周建濤 羅曉峰 王 燕

(內(nèi)蒙古大學(xué)計算機學(xué)院 呼和浩特 010021)

云QoS映射模型及其面向服務(wù)選擇的算法

周建濤 羅曉峰 王 燕

(內(nèi)蒙古大學(xué)計算機學(xué)院 呼和浩特 010021)

隨著云計算的不斷發(fā)展,具有QoS保證的服務(wù)選擇方法成為云服務(wù)領(lǐng)域的一個重要研究內(nèi)容,其中用戶QoS需求到云服務(wù)資源的映射關(guān)系是此類方法研究中的一個關(guān)鍵問題。論文從用戶、SaaS和IaaS三個層面分析了確定型的QoS指標(biāo)與云資源類型的層次關(guān)系,建立了用戶QoS需求到云資源的映射模型?；赒oS映射模型,提出了一種以用戶QoS需求為中心的云資源選擇方法,方法中結(jié)合了熵權(quán)法和TOPSIS方法。最后在實驗階段通過實例給出了QoS到資源映射方法的實現(xiàn)過程。實驗表明QoS到資源的映射模型與基于此的服務(wù)選擇方法對于支持具有QoS保證的按需服務(wù)的運營模式具有一定參考價值。

云服務(wù)選擇; 服務(wù)質(zhì)量; 映射模型; 熵權(quán)法; TOPSIS方法

Class Number TP393.01

1 引言

云計算是在傳統(tǒng)的分布式計算、并行計算及網(wǎng)格計算的基礎(chǔ)上,融入了虛擬化、效用計算、負(fù)載均衡等概念混合演化發(fā)展的結(jié)果。作為一種日漸成熟的商業(yè)服務(wù)模式,云計算能夠自我管理各類資源,并以按需付費的模式來為用戶提供服務(wù),這種按需使用的方式極大地提高資源的利用率。因此,云計算及其服務(wù)得到了廣泛的普及和應(yīng)用。

云服務(wù)通過封裝云平臺中的虛擬資源為用戶提供具有特定功能的一組操作,操作的實現(xiàn)細節(jié)與資源調(diào)度方案對用戶來說是透明的。不同的資源調(diào)度方案支撐的服務(wù)實例所能提供的服務(wù)質(zhì)量不同。如何從眾多功能相同的服務(wù)實例中選擇一組服務(wù)實例形成組合服務(wù),以滿足用戶業(yè)務(wù)的非功能性需求成為云服務(wù)環(huán)境中亟待解決的問題。因而,具有QoS(Quality of Service)保證的服務(wù)選擇方法的研究引起了學(xué)術(shù)界廣泛的關(guān)注。

為了有效評估云服務(wù)的執(zhí)行性能,為用戶選擇云服務(wù)提供決策依據(jù),有必要對云服務(wù)的QoS進行建模。目前針對云服務(wù)QoS建模的研究工作主要側(cè)重于QoS的參數(shù)定義和測量方法[1]。在QoS模型的基礎(chǔ)之上將QoS作為服務(wù)選擇的標(biāo)準(zhǔn),并提出具有QoS保證的資源選擇算法[2～3]。然而這些研究中大多忽略了用戶需求與QoS模型的關(guān)系,并沒有給出一個完整有效的從用戶需求到QoS模型的資源選擇方案。因此,建立用戶QoS需求到云資源的映射關(guān)系,提出確保服務(wù)實例的執(zhí)行性能滿足用戶需求的資源選擇方法,有助于解決具有QoS保證的服務(wù)選擇問題。

2 相關(guān)工作與方法

2.1 相關(guān)工作

在云環(huán)境中,服務(wù)資源是動態(tài)和可擴展的,服務(wù)實例運行時調(diào)用的虛擬資源能否確保服務(wù)實例的QoS水平滿足用戶的非性能需求是基于資源QoS選擇云服務(wù)研究的重點?，F(xiàn)有研究工作主要包括兩個方面： 1) 資源QoS建模：通過對服務(wù)資源QoS參數(shù)的定義和約束形成資源動態(tài)組織和調(diào)度的依據(jù),為用戶提供具有QoS保證的云服務(wù)。文獻[4]研究了如何使用統(tǒng)一的方式組織描述QoS參數(shù),文獻[5～11]則側(cè)重于具體QoS參數(shù)的定義、語義和測量方法的研究。 2) 資源選擇：面向需求和資源的描述,研究資源選擇的算法,常用的方法包括逼近理想點排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS),層次分析法(Analytic Hierarchy Process,AHP),模糊多屬性決策以及模糊TOPSIS等[2,12～15]。

