王澤

摘 要： 針對云服務(wù)具有不確定性與大規(guī)模性，傳統(tǒng)QoS的云服務(wù)評價模型工作機(jī)制靈活性不強(qiáng)，回報率低下等問題，設(shè)計改進(jìn)QoS的云服務(wù)評價模型，對傳統(tǒng)QoS的云服務(wù)評價模型的QoS屬性項目進(jìn)行細(xì)化，并利用熵值法為各項QoS屬性項目進(jìn)行比重取值。在改進(jìn)模型的評價過程中，先針對實時數(shù)據(jù)進(jìn)行重點評價，再結(jié)合以往數(shù)據(jù)特征對評價結(jié)果做出修正，并將修正結(jié)果輸入未來預(yù)測時間，指導(dǎo)下次QoS云服務(wù)評價工作，以提高模型可靠性。同時將傳統(tǒng)模型資源整體切入形式改為模塊化切入形式，增添網(wǎng)絡(luò)用戶反饋機(jī)制與QoS監(jiān)控機(jī)制，使評價服務(wù)更加完善。實驗結(jié)果表明，改進(jìn)QoS的云服務(wù)評價模型的服務(wù)內(nèi)容選擇性強(qiáng)，更能滿足網(wǎng)絡(luò)用戶需求。

關(guān)鍵詞： 模型改進(jìn)； QoS； 云服務(wù)評價模型； 云服務(wù)框架； 動態(tài)服務(wù)； 熵值法

中圖分類號： TN911?34； TP393.09 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）01?0093?04

Abstract： The cloud service has uncertainty and large?scale feature， and the traditional cloud service evaluation model for QoS has poor flexibility of working mechanism and low rate of return. Therefore， the improvement of cloud service evaluation model for QoS was designed. The QoS attribute items of the traditional cloud service evaluation model are refined， and their proportion values are calculated with the entropy method. In the evaluation process of the improved model， the real?time data is evaluated emphatically； the evaluated result is corrected in combination with the previous data features； the corrected result is input into the future prediction time to guide the QoS cloud service evaluation at the next time and improve the model reliability. The integrated pitching?in form of the traditional model resources is replaced by the modularized pitching?in form. The network user feedback mechanism and QoS monitoring mechanism are added to perfect the evaluation service. The experimental results show that the improved cloud service evaluation model for QoS has strong selection of service content， and can meet the needs of network users.

Keywords： model improvement； QoS； cloud service evaluation model； cloud service framework； dynamic service； entropy method

0 引 言

網(wǎng)格技術(shù)在信息學(xué)中被譽(yù)為“下一代互聯(lián)網(wǎng)”，是互聯(lián)網(wǎng)的重要發(fā)展方向。網(wǎng)格技術(shù)具有資源共享、提供功能性服務(wù)質(zhì)量以及高度可擴(kuò)展性等特征，這些特征是傳統(tǒng)互聯(lián)網(wǎng)不能比擬的，并使網(wǎng)絡(luò)技術(shù)得到了各國政府以及企業(yè)的重點關(guān)注，相關(guān)投資不斷跟進(jìn)。

QoS（Quality of Service，服務(wù)質(zhì)量）技術(shù)支持著網(wǎng)格技術(shù)的發(fā)展，可提高網(wǎng)絡(luò)服務(wù)質(zhì)量，解決網(wǎng)絡(luò)堵塞，快速增強(qiáng)網(wǎng)格技術(shù)水準(zhǔn)[1]。然而，隨著網(wǎng)絡(luò)資源多樣化與個性化的不斷提升，資源任務(wù)間需要進(jìn)行更多、更快的協(xié)作，QoS技術(shù)所能提供的網(wǎng)格資源分配與調(diào)度等功能受到了不小沖擊。設(shè)立QoS的云服務(wù)評價模型是這一問題的主要解決方案，該模型可描繪網(wǎng)絡(luò)QoS需求，完善QoS屬性，是網(wǎng)格技術(shù)商業(yè)化的途徑之一。因此，對QoS的云服務(wù)評價模型進(jìn)行改進(jìn)是協(xié)調(diào)網(wǎng)格技術(shù)發(fā)展、提供高端服務(wù)體系的重要研究內(nèi)容。

1 改進(jìn)QoS的云服務(wù)評價模型

1.1 模型QoS屬性改進(jìn)

