劉晶花，臺憲青，馬治杰，陳大鵬

1.中國科學(xué)院 空天信息創(chuàng)新研究院，北京100190

2.中國科學(xué)院大學(xué) 電子電氣與通信工程學(xué)院，北京100049

3.中國科學(xué)院 空天信息創(chuàng)新研究院 蘇州研究院，江蘇 蘇州215000

4.中國科學(xué)院 微電子研究所，北京100000

5.江蘇物聯(lián)網(wǎng)研究發(fā)展中心，江蘇 無錫214000

近年來，越來越多功能相似、性能不同的軟件服務(wù)被大量地部署于云平臺中，使得用戶難以從眾多的候選服務(wù)中快速、準(zhǔn)確地選擇符合用戶自身需求的服務(wù)。服務(wù)質(zhì)量（Quality of Service，QoS）[1]是衡量每個軟件服務(wù)非功能性屬性的重要參考維度之一。因此，基于服務(wù)的QoS屬性值、且考慮用戶自身需求的服務(wù)選擇方法研究已成為當(dāng)前服務(wù)評價與選擇的重要研究方向之一。

目前，大部分基于QoS的服務(wù)評價及選擇算法研究是基于實數(shù)形式描述的QoS屬性值[2-4]。然而，在實際場景中，服務(wù)均運行在動態(tài)網(wǎng)絡(luò)環(huán)境，諸如網(wǎng)絡(luò)帶寬、位置、時間等不確定因素，都會影響服務(wù)的性能結(jié)果，從而造成QoS屬性值的大小也具有動態(tài)性。針對這一問題，近年來，基于動態(tài)QoS的服務(wù)選擇研究越來越多，主要有基于區(qū)間數(shù)[5]、三角模糊數(shù)[6]、混合數(shù)據(jù)類型[7-8]等的服務(wù)選擇方法研究。與此同時，為更好地滿足用戶的個人偏好，基于用戶需求的服務(wù)選擇研究也越來越多[4，9-11]。然而，到目前為止，據(jù)調(diào)研所知，同時考慮用戶需求和服務(wù)動態(tài)QoS屬性值的服務(wù)評價與選擇方法研究較少。

對服務(wù)的綜合評價是進(jìn)行服務(wù)選擇的重要依據(jù)，而對服務(wù)各指標(biāo)權(quán)重值的計算則是對服務(wù)評價的關(guān)鍵。當(dāng)前研究中計算各指標(biāo)權(quán)重的方法可分為三類[12-13]：主觀權(quán)重法、客觀權(quán)重法和混合權(quán)重法。主觀權(quán)重法[14-15]簡單直接，主要依據(jù)決策者和專家的經(jīng)驗知識或偏好分配權(quán)重，但該類方法主觀隨意性太強，使得根據(jù)權(quán)重計算出的服務(wù)評價可能并不準(zhǔn)確?？陀^權(quán)重法[16-17]是依據(jù)一定的數(shù)學(xué)方法對采集得到的樣本數(shù)據(jù)進(jìn)行分析得到權(quán)重，較好地反映了決策問題本身潛在的性能和規(guī)律，權(quán)重的計算與決策者的主觀偏好無關(guān)。混合權(quán)重法[3，18]則綜合主觀與客觀兩種方法的優(yōu)勢。

在對服務(wù)進(jìn)行綜合評價的過程中，由于服務(wù)的QoS屬性具有多維性，因此，基于QoS屬性值的服務(wù)選擇問題本身也可以看作是一種多屬性決策問題（Multiple Criteria Decision Making，MCDM）。在MCDM研究中，常用的評價方法有：效用函數(shù)法（Utility Fuction Method）[19]、逼近理想解排序法（Technique for Order Preferenceby Similarity to Ideal Solution，TOPSIS）[20]、偏好順序結(jié)構(gòu)評估法（Preference Ranking Organization Methods for Enrichment Evaluations，PROMETHEE）[21]

等。隨著軟件服務(wù)數(shù)量的爆發(fā)式增長，如何從大量候選服務(wù)中快速選擇出用戶滿意的服務(wù)變得越來越重要。

基于以上研究，為了在動態(tài)網(wǎng)絡(luò)環(huán)境下高效、準(zhǔn)確地選擇出符合用戶自身需求的服務(wù)，本文提出一種面向用戶需求的動態(tài)QoS服務(wù)選擇方法，簡稱URDQ（User Requirement-based Dynamic QoS Service Selection）方法。URDQ方法充分考慮并分析用戶自身需求和動態(tài)環(huán)境下候選服務(wù)的歷史數(shù)據(jù)，對用戶需求進(jìn)行差異化分類，并首次基于相對優(yōu)勢度將候選服務(wù)屬性區(qū)間與用戶需求區(qū)間進(jìn)行比較，實現(xiàn)以用戶需求為標(biāo)尺將區(qū)間型QoS屬性值轉(zhuǎn)換為精確數(shù)，同時采用服務(wù)篩選和排序的方式實現(xiàn)對眾多候選服務(wù)的過濾和選擇，以此達(dá)到為用戶快速推薦最優(yōu)服務(wù)的目的，詳細(xì)過程參見第1章和第2章。為驗證URDQ方法的可行性和有效性，本文采用Cloud Harmony公司提供的國內(nèi)外眾多云服務(wù)商實時測試的QoS數(shù)據(jù)，通過仿真實驗對比分析URDQ方法和Entropy-TOPSIS方法，并設(shè)計三個場景對URDQ方法進(jìn)行進(jìn)一步驗證。仿真結(jié)果證明URDQ方法能夠在充分考慮用戶個人需求的情況下對候選服務(wù)進(jìn)行初步過濾，并以用戶需求為中心對動態(tài)環(huán)境下的候選服務(wù)進(jìn)行有效區(qū)分和排序，詳細(xì)結(jié)果參見第3章。