以上對于服務(wù)選擇的研究存在兩方面的不足： 1) 如何將用戶直觀的QoS需求轉(zhuǎn)化為服務(wù)執(zhí)行時對云資源的要求。例如,用戶只是希望花費100元在3個小時之內(nèi)解決問題,他并不能確切知道這個直觀需求等同于多少個虛擬處理器、存儲器或帶寬等。不同的應(yīng)用程序執(zhí)行時所需的資源不同,很難提供一致的函數(shù)解決這個問題,根據(jù)調(diào)研目前這方面的研究成果較少。論文將此問題稱為基于服務(wù)QoS的用戶需求到云資源的建模問題。 2) 如何從候選服務(wù)中選擇符合用戶QoS預(yù)期的資源。服務(wù)商已經(jīng)提供了能完成用戶功能和基本性能需求的多種云服務(wù),從這些服務(wù)中找到最符合用戶QoS需求的服務(wù),論文將該問題稱為云資源選擇問題。已有資源選擇的研究多是在需求描述和資源描述一致的假設(shè)下完成的,通過比較單一的QoS需求(如時間、成本)給出具體的選擇策略。而QoS需求有不同的體系標(biāo)準(zhǔn),如何將不同標(biāo)準(zhǔn)的QoS需求有層次、有重點地綜合到一個一致的體系下是這方面研究工作面臨的主要難題。

鑒于此,本文對云環(huán)境中用戶QoS需求到云服務(wù)資源的映射模型進行了探索性的研究,基于該模型,提出了一種將熵權(quán)法與TOPSIS方法相結(jié)合的服務(wù)選擇算法,用于滿足用戶對于云服務(wù)的QoS需求。

2.2 相關(guān)方法

1) QoS指標(biāo)的客觀賦權(quán)方法-熵權(quán)法

QoS指標(biāo)的權(quán)重對評價方案有明顯的影響,是基于QoS選擇服務(wù)的重要決策因素。目前,確定評價指標(biāo)權(quán)重的方法可分為兩類：主觀方法和客觀方法。主觀方法主要包括層次分析法、專家打分法、經(jīng)驗判斷法等,這類方法主要強調(diào)方案中各個評價指標(biāo)對于目標(biāo)的重要程序?？陀^方法包括主成分分析法、熵權(quán)計算法等,這類方法主要強調(diào)各個評價指標(biāo)對于方案的區(qū)分度。為了盡可能客觀地評價不同的服務(wù)方案對于用戶需求的滿足程度,有必要采用一種客觀賦權(quán)法計算各項QoS指標(biāo)的權(quán)重。

熵權(quán)法是一種典型的客觀賦權(quán)方法[16]。在信息論中,熵是系統(tǒng)無序程度的度量,并能提供度量數(shù)據(jù)的有效信息量。使用熵權(quán)法來確定QoS指標(biāo)的權(quán)重可以有效評估不同的QoS指標(biāo)對于服務(wù)方案的區(qū)分度的貢獻。當(dāng)不同服務(wù)方案的某項QoS指標(biāo)非常接近甚至相同時,則說明該項指標(biāo)對于方案的區(qū)分度貢獻不大,此時應(yīng)給其賦予較小的權(quán)重或考慮從評價指標(biāo)中去除。利用熵權(quán)法計算權(quán)重的基本過程如下：

(1)形成待評方案的評價矩陣并標(biāo)準(zhǔn)化,設(shè)標(biāo)準(zhǔn)化評價矩陣A=(aij)m×n,m代表方案數(shù)目,n代表評價指標(biāo)數(shù)目,aij代表j個指標(biāo)在第i個方案中的評價值。

(2)計算各個指標(biāo)的信息熵。第j個指標(biāo)的熵值ej的計算公式如下

(1)

(3)計算各個指標(biāo)的熵權(quán)。第j個指標(biāo)的熵值wj的計算公式如下

(2)

2) 服務(wù)資源的比較決策方法-TOPSIS

TOPSIS是一種適用于通過多個指標(biāo)、對多個方案進行對比選擇的分析決策方法?；舅枷胧峭ㄟ^計算待評方案與假想的最優(yōu)方案和最劣方案的歐式距離評估各個方案和最優(yōu)方案的接近程度,作為評價方案好壞的標(biāo)準(zhǔn)。接近程度的取值范圍為0～1,愈接近1,表示待評方案越接近最優(yōu)水平。利用TOPSIS方法進行方案比較的基本過程如下：

(1)對所有評價指標(biāo)進行同趨化處理,形成待評方案的原始評價矩陣A=(aij)m×n。

(2)對矩陣A進行歸一化處理,計算公式如下

(3)

(3)確定方案的正理想解Z+和負(fù)理想解Z-：

Z+=(Zmax1,Zmax2,…,Zmaxn)