QoS的云服務(wù)評價模型由各種QoS屬性項目構(gòu)成，傳統(tǒng)模型中的QoS屬性項目包括網(wǎng)格云服務(wù)的性能、穩(wěn)定程度、實用程度、安全程度、擴(kuò)展能力和使用周期，以上項目通過云服務(wù)開展評價工作，評價指標(biāo)包括網(wǎng)絡(luò)資源評價、虛擬計算、服務(wù)能力、動態(tài)擴(kuò)展、通用性、可靠性、資源供應(yīng)能力以及性價比等。QoS的云服務(wù)評價模型工作機(jī)制如圖1所示。

對網(wǎng)格云服務(wù)來說，穩(wěn)定程度是一項非常重要的QoS屬性項目，它標(biāo)志著網(wǎng)絡(luò)用戶在真實環(huán)境下網(wǎng)絡(luò)程序或應(yīng)用的功能賦予情況、處理耗時情況以及用戶滿意度。多數(shù)情況下，網(wǎng)格云服務(wù)的實用程度與穩(wěn)定程度是相輔相成的，但二者的內(nèi)在含義卻不一樣。穩(wěn)定程度側(cè)重于一個網(wǎng)絡(luò)程序或應(yīng)用的自身完備性，穩(wěn)定程度高的程序或應(yīng)用可以隨時隨地供用戶使用[2]。實用程度表現(xiàn)為一個網(wǎng)絡(luò)程序或應(yīng)用能夠在特定狀態(tài)或時間內(nèi)完成其應(yīng)有功能，一般來講其不與處理耗時情況發(fā)生關(guān)系。endprint

安全程度包括數(shù)據(jù)的通信能力、存儲完整性、真實性、秘鑰有效性以及認(rèn)證服務(wù)有效性等，其依賴于云服務(wù)框架所能提供的QoS性能。擴(kuò)展能力與使用周期是一個網(wǎng)絡(luò)程序或應(yīng)用的功能性條件，標(biāo)志著網(wǎng)格云服務(wù)所能提供的QoS處于何種等級，與市場競爭力息息相關(guān)。

云服務(wù)的動態(tài)性強(qiáng)，而且是隨著網(wǎng)絡(luò)用戶需求的改變而改變的，具有不確定性與大規(guī)模性，以上QoS的云服務(wù)評價模型工作機(jī)制未能覆蓋所有云服務(wù)需求，靈活性不強(qiáng)[3]，無法穩(wěn)定占據(jù)資本市場，回報率低下。經(jīng)多方調(diào)研發(fā)現(xiàn)，云服務(wù)在市場中的占據(jù)率主要由開發(fā)成本、擴(kuò)展能力與使用周期決定。根據(jù)以上內(nèi)容對傳統(tǒng)QoS的云服務(wù)評價模型工作機(jī)制作出改進(jìn)，細(xì)化了QoS屬性項目分支，如圖2所示。

圖2中，網(wǎng)格云服務(wù)的性能可用網(wǎng)絡(luò)QoS正確完成某個服務(wù)請求的時間消耗情況來衡量。網(wǎng)格云服務(wù)性能的提升主要包括兩方面，分別是QoS延遲與網(wǎng)絡(luò)吞吐量，在減少Q(mào)oS延遲的同時提高網(wǎng)絡(luò)吞吐量，可有效提升網(wǎng)格云服務(wù)性能[4]。其他QoS屬性項目分支也均與傳統(tǒng)模型項目息息相關(guān)，有效性更加明顯。

由于改進(jìn)模型比傳統(tǒng)模型QoS屬性項目多出10項分支，因此需要為各QoS屬性項目選擇合適的比重，比重取值將通過熵值法[5]進(jìn)行計算。

設(shè)改進(jìn)QoS的云服務(wù)評價模型中[m]項QoS屬性項目集合為[S={S1，S2，…，Sm}]，[n]項云服務(wù)評價指標(biāo)集合為[C={C1，C2，…，Cn}，]待評價內(nèi)容用矩陣[D=（rij）m×n]表示[6]，其中，[i=1，2，…，m，][j=1，2，…，n，][rij]是單項待評價數(shù)據(jù)。

由于網(wǎng)格內(nèi)各單項待評價數(shù)據(jù)的格式不統(tǒng)一，因此需要將[D=（rij）m×n]進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化待評價內(nèi)容[7][N=（kij）m×n]，第[j]個評價指標(biāo)的熵值如下：

[S（Cj）=1lnmi=1mkijln（kij）] （1）

在第[j]個評價指標(biāo)的影響下，第[i]個QoS屬性項目的比重取值為：

[wi=1-S（Cj）j=1n1-S（Cj）] （2）

1.2 模型動態(tài)服務(wù)能力改進(jìn)

