有许多方法建模原子服务的信任属性。一般来说,它分为实时可用性,可靠性,成本,等等。在本文中,我们使用以下方法模型: (我)

实时:它是用来测量时间服务的特征。服务调用的时间 t定义如下:在服务调用者方面,时间之间的差异 t₁时刻, t₂时刻从发送服务请求接收返回的结果 t 2 − t 1 。 t包括网络传输时间。实时性能的服务将被三元<最低。最低、平均和最大的所有元素 R+。平均代表平均服务调用历史上时间来访问服务,和最大代表最低服务调用历史上时间来访问服务。平均访问时间可以使用以下公式计算: T 年代 = ∑ 我 = 1 n T 我 年代 / n ,在那里 n服务的次数是历史上观察到的,然后呢 T 我 年代 的时间服务被称为历史上。

受信任的本质过程相同的信任方面和描述域信任服务的本质。复合服务的可信度取决于它的子服务的可信度及其组合模式。复合服务的操作功能由多个子任务以某种方式,子任务之间有控制依赖和数据依赖关系。组合服务的执行过程 年代,我们可以参照分解方法在 10),描述了控制依赖在执行过程中通过使用状态图。在此基础上,我们可以使用的方法( 8)来生成一个有向无环图来描述其执行过程。节点代表了子任务,和边缘的方向描述任务的执行顺序。不同的子任务可能由不同的子任务。服务的执行计划 年代被定义为 G , P ,在那里 G是一个有向无环图表示的控制依赖执行期间。 P = t 1 , 年代 1 , t 2 , 年代 2 , … , t n , 年代 n 描述对应的子任务和子服务之间的关系,以及 t 我 , 年代 我 表明 t 我 完成的服务吗 年代 我 。

图 1是一个典型的实施计划图。服务的过程 年代可以分解为多个的子任务。控制任务之间的依赖关系所描述的有向无环图。初始状态是 t _我,两个并行的子任务 t ₁和 t ₂同时触发,并发活动是同步的吗 t ₄,那么任务 t ₅最后,开始吗 t _f完成为止。这些子任务由多个服务提供的功能。 t 我 , 年代 我 描述了相应的子任务和服务之间的关系。其中,< t _我, t₁, t₂, t₃, t₄, t _f>是一个关键路径(如图所示的绿色方块图 1在执行过程中),关键路径的执行时间决定了整个操作的执行时间。

更复杂的业务流程的Web服务,我们可以将它分解成几个基本的递归组合机构。表 1给出了QoS几个基本结构的计算规则流。在本文中,我们将解释和验证该方法有三个共同的QoS属性:时间、成本和可用性。

顺序结构(顺序):服务序列结构的过程 W由服务 米 年代 1 , 年代 2 , 年代 我 , … , 年代 米 在一定的顺序。

时间(T):响应时间 T( W)服务的过程 W由每个服务的响应时间的总和构成了服务过程。 (1) T W = ∑ 我 = 1 米 T 年代 我 。

指数平滑方法需要较少的数据,所以它是一个简单和实用的预测方法对QoS预测( 25]。指数平滑法的方法以一系列历史事件的加权平均作为预测未来的。这是一个加权移动平均法的特例,我们只选择一个重量,最近的观测值的重量。其他数据可以自动计算的权重,将随着时间的推移变得越来越小。指数平滑法的基本模型如下。 (13) F t + 1 = α Y t + 1 − α F t 。

在( 13), F _{t+ 1}时间序列的预测价值的时期 t+ 1, Y _t是时间序列的实际价值的时期 t, F _t时间序列的预测价值的时期 t, α 是平滑常数 0 ≤ α ≤ 1 。

公式( 13)表明,预测值 t+ 1是实际值的加权平均 t和预测价值 t。事实上,我们可以表明,指数平滑法的预测价值方法对任何时期也是所有历史实际数据的加权平均时间序列,如 F 4 = α Y 3 + α 1 − α Y 2 + 1 − α 2 Y 1 。