Z-=(Zmin1,Zmin2,…,Zminn)

(4)

其中Zmaxi為第i項評價指標(biāo)的最大值,Zmini為第i項評價指標(biāo)的最小值。

(4)計算被評價對象到正理想解和負(fù)理想解的歐式距離：

(5)

(5)計算評價方案與最優(yōu)方案的接近程度Li,計算公式如下：

(6)

圖1 云服務(wù)的QoS規(guī)范模型

3 用戶QoS需求到云資源的映射模型

用戶QoS需求到云資源映射模型是支撐用戶服務(wù)請求到云服務(wù)響應(yīng)過程中資源選擇、資源匹配和資源學(xué)習(xí)預(yù)測等問題的底層實現(xiàn),其目標(biāo)是建立用戶非功能性需求到資源的映射,以滿足用戶對服務(wù)質(zhì)量的需求。要為用戶提供服務(wù)質(zhì)量的保證,用戶和服務(wù)提供商必須對QoS參數(shù)進行定義,同時提供同類服務(wù)的不同服務(wù)商也需要對其資源有一致性的描述,才能為資源的動態(tài)組織和調(diào)度提供依據(jù)。為了解決上述問題,下面建立QoS參數(shù)映射規(guī)則。

3.1 基于QoS參數(shù)的映射規(guī)則

在云環(huán)境中將用戶對QoS的直觀需求轉(zhuǎn)化為相應(yīng)QoS的服務(wù)對云資源的需求是一件很困難的事,其困難之處在于沒有一種很好的方法能將QoS需求有層次、有重點地統(tǒng)一到同一體系之下。為了滿足用戶對于云服務(wù)的QoS需求,論文構(gòu)建了云環(huán)境中的QoS屬性規(guī)范模型,并基于該模型提出了QoS指標(biāo)的映射規(guī)則。云服務(wù)的QoS規(guī)范模型如圖1所示,包括三個層次：頂層是云服務(wù)選擇的目標(biāo)層,中間層是QoS屬性,底層是候選的云服務(wù)[17]。QoS屬性層描述了自頂向下的QoS指標(biāo)的依賴關(guān)系,具體又可分解為用戶需求層、SaaS層和IaaS層三個層次。首先將用戶對服務(wù)的QoS需求轉(zhuǎn)化為SaaS層服務(wù)QoS參數(shù),然后進一步映射為SaaS層服務(wù)所調(diào)用的底層資源的QoS參數(shù)。

云服務(wù)的QoS規(guī)范模型給出了從用戶需求到底層服務(wù)資源的QoS指標(biāo)的依賴關(guān)系,下面根據(jù)這種依賴關(guān)系來制定從用戶QoS需求端到云資源端的QoS指標(biāo)的映射規(guī)則。定義映射規(guī)則如下：

Rule1：用戶層單一QoS需求要么映射到SaaS層然后映射到IaaS層,要么直接映射到IaaS層,可分別描述為子規(guī)則：Sub-Rule1.1和Sub-Rule1.2。

圖2 Sub-Rule1.1的QoS映射規(guī)則

Sub-Rule1.1：當(dāng)SaaS層沒有描述用戶需求的對應(yīng)屬性時,用戶的QoS需求直接映射到IaaS層。令QUi∈Q是適合Sub-Rule1.1的用戶QoS需求Q的子集,QIn是QUj對應(yīng)的IaaS層屬性,則映射規(guī)則表示為QUi→QIn。Sub-Rule1.1的部分映射規(guī)則如圖2所示。圖2中,有效性(Availability)是用戶層QoS需求,可直接映射到IaaS層的Availability屬性,通過平均失Sub-Rule1.2：效前時間(mean time to fail, MTTF)和平均修復(fù)前時間(mean time to restoration,MTTR)兩項標(biāo)準(zhǔn)度量。

當(dāng)SaaS層有描述用戶QoS需求的對應(yīng)屬性時,用戶QoS需求先映射到SaaS層,然后再映射到IaaS層。用戶層的QoS評估值是SaaS層QoS評估值和IaaS層QoS評估值的聚合。令QUj∈Q是適合Sub-Rule1.2的用戶QoS需求Q的子集,QSm是QUj對應(yīng)的SaaS層屬性,QIm是QUj對應(yīng)的IaaS層屬性,則映射規(guī)則表示為QUj→QSm→QIm。