1 URDQ方法概覽

本章介紹URDQ方法的總體執(zhí)行流程。URDQ方法是一種為了實現(xiàn)在動態(tài)網(wǎng)絡(luò)環(huán)境下高效、準(zhǔn)確地選擇用戶滿意度高的服務(wù)而提出的服務(wù)選擇方法，其總體處理流程如圖1所示，大致可分解為如下6個步驟。

圖1 URDQ方法總體處理流程Fig.1 Overall processing flow of URDQ method

步驟1采用區(qū)間數(shù)的形式記錄候選服務(wù)每個QoS評價指標(biāo)的屬性值。

由于網(wǎng)絡(luò)環(huán)境的動態(tài)性，網(wǎng)絡(luò)帶寬、位置、時間等不確定因素都會影響服務(wù)的性能，因此，服務(wù)的QoS屬性值（如響應(yīng)時間、吞吐量等）存在不確定性。為提高服務(wù)選擇結(jié)果的可行性和有效性，不同于傳統(tǒng)的基于QoS的服務(wù)選擇研究只根據(jù)歷史監(jiān)測記錄的平均值或者最新監(jiān)測值描述服務(wù)QoS屬性，URDQ方法將根據(jù)對服務(wù)QoS的持續(xù)監(jiān)測獲取QoS歷史記錄，使用區(qū)間數(shù)描述QoS屬性，以此反映屬性值的波動情況。

步驟2分析用戶需求，并對候選服務(wù)進(jìn)行初步過濾。

為提高用戶滿意度，URDQ將通過以下方法對用戶需求進(jìn)行分析。

首先，記錄用戶對各QoS評價指標(biāo)的主觀權(quán)重，以此簡單、直接地表征用戶對各指標(biāo)的偏好。

然后，根據(jù)用戶個人偏好對指標(biāo)進(jìn)行分類，并對候選服務(wù)進(jìn)行初步過濾。具體而言，URDQ基于用戶偏好將QoS服務(wù)評價指標(biāo)分為硬性需求指標(biāo)和非硬性需求指標(biāo)，其中硬性需求指標(biāo)是用戶非常重視且不可替代的指標(biāo)，其往往伴隨一些個性化要求；非硬性需求指標(biāo)是服務(wù)評價過程中常用且較為重要的指標(biāo)。針對前者，用戶可指定容忍閾值，即用戶對該指標(biāo)能夠接受的最劣值，任何對應(yīng)硬性需求指標(biāo)劣于其容忍閾值的服務(wù)將被首先過濾掉；針對后者，指標(biāo)值越優(yōu)越好即可。URDQ方法通過由用戶給定硬性需求指標(biāo)的容忍閾值，實現(xiàn)對候選服務(wù)集初步篩選，確定候選服務(wù)集。

最后，由用戶根據(jù)個人需求給定指標(biāo)需求區(qū)間，并以此為標(biāo)尺對候選服務(wù)進(jìn)行量化，實現(xiàn)高效的選擇用戶滿意度高的服務(wù)。用戶需求分析過程詳見2.1節(jié)。

步驟3采用區(qū)間數(shù)模型對比步驟1中的候選服務(wù)QoS屬性區(qū)間和步驟2中的用戶需求區(qū)間，并計算其相對優(yōu)勢度值。

為實現(xiàn)候選服務(wù)的精確推薦，URDQ對用戶需求區(qū)間和QoS屬性區(qū)間進(jìn)行相對優(yōu)勢度計算。根據(jù)計算結(jié)果，實現(xiàn)以用戶需求為中心，對候選服務(wù)QoS屬性區(qū)間進(jìn)行相互比較。優(yōu)勢度計算結(jié)果值越大，說明候選服務(wù)的QoS屬性值越優(yōu)，反之則越劣。區(qū)間數(shù)模型構(gòu)建過程詳見2.2節(jié)。

步驟4計算每個QoS評價指標(biāo)的混合權(quán)重。

URDQ采用熵權(quán)法計算客觀權(quán)重，同時結(jié)合步驟2中的主觀權(quán)重，通過加法合成法計算出各QoS評價指標(biāo)的混合權(quán)重值。熵權(quán)法和混合權(quán)重的計算過程參見2.3節(jié)。

步驟5針對步驟2中初步篩選之后的候選服務(wù)，采用Skyline方法再次從中擇優(yōu)選擇最優(yōu)服務(wù)樣本集。

考慮候選服務(wù)QoS屬性的多維性，使用Skyline方法進(jìn)行最優(yōu)樣本集篩選。Skyline方法可以在候選集規(guī)模較大的情況下，能夠有效減小搜索空間，提高決策效率。Skyline方法介紹詳見2.4節(jié)。