云服務(wù)的強(qiáng)烈動態(tài)性使得QoS屬性項目經(jīng)常出現(xiàn)不可控制的波動，影響著云服務(wù)評價模型的可靠性。改進(jìn)QoS的云服務(wù)評價模型意識到，傳統(tǒng)模型之所以可靠性不強(qiáng)，往往是因為在評價數(shù)據(jù)時忽略了實時數(shù)據(jù)與以往數(shù)據(jù)之間的關(guān)聯(lián)性，導(dǎo)致所產(chǎn)生的評價結(jié)果具有過強(qiáng)的局部最佳性，整體最佳性低下。因此，模型不僅需要針對實時數(shù)據(jù)進(jìn)行重點評價，還要結(jié)合以往數(shù)據(jù)特征對局部最佳評價結(jié)果作出修正，以克服QoS屬性項目的局限性。

實現(xiàn)以上內(nèi)容的最佳切入點是時間[8]，如圖3所示，改進(jìn)QoS的云服務(wù)評價模型將時間分為三個部分，分別是以往數(shù)據(jù)獲取時間、實時數(shù)據(jù)獲取時間以及未來預(yù)測時間。以實時數(shù)據(jù)獲取時間為界限進(jìn)行劃分，評價結(jié)束后，將評價結(jié)果輸入未來預(yù)測時間，指導(dǎo)下次QoS云服務(wù)評價工作。

1.3 云服務(wù)框架改進(jìn)

改進(jìn)QoS的云服務(wù)評價模型對云服務(wù)框架作出改進(jìn)，將傳統(tǒng)模型資源整體切入形式改為模塊化切入形式，增添網(wǎng)絡(luò)用戶反饋機(jī)制與QoS監(jiān)控機(jī)制，使評價服務(wù)更加完善。改進(jìn)QoS的云服務(wù)評價模型云服務(wù)框架如圖4所示。

由圖4可知，改進(jìn)的云服務(wù)框架被分為4個模塊，分別是網(wǎng)絡(luò)用戶反饋模塊、QoS需求挖掘模塊、云服務(wù)性能監(jiān)測模塊以及QoS數(shù)據(jù)庫。云服務(wù)性能監(jiān)測模塊內(nèi)置搜索算法可以時刻跟蹤網(wǎng)絡(luò)用戶上網(wǎng)行為，其監(jiān)測項目包括內(nèi)存、資源利用率以及輸入/輸出響應(yīng)能力等，可以對監(jiān)測對象進(jìn)行定量與定性分析。QoS數(shù)據(jù)庫使用MCDM（Multi?criteria Decision?making，多準(zhǔn)則決策[9]）技術(shù)完成多元服務(wù)決策與決策結(jié)果相關(guān)性排名。

在這種框架下，網(wǎng)絡(luò)用戶的每個舉動都在云服務(wù)性能監(jiān)測模塊的嚴(yán)格把握中。監(jiān)測工作是指對用戶所需的服務(wù)信息進(jìn)行基礎(chǔ)測試，測試結(jié)果存儲在QoS數(shù)據(jù)庫中。網(wǎng)絡(luò)用戶反饋模塊也將直接向QoS數(shù)據(jù)庫反饋需求數(shù)據(jù)，并且通過QoS需求挖掘模塊獲取用戶隱含需求，最終由QoS數(shù)據(jù)庫作出服務(wù)決策，將服務(wù)項目推薦列表在線顯示到網(wǎng)絡(luò)用戶終端設(shè)備上。

2 實驗驗證

2.1 數(shù)據(jù)集合與驗證對象

本文的設(shè)計內(nèi)容是改進(jìn)QoS的云服務(wù)評價模型，驗證本文模型性能所需的數(shù)據(jù)包括5個網(wǎng)絡(luò)服務(wù)器上100天內(nèi)進(jìn)行同一個用戶需求下的以往數(shù)據(jù)和實時數(shù)據(jù)[10]，這些數(shù)據(jù)將在PRTG（Paessler Router Traffic Grapher，路由流量采集）軟件的監(jiān)控下實施采集。5個網(wǎng)絡(luò)服務(wù)器均依附于亞馬遜彈性計算云服務(wù)中的QoS數(shù)據(jù)。由于實驗數(shù)據(jù)集合中數(shù)據(jù)量過大，不利于快速進(jìn)行實驗，因此只采集100天內(nèi)每天上午10：00—11：00以及晚上9：00—10：00的數(shù)據(jù)為實驗所用，采集數(shù)據(jù)的類型主要集中在資源利用率、內(nèi)存占用量以及數(shù)據(jù)輸入/輸出耗時，將以上數(shù)據(jù)匯總在一個數(shù)據(jù)集合中。