圖3 Sub-Rule1.2的QoS映射規(guī)則

Sub-Rule1.2的部分映射規(guī)則如圖3所示。例如在圖3中用戶對服務(wù)可靠性(Reliability)的需求,可首先映射為SaaS層軟件的可靠性,通過軟件執(zhí)行的每百萬請求失敗率(defects per million,DMP)指標(biāo)度量,然后可進一步映射為IaaS層的可靠性,通過IaaS資源的平均故障間隔時間(mean time between fail,MTBF)指標(biāo)度量。

Rule2：用戶層的復(fù)雜QoS需求可映射為一組QoS屬性子集及其依賴的SaaS層和IaaS層的QoS屬性的層次模型。令QUpk?Q是用戶對云服務(wù)的總體性能需求,QUck?Q是與用戶相關(guān)的其他QoS需求,則QUpk和QUck的映射規(guī)則可分別表示為

QUpk→QIpn+(QSpm→QIpm)

QUck→QIcn+(QScm→QIcm)。

其中QIpn和QIcn是適合Sub-Rule1.1的IaaS層QoS屬性,QSpm和QScm適合Sub-Rule1.2的SaaS層QoS屬性,QIpm和QIcm適合Sub-Rule1.2的IaaS層QoS屬性。評估用戶復(fù)雜QoS需求時,需要將其子層QoS屬性值進行聚合。

3.2 基于映射規(guī)則計算QoS屬性

本節(jié)列舉幾個QoS屬性,展示基于映射規(guī)則的QoS屬性值的計算過程。首先介紹適用Sub-Rule1.1的QoS屬性的度量公式。

1) 有效性(Availability,AV):表征用戶對服務(wù)的可訪問性程度,AV屬性的度量單位是百分比。該指標(biāo)由托管的IaaS層服務(wù)的有效性程度決定,這意味著有效性AV的計算僅與底層虛擬資源有關(guān),即AV=IaaS AV。AV的度量公式為

IaaSAV=MTTF/(MTTF+MTTR)*100%

其中MTTF表征系統(tǒng)平均能夠正常運行多長時間才發(fā)生一次故障；MTTR表征可修復(fù)資源的平均修復(fù)時間,就是從出現(xiàn)故障到修復(fù)完成所用時間。系統(tǒng)的MTTF越長,MTTR越短,系統(tǒng)的有效性越高。

2) 數(shù)據(jù)訪問控制(Data Control,DC):防止對任何資源進行未授權(quán)的訪問,從而使云服務(wù)在合法的范圍內(nèi)使用。數(shù)據(jù)訪問控制是利用用戶身份及其所歸屬的某項定義組來限制用戶對某些信息項的訪問,或限制某些控制功能使用的一種技術(shù)。由于托管的IaaS層服務(wù)完全負(fù)責(zé)用戶的數(shù)據(jù)存儲,所以DC屬性值是依賴IaaS層來度量的,即DC=IaaS DC,DC屬性的度量單位是百分比。假設(shè)云計算對用戶的數(shù)據(jù)訪問控制做了預(yù)先定義的策略組A,而IaaS層服務(wù)提供者定義了規(guī)范的數(shù)據(jù)訪問控制策略組B。那么DC的度量公式為

IaaSDC=Sim(A,B)

即組A和組B的相似度越高,系統(tǒng)的DC屬性值越大。

下面介紹適用Sub-Rule1.2的QoS屬性的度量方法。Sub-Rule1.2的QoS屬性值計算比較復(fù)雜,首先需要分別計算SaaS層和IaaS層的QoS屬性值,然后利用聚合函數(shù)合成用戶層QoS屬性值。下面舉例說明。

1) 可靠性(Reliability,RL):云服務(wù)在規(guī)定的服務(wù)等級協(xié)議SLA(Service-Level Agreement,SLA)下完成指定服務(wù)功能的能力。用戶層可靠性RL的值是由SaaS層和IaaS層的QoS屬性值共同決定,計算公式為

RL=∏ (SaaSRL,IaaSRL)

其中SaaS層的可靠性可用每百萬用戶的嘗試請求中出現(xiàn)的請求失敗率(DPM)來表征。DPM的計算公式為

DPM=(請求失敗次數(shù)/總的請求次數(shù))*106

此時SaaS層可靠性的計算公式為

IaaS層的可靠性可用平均故障間隔時間(MTBF)來計算,其度量單位同樣為百分比。MTBF越長表示可靠性越高,正確工作能力越強,計算公式為

MTBF=(總故障時間/出現(xiàn)故障次數(shù))*100%

此時IaaS層可靠性的計算公式為

IaaSRL=MTBF

2) 響應(yīng)時間(Response Time,RT):用戶發(fā)送云服務(wù)請求到接受響應(yīng)的間隔時間。云服務(wù)響應(yīng)時間是IaaS層和SaaS的響應(yīng)時間之和。響應(yīng)時間的度量單位是秒,其值越低越好,計算公式為

