楊喆曦 薛華成

1(中國計(jì)量大學(xué)標(biāo)準(zhǔn)化學(xué)院 浙江 杭州 310018)

2(復(fù)旦大學(xué)管理學(xué)院 上海 200433)

基于系統(tǒng)響應(yīng)時(shí)間的云服務(wù)質(zhì)量評(píng)估模型

楊喆曦1薛華成2

1(中國計(jì)量大學(xué)標(biāo)準(zhǔn)化學(xué)院 浙江 杭州 310018)

2(復(fù)旦大學(xué)管理學(xué)院 上海 200433)

響應(yīng)時(shí)間是云服務(wù)系統(tǒng)的主要質(zhì)量衡量指標(biāo)之一，過長的系統(tǒng)響應(yīng)時(shí)間意味著用戶的流失。以隊(duì)列等待、服務(wù)器處理時(shí)間和網(wǎng)絡(luò)延遲構(gòu)成云訪問的總體響應(yīng)時(shí)間，采用嵌入馬爾可夫鏈的方法生成觀察點(diǎn)的馬爾可夫鏈。借助馬爾可夫鏈的無后效特性來模擬云訪問的隨機(jī)到達(dá)，以此為基礎(chǔ)構(gòu)建云服務(wù)排隊(duì)模型，用以評(píng)估云服務(wù)質(zhì)量。通過解析仿真的方法驗(yàn)證了所提出的云服務(wù)質(zhì)量評(píng)估模型的有效性。

云計(jì)算 響應(yīng)時(shí)間 排隊(duì)論 馬爾可夫鏈

0 引 言

云計(jì)算服務(wù)將大量的軟硬件資源整合起來統(tǒng)一提供給各種類型以不同形式隨機(jī)出現(xiàn)的用戶[1]，從這個(gè)意義上說對(duì)云計(jì)算服務(wù)系統(tǒng)服務(wù)質(zhì)量(QoS)的研究類似于對(duì)排隊(duì)服務(wù)系統(tǒng)服務(wù)質(zhì)量(服務(wù)時(shí)間、等待時(shí)間、隊(duì)列長度等指標(biāo))的研究。鑒于云計(jì)算對(duì)資源的高度集成與對(duì)用戶使用的透明性，云計(jì)算服務(wù)系統(tǒng)是一個(gè)單服務(wù)臺(tái)的服務(wù)系統(tǒng)[2]。然而基于云計(jì)算的分布式、網(wǎng)格化基石，云計(jì)算服務(wù)系統(tǒng)又是一個(gè)可以具有無限多服務(wù)臺(tái)的服務(wù)系統(tǒng)[3-4]，因此云計(jì)算系統(tǒng)的QoS評(píng)價(jià)與衡量可以集中于對(duì)單個(gè)服務(wù)臺(tái)(主機(jī)或虛擬機(jī))及其網(wǎng)絡(luò)傳輸QoS的評(píng)價(jià)與衡量。但是服務(wù)水平是一個(gè)難以量化的抽象指標(biāo)，而簡單的隊(duì)列長度難以有效衡量排隊(duì)服務(wù)系統(tǒng)的服務(wù)質(zhì)量，采用顧客在系統(tǒng)中的逗留時(shí)間或隊(duì)列中的等待時(shí)間能夠?qū)Ψ?wù)系統(tǒng)質(zhì)量進(jìn)行直觀量化，便于進(jìn)行對(duì)比和分析。

1 云服務(wù)排隊(duì)系統(tǒng)與傳統(tǒng)排隊(duì)系統(tǒng)的區(qū)別

1.1 虛擬化

虛擬化是云計(jì)算的核心技術(shù)和主要特征，因此基與云計(jì)算的排隊(duì)系統(tǒng)也必然是虛擬化的。分布在網(wǎng)絡(luò)各地的訪問請(qǐng)求被云服務(wù)系統(tǒng)統(tǒng)一進(jìn)行受理，從云服務(wù)系統(tǒng)龐大的硬件資源群中為請(qǐng)求分配特定的軟、硬件資源[5]。因此，云服務(wù)系統(tǒng)中所有服務(wù)都是在云資源虛擬化的基礎(chǔ)上提供的，訪問所獲取的資源都是虛擬機(jī)，受理訪問的服務(wù)臺(tái)都是虛擬機(jī)。