虽然指数平滑方法提供了一个历史观测数据的加权平均,我们不需要在电脑上存储所有历史数据为下一个时期。一旦平滑常数 α 被选中时,我们只需要两个项目的信息来计算预测价值。公式表明,如果 α ,我们只需要知道实际值和预测值的时间序列的周期 t,即 Y _t和 F _t;然后,我们可以计算的周期的预测价值 t+ 1 。

预测精度。尽管任何值 α 0到1是可以接受的,一些值 α 生产比其他人更准确的预测。我们重写( 13)以下形式: (14) F t + 1 = F t + α Y t − F t 。

因此,新的预测( F _{t+ 1})=历史预测( F _t)加上一个调整,等于 α 时报》最新的预测误差( Y _t− F _t)。换句话说,通过调整的预测价值 t期间,一些预测错误,我们可以得到的预测价值 t+ 1。如果时间序列包含大量的随机变化,我们倾向于使用一个更小的平滑常数。这种选择的原因是,许多预测错误是由于随机变化,而我们不希望太快反应过度预测和调整。时间序列的随机变化小,可以选择一个更大的指数平滑常数。这种方法的优点是快速,条件可以改变调整预测误差时的错误发生。最合适的选择 α 均方误差(MSE)分析应通过对历史数据的分析或实验。

图 2显示了原子服务的QoS能力估计图基于指数平滑方法,其中垂直轴上的红色虚线表示执行的Web服务响应时间连续50次,和蓝色星号代表这些50个原子服务的响应时间。横坐标代表数量的测试基于指数平滑法的时间估计方法。此外,我们使用 T Y 我 代表的实际测量值 我th Web服务响应时间, T F 我 用于表示的指数平滑法估计 我th Web服务响应时间, 我 ∈ 1、2 , … , 50 。

从图可以看出,指数平滑方法具有良好的预测影响原子服务的QoS能力估计和平滑能力偏差显示服务在其执行,这在一定程度上可以消除干扰错误。这些错误可能是由于测量不准确或原子服务本身的环境部署。指数平滑方法可以用来描述在相当大的程度上的真实水平服务质量的原子服务本身,这是一个重要的特征原子服务,而不是受环境影响的性能特征的部署和资源的分配。此外,指数平滑法的QoS估计不能保证QoS级别的准确预测未来原子服务的执行。从本质上讲,它是历史价值的加权平均的QoS的服务指标,这是一个改善的时间平均信任QoS原子服务的建模方法 3所示。1。

我们需要注意的是,每个蓝色星号的价值 T F 我 给出了加权平均的 T Y j j ∈ 1、2 , … , 我 − 1 ,小于 我在时间坐标。当然,在实际应用中,为了减少存储容量,实际值存储在数据中心的实际测量值与估计值的最后执行Web服务计算的( 14),而不是记录历史的所有测量原子服务的执行时间。

进行了线性拟合实际和估算值之间的50测量在这个实验中,如图 3横坐标代表实际值,纵坐标代表估计价值, T Y j , T F 我 构成图中的坐标点。图 3(一个)代表原始数据,和图 3 (b)代表实际和估算值排序的结果从小型到大型(反映QoS的波动幅度值)。结果表明,实际值和估计值能反映Web服务的响应时间大约在100年,尽管估计价值较小的标准方差。图的拟合方程 3 (b)是 T F = 0.29 T Y + 71年 和相关系数 R²= 0.97。 R²是一个真正的数字0和1之间,用于评价回归方程的拟合程度。值越大,拟合程度越好。