RT=SaaSRT+IaaSRT

SaaS層響應(yīng)時間是完成一個服務(wù)請求的處理時間,在此不考慮其與IaaS層托管服務(wù)的通信時間,計算公式為

SaaSRT=SaaSPRO

IaaS層響應(yīng)時間是IaaS托管服務(wù)的處理時間和傳輸時間之和。處理時間包括執(zhí)行服務(wù)時間,等待時間和服務(wù)組合時間。傳輸時間是與托管服務(wù)通信的總時間。IaaS層響應(yīng)時間的計算公式為

IaaSRT=IaaSPRO+TRANS

3) 可用性(Usability,US):云服務(wù)在易用、易學(xué)、易安裝方面的特性。云服務(wù)的可用性可以由IaaS層的可用性和SaaS層的可用性綜合得到,度量單位是百分比,其計算公式為

US=∏(SaaSUS,IaaSUS)

SaaS層和IaaS層服務(wù)的可用性是由用戶給出的。用戶對于服務(wù)易用性、易學(xué)性和易安裝性(僅IaaS層)的反饋評價代表了服務(wù)的可用性,其值是一個區(qū)間值,值越高,服務(wù)的可用性越高。

4) 信譽度(Reputation,RP):用戶對云服務(wù)的認(rèn)同程度。云服務(wù)的信譽度是由IaaS層和SaaS層的服務(wù)支持共同決定的,度量單位是百分比,計算公式為

RP=avg(SaaSRP+IaaSRP)

SaaS層和IaaS層服務(wù)的信譽度均由用戶給出。用戶對于服務(wù)的整體性能、價格和可用性的反饋評價代表了服務(wù)的信譽度,其值是一個區(qū)間值,值越高,服務(wù)的信譽度就越高。

5) 安全性(Security,SU):為用戶提供應(yīng)用程序、硬件組件和用戶數(shù)據(jù)信息等服務(wù)在安全方面的特性。安全性也是由IaaS層的安全性和SaaS層的安全性共同決定的。安全性的度量單位是百分比,其值越高,安全性越好。云服務(wù)安全性的計算公式為

SU=avg(SaaSSU+IaaSSU)

SaaS層安全性需要考慮訪問機制(如授權(quán)、身份驗證等)。假定云計算中預(yù)先定義訪問控制機制A,而SaaS層服務(wù)提供者定義了規(guī)范的訪問控制機制B,那么SaaS SU的計算公式為

SaaSSU=Sim(B,A)

IaaS層安全性需要考慮三個因素,即訪問控制、數(shù)據(jù)隱私和加密算法。假定云計算中預(yù)先定義IaaS層的安全機制為A,而IaaS層服務(wù)提供者的規(guī)范安全機制為B,那么IaaS SU的計算公式如下

IaaSSU=Sim(B,A)

6) 服務(wù)費用(Cost,CO)：使用服務(wù)時用戶應(yīng)該支付的服務(wù)費用。云服務(wù)費用是IaaS層費用和SaaS層費用的總和,其計算公式為

CO=SaaSCO+IaaSCO

SaaS層服務(wù)費用包括訪問云應(yīng)用程序的費用。IaaS層服務(wù)費用是指使用托管服務(wù)的費用,包括內(nèi)存、CPU、數(shù)據(jù)存儲和網(wǎng)絡(luò)帶寬等。

當(dāng)需要將用戶對服務(wù)的完整QoS需求映射到一個QoS屬性集時,則可利用Rule2的規(guī)則完成各子層QoS屬性的聚合計算。下面以穩(wěn)定性(Stability)和準(zhǔn)確性(Accuracy)為例,說明相應(yīng)的計算方法。

穩(wěn)定性指的是云服務(wù)在受到干擾后,其服務(wù)能力保持不變的性能。準(zhǔn)確性是指實際的服務(wù)質(zhì)量與SLA描述的服務(wù)質(zhì)量的接近程度。它們的度量單位都是百分比。根據(jù)這兩個屬性的定義指定在計算過程中需要的參數(shù),因而穩(wěn)定性用云服務(wù)性能來計算,而準(zhǔn)確性需要通過云服務(wù)的質(zhì)量和與用戶相關(guān)的QoS需求的比較來計算。穩(wěn)定性和準(zhǔn)確性的計算公式分別為

Stability=avg(AV+RL+RT)

Accuracy=avg(DC+US+PR+CO+SU)