文獻(xiàn)[2，5，10]分別設(shè)計QoS預(yù)測與約束層次模型、博弈論模型、服務(wù)組合模型，以上模型均是對QoS的云服務(wù)評價模型的優(yōu)化或功能擴(kuò)展，其與本文模型進(jìn)行實驗對比較具代表性。實驗所用數(shù)據(jù)集合能夠滿足以上四種模型的實驗驗證需求。

本次實驗將以四個模型在實驗數(shù)據(jù)集合下的響應(yīng)時間、資金消耗以及QoS云服務(wù)指數(shù)作為指標(biāo)，驗證本文模型的服務(wù)內(nèi)容選擇性是否能夠滿足用戶需求[11]。其中，QoS云服務(wù)指數(shù)是指模型為用戶推薦的服務(wù)項目與用戶需求項目之間的相似程度，它關(guān)系著用戶服務(wù)滿意度，是最重要的實驗指標(biāo)。表1是實驗中5個服務(wù)器的QoS云服務(wù)價格表，價格以小時計費(fèi)，單位為美元。

2.2 實驗結(jié)果與分析

實驗規(guī)定實時數(shù)據(jù)時間為實驗數(shù)據(jù)集合中的中間時間點。表2是以往時間數(shù)據(jù)資源利用率、內(nèi)存占用量以及數(shù)據(jù)輸入/輸出耗時的平均值。endprint

本文模型在分析實驗數(shù)據(jù)集合時，會自動將以往時間的數(shù)據(jù)均等劃分成若干小段，而在本次實驗中，本文模型可以直接使用表2中的數(shù)據(jù)來糾正實時數(shù)據(jù)評價結(jié)果。在QoS預(yù)測與約束層次模型、博弈論模型、服務(wù)組合模型中，博弈論模型和服務(wù)組合模型采用對每個時間點或時間區(qū)間進(jìn)行服務(wù)決策取平均值的方法，QoS預(yù)測與約束層次模型則直接進(jìn)行實時數(shù)據(jù)評價。服務(wù)組合模型在進(jìn)行QoS屬性項目比重取值的過程中，使用的是MCDM法，其他三種模型均使用熵值法。

表3是以上四種模型在5個服務(wù)器上響應(yīng)時間、資金消耗以及QoS云服務(wù)指數(shù)的平均值對比表。

由表3可知，本文模型和服務(wù)組合模型選擇的主要服務(wù)器均是標(biāo)號為5的移動云計算服務(wù)器，從表1中可以看出，這個服務(wù)器的QoS云服務(wù)價格較低，因此，本文模型和服務(wù)組合模型的資金消耗也較低，其他兩種模型的資金消耗則比較高，這是造成模型平均QoS云服務(wù)指數(shù)偏低的主要原因。同時，四種模型中本文模型的平均響應(yīng)時間最短，有效提高了模型的平均QoS云服務(wù)指數(shù)。綜合來看，本文模型的服務(wù)內(nèi)容選擇性最強(qiáng)。

為了明確本文模型的服務(wù)內(nèi)容選擇性是否能夠滿足用戶需求，應(yīng)從QoS云服務(wù)指數(shù)進(jìn)行分析，圖5是四種模型QoS云服務(wù)指數(shù)的折線圖，可以看出，本文模型折線遠(yuǎn)遠(yuǎn)高于其他三種模型，表明其更能滿足網(wǎng)絡(luò)用戶需求。

3 結(jié) 論

QoS在網(wǎng)格技術(shù)中主要負(fù)責(zé)進(jìn)行服務(wù)質(zhì)量監(jiān)控與提升。QoS的云服務(wù)評價模型對網(wǎng)格技術(shù)至關(guān)重要，但由于網(wǎng)絡(luò)復(fù)雜多變，網(wǎng)絡(luò)需求往往得不到滿足，因此，本文設(shè)計改進(jìn)QoS的云服務(wù)評價模型，從QoS屬性、云計算框架等方面入手，通過時刻跟蹤網(wǎng)絡(luò)用戶上網(wǎng)行為，全面提升傳統(tǒng)模型的科學(xué)性與綜合性，并針對用戶重點需求功能進(jìn)行完善與多方?jīng)Q策，使網(wǎng)絡(luò)服務(wù)質(zhì)量得到了很大提升。

參考文獻(xiàn)

[1] 李莉，王俊英，臧兆祥，等.基于RBF?DE的改進(jìn)蟻群算法和多QoS約束的云資源調(diào)度策略研究[J].軟件導(dǎo)刊，2016，15（3）：1?5.

