,在高动态性和移动性的MOOC社区中具有较好的推荐效果;同时,可以通过调整多维情境的权重值实现在不同推荐场景的灵活应用.     

云环境下基于模糊粗糙AHP的企业信任综合评估

针对传统供应链上合作企业之间信任评估模型的不足,建立了云环境下模糊粗糙AHP信任评估模型,改进了以往信任评估模型中无法很好体现综合权重的缺陷,构建AHP模型计算信任证据的主观组合权重,利用模糊粗糙集原理来定义指标的客观权重,进而计算综合权重,最后建立信任模糊模型综合评估企业信任值。实例证明,该模型可以很好地应用于云计算环境下供应链上各节点企业信任度的评估,是一种有效的综合评估方法。     

融合信任传播和混合相似性度量的推荐算法

针对传统推荐算法中存在的冷启动及稀疏性问题,提出一种融合信任传播和混合相似性度量的推荐算法TPHS。首先,在社交网络推荐算法的基础上,融入信任传播机制,计算用户之间的显性和隐性信任度,进一步挖掘用户之间的信任关系;其次,在衡量用户相似性时,采用混合相似性度量,更好地描述用户之间的相似性;最后,综合考虑用户之间的信任关系和相似性关系,采用Top-n方法和相似性阈值法进行预测评分,得出推荐列表。在Epinions数据集和Movielens数据集上的实验结果表明,该文提出的推荐算法在推荐精度和召回率方面具有更好的推荐性能。     

基于信任社区的个性化推荐策略研究

针对传统的协同过滤算法推荐准确率较低的问题,提出一种基于信任社区的个性化推荐策略.首先利用社区发现算法,从用户网络中挖掘出具备类似兴趣喜好的信任社区,然后实施基于社区的个性化推荐.为及时发现用户的兴趣迁移及恶意攻击节点,引入一种信任度的反馈评价机制,将交易后的评价数据与预期值进行比较,以实现信任度的自适应更新.实验数据显示,该算法使得系统推荐准确率得到有效提高,从而提高了用户对系统的信任度.     

面向教育云E-learning服务用户的信任评估

基于用户主观性及其能力客观性分别提出了用户信任云评估模型及其能力信任评估模型,用户信任云模型使用期望、熵和超熵对具有随机性和模糊性的复杂实体进行主观信任评估;而用户能力评估模型在考虑能力对象和交互属性基础上综合评估用户客观能力的信任度.结合这2种模型提出了用户综合信任评估模型,实验结果表明该评估模型能较好地实现教育云计算环境下E-learning服务用户综合信任评估.     

MediaWiki平台下工程经验知识审阅的专家推荐方法

针对如何对企业经验知识进行规范审阅的问题,结合Wiki平台的特征和隐性知识积累的形式,采用Okapi BM2500权重计算算法考虑用户与词条的相关度,运用改进的PageRank算法计算用户-词条关系网中用户的权威度,根据Cascade排序方式得到推荐专家列表,提出了基于隐性知识积累平台——MediaWiki的专家推荐方法.结合中国某大型造船厂的工艺经验知识,通过实验,验证了基于MediaWiki平台的专家推荐方法的有效性.     

基于用户兴趣和项目周期的协同过滤推荐算法

协同过滤推荐算法以没有限定推荐对象类型、无需用户反馈信息等优势在众多个性化推荐算法中脱颖而出。但是现有算法缺乏对用户之间的差异和用户自身的兴趣考虑,对用户和项目之间的潜在关联考虑不充分,这些问题均会影响推荐精度。该文提出一种基于用户兴趣和项目周期的协同过滤推荐算法,该算法在计算相似度时引入用户兴趣权重UI、项目时间等因素,并采用融合因子将改进后所得用户和项目信息进行综合,获得推荐列表。对比实验得出:该算法在推荐精确度上提高了11.034%,研究结果表明:该算法可有效提高推荐精确度。     

基于大数据的云计算网络协同创新平台的研究

以云计算和大数据技术为理论基础,构建了一个具有"产学研"功能的网络信息协同创新平台,对该平台的"云"架构和功能模块进行了叙述,重点阐述了Hadoop云平台的工作模式。针对大数据环境下数据的稀疏性及扩展性等问题,提出了利用用户隐性行为数据在Hadoop平台上实施协同过滤算法,实现智能推荐,从而有效的提高了算法的执行效率。     

定向信息推荐下多维信任数据协同推荐算法研究

随着通信用户数量的逐渐增加,当前多维信任数据协同推荐算法无法有效满足用户对资源多样性、准确性和发掘能力的要求。为此,提出一种新的定向信息推荐下多维信任数据协同推荐算法。通过矢量空间模型对用户兴趣进行描述,将具有代表性的用户看作该类用户的聚类中心,建立用户对资源的偏好矩阵,求出依据综合信任值的用户相似度;重复选择聚类中心,直至符合既定阈值。获取用户聚类结果后,选择待推荐用户所处聚类中和该用户相似的若干用户,依据上述近邻对目标资源的评分值实现目标用户对目标项目的预测。给出定向信息推荐下多维信任数据协同推荐算法的实现过程,输出Top-N多维信任数据推荐集合。实验结果表明,所提算法预测精度和资源多样性高,发掘能力强,推荐效果好。     