1.2 多源訪問

服務(wù)系統(tǒng)的顧客不是傳統(tǒng)的有形客戶或無形電話呼叫，而是Web Application或其他應(yīng)用程序所發(fā)出的訪問請(qǐng)求。這種訪問請(qǐng)求可能是終端用戶觸發(fā)的，也可能是由應(yīng)用程序生成的，因此云服務(wù)系統(tǒng)中訪問請(qǐng)求的來源多種多樣[6]。

1.3 并行訪問

傳統(tǒng)的排隊(duì)服務(wù)系統(tǒng)一個(gè)服務(wù)臺(tái)一次只受理一個(gè)顧客的訪問，而鑒于計(jì)算機(jī)處理的分時(shí)并行機(jī)制，云計(jì)算環(huán)境中一個(gè)虛擬機(jī)也能夠經(jīng)常同時(shí)響應(yīng)多個(gè)訪問請(qǐng)求，這與傳統(tǒng)排隊(duì)理論服務(wù)規(guī)則不一致[7-8]。

1.4 峰、谷訪問

云服務(wù)系統(tǒng)部署在云端，供用戶365×7×24進(jìn)行訪問，對(duì)于特定的用戶群，由于工作習(xí)慣、業(yè)務(wù)流程、時(shí)區(qū)差異等原因存在一定的高峰訪問時(shí)間和低谷訪問時(shí)間。峰、谷的差異對(duì)云服務(wù)系統(tǒng)設(shè)計(jì)和成本控制都具有重要的意義。

1.5 協(xié)同處理

為了提高云服務(wù)效率，訪問請(qǐng)求通常會(huì)被任務(wù)分派器進(jìn)行切割、分塊處理，因此云計(jì)算的單個(gè)訪問請(qǐng)求往往都是在不同的虛擬機(jī)、物理機(jī)上單獨(dú)處理。然后通過協(xié)同、組裝等方式形成完整的處理結(jié)果[9]。

1.6 靈活的服務(wù)臺(tái)設(shè)置

信息技術(shù)的飛速發(fā)展導(dǎo)致的硬件成本飛速下降使得云服務(wù)系統(tǒng)的主機(jī)設(shè)置能夠根據(jù)需要以低廉的成本進(jìn)行動(dòng)態(tài)增減，對(duì)所有軟硬件資源進(jìn)行集成的云平臺(tái)也能夠支撐主機(jī)的動(dòng)態(tài)增減。同時(shí)虛擬機(jī)技術(shù)的成熟能夠動(dòng)態(tài)申請(qǐng)和銷毀虛擬機(jī)，從而使得云服務(wù)系統(tǒng)中服務(wù)臺(tái)因素不是設(shè)計(jì)者考慮的首要問題[10]。

盡管與傳統(tǒng)的排隊(duì)服務(wù)系統(tǒng)相比有許多的差異，但這些差異都可以通過適當(dāng)變通轉(zhuǎn)換為經(jīng)典的排隊(duì)服務(wù)系統(tǒng)模式。因此，云服務(wù)排隊(duì)系統(tǒng)仍然是一個(gè)典型的排隊(duì)系統(tǒng)，排隊(duì)理論中的相關(guān)定理與結(jié)論仍然適用。

2 云服務(wù)排隊(duì)系統(tǒng)主要性能指標(biāo)

在云計(jì)算的服務(wù)隊(duì)列規(guī)則中，不考慮顧客的損失，而一律采取等待的方式。終端客戶通過Web Application 或其他接口向云端提交訪問請(qǐng)求后等待訪問結(jié)果的過程就是排隊(duì)等待的過程。根據(jù)相關(guān)研究，客戶等待訪問結(jié)果的最大時(shí)間通常是4到6秒，超出這個(gè)時(shí)間客戶將會(huì)因極度失望離開，在意味著客戶流失的同時(shí)也意味著云服務(wù)系統(tǒng)服務(wù)水平的低下。