步驟6根據(jù)步驟4確定的各QoS指標(biāo)權(quán)重和步驟5篩選之后的最優(yōu)服務(wù)樣本集，采用TOPSIS方法進(jìn)行量化評價。

TOPSIS根據(jù)有限個評價對象與正、負(fù)理想點的距離來進(jìn)行排序，若評價對象距離正理想點越近且又距離負(fù)理想點越遠(yuǎn)，則其評價越優(yōu)，以此實現(xiàn)對最優(yōu)服務(wù)樣本集中的每個服務(wù)進(jìn)行排序。TOPSIS方法介紹詳見2.5節(jié)。

值得注意的是，URDQ方法通過允許用戶設(shè)置指標(biāo)容忍閾值，并使用Skyline方法，去除冗余服務(wù)，減小搜索空間，在候選服務(wù)集規(guī)模龐大的情況下，可有效提高服務(wù)選擇效率；其區(qū)間數(shù)模型相較于其他基于區(qū)間型QoS的服務(wù)選擇模型[5，22]，在體現(xiàn)服務(wù)選擇以用戶需求為中心的基礎(chǔ)上，也有效降低了算法復(fù)雜度；另外，URDQ通過使用熵權(quán)法計算指標(biāo)客觀權(quán)重，并結(jié)合主觀權(quán)重得到混合權(quán)重的過程雖稍復(fù)雜，但混合權(quán)重既考慮了用戶的個人偏好，又結(jié)合了客觀的樣本數(shù)據(jù)，可提高服務(wù)選擇精度。

針對URDQ方法總體處理流程中的步驟，本章后續(xù)將詳細(xì)介紹以上過程中的用戶需求分析、區(qū)間數(shù)模型、混合權(quán)重計算、Skyline篩選、TOPSIS排序等方法。

2 URDQ方法詳細(xì)介紹

本章詳細(xì)介紹URDQ方法中每個重點過程所采用的技術(shù)方法。

2.1 用戶需求分析

一般情況下，用戶偏好、需求是建立在用戶對決策問題有一些了解的基礎(chǔ)上，有主觀與個性化特性。由于用戶對不同的指標(biāo)重視程度往往不同，URDQ方法根據(jù)用戶自身偏好，以及用戶對各個QoS指標(biāo)的需求強弱，將評價指標(biāo)分為以下兩類。

（1）硬性需求指標(biāo)：即用戶非常重視且不可替代的指標(biāo)，其往往伴隨一些個性化要求。針對該類指標(biāo)，用戶可指定容忍閾值，其表示用戶對該指標(biāo)能夠接受的最劣值，任何對應(yīng)硬性需求指標(biāo)劣于其容忍閾值的服務(wù)將被首先過濾掉。這將保證最終選擇的服務(wù)不會因極端情況而導(dǎo)致不能滿足用戶硬性需求，并且這也能夠初步篩選服務(wù)，減小搜索空間。此處與容忍閾值比較的指標(biāo)值為監(jiān)測樣本的平均值。

（2）非硬性需求指標(biāo)：服務(wù)評價過程中常用且較為重要的指標(biāo)。針對該類指標(biāo)，用戶希望指標(biāo)值越優(yōu)越好。

目前，很多服務(wù)選擇方法為提高用戶滿意度，總是由用戶給定理想服務(wù)指標(biāo)值，以此對服務(wù)進(jìn)行評價、選擇[4，11]。然而由于人的思維模式具有模糊性，用戶往往很難用精確值來表達(dá)其需求，因此，URDQ方法用區(qū)間數(shù)Uk=[uLk,uRk]表示能夠較好地滿足用戶的指標(biāo)需求的區(qū)間范圍。當(dāng)屬性為硬性需求指標(biāo)時，Uk由用戶給定；當(dāng)屬性為非硬性需求指標(biāo)時，Uk可由各候選服務(wù)相應(yīng)屬性區(qū)間的上下限的最優(yōu)值構(gòu)成。

2.2 區(qū)間數(shù)模型

為充分考慮用戶需求，并結(jié)合候選服務(wù)屬性值的動態(tài)不確定性，URDQ采用區(qū)間數(shù)模型計算相對優(yōu)勢度值[23]。通過該值，可以衡量候選服務(wù)的QoS屬性相對于用戶需求的優(yōu)越程度，相對優(yōu)勢度越大，表示候選服務(wù)的QoS屬性值越優(yōu)越。為此，首先定義候選服務(wù)屬性區(qū)間。

定義1（候選服務(wù)屬性區(qū)間）若存在一個服務(wù)si，它的第k維QoS屬性可表示為qk(si)。設(shè)對qk(si)的t個監(jiān)測樣本值可以表示為集合則服務(wù)si的第k維QoS屬性可用一個區(qū)間數(shù)表示：

URDQ方法中的屬性區(qū)間之所以不直接采用屬性樣本值的最大、最小值作為區(qū)間數(shù)的上下界，是為了減小QoS監(jiān)測值中的噪聲數(shù)據(jù)對QoS區(qū)間數(shù)取值的影響。在QoS取值分布函數(shù)未知的情況下，QoS區(qū)間數(shù)的表達(dá)形式避免了對QoS取值分布函數(shù)的錯誤假設(shè)。另外，由于QoS值的動態(tài)變化，QoS屬性區(qū)間本身也是變化的，可通過選取最新的k條QoS記錄對屬性區(qū)間進(jìn)行更新，以保持QoS屬性區(qū)間的時效準(zhǔn)確性[5]。

