随着云服务市场中服务种类和数量的持续增加,出现了服务混杂、服务可信程度不一等问题,因此大量云服务信任评估模型应运而生。在云环境中,潜在的用户在使用云服务之前,需要基于可信用户的推荐,云服务供应商所提供服务的可靠性评估依据是供应商历史服务质量,云用户反馈可信性评估依据则是用户的历史反馈质量。因此,高质量信任评估需要用户和云服务的可信性作为保障,用户和云服务双方才能够建立积极的信任关系。本文对融合恶意用户过滤机制的信任评估方法进行了研究。首先,针对云用户和云服务供应商交互过程中提供虚假或恶意信息的问题,提出一种融合改进控制图方法的信誉评估模型。该模型运用统计质量控制理论中小漂移检测控制图方法对目标云服务交易日志中的用户进行检测,并过滤恶意用户;再利用多数共识理论和反馈相似度确定良性用户反馈评分的聚合权重,以提高信誉计算的准确性;最终用户根据云服务供应商的信誉情况屏蔽掉低信誉服务,从而确定最后的交互对象。其次,针对攻击模型、攻击规模不确定的问题,提出一种融合自适应控制图方法的信任评估模型。该模型采用统计质量控制理论中的AEWMA控制图检测恶意用户;之后在信誉和反馈的基础上评估目标云服务的信任,充分考虑事务规模、重要性、时间等因素,为不同的反馈评分分配不同的经验权重;并针对提供反馈的云用户得不到任何奖励的问题,在信任评估中融合社区激励机制,实现目标云服务的高可靠性信任计算。最后,在仿真数据集和真实数据集上进行实验,从攻击检测精确度和预测百分比误差等方面验证了本文算法的鲁棒性和有效性。