從云客戶的角度而言，自訪問請(qǐng)求被提交開始到得到處理結(jié)果的整個(gè)等待過程都是客戶等待云服務(wù)系統(tǒng)響應(yīng)的等待時(shí)間，以系統(tǒng)中云客戶整體等待時(shí)間W代表云服務(wù)系統(tǒng)的服務(wù)水平。由于云服務(wù)系統(tǒng)是一個(gè)超級(jí)計(jì)算機(jī)，能夠同時(shí)對(duì)成千上萬的訪問請(qǐng)求進(jìn)行及時(shí)響應(yīng)，因此在只有一個(gè)數(shù)據(jù)中心的情況下可以將云服務(wù)系統(tǒng)看成n個(gè)并行、獨(dú)立的服務(wù)臺(tái)(虛擬機(jī))。服務(wù)臺(tái)只有在進(jìn)行了任務(wù)分配后才與請(qǐng)求建立了對(duì)應(yīng)的服務(wù)關(guān)系，否則兩者沒有任何關(guān)聯(lián)[11]。因此，以所有服務(wù)臺(tái)中顧客等待時(shí)間的均值為整個(gè)服務(wù)系統(tǒng)整體等待時(shí)間，用以代表其云服務(wù)的整體服務(wù)水平。令云系統(tǒng)服務(wù)水平為：

(1)

對(duì)云客戶而言，訪問請(qǐng)求一旦提交，后續(xù)的工作都是云服務(wù)提供商負(fù)責(zé)的內(nèi)容。因此訪問提交后的信息傳遞的網(wǎng)絡(luò)延遲，隊(duì)列等待和請(qǐng)求處理耗時(shí)都是顧客等待云服務(wù)系統(tǒng)響應(yīng)的耗時(shí)，是云客戶衡量云服務(wù)質(zhì)量優(yōu)劣的直觀指標(biāo)，也是企業(yè)構(gòu)建云服務(wù)時(shí)需要參考和實(shí)現(xiàn)的重要目標(biāo)。根據(jù)式(1)的描述，云服務(wù)系統(tǒng)服務(wù)水平的參數(shù)主要包括逗留時(shí)間和網(wǎng)絡(luò)延遲，而逗留時(shí)間又包括隊(duì)列等待時(shí)間和服務(wù)處理時(shí)間。

2.1 基于馬尓可夫鏈的等待時(shí)間

由于顧客達(dá)到和服務(wù)時(shí)間都具有隨機(jī)性，因此基于其上的這些數(shù)量指標(biāo)均為隨機(jī)變量。這些指標(biāo)的瞬態(tài)特征對(duì)排隊(duì)系統(tǒng)的各項(xiàng)特性不具有說服力，通常我們只對(duì)統(tǒng)計(jì)平穩(wěn)狀態(tài)下的穩(wěn)態(tài)數(shù)量指標(biāo)感興趣。所以在定量分析排隊(duì)系統(tǒng)的性能時(shí)，通常是指分析系統(tǒng)在平衡狀態(tài)下的性能。對(duì)云客戶的使用感受而言，除去網(wǎng)絡(luò)傳輸耗時(shí)，衡量一個(gè)云服務(wù)系統(tǒng)的質(zhì)量好壞主要依據(jù)其提交訪問請(qǐng)求后得到服務(wù)結(jié)果的等待時(shí)間，即云服務(wù)系統(tǒng)的響應(yīng)時(shí)間。

鑒于從云資源管理系統(tǒng)到虛擬機(jī)的任務(wù)信息傳遞時(shí)間已經(jīng)包括在下文描述的網(wǎng)絡(luò)延遲時(shí)間中，且無論采用什么樣的排隊(duì)模式都不影響這個(gè)時(shí)間的取值。因此本文對(duì)于隊(duì)列等待時(shí)間的研究可以拋開排隊(duì)模式的差異而只研究在任務(wù)響應(yīng)端的虛擬機(jī)及其前面排隊(duì)等候處理的任務(wù)隊(duì)列的處理情況。

(2)

雖然在用戶的眼里，云服務(wù)系統(tǒng)似乎是一個(gè)單服務(wù)臺(tái)的排隊(duì)服務(wù)系統(tǒng)，然而以其龐大的服務(wù)能力而著稱的云中心實(shí)際上擁有無限多虛擬機(jī)可以響應(yīng)用戶的請(qǐng)求。因此，結(jié)合排隊(duì)論相關(guān)定理，對(duì)于多服務(wù)臺(tái)(服務(wù)臺(tái)個(gè)數(shù)為k)排隊(duì)系統(tǒng)而言，有平均逗留時(shí)間計(jì)算公式：

(3)

而相應(yīng)的隊(duì)列平均排隊(duì)時(shí)間計(jì)算公式為：

(4)

其中：

(5)