其次，URDQ方法使用區(qū)間數(shù)模型計算相對優(yōu)勢度值，以用戶需求為標(biāo)尺將屬性區(qū)間數(shù)轉(zhuǎn)化成精確實數(shù)。

定義2（相對優(yōu)勢度）設(shè)兩個任意的區(qū)間數(shù)a1=則a1大于a2的相對優(yōu)勢度可通過如下公式計算[23]。

式中，ρ為大于1的常數(shù)（如ρ=e,e=2.718）。

QoS屬性依據(jù)趨優(yōu)方向的不同，可分為效益型（positive）和成本型（negative）兩種，其中效益型的數(shù)值越大越好，例如吞吐率、可用性、可靠性等；成本型的數(shù)值越小越好，例如響應(yīng)時間、價格等。URDQ方法為使得到的相對優(yōu)勢度為正向數(shù)據(jù)，即數(shù)值均為越大越好，具體方法介紹如下。

對于效益型指標(biāo)，對候選服務(wù)的屬性區(qū)間與用戶的需求區(qū)間進(jìn)行相對優(yōu)勢度計算，即計算候選服務(wù)的屬性區(qū)間大于用戶需求區(qū)間的相對優(yōu)勢度；

對于成本型指標(biāo)，對候選服務(wù)的屬性區(qū)間與用戶的需求區(qū)間進(jìn)行相對優(yōu)勢度計算，即計算用戶需求區(qū)間大于候選服務(wù)的屬性區(qū)間的相對優(yōu)勢度，如公式（3）所示：

式中，p表示候選服務(wù)的屬性區(qū)間相對于用戶的需求區(qū)間的相對優(yōu)勢度，Qk表示候選服務(wù)屬性區(qū)間，Uk表示用戶需求區(qū)間。

2.3 權(quán)重值計算

在對候選服務(wù)進(jìn)行評價、排序時，需依據(jù)每個QoS指標(biāo)重要程度的不同，對其賦予相應(yīng)的權(quán)重。為此，URDQ方法首先使用熵權(quán)法計算每個指標(biāo)的客觀權(quán)重，然后結(jié)合用戶給定的主觀權(quán)重，采用加法合成法得到混合權(quán)重。

熵權(quán)法是一種客觀賦權(quán)方法，其基本思想是從指標(biāo)的無序程度，即指標(biāo)信息熵的角度來反映指標(biāo)對評價對象的區(qū)分程度，某指標(biāo)的熵值越小，其樣本數(shù)據(jù)間的差異越大，對評價對象的區(qū)分能力越大[24]。由于這些差異程度大的指標(biāo)更能突出不同服務(wù)之間的性能差別，所以賦予其較高的客觀權(quán)重。

URDQ方法通過2.2節(jié)中的區(qū)間數(shù)模型將屬性區(qū)間數(shù)轉(zhuǎn)化為精確實數(shù)后，使用熵權(quán)法計算客觀權(quán)重。URDQ方法中基于熵權(quán)法計算客觀權(quán)重的步驟如下。

步驟1建立服務(wù)質(zhì)量矩陣。假設(shè)候選服務(wù)集中有n個服務(wù)，m個評價指標(biāo)，則服務(wù)質(zhì)量矩陣A可表示為：

式中，aij表示第i個服務(wù)、第j維屬性的屬性區(qū)間與用戶需求區(qū)間的相對優(yōu)勢度，aij∈(0,1)。

步驟2計算各指標(biāo)熵值。用Hj表示指標(biāo)歸一化熵值，則有：

步驟3計算各指標(biāo)客觀權(quán)重。用表示客觀權(quán)重。設(shè)各指標(biāo)的信息熵為H1,H2,…,Hm，則第j個指標(biāo)的熵權(quán)可通過如下公式計算得到。

步驟4計算各指標(biāo)混合權(quán)重值。URDQ采用加法合成法將主觀權(quán)重和客觀權(quán)重以一定比例相加得到最終混合權(quán)重。用ωj表示混合權(quán)重，則有：

式中，α∈[0,1]，是主觀偏好重要性系數(shù)，表示決策者對主觀權(quán)重的偏好程度，分別表示第j個指標(biāo)的主觀權(quán)重和客觀權(quán)重。

2.4 Skyline

URDQ通過Skyline方法[25]對候選服務(wù)進(jìn)行約簡，以此有效減小搜索空間，提高決策效率。Skyline方法通過考慮計算對象的多維性，在候選集規(guī)模較大的情況下，采用支配的概念對候選服務(wù)進(jìn)行篩選，并從中選出不被其余服務(wù)支配的服務(wù)，進(jìn)而組成Skyline服務(wù)集，記為SLs。候選服務(wù)集中各個服務(wù)的支配關(guān)系可定義如下。

定義3（支配關(guān)系）兩個N維的決策向量P(p1,p2,…,pN)和Q(q1,q2,…,qN)，如果 ?i∈{1,2,…,N}，有(pi?qi)∨(pi≈qi)，其中?表示優(yōu)于，≈表示等于，并且?i∈{1,2,…,N},pi?qi，則稱P支配Q。