4 一種基于熵權(quán)法和TOPSIS方法的云服務(wù)選擇算法

用戶QoS需求到云資源的映射模型將用戶層、SaaS層和IaaS層中不同標(biāo)準(zhǔn)的QoS描述組織到同一QoS體系架構(gòu)下,解決了用戶的直觀需求到云資源的建模問題。本節(jié)將基于該模型,提出一種熵權(quán)法和TOPSIS方法相結(jié)合的云資源選擇算法,解決云計算中具有QoS保證的云服務(wù)選擇問題[15]。算法的基本思路是：首先依據(jù)QoS規(guī)范和QoS參數(shù)映射規(guī)則定義描述云服務(wù)方案的QoS屬性集并計算各個QoS指標(biāo)值,形成云服務(wù)方案矩陣；接著求解云服務(wù)QoS方案的正負(fù)理想解；然后確定方案中各個QoS指標(biāo)的權(quán)重系數(shù)并評估各個云服務(wù)方案與理想解的歐式距離；最后通過方案接近度為各個候選云服務(wù)排序,選擇最優(yōu)服務(wù)。下面詳述算法設(shè)計的具體細節(jié)。

4.1 統(tǒng)一指標(biāo)理想解的計算

1) 標(biāo)準(zhǔn)化方案矩陣的計算：

QoS指標(biāo)可分為兩類：效益型指標(biāo)和成本型指標(biāo)。效益型指標(biāo)的數(shù)值越大表示用戶對該指標(biāo)的需求越高,成本型指標(biāo)的數(shù)值越小表示用戶對該指標(biāo)的需求越高。方案中的這兩類指標(biāo)處理方法如下：

(1)對于效益型指標(biāo)：

(7)

(2)對于成本型指標(biāo)：

(8)

2) 方案矩陣規(guī)范化的計算：

(9)

3) 確定規(guī)范化后方案矩陣的理想解：

(10)

(11)

4.2 方案與理想解的歐式距離的計算

設(shè)QoS決策標(biāo)準(zhǔn)C對應(yīng)的權(quán)重向量為W=(w1,w2,…,wn)。 采用熵權(quán)法來計算QoS指標(biāo)的權(quán)重,即通過方案矩陣的數(shù)值信息建立目標(biāo)規(guī)劃的優(yōu)化評估模型。結(jié)合式(1)和(2)計算各個云服務(wù)方案距離正負(fù)理想解的加權(quán)歐式距離,公式如下：

1) 待選方案Ai到正理想解J+的歐式距離為

(12)

2) 待選方案Ai到負(fù)理想解J-的歐式距離為

(13)

4.3 方案接近度的計算

方案Ai的接近度為

(14)

RCCi的大小反映了決策方案偏離負(fù)理想解的程度,數(shù)值越大說明評價結(jié)果越好。

4.4 基于QoS映射模型的云服務(wù)選擇算法的實現(xiàn)

下面給出基于QoS映射模型的云服務(wù)選擇算法(QoSMapping-CSS)的核心程序偽代碼。

算法1 QoSMapping-CSS

Input: A (方案矩陣), W (QoS指標(biāo)權(quán)重向量)

Output: C (排序后的云服務(wù)方案接近度)

Begin

% 方案矩陣歸一化處理

[m, n]=size (A)

N=zeros (m, n)

For i=1:n

For j=1:m

colsum(i) = colsum(i)+X(j,i)2

End for

End for

For i=1:m

For j=1:n

N(i,j)=X(i,j)/Sqrt(colsum(j)) % 標(biāo)準(zhǔn)化矩陣 End for

End for

% 根據(jù)加權(quán)判斷矩陣獲取評估目標(biāo)的正負(fù)理想解

PIS=zeros(1,n);

NIS=zeros(1,n);

For j=1:n

PIS(j)=Max(N(:,j)); % 正理想解

NIS(j)=Min(N(:,j)); % 負(fù)理想解

End for

% 計算目標(biāo)值與理想值的加權(quán)歐式距離

DOP=zeros(1,n);

NOC=zeros(1,n);

For i=1:m

For j=1:n

DOP(i)= W(j)*(PIS(j)-N(i,j))2+ DOP(i); NOC(i)=W(j)*(NIS(j)-N(i,j))2+DOC(i); End for

End for

For i=1:m

DOP(i)=Sqrt(DOP(i)); % 目標(biāo)值與正理想解的加權(quán)歐氏距離

DOC(i)=Sqrt(DOC(i)); % 目標(biāo)值與負(fù)理想解的加權(quán)歐氏距離

End for

% 評估目標(biāo)值的相對接近度并據(jù)此排序

C=zeros(1,m);

For i=1:m

C(i)=DOC(i)/(DOP(i)+DOC(i)) % 相對接近度End for

Sort (C)