式(3)就是式(1)的一個(gè)特殊形式，刻畫的是一個(gè)多任務(wù)臺(tái)的云服務(wù)系統(tǒng)對(duì)所有抵達(dá)請(qǐng)求不加歧視的統(tǒng)一進(jìn)行處理的情況。

本文采用嵌入馬爾可夫鏈來更貼切模擬訪問請(qǐng)求的到達(dá)行為和規(guī)律，而不只是簡單的采用Poisson流的方式。馬爾可夫鏈(也叫馬氏鏈)是用來描述離散事件隨機(jī)過程最常用的一個(gè)模型，由于所具有的無后效性而被廣泛使用。嵌入馬氏鏈技術(shù)要求對(duì)可觀察的系統(tǒng)狀態(tài)進(jìn)行一些列馬氏點(diǎn)選擇，然后在訪問請(qǐng)求剛好到達(dá)之前對(duì)這些任務(wù)點(diǎn)(包括正在服務(wù)中的和隊(duì)列中還未被服務(wù)的任務(wù))進(jìn)行編號(hào)，如0，1，2，…，這樣我們就得到了一個(gè)同質(zhì)的馬氏鏈。在這個(gè)嵌入的馬氏鏈中得到的是每次訪問請(qǐng)求到達(dá)前的系統(tǒng)狀態(tài),如圖1所示。

圖1 嵌入馬氏鏈觀察點(diǎn)示意圖

訪問請(qǐng)求的到達(dá)仍然假設(shè)為服從Poisson分布，每個(gè)任務(wù)都有一個(gè)虛擬機(jī)負(fù)責(zé)進(jìn)行響應(yīng)，從而嵌入馬氏鏈的過程如圖2所示。

圖2 嵌入馬氏鏈過程示意圖

圖2中An和An+1表示云服務(wù)系統(tǒng)第n個(gè)和n+1個(gè)訪問請(qǐng)求到達(dá)系統(tǒng)的時(shí)刻，相應(yīng)的qn和qn+1分別表示對(duì)應(yīng)到達(dá)時(shí)刻系統(tǒng)中包括在處理和在等待任務(wù)在內(nèi)的任務(wù)數(shù)。令vn+1表示從An到An+1時(shí)刻系統(tǒng)處理完的任務(wù)數(shù)，從而有如下等式：

qn+1=qn-vn+1+1

(6)

馬氏鏈的狀態(tài)轉(zhuǎn)換概率可以定義為：

pi,j=Prob[qn+1=j|qn=i]

(7)

式(7)表示i+1-j個(gè)請(qǐng)求在兩個(gè)成功抵達(dá)任務(wù)間隔被響應(yīng)的概率。顯然對(duì)于j>i+1時(shí)的概率Pi,j=0。

A到達(dá)間隔時(shí)間的Laplace Stieltjes 變換(LST)為：

(8)

服務(wù)時(shí)間B的LST為：

(9)

殘存服務(wù)時(shí)間是從服務(wù)時(shí)間中任一點(diǎn)(Poisson流的一個(gè)達(dá)到點(diǎn))到服務(wù)結(jié)束的時(shí)間間隔，將其表示成B+，已過任務(wù)服務(wù)時(shí)間是自服務(wù)開始到任一點(diǎn)的服務(wù)時(shí)間間隔，將其記作B_。任務(wù)在下次請(qǐng)求到達(dá)前被完成的基本條件是其處理時(shí)間小于請(qǐng)求到達(dá)間隔，因此其概率可以寫成：

(10)

當(dāng)恰好有空閑服務(wù)臺(tái)時(shí)，抵達(dá)請(qǐng)求就能立即被受理，這個(gè)請(qǐng)求在下一個(gè)請(qǐng)求到達(dá)前被受理完成的概率Py計(jì)算如下：

(11)

而當(dāng)隊(duì)列任務(wù)到達(dá)非空時(shí)，會(huì)發(fā)生如下幾種情況。如果兩個(gè)成功到達(dá)間隔中有任務(wù)完成，服務(wù)臺(tái)會(huì)從該非空隊(duì)列中提取一個(gè)新任務(wù)。而如果這個(gè)新任務(wù)依然在下次請(qǐng)求到達(dá)前完成，服務(wù)臺(tái)再從非空隊(duì)列中提取新任務(wù)，以次類推指導(dǎo)隊(duì)列為空或有新請(qǐng)求到達(dá)。因此在隊(duì)列中有足夠任務(wù)提取的情況下，服務(wù)臺(tái)有k(>0)個(gè)任務(wù)在下次請(qǐng)求到達(dá)前完成的概率根據(jù)式(10)和式(11)有：