URDQ方法將服務(wù)的QoS屬性集映射到N維數(shù)據(jù)空間，每個維度對應(yīng)著候選服務(wù)的一個QoS屬性，其值為2.2節(jié)區(qū)間數(shù)模型計算得到的服務(wù)屬性區(qū)間與用戶需求區(qū)間的相對優(yōu)勢度。

2.5 TOPSIS評價與排序

TOPSIS根據(jù)有限個評價對象與理想化目標(biāo)的接近程度進(jìn)行排序，是一種逼近理想解的排序法[2]。其基本原理是通過計算評價對象距離正、負(fù)理想點的距離來進(jìn)行排序，若評價對象距離正理想點的距離越近且距離負(fù)理想點越遠(yuǎn)，則評價越優(yōu)。URDQ方法中基于TOPSIS進(jìn)行服務(wù)排序的計算步驟如下：

步驟1建立SLs服務(wù)質(zhì)量評價矩陣。對服務(wù)質(zhì)量屬性QoS數(shù)據(jù)進(jìn)行處理，見本文2.1、2.2節(jié)。設(shè)本文2.4節(jié)中SLs服務(wù)集有n個服務(wù)，m個評價指標(biāo)，則構(gòu)建評價矩陣Qij=(qij)n×m。

步驟2建立SLs服務(wù)質(zhì)量加權(quán)評價矩陣。根據(jù)評價矩陣Q和各指標(biāo)混合權(quán)重，加權(quán)評價矩陣V表示為：

式中，qij表示第i個服務(wù)的第j維屬性的屬性區(qū)間與用戶需求區(qū)間的相對優(yōu)勢度，由步驟1所得；ω1,ω2,…,ωm表示各個評價指標(biāo)的混合權(quán)重。

步驟3確定正、負(fù)理想點。記正理想點為，負(fù)理想點為由于步驟2中矩陣V=(vij)n×m的各指標(biāo)均為正向數(shù)據(jù)，所以正理想點的各指標(biāo)屬性值均取對應(yīng)指標(biāo)的最大值，負(fù)理想點的各指標(biāo)屬性值均取對應(yīng)指標(biāo)的最小值，即：

式中，j=1,2,…,m。

步驟4計算各候選服務(wù)到理想點的距離。用、分別表示SLs服務(wù)集中每個服務(wù)到正、負(fù)理想點的距離，則有：

式中，i=1,2,…,n,j=1,2,…,m。

步驟5根據(jù)距離、計算各候選方案與理想點的貼近度。用Cdi表示貼近度，則有：

式中，i=1,2,…,n，有Cdi∈[0,1]。

步驟6根據(jù)貼近度對候選方案進(jìn)行排序。URDQ根據(jù)貼近度的大小對候選方案排序，其中Cdi越大，表明距離負(fù)理想點越遠(yuǎn)，距離正理想點越近，那么該候選方案越優(yōu)，其排序應(yīng)越靠前。

3 實驗與結(jié)果分析

本章將通過仿真實驗來驗證URDQ方法在動態(tài)環(huán)境下的可行性和有效性。為此，本章首先介紹仿真實驗所采用的真實云服務(wù)QoS數(shù)據(jù)集；然后驗證URDQ方法在動態(tài)環(huán)境下的可行性，并對比URDQ方法和Entropy-TOPSIS方法[26]的實驗結(jié)果；最后，通過三個場景進(jìn)一步驗證URDQ方法的有效性。

3.1 數(shù)據(jù)集

本實驗采用了Cloud Harmony Report[26]中公開的云服務(wù)QoS數(shù)據(jù)。CloudHarmony公司提供的云服務(wù)質(zhì)量評估報告涵蓋了國內(nèi)外眾多云服務(wù)商實時測試的QoS數(shù)據(jù)。本次實驗從中選取國內(nèi)外11家云服務(wù)商的服務(wù)質(zhì)量數(shù)據(jù)，并選取5個QoS指標(biāo)對其進(jìn)行評價。云服務(wù)商分別為：Joynet（CSP1）、Amazon（CSP2）、City-Cloud（CSP3）、Softlayer（CSP4）、HP（CSP5）、Century Link（CSP6）、Rackspace（CSP7）、Google（CSP8）、Linode（CSP9）、GoGrid（CSP10）、Azure（CSP11）。評價指標(biāo)包括：CPU性能（C1）、磁盤I/O的一致性（C2）、磁盤性能（C3）、內(nèi)存性能（C4）、云服務(wù)價格（C5）共5項，其中C1、C2、C3、C4為效益型指標(biāo)，C5為成本型指標(biāo)。