一种社团信任驱动的云服务选择方法研究

针对云环境中满足用户个性偏好的高质可信服务的选择问题,提出一种社团信任驱动的服务选择模型(CTDSS).基于服务选择的二分网络,结合云服务消费者的服务选择相似度与服务评价差异度形成用户偏好相似度,给出了可信推荐社团的聚类算法.利用互信用户社团,预测用户对未知服务的信任评价,指导用户的云服务选择.仿真实验和公开数据实验表明:所提方法能够有效地识别云计算环境下基于服务偏好的用户社团,利用社团信任驱动的服务选择机制为用户的服务选择提供了准确的决策依据.     

结合评分和信任的协同推荐算法

针对现有基于信任的推荐系统虽能缓解冷启动和虚假评价但较难获取用户之间的信任关系,难以建立用户彼此之间的偏好关系的问题,提出了基于评分-信任协同的推荐算法并给出了相关数学表达式和实现流程。该算法充分利用推荐系统中的共同评分,协同用户间的信任关系,有策略地选择用户评分的相似度和用户间信任值,建立用户之间的偏好关系,进而实现推荐。随着共同评分数目下限值的增加带来推荐准确度提高的同时将造成覆盖率的下降,因而关键是选取合适的下限值。实验结果表明,这种混合推荐的方法相比传统协作推荐方法与信任推荐方法,在精度损失极小的情况下,较大地提升了覆盖率。评分覆盖率指标分别提高了3%和32.1%,用户覆盖率指标分别提高了8.2%和15.1%,从而获得了精度与覆盖率的良好平衡。     

基于云平台的软件服务流引擎技术研究

传统的工作流自动化处理大多是针对固定的较为简单的执行单元,不能适应复杂的SaaS服务要求。为同时向大规模访问用户提供可靠实时的云计算服务,文章设计了软件服务流,高效、实时、稳定的调度算法是软件服务流成功实施的关键。通过服务抽象过程把复杂的用户自定制请求匹配成云平台的可执行单元后,软件服务流引擎利用文中提出的EOE实时调度算法处理用户请求,交付下层执行,监控执行进程、系统状态,实现软件服务流的自动化高效运行。最后,给出了在海洋环境信息云服务体系框架下的实现。     

一种基于协同过滤的电动汽车充电推荐方法

 基于大量的充电行为数据,建立电动汽车用户的充电兴趣模型,将用户感兴趣但未发现的最佳充电选择推荐给用户,实现充电行为有序引导是一个重要问题。本文针对电动汽车充电提出一种基于协同过滤算法的推荐模型,得出最佳推荐模型参数指标,充电10次以下的新用户采用基于用户的协同过滤算法,充电10次以上的老用户采用基于物品的协同过滤算法;基于用户的协同过滤算法的最佳邻居数和推荐列表长度均为3;基于物品的协同过滤算法的最佳推荐列表长度为4。指出负荷聚合商可以结合参与需求响应计划的情况,对推荐列表进行再优化,将与需求响应冲突的推荐信息过滤掉,从而实现有序充电控制。     

面向城轨云平台边界安全防护的动态信任管理方法

针对城轨云平台边界数量多、边界安全防护薄弱的问题,分析了城轨云与工业控制网络协同交互过程,提出了一种面向城轨云平台边界安全防护的动态信任管理方法,包括异常行为识别、信任评估、信任更新、基于信任值的动态访问控制。根据城轨云的综合监控系统网络拓扑,分析了未经授权控制指令、违规控制指令、干扰正常控制指令三类异常行为。结果表明,所提出的动态信任管理方法能够有效抵御恶意节点发起的异常行为;对于不同节点、不同异常行为的信任值变化不同;符合“缓升快降”的规则,能够保障城轨云平台细粒度的边界安全防护。     

基于信任关系的潜在好友推荐方法

如何有效地帮助用户挖掘平台潜在好友成为电子商务中一项非常重要的服务需求。提出了一种综合考虑用户间兴趣因素和信任因素的好友推荐方法,设计并构建了一个包括用户声望信任和局部信任的混合信任网络,将网络中信任评价度与协同过滤中兴趣评分相似度进行组合来衡量用户间好友相似关联,以实现好友推荐。在Epinions数据集上以准确率、召回率和F值作为实验评价指标,对所提方法进行验证,相比其他同类应用准确率在10％-15％、召回率在10％～20％的性能,本文方法的准确率和召回率的最佳性能分别达到22．47％和21．15％,实验证明本文方法有效提高了推荐性能。