(12)

在穩(wěn)態(tài)狀態(tài)下，設(shè)W(x)和W×(s)為服務(wù)等待時(shí)間W的CDF和LST，從而

(13)

其中π=[π0,π1,π2,…]是穩(wěn)態(tài)概率。

2.2 基于處理器模式的處理時(shí)間

IT技術(shù)的飛速發(fā)展早已使計(jì)算機(jī)擺脫了單核時(shí)代，步入雙核、四核乃至更先進(jìn)的多處理器時(shí)代。這種多處理器的硬件設(shè)備也引發(fā)了處理器進(jìn)行任務(wù)響應(yīng)上的策略差異。云計(jì)算的虛擬機(jī)技術(shù)中，在處理器的任務(wù)處理方式上有兩種處理策略[7]:空間共享與時(shí)間共享。虛擬機(jī)的空間共享就是將虛擬機(jī)的任務(wù)按時(shí)間先后來進(jìn)行執(zhí)行，虛擬機(jī)的時(shí)間共享就是把所有虛擬機(jī)的請(qǐng)求分配給每個(gè)處理器；任務(wù)的空間共享就是將多個(gè)處理器看作一個(gè)處理器，從而將一個(gè)任務(wù)分配多個(gè)處理器上，任務(wù)的時(shí)間共享就是每個(gè)處理器的一個(gè)時(shí)間片上響應(yīng)兩個(gè)虛擬機(jī)的請(qǐng)求。即虛擬機(jī)的空間共享就是在任一時(shí)刻，只有一個(gè)虛擬機(jī)能夠運(yùn)行，從而任務(wù)也是逐一被執(zhí)行；虛擬機(jī)的時(shí)間共享就是任一時(shí)刻，都有多個(gè)虛擬機(jī)的任務(wù)請(qǐng)求被響應(yīng)，從而任務(wù)都被同時(shí)響應(yīng)[12]。因此總共就有4類策略組合方式，對(duì)于雙核雙虛擬機(jī)的情況，恰好有圖所示的4種策略組合：CPU空間共享-任務(wù)空間共享或叫完全空間共享(見圖3)，CPU空間共享-任務(wù)時(shí)間共享(見圖4)，CPU時(shí)間共享-任務(wù)空間共享(見圖5)，CPU時(shí)間共享-任務(wù)時(shí)間共享或叫完全時(shí)間共享(見圖6)。為了很好地說明這兩種處理策略的異同，以一個(gè)雙核CPU的設(shè)備為例，假設(shè)云計(jì)算服務(wù)申請(qǐng)了兩個(gè)虛擬機(jī)也同時(shí)接收用戶的服務(wù)請(qǐng)求。其中VM1的服務(wù)請(qǐng)求由t1～t4組成，VM2的服務(wù)請(qǐng)求由t5～t8組成，不同的處理策略在處理器中處理時(shí)間分配方式和任務(wù)執(zhí)行順序上存在差異。

圖3 處理器任務(wù)處理策略a

圖4 處理器任務(wù)處理策略b

圖5 處理器任務(wù)處理策略c

圖6 處理器任務(wù)處理策略d

設(shè)虛擬機(jī)共接收到p個(gè)云任務(wù)(Cloudlet)，每個(gè)任務(wù)包含r(j)，j=1,2,…,p條執(zhí)行指令，主機(jī)有n個(gè)處理單元，每個(gè)處理單元的處理長度是cap(i)，i=1,2,…,n，cores(j)表示任務(wù)需要的處理器個(gè)數(shù)，主機(jī)處理能力cp表示如下：

(14)

從而在虛擬機(jī)的空間共享模式下，虛擬機(jī)負(fù)責(zé)執(zhí)行的任務(wù)j的執(zhí)行耗費(fèi)時(shí)間ET為：

(15)

任務(wù)j的服務(wù)等待時(shí)間WT為：

(16)

因此空間共享模式下任務(wù)j的完成時(shí)間表達(dá)如下：

FT(j)=WT(j)+ET(j)=

(17)

