高级持续性威胁攻击(Advanced Persistent Threat,APT)具有持续性、组织性和目标明确等特征,严重威胁云存储系统中海量数据的隐私,造成严重的经济损失和社会影响。APT攻击手段具有隐蔽性,因此云存储系统难以实时检测。在动态APT攻防交互中,攻击者和防御者轮流控制其存储设备,因此APT检测过程可以用博弈论进行建模研究。APT攻击者在选择其攻击时刻时,由于不确定APT攻击完成时间和存储系统防御策略等因素,其决策具有一定的主观性。为此,论文采用前景理论研究APT攻击者的主观性对云存储安全的影响,针对APT攻击完成时间和存储系统防御策略不确定的场景分别建立主观APT攻防博弈模型。该博弈模型引入攻击者的概率权重函数,描述其选择攻击时间间隔时对存储系统扫描概率和APT攻击完成时间分布概率的估计失真度。在此基础上,揭示上述两种博弈的静态纳什均衡点。仿真结果表明,在低强度系统安全防护场景中,主观的APT攻击者由于过度重视其可能的攻击损耗,降低其攻击率,从而提高存储系统数据安全性。为了解释主观APT攻击者的框架效应心理,满足决策中的随机占优原则,论文进一步建立基于累积前景理论的APT攻防博弈模型。采用价值函数和累积概率权重,描述主观APT攻击者在效用参考点框架下的风险态度,避免一阶随机占优矛盾问题。针对典型的云存储APT攻防场景,论文研究博弈的纳什均衡结果,揭示在低效用参考框架下,APT攻击者表现出风险规避态度,降低攻击率从而提高云存储数据隐私性。针对APT攻击模型未知的场景,论文提出一种基于强化学习算法的APT扫描时间调度机制,并针对主观性的攻击者建立动态主观性APT攻防博弈模型。研究结果表明,该机制可抑制APT攻击者的攻击动机,提高云存储系统数据安全等级,经过充分的攻防交互后可获得最优检测策略。在攻击完成时间不确定的云存储系统场景中,当主观攻击者的风险追求系数为0.7时,该算法经过充分交互可以获取最优策略,比基于Q学习的检测算法提高数据安全等级达13.3%。