图 4测量结果显示50之间的残留分析和估计的结果。所有的值都是均匀分布的,属于标准的正常形状,这进一步证实了线性拟合图的正确性 3。在这个实验中,QoS的预测效果不够好,因为QoS随机变化。然而,原子服务QoS能力的评估使用指数平滑方法相对比较准确的。它本质上是一个动态估计的平均值原子服务QoS能力和历史测量值的加权平均。它探讨了服务的基本特征。原子服务的QoS能力将显示随机波动与白噪声干扰。实验的结果表明,2.75标准差的估计价值显著低于实际价值的9.19(如图 2和 3)。估计价值嵌入小波动在真正的QoS能力值100。这意味着基于指数平滑法的估计价值可能反映了原子服务的QoS能力的本质。因此,这种方法符合原子服务的QoS建模部分 3所示。1。

研究表明,服务的QoS供应水平的实体有关服务的负载节点服务实体所在地。例如,在[ 26),通过大量的实验测试数据库服务,发现服务的平均服务响应时间与服务节点的CPU负载。这种关系可以直观地理解如下:一般来说,一个较低的服务节点意味着服务节点上的负载较少的服务调用请求的本地服务队列,和服务的服务请求实体会被处理得更快。此外,当一个服务节点的负载很低,服务流程切换造成的任务调度开销和文件关联不同的服务实体之间的交互过程将减少,这也将提高服务的响应时间和可用性的实体。

原子服务的时间响应与节点负载,可能会发生变化,这种变化有线性趋势。换句话说,在一定的时间序列,一个原子服务的响应时间将增加节点负载的增加和减少的减少节点负载。虽然他们不一定是一个严格的线性关系,这种单调的趋势确实存在。

基于理论的响应时间和节点负载之间的关系,我们再次进行了相关测试,如图 5。QoS估计有上升趋势,指数平滑法也可以有很好的跟踪效果,和实际测量值的估计是准确的,这充分反映了原子服务的时间响应特性。然而,对于一个真正的系统,响应时间增加的节点负载的增加应该是值变化更慢,更接近于部分所示 4.2。

图 6显示实际的QoS和估算值之间的拟合上升趋势。图 6(一)显示了原始数据和图 6 (b)显示了实际和预计值排序从最小到最大。结果表明,线性趋势的QoS估计与随机变化比这更准确,并能反映QoS的变化趋势。的 R²线性方程拟合的数据 6(一)和 6 (b)大于0.95,相关系数大于0.9。RMSE值和上交所拟合结果图的价值 6(一)分别为14.76和10460年,RMSE值和上交所拟合结果图的价值吗 6 (b)分别为7.875和2977年。这表明实际值之间有很强的相关性和估计价值之间的比例 T F 和 T Y 接近1,表明估计的值是非常准确预测实际的测量值。

上述两个实验充分证明原子服务QoS信息由指数平滑法的预测方法是准确可行的。估计指数平滑法获得的数据是一组QoS信息相对缓慢的变化,充分反映了可靠的原子服务的QoS级别。此外,算法简单,操作方便,系统资源的消耗很小。因此,它可以完全应用于原子服务的QoS数据的预处理对可靠QoS规划。

复合服务,每个服务的原子服务的最短响应时间(数据预处理后的价值)来完成服务根据需求选择时间维度的QoS规划的结果(平均时间复杂度 O( n²))。这种方法最大限度地满足用户的QoS需求时间维度,因为每个原子服务,即使QoS能力估计使用数据预处理,仍没有准确保证原子服务的QoS特性将是估计价值在下次执行。在当原子服务的时间特征明显不同的估计价值,用户的需求时间维度可以最大限度地满足时间偏好的政策,因为它的叶子的最大冗余。

成本/可用性(C / A)优先算法是一种基于QoS的服务选择算法规划。如下所示,基本理念是满足用户的需求在时间维度以尽可能低的成本。(算法 1)。

输入:

算法描述: (1)

基于QoS的结果计划,为每个服务的原子服务,满足实时要求 T p j 并形成一个序列 一个 j 被选中。注意,序列中的原子服务的顺序。

这个服务选择策略允许用户实现所需的QoS要求每个维度与最小成本。平均时间复杂度 O ∑ 年代 j 我 + B ⋅ N 一个 + N 一个 2 ,在那里 B的平均备份时间吗 一个 j 和 N 一个 原子服务的数量吗 一个 j 。然而,对于原子服务的实时QoS估计明显偏离实际的测量,实时性能可能不会满意。