5 應(yīng)用實例

本節(jié)通過實例來說明云服務(wù)選擇算法的執(zhí)行過程。假定一個SaaS層服務(wù)和一個IaaS層服務(wù)的組合可以構(gòu)成本例所需的云服務(wù)。實例中包含了不同的實體：云終端用戶、一個SaaS層服務(wù)和多個IaaS層的VM虛擬機。假設(shè)SaaS層服務(wù)為應(yīng)用軟件S1,IaaS層服務(wù)為4臺虛擬機：VMs ={VM1,VM2,VM3,VM4}。SaaS層服務(wù)S1和IaaS層服務(wù)虛擬機組合形成了云服務(wù)CSs。CSs滿足用戶功能性需求,其SaaS層服務(wù)根據(jù)圖1的QoS規(guī)范及映射規(guī)則將CSs映射到IaaS層服務(wù)。表1是云服務(wù)選擇算法的輸入數(shù)據(jù),包含SaaS層服務(wù)和IaaS層服務(wù)的QoS屬性及屬性值。云服務(wù)算法的執(zhí)行過程具體可分為六步。

表1 SaaS層和IaaS層服務(wù)的QoS參數(shù)值

第一步：根據(jù)不同服務(wù)方案衡量QoS指標(biāo)的重要性,建立聚合方案矩陣,如表2所示。

第二步：對獲得的方案矩陣進行標(biāo)準(zhǔn)化和規(guī)范化。依據(jù)式(7)和(8)做標(biāo)準(zhǔn)化處理,其中效益型指標(biāo)包括有效性(AV)、可靠性(RL)、數(shù)據(jù)訪問控制(DC)、可用性(US)、信譽度(RP)及安全性(SU)；成本型指標(biāo)包括響應(yīng)時間(RT)和服務(wù)費用(CO)。根據(jù)式(9)進行規(guī)范化處理,得到規(guī)范化后的方案矩陣如表3所示。

J+= (0.5774,0.5799,0.6288,0.5854,

表3 規(guī)范化后的方案矩陣

第五步：應(yīng)用加權(quán)的歐式距離公式計算各方案到正理想解和負(fù)理想解的距離：

d+=(0.0795,0.3712,0.2970),

d-=(0.3712,0.0795,0.1088)。

第六步：依據(jù)所得的加權(quán)距離計算各方案的接近度,依據(jù)計算結(jié)果對方案進行排序,并將表4結(jié)果返回給終端用戶。顯然得分最高的服務(wù)方案最優(yōu)。

表4 云服務(wù)得分和排序

6 結(jié)語

當(dāng)一個新的服務(wù)部署到云中,它的目標(biāo)不僅是滿足用戶的功能性需求,而且還需要考慮用戶的QoS需求。論文解決的主要問題就是如何將用戶對云服務(wù)的QoS需求轉(zhuǎn)換為服務(wù)對云資源的需求。為了實現(xiàn)這一目標(biāo),服務(wù)提供者需要通過QoS規(guī)范及映射規(guī)則,將用戶QoS需求映射到SaaS層或IaaS層。論文基于用戶QoS需求到云資源的映射模型及映射規(guī)則,結(jié)合熵權(quán)法和TOPSIS方法,提出了一種滿足用戶QoS需求的云資源選擇算法,克服了傳統(tǒng)云資源選擇方法的映射模型簡單、映射規(guī)則不具體等問題,可為云服務(wù)選擇機制提供可行有效的參考方案。未來的研究工作將繼續(xù)擴展映射過程,使其覆蓋更多的QoS類型和更細粒度的服務(wù)層次,為云市場中服務(wù)性能的評估和排名奠定基礎(chǔ)。

[1] Gaurav Baranwal, Deo Prakash Vidyarthi. A Framework for selection of best cloud service provider using ranked voting method[J]. Advance Computing Conference (IACC), 2014 IEEE International, 2014:831-837.

[2] Ma Jianjing, Lu Bin. A Strategy for Resource Allocation in Grid Environment Based on QoS Fuzzy Multi-Attribute Decision Making[C]//International Forum on IEEE, 2009: 547-549.

[3] Sun L, Dong H, Hussain F K, et al. A Hybrid Fuzzy Framework for Cloud Service Selection[C]//2014 IEEE International Conference on Web Services (ICWS)IEEE Computer Society, 2014:313-320.

[4] Francis Palma, Naouel Moha, Guy Tremblay,et al.Specification and Detection of SOA Antipatterns in Web Services[J]. Lecture Notes in Computer Science,2014, 8267:58-73.

[5] Sachin Agarwal, Jatinder Pal Singh, et al. Performance and Quality-of-Service Analysis of a Live P2P Video Multicast Session on the Internet[J]. 16th International Workshop on Quality of Service, 2008, 11-19.