對(duì)于時(shí)間共享模式情況下多任務(wù)同時(shí)處理，因此任務(wù)j的服務(wù)等待時(shí)間為0，任務(wù)處理所需耗費(fèi)的時(shí)間ET也表示為式(15)，只不過主機(jī)的處理能力cp計(jì)算方式有多不同：

(18)

因此時(shí)間共享模式下任務(wù)j的完成時(shí)間表達(dá)如下：

(19)

通過前面的對(duì)比可以看出，虛擬機(jī)的空間共享模式雖然會(huì)對(duì)用戶服務(wù)造成等待感，但是一旦得到云端響應(yīng)后，會(huì)很快處理完。而時(shí)間共享模式相對(duì)而言能夠及時(shí)響應(yīng)用戶的請(qǐng)求，但是單個(gè)任務(wù)的處理時(shí)間會(huì)比較長。事實(shí)上，無論哪種模式下虛擬機(jī)真正用于響應(yīng)和處理訪問請(qǐng)求的時(shí)間都為ET，只是由于所分配到的資源不同，所耗時(shí)間有所不同而已。

2.3 基于網(wǎng)絡(luò)拓?fù)涞木W(wǎng)絡(luò)延遲時(shí)間

云計(jì)算架構(gòu)在龐大的計(jì)算機(jī)網(wǎng)絡(luò)之上，擁有眾多的網(wǎng)絡(luò)傳輸與通信設(shè)備，連接著全球各地的終端客戶，從而網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)成為云服務(wù)系統(tǒng)的服務(wù)基石。雖然網(wǎng)絡(luò)信息傳輸?shù)难舆t直接影響著整個(gè)服務(wù)系統(tǒng)的服務(wù)質(zhì)量，對(duì)云服務(wù)系統(tǒng)建設(shè)者、使用者和管理者而言，網(wǎng)絡(luò)實(shí)際的物理拓?fù)浣Y(jié)構(gòu)并不是他們關(guān)心的對(duì)象，且也不是他們能夠進(jìn)行改造來減少網(wǎng)絡(luò)延遲力所能及的內(nèi)容[13]。因此多數(shù)情況下，網(wǎng)絡(luò)延遲時(shí)間只是作為云服務(wù)網(wǎng)絡(luò)的一個(gè)外生特性來使用，并在可能的情況下通過路由算法來縮短網(wǎng)絡(luò)延遲。通常使用如下所示的延遲矩陣來表示網(wǎng)絡(luò)各主要節(jié)點(diǎn)在信息傳輸時(shí)的延遲狀況：

(20)

其中l(wèi)ij表示信息或數(shù)據(jù)從網(wǎng)絡(luò)節(jié)點(diǎn)i到j(luò)的傳遞耗時(shí)，即在i節(jié)點(diǎn)傳輸指令下達(dá)后還需要延遲lij毫秒后才能將信息傳達(dá)j節(jié)點(diǎn)，如圖7所示。該矩陣表示了網(wǎng)絡(luò)中r個(gè)主要實(shí)體之間的數(shù)據(jù)傳輸延遲信息，如亞、非、歐等世界主要區(qū)域，體現(xiàn)為區(qū)域入口端和出口端的速度。

圖7 網(wǎng)絡(luò)傳輸延遲示意圖

圖7說明了云服務(wù)中網(wǎng)絡(luò)拓?fù)湓斐傻臄?shù)據(jù)延遲現(xiàn)象，即網(wǎng)絡(luò)拓?fù)涞奈锢硇再|(zhì)導(dǎo)致了云客戶發(fā)送與接收信息的延遲，這部分延遲也應(yīng)該直接計(jì)入云服務(wù)提供商的服務(wù)質(zhì)量之中。

網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的描述通常采用BRITE格式將網(wǎng)絡(luò)各節(jié)點(diǎn)信息全部包含進(jìn)去。云環(huán)境中的節(jié)點(diǎn)包括主機(jī)、數(shù)據(jù)中心、云代理等。BRITE中節(jié)點(diǎn)信息包括節(jié)點(diǎn)編號(hào)，矩陣中的行號(hào)與列號(hào)，出、入度等信息，邊信息包括邊號(hào)、開始節(jié)點(diǎn)、結(jié)束節(jié)點(diǎn)、歐式距離、傳遞延時(shí)、帶寬等信息。這些信息的納入為網(wǎng)絡(luò)各節(jié)點(diǎn)延時(shí)的計(jì)算提供了直接依據(jù)。