选择的组合服务欧几里得距离优先算法是最接近全面的服务质量提出的用户( 27]。除此之外,所需的服务质量为每个服务QoS规划后表示 QoS 年代 = T , C , 一个 代表服务应满足的条件,在三维空间中:真正的时间,成本,和可用性。

例如,有 n原子服务 年代₁, 年代₂, 年代₃, QoS 年代 1 = T 1 , C 1 , 一个 1 , QoS 年代 2 = T 2 , C 2 , 一个 2 , QoS 年代 3 = T 3 , C 3 , 一个 3 ,这样的服务相同的功能可以被描述为一个矩阵: (15) 问 = T 1 C 1 一个 1 T 2 C 2 一个 2 … … … T n C n 一个 n 。

的服务质量标准,质量标准,值越大表示质量更好,虽然有质量标准,降低值显示更好的质量( 28]。前者被称为优势品质标准,比如可用性,而后者被称为negative-quality标准,如执行时间。此外,为了防止质量标准的价值非常大,影响最终结果,需要集中精力的值之间的所有质量标准[0,1]。

消极的服务质量,我们使用( 16)进行处理;积极的服务质量,( 17)用于处理。 (16) V 我 , j = 问 j 马克斯 − 问 我 , j 问 j 马克斯 − 问 j 最小值 , 如果 问 j 马克斯 − 问 j 最小值 ≠ 0 , 1 , 如果 问 j 马克斯 − 问 j 最小值 = 0。 (17) V 我 , j = 问 我 , j − 问 j 马克斯 问 j 马克斯 − 问 j 最小值 , 如果 问 j 马克斯 − 问 j 最小值 ≠ 0 , 1 , 如果 问 j 马克斯 − 问 j 最小值 = 0。

在上面的方程中,原子服务 年代 _ij使用相同的函数构成的服务 年代 _j, 问 j 马克斯 表示服务的最大价值 年代 _j在维 问, 问 j 最小值 表示所有原子服务的最小值 年代 _j在维 问, 问 我 , j 表示原子服务的价值维度 问,在那里 问表示服务质量的维度,例如,实时 T、成本C和可用性。

矩阵( 15)根据处理( 16)和( 17)获得 (18) 问 ∗ = V 11 V 12 V 13 V 21 V 22 V 23 … … … V n 1 V n 2 V n 3 = 问 1 问 2 … 问 n 。

我们计算的需求 QoS 年代 = T , C , 一个 QoS计划使用上面的公式还后综合素质得到综合素质的价值 问。 问和 问₁是两个点,然后使用欧氏距离计算之间的偏差 问和 问₁。每个服务质量的价值 问处理后可以设置为 问 1 , 问 2 , 问 3 ,然后之间的偏差 问和 问 _j是 (19) d 问 , 问 j = ∑ 我 = 1 3 问 我 − V j 我 2 。

然后,最小的一个 d 问 , 问 j 是最接近全面服务用户提出的服务质量。平均时间复杂度 O n ⋅ 米 + n + 1 ,在那里 n原子服务的数量和吗 米是QoS的数量维度。

图 8显示了使用受信任的QoS规划后的结果图。以下的三个算法的总时间相比,总成本,分别和欧氏距离度量。水平轴表示仿真实验的数量,纵轴表示我们检查的指标。

三个算法研究的总时间,如图所示 9。

从图可以看到,时间( T)优先算法具有最短的总时间,这是由于该算法只使用度量为基础服务选择,最大化的满足时间要求。随机选择算法和成本/可用性(C / A)优先算法表现出随机波动的期望值(1400)因为他们不考虑时间度量。欧几里得距离优先算法比随机选择算法和执行成本/可用性(C / A)优先算法的时间指标,因为它考虑时间、成本、和可用性在一起,而不是和时间( T)优先算法。

