Komponent TMS do oceny zaufania wykorzystuje zmierzone wartości TMP wybranych i zebranych w poprzednim komponencie i za pomocą modelu matematycznego oblicza ostateczną wartość, którą nazywamy zaufaniem. Techniki oceny zaufania można sklasyfikować na podstawie matematycznego modelowania zaufania.
Modelowanie oparte na ratingach
W modelowaniu opartym na ratingach klienci oceniają usługi świadczone przez dostawcę usług w skali od 1 do n, zwykle n wynosi 5 lub 10. Ogólne zaufanie do usługi oblicza się, biorąc średnią wszystkich ocen klientów. Amazon i eBay używają takiego systemu oceny dla świadczonych przez siebie usług i produktów. To modelowanie jest bardzo proste, ale ma duże pole do popisu dla błędów i ataków. Jednym z takich modeli jest niedawno zaproponowany SMI dla CloudCommons z Cloud Service Measurement Initiative Consortium (CSMIC). Na rynku CloudCommons konsumenci mogą kupować usługi w chmurze dostarczane przez wiele dostawców CSP. SMI definiuje zestaw istotnych dla biznesu kluczowych wskaźników wydajności (KPI), którymi, jak wspomniano wcześniej, są odpowiedzialność, elastyczność, pewność, finanse, wydajność, bezpieczeństwo i prywatność oraz użyteczność. Użytkownicy przypisują wagę do tych wskaźników KPI i oceniają usługę na podstawie wskaźników KPI przypisanych do wagi. Oceny te są następnie przesyłane do CloudCommons, który gromadzi wszystkie takie dane w celu rozróżnienia usług o podobnym rozkładzie wagi. Ponadto CloudCommons zapewnia również ocenę na podstawie gwiazdek, podobnie jak Amazon, która może działać jako początkowy filtr, gdy patrzysz dla niektórych usług.
Modelowanie bayesowskie
Bayesowskie modelowanie zaufania koduje probabilistyczne relacje między TMP [36] i jest oparte na zasadzie Bayesa, która stanowi, że:
P (h | e) = P (e | h). P (h) / P (e), gdzie:
P (h | e) jest prawdopodobieństwem hipotezy na podstawie dowodów
P (e | h) jest prawdopodobieństwem dowodów na podstawie hipotezy
P (h) jest wcześniejszym prawdopodobieństwem hipotezy
P (e) jest wcześniejszym prawdopodobieństwem dowodów
Zależność zaufania od różnych TMP jest modelowana na wykresie relacji, który jest skierowanym grafem acyklicznym (DAG). PZT mogą wtedy zależeć od siebie nawzajem lub od innych czynników. Wynikiem sieci bayesowskiej jest stopień zaufania, jakim można obdarzyć usługodawcę, biorąc pod uwagę wcześniejsze i późniejsze prawdopodobieństwa. Hien Trang Nguyen i in. [38] zauważają, że sieci bayesowskie są idealne w architekturze zorientowanej na usługi / w chmurze, ponieważ można je wykorzystać do obliczenia prawdopodobieństwa hipotezy w różnych warunkach, na przykład z różnymi TMP. Model zaufania oparty na sieci bayesowskiej zaproponowali Wang i Vassileva [37]. Chociaż model został zaproponowany do zaufania w modelu peer-to-peer opartym na agentach użytkownika, można go łatwo rozszerzyć na SOA, a tym samym na przetwarzanie w chmurze. Zaufanie jest oceniane na podstawie niektórych wcześniej wybranych TMP, takich jak jakość pliku i prędkość pobierania. Każdy agent tworzy naiwną sieć bayesowską dla każdego dostawcy usług, z którym miał do czynienia. Rdzeniem sieci bayesowskiej jest węzeł T, który ma dwie wartości zadowalające lub niezadowalające, które reprezentują odzwierciedlenie poprzedniej transakcji przez agenta. Agent utrzymuje warunkową tabelę prawdopodobieństwa dla każdego węzła-liścia sieci (TMP). Po każdej transakcji agent oblicza prawdopodobieństwo warunkowe P (T = spełnione | TMP są spełnione). Wielokontekstowe, spersonalizowane zaufanie, które obejmuje więcej niż tylko binarną ocenę transakcji, zostało dopuszczone w pracy Hien Trang Nguyen [38], która rozszerzyła tę pracę. W przeciwieństwie do Ref. [37], w sygn. [38] poziom odsetek zdefiniowany przez użytkownika jest używany dla każdego TMP w celu obliczenia T. Zapewnia to, że zaufanie można obliczyć w oparciu o potrzeby specyficzne dla kontekstu i aplikacji.