[6] Liu J L, Sun J L, Jiang L Q. A QoS Evaluation Model for Cloud Computing[J]. Computer Knowledge & Technology, 2010.

[7] Skene J, Raimondi F, Emmerich W. Service-Level Agreements for Electronic Services[J]. IEEE Transactions on Software Engineering, 2010, 36(2): 288-304.

[8] Uriarte R B, Tiezzi F, Nicola R D. SLAC: A Formal Service-Level-Agreement Language for Cloud Computing[C]//2014 IEEE/ACM 7th International Conference on Utility and Cloud Computing (UCC)IEEE Computer Society, 2014:419-426.

[9] C. Cheng, A. Q. Chen, Study on Cloud Service Evaluation Index System Based on QoS[J]. Applied Mechanics and Materials,2015,742:683-687.

[10] Gustavo Alves, Caio Silva, Everton Cavalcante,et.al, Relative QoS: A New Concept for Cloud Service Quality[C]//2015 IEEE Symposium on Service-Oriented System Engineering (SOSE),2015:59-68.

[11] Adam Silberstein, et al. Benchmarking Cloud Serving Systems with YCSB[C]//ACM Symposium on Cloud Computing (SoCC), 2010, 143-154.

[12] Mingrui Sun, Tianyi Zang, Xiaofei Xu,et al. Consumer-Centered Cloud Services Selection Using AHP[C]//Service Sciences (ICSS), 2013 International Conference on IEEE, 2013:1-6.

[13] Ping Wang, Kuo-Ming Chao, Chi-Chun Lo,et al. A Fuzzy Model for Selection of QoS-Aware Web Services[C]//e-Business Engineering, ICEBE '06. International Conference on IEEE, 2006:585-593.

[14] Chi-Chun Lo, Ding-Yuan Chen, Chen-Fang Tsai, et al. Service Selection based on fuzzy TOPSIS method[C]//Advanced Information Networking and Applications Workshops (WAINA), 24th International Conference on IEEE, 2010:367-372.

[15] 熊潤群,羅軍周,宋愛波等.云計算環(huán)境下QoS偏好感知的副本選擇策略[J].通信學(xué)報,2011,32(7): 93-102. Xiong R Q, Luo J Z, Song A B, et al. QoS preference-aware replica selection strategy in cloud computing[J]. Journal on Communications, 2011, 32(7):93-102.

[16] 周蔚,李筱菁.基于信息熵理論的綜合評價方法[J].科學(xué)技術(shù)與工程,2010,10(23):1671-1815. ZHOU W, LI Xiaojing. A Comprehensive Evaluation Method Based on Information Entropy[J]. Science Technology & Engineering,2010,10(23):1671-1815.

[17] Raed Karim, Chen Ding, Ali Miri. An End-To-End QoS Mapping Approach for Cloud Service Selection[J]. Services (SERVICES), Ninth World Congress on IEEE, 2013:341-348.

A Mapping Model of Cloud QoS and its Service Selection-oriented Algorithm

ZHOU Jiantao LUO Xiaofeng WANG Yan

(School of Computer Science, Inner Mongolia University, Huhhot 010021)

With the development of cloud computing, the QoS guaranteed service selection method becomes an important research issue in the cloud services domain, in which the mapping relationships from QoS requirements of user to cloud service resources is a key problem. In this paper , the hierarchy of deterministic QoS metrics and cloud resource type is analyzed from the following three levels, user, SaaS and IaaS. And then a mapping model from QoS requirements of user to cloud service resources is built. Based on the mapping model, a cloud service selection method which focuses on the QoS requirements of user is presented. The method combines entropy weight method with TOPSIS method. Finally, an implementation of the mapping method is given through an instance in the experiments. Experimental results show that the mapping model from QoS to resources and the service selection method based on the model has certain reference values for the operating mode of on-demand service with QoS guarantee.

cloud service selection, QoS, mapping model, entropy weight method, TOPSIS method

2016年8月11日,

2016年9月27日

國家自然科學(xué)基金項目(編號:61262082, 61262017,61462066);內(nèi)蒙古自治區(qū)自然科學(xué)基金(編號:2012JQ03,2015MS0608);內(nèi)蒙古自治區(qū)高等學(xué)校科學(xué)研究資助項目(編號:NJZY008)資助。

周建濤,女,教授,博士生導(dǎo)師,研究方向:網(wǎng)絡(luò)計算、協(xié)同計算與形式化方法。羅曉峰,男,碩士研究生,研究方向:云資源管理與服務(wù)選擇。王燕,女,博士,講師,研究方向:服務(wù)計算,資源管理與形式化建模。

TP393.01

10.3969/j.issn.1672-9722.2017.02.033