三个算法检查总成本而言,如图 10。

从图 10可以看到,它的成本/可用性(C / A)优先算法代价最小的方案。这是由于这样的事实,该算法使用成本(C)作为测量服务选择的指标,因此能够最大化满足成本。

随机选择算法和时间( T)优先算法表现出随机波动的期望值(250)因为成本的指标都是随机的。欧氏距离优先算法执行比随机选择算法和时间( T)优先算法的成本指标,因为它考虑时间、成本、和可用性在一起,但不是以及成本/可用性(C / A)优先算法。

三个算法研究了相似的期望值(欧氏距离),如图 11。

从图可以看出 11,欧几里得距离优先算法具有最好的性能指标。该算法考虑的时间( T)、成本(C)和可用性(A)。随机选择算法的最差表现在所有的三个指标,因为他们是随机抽取的。的时间( T)优先算法执行比随机选择算法的期望值的欧氏距离,因为它需要时间( T)考虑在内。成本/可用性(C / A)优先算法优于时间( T)选择算法的欧氏距离,因为它认为成本(C)和可用性(A),但它不如欧几里得距离优先算法。

总之,欧几里得距离优先算法集成了三个指标考虑,有一个更加平衡和优秀的特点。在实践中,根据不同的需要可以选择不同的算法。

当计算能力充足,服务选择可以通过使用启发式算法不通过QoS的规划。服务选择的组合服务是一个np难问题,算法和本文提出的媒母(MA)通过结合遗传算法(GA)与本地搜索来解决这类问题 29日, 30.]。

本文的算法框架中列出的算法 2。首先,遗传算法的各个参数,组合服务的流动,以及每个原子服务的QoS要求输入。然后生成的人口P是初始化函数InitialPopulation(),和明年进入一个循环,直到迭代次数达到最大迭代次数。在循环,首先,选择()用于选择亲本种群轮盘的方式参与交叉和变异,然后GeneticOperation()用来执行交叉和变异操作。LocalSearch()是一个交叉和变异操作后进一步搜索,找到局部最优,然后UpdatePopulation()用来更新人口和人口得到更好的染色体。最后,计算的结果输出。

输入:的最大迭代数: N_Imax。人口的规模: 年代_P。交配池的大小: 年代_国会议员。比赛的大小: 年代_T。交叉的概率: P_C。突变的概率: P_米。复合服务的过程和每个原子服务的QoS。

的本地策略算法 3为了加快收敛。 N_abst在算法 3表示抽象的服务组合服务的数量,和 N_原子( 我)在抽象服务表示原子服务的数量 我。我们遍历每个基因的染色体,决定是否更换另一个原子服务提高了QoS。如果改变原子服务的基因可以提高QoS,新基因被接受,以便达到一个局部最优。如果能提高QoS通过改变原子服务的典型基因,这种基因可以接受以达到最优的结果。马算法的平均时间复杂度 O N Imax ∑ N abst N 原子 我 。

输入:染色体 P_孩子。复合服务的过程和每个原子服务的QoS。

仿真实验对组合服务执行流图 8马,使用随机选择原子服务和原子服务的选择对于每一个实验,总共100测试。我们设置 N_Imax= 1000, 年代_P= 100, 年代_国会议员= 100, 年代_T= 2, P_C= 0.1, P_米= 0.9。图 12显示了上述两种方法的成功在会议提出的QoS要求应用程序在100年的实验中,分别在水平坐标代表实验的数量 n, n ∈ 1、2 , … , One hundred. ,纵坐标代表的次数 米复合服务的QoS需求得到满足 n实验中, 米 ∈ 1、2 , … , n 。从图可以看出,马成功后选择原子服务的数量远远大于成功的数目原子服务的随机选择。在100年的实验中,90%能满足用户的需求,因为复合服务的QoS MA-selected原子服务以后,而随机选择服务成功的几率不到50%的QoS需求提出的用户,虽然可以满足用户的功能需求。