各云服務(wù)商的質(zhì)量數(shù)據(jù)如表1所示。為驗證URDQ方法在動態(tài)環(huán)境下的可行性和有效性，以表1中每個指標(biāo)數(shù)據(jù)為區(qū)間中心，分別以中心值的0.1、0.2倍系數(shù)為區(qū)間半徑生成兩個區(qū)間型服務(wù)質(zhì)量數(shù)據(jù)，并最終形成一組動態(tài)QoS原始區(qū)間數(shù)據(jù)。其中，定義以0.1倍系數(shù)為區(qū)間半徑生成的服務(wù)為前11個服務(wù)商（即CSP1~CSP11），定義以0.2倍系數(shù)為區(qū)間半徑生成的服務(wù)為后11個服務(wù)商（即CSP12~CSP22）。以服務(wù)商CsSP1的評價指標(biāo)C1為例，經(jīng)區(qū)間型服務(wù)質(zhì)量數(shù)據(jù)的轉(zhuǎn)換，分別為CSP1的區(qū)間型服務(wù)質(zhì)量[57.09，69.78]和CSP12的區(qū)間型服務(wù)質(zhì)量[50.75，76.12]。

表1 云服務(wù)商QoS數(shù)據(jù)集Table 1 Cloud service provider QoS data set

3.2 實驗結(jié)果與對比分析

3.2.1 URDQ實驗結(jié)果

針對3.1節(jié)生成的22個新服務(wù)商的服務(wù)質(zhì)量數(shù)據(jù)，假設(shè)用戶指定C1、C5為硬性需求指標(biāo)，C2~C4為非硬性需求指標(biāo)，由用戶給定的硬性需求指標(biāo)的容忍閾值和各指標(biāo)的用戶需求區(qū)間如表2所示；假設(shè)主觀偏好重要性系數(shù)α=0.5。根據(jù)第3章評價步驟，URDQ方法的評價結(jié)果歸納如下。

表2 用戶需求數(shù)據(jù)Table 2 User demand data

（1）服務(wù)CSP10、CSP21因C1指標(biāo)劣于容忍閾值，服務(wù)CSP2、CSP7、CSP8、CSP13、CSP18、CSP19因C5指標(biāo)劣于容忍閾值，因此被首先過濾掉。其他候選服務(wù)根據(jù)區(qū)間數(shù)模型將候選服務(wù)集CSPs的屬性區(qū)間以用戶需求區(qū)間為標(biāo)尺轉(zhuǎn)化成實數(shù)型服務(wù)質(zhì)量數(shù)據(jù)，如表3所示。

表3 區(qū)間數(shù)模型實數(shù)型QoS數(shù)據(jù)Table 3 Real QoS data from interval number model

（2）使用Skyline方法對所有候選服務(wù)進(jìn)行約簡，得到SLs={CSP1，CSP3，CSP4，CSP5，CSP6，CSP9，CSP11，CSP14，CSP15，CSP16，CSP17，CSP20，CSP22}。服務(wù)CSP12因被CSP1支配而不在SLs之列。

（3）由用戶給定的各指標(biāo)主觀權(quán)重、使用熵權(quán)法計算得到的客觀權(quán)重以及使用加法合成法計算得到的各指標(biāo)的混合權(quán)重如表4所示。

表4 指標(biāo)權(quán)重Table 4 Index weight

（4）使用TOPSIS方法計算SLs中各候選服務(wù)距離正、負(fù)理想點的距離、，以及與理想點的貼近度

Cdi，并根據(jù)Cdi對服務(wù)進(jìn)行排序，如表5所示。

表5 URDQ方法的服務(wù)排序Table 5 Service ranking of URDQ method

3.2.2 對比實驗分析

為驗證本文提出的URDQ方法的可行性和有效性，本實驗選取同樣采用熵權(quán)法和TOPSIS方法對服務(wù)進(jìn)行排序的Entropy-TOPSIS方法[26]作為對比對象，以凸顯URDQ方法使用容忍閾值和Skyline方法對候選服務(wù)集進(jìn)行篩選的有效性以及動態(tài)環(huán)境下用區(qū)間數(shù)表示QoS進(jìn)行服務(wù)選擇的優(yōu)勢。

針對22個新服務(wù)商的服務(wù)質(zhì)量數(shù)據(jù)，采用Entropy-TOPSIS方法得到的服務(wù)排序結(jié)果如表6所示。URDQ方法和Entropy-TOPSIS方法的服務(wù)排序比較結(jié)果如圖2所示。根據(jù)兩組實驗可以得出以下三點結(jié)論。

表6 Entropy-TOPSIS方法的服務(wù)排序Table 6 Service ranking of Entropy-TOPSIS method

（1）URDQ和Entropy-TOPSIS兩種方法雖然最終都使用TOPSIS方法進(jìn)行服務(wù)排序，但參與排序的服務(wù)數(shù)量不同。如圖2所示，Entropy-TOPSIS方法對22個服務(wù)進(jìn)行排序，URDQ方法只對篩選得到的13個服務(wù)進(jìn)行排序。主要原因解釋如下：Entropy-TOPSIS方法對全部候選服務(wù)進(jìn)行排序；而URDQ方法首先根據(jù)用戶設(shè)定的硬性需求指標(biāo)的容忍閾值對候選服務(wù)進(jìn)行初步篩選，過濾掉不符合用戶個人硬性需求的服務(wù)；其次，通過Skyline方法對候選服務(wù)進(jìn)行約簡，進(jìn)一步減小了搜索空間。因而URDQ方法最終參與排序的候選服務(wù)數(shù)量少于初始候選服務(wù)。

圖2 URDQ方法和Entropy-TOPSIS方法的服務(wù)排序比較Fig.2 Comparison of service sorting between URDQ and Entropy-TOPSIS