2.4 基于系統(tǒng)響應(yīng)時(shí)間的云服務(wù)排隊(duì)模型

(21)

其中l(wèi)ij表示從客戶端到云處理端的網(wǎng)絡(luò)延時(shí)?？梢钥闯鱿到y(tǒng)響應(yīng)時(shí)間主要有三部分組成：隊(duì)列等待時(shí)間、服務(wù)處理時(shí)間和網(wǎng)絡(luò)延遲。

3 結(jié) 語

關(guān)于這個(gè)云服務(wù)系統(tǒng)服務(wù)水平評(píng)估模型的數(shù)值仿真驗(yàn)證有兩種方式：隨機(jī)仿真法和推理仿真法。隨機(jī)仿真法利用蒙特卡羅方法生成符合特定分布特征的隨機(jī)數(shù)據(jù)，借此模仿服務(wù)系統(tǒng)的運(yùn)行狀況，最后將需要考察的服務(wù)系統(tǒng)狀態(tài)變量所有實(shí)例值以均值、方差等統(tǒng)計(jì)變量的形式來描述。隨機(jī)仿真能夠很好地模擬現(xiàn)實(shí)中的哪種不確定性，并且能夠檢驗(yàn)系統(tǒng)在分布允許情況下的極端點(diǎn)表現(xiàn)，全方位進(jìn)行服務(wù)檢驗(yàn)。但是正是由于隨機(jī)仿真所具有的隨機(jī)性，每次仿真所產(chǎn)生的結(jié)果都不一樣，只是在統(tǒng)計(jì)意義上無限趨近于狀態(tài)變量理想值，導(dǎo)致取值誤差。同時(shí)隨機(jī)仿真必須在足夠次數(shù)的仿真情況下才能得到具有說服力的數(shù)據(jù)，這就要求有足夠的仿真次數(shù)，需要耗費(fèi)大量的時(shí)間。

推理仿真法直接使用隨機(jī)變量的統(tǒng)計(jì)特性來進(jìn)行推理仿真，而不是去模擬隨機(jī)變量的統(tǒng)計(jì)特性。這樣的仿真直接采用推導(dǎo)出來的解析公式值進(jìn)行仿真，得到的是狀態(tài)變量的解析值，而不是統(tǒng)計(jì)值，消除了隨機(jī)性誤差，也極大地減輕了系統(tǒng)的運(yùn)算工作量。但是由于統(tǒng)計(jì)特性在集中表現(xiàn)了絕大部分樣本點(diǎn)信息的同時(shí)也會(huì)略掉個(gè)別極端點(diǎn)的信息，導(dǎo)致對(duì)系統(tǒng)的檢驗(yàn)不完備，無法發(fā)現(xiàn)系統(tǒng)針對(duì)極端情況可能出現(xiàn)的問題。

由于云計(jì)算的仿真需要對(duì)大量的硬件資源和大量的用戶訪問進(jìn)行仿真，計(jì)算量非常龐大，如果繼續(xù)采用隨機(jī)仿真的方法，進(jìn)行實(shí)驗(yàn)的設(shè)備要求很高，時(shí)間花費(fèi)難以想象。因此本文擬采用推理仿真法在后續(xù)的研究中對(duì)云服務(wù)系統(tǒng)進(jìn)行分析，為此首先需要檢驗(yàn)推理仿真法結(jié)果的有效性。

基于式(21)給出的系統(tǒng)響應(yīng)時(shí)間解析值，通過將其與采用同樣假設(shè)的隨機(jī)仿真結(jié)果進(jìn)行對(duì)比的方式來驗(yàn)證本服務(wù)系統(tǒng)評(píng)估模型的有效性。采用基于Petri網(wǎng)的Artifex仿真引擎進(jìn)行云服務(wù)離散事件的仿真，在不同數(shù)目的虛擬機(jī)的情況下比較兩個(gè)方針結(jié)果中的均值差異，結(jié)果如圖8所示。