LI Li， WANG Junying， ZANG Zhaoxiang， et al. Research on improved ant colony algorithm and multi QoS constrained cloud resource scheduling strategy based on RBF?DE [J]. Software guide， 2016， 15（3）： 1?5.

[2] 劉志中，呂克林，宋成，等.基于QoS預(yù)測與約束層次模型的云服務(wù)推薦方法研究[J].計算機(jī)工程與應(yīng)用，2015，51（10）：47?52.

LIU Zhizhong， L? Kelin， SONG Cheng， et al. Cloud service recommendation method based on QoS prediction and constraint hierarchy model [J]. Computer engineering and applications， 2015， 51（10）： 47?52.

[3] 陳紹東，宋亮，卜春霞.網(wǎng)絡(luò)通信能量資源優(yōu)化調(diào)度仿真研究[J].計算機(jī)仿真，2016，33（3）：235?238.

CHEN Shaodong， SONG Liang， PU Chunxia. Simulation of optimal scheduling for network communication energy resources [J]. Computer simulation， 2016， 33（3）： 235?238.

[4] 許陽，趙宗貴.一種人機(jī)協(xié)作的目標(biāo)綜合識別模型設(shè)計[J].計算機(jī)測量與控制，2015，23（11）：3739?3743.

XU Yang， ZHAO Zonggui. Design of integrated target identification with human?machine cooperation [J]. Computer measurement & control， 2015， 23（11）： 3739?3743.

[5] 郝貴和，張?zhí)鞁?，伍紅英，等.基于博弈論的QoS協(xié)作WSNs路由算法[J].現(xiàn)代電子技術(shù)，2016，39（16）：108?111.

HAO Guihe， ZHANG Tianjiao， WU Hongying， et al. QoS coo?perative WSNs routing algorithm based on game theory [J]. Modern electronics technique， 2016， 39（16）： 108?111.

[6] 劉彩霞.基于QoS量化評估的電子商務(wù)認(rèn)證協(xié)議優(yōu)化[J].科學(xué)技術(shù)與工程，2016，16（18）：61?65.

LIU Caixia. Optimization of electronic commerce authentication protocol based on QoS quantitative assessment [J]. Science technology and engineering， 2016， 16（18）： 61?65.

[7] 焦揚(yáng)，陳喆，梁員寧，等.基于馬爾可夫過程的云服務(wù)組合QoS量化評估方法研究[J].計算機(jī)科學(xué)，2015，42（9）：127?133.

JIAO Yang， CHEN Zhe， LIANG Yuanning， et al. Research on QoS quantitative evaluation method of cloud service composition based on Markov process [J]. Computer science， 2015， 42（9）： 127?133.endprint

[8] 聶子航，于學(xué)軍.基于多元線性回歸的辦公建筑電力能耗評估預(yù)測模型的設(shè)計[J].電子設(shè)計工程，2016，24（3）：40?43.

NIE Zihang， YU Xuejun. Design of the evaluation and prediction of power energy consumption of office buildings based on multivariate linear regression [J]. Electronic design engineering， 2016， 24（3）： 40?43.

[9] 王海榮，劉珂.基于復(fù)雜序列映射的離散信息簽密安全模型[J].科技通報，2015，31（8）：159?161.

WANG Hairong， LIU Ke. Discrete information signcryption model based on complex sequence mapping [J]. Bulletin of science and technology， 2015， 31（8）： 159?161.

[10] 文華.運(yùn)用備份服務(wù)位置和概率QoS模型的Web服務(wù)組合算法[J].電信科學(xué)，2016，32（10）：116?123.

WEN Hua. Web services composition algorithm based on the location of backup service and probabilistic QoS model [J]. Telecommunications science， 2016， 32（10）： 116?123.

[11] 秦麗，李兵.基于p階組合云模型的QoS不確定性建模與Web服務(wù)過濾[J].小型微型計算機(jī)系統(tǒng)，2015，36（11）：2439?2444.

QIN Li， LI Bing. QoS uncertainty modeling and web services filtering based on p?order combined cloud model [J]. Journal of Chinese mini?micro computer systems， 2015， 36（11）： 2439?2444.endprint