（2）針對參與排序的候選服務(wù)，URDQ和Entropy-TOPSIS兩種方法的排序結(jié)果不同。主要原因解釋如下：Entropy-TOPSIS方法首先對原始服務(wù)質(zhì)量數(shù)據(jù)進(jìn)行歸一化，然后使用熵權(quán)法計算客觀權(quán)重，最后通過TOPSIS方法對全部候選服務(wù)進(jìn)行排序。該方法雖然保證了服務(wù)排序的客觀性，但完全沒有考慮到用戶的個人需求和偏好。而URDQ方法是以用戶給定的需求區(qū)間為標(biāo)尺對服務(wù)質(zhì)量數(shù)據(jù)進(jìn)行量化，然后使用熵權(quán)法計算客觀權(quán)重，并與用戶給定的主觀權(quán)重綜合集成混合權(quán)重，最后使用TOPSIS方法對SLs候選服務(wù)進(jìn)行排序。URDQ和Entropy-TOPSIS在使用TOPSIS方法進(jìn)行排序時，服務(wù)質(zhì)量數(shù)據(jù)和指標(biāo)權(quán)重都不相同，因而URDQ和Entropy-TOPSIS兩種方法的排序結(jié)果不同。

（3）Entropy-TOPSIS方法不能區(qū)分動態(tài)環(huán)境下服務(wù)質(zhì)量數(shù)據(jù)均值相同而離散程度不同的服務(wù)；而URDQ則可以區(qū)分。以比較CSP1與CSP12為例說明：由于CSP1和CSP12的各指標(biāo)的質(zhì)量數(shù)據(jù)平均值相同，因此，若使用Entropy-TOPSIS評價方法，CSP1和CSP12不能得到區(qū)分，而URDQ采用區(qū)間數(shù)模型則可以將動態(tài)環(huán)境下均值相同而離散程度不同的服務(wù)區(qū)分開來。主要原因解釋如下：Entropy-TOPSIS只是使用均值來比較服務(wù)的優(yōu)劣，均值僅僅能夠反映一個服務(wù)在某個QoS屬性上的平均取值，而不能反映其QoS數(shù)據(jù)的波動性。URDQ則以用戶需求區(qū)間為標(biāo)尺將屬性區(qū)間轉(zhuǎn)化成實數(shù)型質(zhì)量數(shù)據(jù)，中心值相同而半徑不同的區(qū)間數(shù)經(jīng)用戶需求區(qū)間量化后轉(zhuǎn)換得到的實數(shù)型質(zhì)量數(shù)據(jù)也不盡相同，因此可將動態(tài)環(huán)境下均值相同而離散程度不同的服務(wù)區(qū)分開來。

3.2.3 性能評估

為評估URDQ方法的優(yōu)勢，選取指標(biāo)DCG[24]（Discounted Cumulative Gain）對URDQ方 法 和Entropy-TOPSIS方法的服務(wù)排序結(jié)果進(jìn)行評價。DCG計算公式如下所示：

式中，當(dāng)k值相同時，DCG的數(shù)值越大越好。reli由如下公式計算得到：

式中，wj表示第j個QoS屬性的權(quán)重；qij表示排序后排名第i個服務(wù)的第j個指標(biāo)的相對優(yōu)勢度，需要注意的是，考慮到用戶的滿意度，若某服務(wù)的硬性需求指標(biāo)不滿足用戶給定的容忍閾值，說明該服務(wù)不符合用戶需求，其reli值應(yīng)為0。

基于URDQ方法和Entropy-TOPSIS方法對服務(wù)排序后的Top-k服務(wù)的DCG對比如圖3所示。圖中，URDQ方法的Top-k（k=2，4，6，8，10）服務(wù)的DCG值均大于Entropy-TOPSIS方法的DCG值。其中，由于Entropy-TOPSIS方法的Top-2服務(wù)的硬性需求指標(biāo)不滿足用戶給定的容忍閾值，因此其DCG2為0；而URDQ方法能夠滿足容忍閾值要求，其DCG2為0.81。另外，URDQ的Top-k（k=4，6，8，10）服務(wù)性能更優(yōu)，亦能夠更好地滿足用戶需求，其DCG值均大于Entropy-TOPSIS方法對應(yīng)DCG值。

圖3 Top-k服務(wù)的DCG對比Fig.3 DCG comparison of Top-k services

3.3 場景驗證

為進(jìn)一步驗證URDQ方法的有效性，本節(jié)將分別通過改變QoS指標(biāo)值、主觀偏好系數(shù)、用戶需求區(qū)間三種方式，逐一觀察URDQ方法的服務(wù)排序變化結(jié)果，實驗結(jié)果分別如圖4、圖5、圖6所示，具體介紹如下。

圖5 主觀偏好重要性系數(shù)α變化時服務(wù)排名的變化Fig.5 Change of service ranking with change of subjective preference importance coefficient

圖6 用戶需求區(qū)間變化時服務(wù)排名的變化Fig.6 Change of service ranking with change of user demand interval