圖8 仿真結(jié)果對(duì)比

圖中折線代表的是采用隨機(jī)仿真法在不同參數(shù)取值下的所有訪問請(qǐng)求的系統(tǒng)響應(yīng)時(shí)間的均值，符號(hào)點(diǎn)表示通過解析式仿真得到在馬氏鏈的各觀察點(diǎn)上系統(tǒng)的響應(yīng)時(shí)間。四條線上對(duì)應(yīng)的數(shù)字表示仿真的虛擬機(jī)的個(gè)數(shù)。從圖中可以看出，兩種方法得出的響應(yīng)時(shí)間結(jié)果是非常接近的，除去隨機(jī)仿真法的隨機(jī)性誤差，可以認(rèn)為本文提出的云服務(wù)系統(tǒng)的評(píng)估模型是有效的，使用解析仿真的方法進(jìn)行云服務(wù)系統(tǒng)的仿真也是可行、有效的。

[1] Du N H,Huang H L,Li L F. Can online trading survive bad-mouthing? An experimental investigation[J].Decision Support Systems,2013,56(6):419-426.

[2] Su Q,Chen L.A method for discovering clusters of e-commerce interest patterns using click-stream data[J].Electronic Commerce Research & Applications,2015,14(1):1-13.

[3] Su Q,Huang J J,Zhao X D.An information propagation model considering incomplete reading behavior in microblog[J].Physica A Statistical Mechanics & Its Applications,2015,419(2):55-63.

[4] Lin C H, Liu D, Pang W, et al.Sherlock:A Semi-automatic Framework for Quiz Generation Using a Hybrid Semantic Similarity Measure[J].Cognitive Computation,2015,7(6):667-679.

[5] Ghosh R, Longo F. Scalable Analytics for IaaS Cloud Availability[J].IEEE Transactions on Cloud Computing, 2014,2(1):57-70.

[6] 趙娉婷.云計(jì)算環(huán)境下服務(wù)信任度評(píng)估技術(shù)的研究[D].北京:北京交通大學(xué),2014.

[7] Calheiros R N, Ranjan R, Beloglazov A,et al. CloudSim: a toolkit for modeling and simulation of cloud computing envi-ronments and evaluation of resources provisioning algorithms[J].Software: Practice & Experience, 2011,41(1):23-50.

[8] Gotelli N J, Wener U. Statistical challenges in null model analysis[J]. Oikos,2012,121(2):171-180.

[9] 馬滿福,王梅.云環(huán)境下基于服務(wù)等級(jí)協(xié)議的信任評(píng)估模型[J].計(jì)算機(jī)應(yīng)用,2015,35(6):1567-1572.

[10] 車建華.虛擬計(jì)算系統(tǒng)性能和可用性評(píng)測(cè)方法研究[D].杭州:浙江大學(xué),2010.

[11] Vani B, Priya R C M. A Survey on the Security Issues in Cloud Computing[J]. International Journal of P2P Network Trends and Technology, 2014(11):16-19.

[12] Jesús Montes, Alberto Sánchez, Bunjamin Memishi, et al.GMonE: A complete approach to cloud monitoring[J]. Future Generation Computer Systems, 2013,29(8):2026-2040.

[13] Chard K, Caton S, Rana O, et al. Social Clouds: A Retrospective[J]. IEEE Cloud Computing, 2015, 2(6):30-40.

CLOUDSERVICEQUALITYEVALUATIONMODELBASEDONSYSTEMRESPONSETIME

Yang Zhexi1Xue Huacheng2

1(CollegeofStandardization,ChinaJiliangUniversity,Hangzhou310018,Zhejiang,China)2(SchoolofManagement,FudanUniversity,Shanghai200433,China)

The response time is one of the key quality indexes of cloud service system, which means that the longer of system response time, the more of losing customers. Queuing waiting, server processing time and network delay constitute the overall response time of cloud service access, and the Markov chain of observation points is generated by embedded Markov chain. The random arrival of cloud access is simulated by the non-aftereffect property of Markov chain, and the queuing model of cloud service is constructed to evaluate the quality of cloud service. At the same time, the validity of the proposed cloud service quality evaluation model is verified by analytic simulation.

Cloud computing Response time Queuing theory Markov chain

TP393

A

10.3969/j.issn.1000-386x.2017.10.007

2016-12-14。浙江省科技計(jì)劃重點(diǎn)項(xiàng)目(2016C25G2080022);杭州市哲學(xué)社會(huì)科學(xué)規(guī)劃課題(2015JD30);浙江省教育廳項(xiàng)目(Y201432184)。楊喆曦，講師，主研領(lǐng)域：均衡優(yōu)化，信息化管理，標(biāo)準(zhǔn)化。薛華成，教授。