圖4展示了URDQ方法隨服務(wù)QoS指標(biāo)值變化而變化的排序結(jié)果。該實驗選取CSP1、CSP6、CSP9、CSP14、CSP15、CSP16、CSP22作為觀察對象，通過不斷優(yōu)化CSP22的各項QoS指標(biāo)值，即對于效益型指標(biāo)其值逐漸增大，對于成本型指標(biāo)其值逐漸減小，具體參數(shù)如表7所示，同時固定其他候選服務(wù)的QoS值，從而分析服務(wù)排序變化結(jié)果。由圖4可以發(fā)現(xiàn)以下兩點結(jié)論。

表7 CSP22的QoS參數(shù)設(shè)置Table 7 QoS of CSP22

圖4 CSP22指標(biāo)值優(yōu)化時服務(wù)排名的變化Fig.4 Change of service ranking when CSP22 index value is optimized

（1）隨著CSP22各項指標(biāo)的不斷優(yōu)化，其排名不斷上升，并最終由最差服務(wù)變?yōu)樽顑?yōu)服務(wù)。由此可以說明，URDQ方法具有較高的敏感性。

（2）在CSP22的排名變化的同時，其他服務(wù)的排名也發(fā)生了變化。主要原因概括如下。首先，隨著服務(wù)QoS指標(biāo)值的變化，SLs列表可能會發(fā)生變化，如圖4所示，CSP6、CSP15在后續(xù)實驗中因被其他服務(wù)支配而不再是SLs中的候選服務(wù)，從而不再參與最終排名。另外，QoS指標(biāo)值的變化也會引起指標(biāo)客觀權(quán)重變化，因此其他服務(wù)的排名也會出現(xiàn)小幅度的波動。由此可以說明，URDQ方法最終得到的SLs候選服務(wù)排名受服務(wù)QoS指標(biāo)值的影響。

圖5展示了URDQ方法隨主觀偏好重要性系數(shù)α變化而變化的排序結(jié)果。該實驗選取CSP1、CSP6、CSP9、CSP14、CSP15、CSP16、CSP22作為觀察對象，并分別設(shè)置α=0.1，0.2，…，1。由圖4可以看出，當(dāng)α變化時，各服務(wù)的排名產(chǎn)生了一定的變化。因此，α能夠體現(xiàn)主觀偏好對服務(wù)排名的影響，從而可以設(shè)定不同的α值來表示主觀權(quán)重的重要性。

圖6展示了URDQ方法隨用戶需求區(qū)間變化而變化的排序結(jié)果。該實驗選取CSP3、CSP5、CSP9、CSP14、CSP15、CSP22作為觀察對象，通過改變用戶需求區(qū)間，具體參數(shù)如表8所示，從而分析服務(wù)排序變化結(jié)果。由圖6可以發(fā)現(xiàn)，當(dāng)用戶需求區(qū)間變化時，各服務(wù)的排名產(chǎn)生了較大的波動。主要原因概括如下。URDQ方法通過對候選服務(wù)的屬性區(qū)間與用戶需求區(qū)間進(jìn)行相對優(yōu)勢度比較，以用戶需求為標(biāo)尺將屬性區(qū)間數(shù)轉(zhuǎn)換成實數(shù)型質(zhì)量數(shù)據(jù)。當(dāng)改變用戶需求區(qū)間時，雖然服務(wù)屬性區(qū)間不變，但依據(jù)用戶需求區(qū)間轉(zhuǎn)換得到的實數(shù)型質(zhì)量數(shù)據(jù)會隨之改變，另外，隨著服務(wù)QoS指標(biāo)值的變化，SLs列表可能會發(fā)生變化。因此，最終各服務(wù)的排名也會隨之發(fā)生變化。

表8 用戶需求區(qū)間數(shù)據(jù)Table 8 User demand interval data

4 結(jié)語

為了解決在動態(tài)環(huán)境下高效、準(zhǔn)確地選擇用戶滿意度高的服務(wù)，本文提出一種面向用戶需求的動態(tài)QoS服務(wù)選擇方法，稱為URDQ方法。

通過充分考慮并分析用戶自身需求和動態(tài)環(huán)境下候選服務(wù)的歷史數(shù)據(jù)，URDQ方法采用服務(wù)篩選和排序的方式實現(xiàn)對眾多候選服務(wù)的過濾和選擇，以此達(dá)到為用戶快速推薦最優(yōu)服務(wù)的目的。為了驗證URDQ方法的可行性和有效性，本文采用Cloud Harmony公司提供的國內(nèi)外眾多云服務(wù)商實時測試的QoS數(shù)據(jù)，通過仿真實驗對比分析了URDQ方法和Entropy-TOPSIS方法。實驗結(jié)果表明，URDQ能夠在充分考慮用戶個人需求的情況下對候選服務(wù)進(jìn)行初步過濾，并以用戶需求為中心對動態(tài)環(huán)境下的候選服務(wù)進(jìn)行有效區(qū)分和排序。另外本文設(shè)計了三個場景對URDQ方法進(jìn)行了進(jìn)一步驗證。

在本文的研究過程中，區(qū)間數(shù)模型雖能以用戶需求區(qū)間為標(biāo)尺將候選服務(wù)屬性區(qū)間轉(zhuǎn)化為實數(shù)型屬性值，但轉(zhuǎn)化過程使用的相對優(yōu)勢度算法相對粗糙，在未來的研究中，將嘗試對區(qū)間數(shù)模型進(jìn)行進(jìn)一步優(yōu)化。