張 藝 田立勤，2 武文星

（1.華北科技學院計算機學院 北京 101601）（2.青海師范大學計算機學院 西寧 810000）

1 引言

云服務是云計算借助Internet或云計算平臺提供的資源和應用，用戶能隨時訪問所需要的云服務。鑒于云計算具有虛擬化、開放性、透明性以及資源動態(tài)變化等特點，用戶在評估與選擇云服務時，面臨QoS的多樣性和復雜性以及用戶個性化需求偏好等問題［1］，同時又面對云服務承諾的QoS 表現(xiàn)和實際表現(xiàn)存在差異等現(xiàn)象，引發(fā)了用戶對云服務的信任危機。因此，如何選擇滿足自身需求的云服務成為云服務消費者面臨的挑戰(zhàn)。

基于QoS 屬性的云服務決策方法是現(xiàn)今云服務選擇的主要手段，該類方法通過確定QoS性能的評價指標集來建立服務評價模型［2］，計算出候選服務的綜合性能，最后結(jié)合相關(guān)的排序方法選擇出最優(yōu)云服務。因此評價指標的合理選取在云服務選擇過程中占據(jù)著重要地位。在評價指標的選取方面，文獻［3］選取了經(jīng)濟價值、適應能力、依賴性、可控性和安全性五個特征屬性，但卻忽略了可靠性和性能等方面的影響因素，文獻［4］選取了吞吐量、響應時間、價格和可獲得性四個方面，但這不足以客觀地評判云服務?；诖藛栴}，本文依據(jù)SLA 協(xié)議［5］的相關(guān)概念，綜合選取了可靠性、可獲得性、安全性、性價比以及穩(wěn)定性五個特征屬性來評判云服務的優(yōu)劣，這就形成了多屬性決策（Multi-Attribute Decision Making，MADM）問題。MADM的核心思想是多個候選服務的比較以及多個評價標準的匯總和服務屬性的測量［2］。在決策過程中，用語言術(shù)語來評價定性變量是更貼近人類思維和表達方式的一種方法［6］。文獻［7］中作者提出了基于猶豫模糊語言集的TOPSIS 方法和VIKOR 方法兩種模型。但是猶豫模糊語言術(shù)語集往往默認決策者提供的語言術(shù)語具有同等的重要性，而實際的決策過程中往往會更傾向于某個語言術(shù)語［8］。武小年［9］將區(qū)間數(shù)引入多屬性決策領(lǐng)域進行云服務綜合評價和優(yōu)劣排序。但區(qū)間數(shù)只是描述了屬性值的大致范圍，降低了計算結(jié)果的準確度。其次，將屬性權(quán)重與決策矩陣結(jié)合進行云服務選擇是目前大多數(shù)學者采用的方法。李小林［10］利用層次分析法確定各用戶QoS 偏好權(quán)重，將決策信息統(tǒng)一轉(zhuǎn)換為直覺模糊集的形式進行決策。但決策信息往往只包含了用戶的主觀想法，賦予了過多的主觀因素而影響決策結(jié)果。本文在猶豫模糊語言與區(qū)間數(shù)的基礎(chǔ)上進行擴展，考慮到云計算環(huán)境的動態(tài)不確定性以及云服務性能的不穩(wěn)定性，用戶對云服務的評價尚有一定的猶豫性與不確定性，而PLTS 恰好在處理信息的不確定性方面具有一定的優(yōu)越性。因此選擇PLTS作為評價工具，它在不丟失任何原始語言信息的前提下通過增加概率信息擴展了猶豫模糊語言術(shù)語集，能夠很好地表達決策者的偏好信息［8］。在決策矩陣上引入推薦權(quán)重形成綜合評估矩陣，將其與屬性權(quán)重結(jié)合形成加權(quán)綜合評估矩陣，通過比較每個待排序方案與正理想方案的接近度來決策出最優(yōu)目標者，從而提高結(jié)果的準確性。

2 概率語言術(shù)語集的相關(guān)概念

義為

3 基于PLTS的云服務選擇模型

3.1 搜索推薦用戶

圖1 云服務選擇模型流程圖

3.2 云服務推薦權(quán)重

我們將推薦權(quán)重分為兩部分獲得。第一部分為用戶與推薦用戶評價信息的相似性權(quán)重，第二部分為推薦用戶評價信息的可靠性權(quán)重。

3.2.1 相似性權(quán)重

搜索到的推薦用戶是與用戶偏好相似的用戶，借助推薦用戶的相關(guān)意見可以使決策結(jié)果更可靠。根據(jù)概率語言術(shù)語集間的距離測度公式［13］來計算用戶與推薦用戶之間的相似性權(quán)重。

3.3 確定屬性權(quán)重

屬性的權(quán)重可以用來表征用戶對于屬性的偏好程度。傳統(tǒng)的QoS 偏好計算方法都認為QoS 選擇標準單一，且偏好都是定量的［14］。層次分析法是一種定性與定量相結(jié)合的多目標決策方法［15］，它通過比較關(guān)聯(lián)QoS屬性來為決策預測提供定量依據(jù)，可以對用戶的模糊性的QoS 約束條件進行量化處理［14］。基本步驟如下。

Step1 構(gòu)造判斷矩陣。用戶根據(jù)自身的需求和偏好對各個屬性的重要性進行兩兩比較，比較量表見表1。

表1 判斷矩陣標度及其含義

Step2 計算權(quán)重向量。根據(jù)RW=λmaxW，利用特征根法求出λmax與W其中，λmax為R的最大特征根，W為相應的特征向量，將W進行歸一化得到各屬性的權(quán)重。

表2 平均隨機一致性指標RI標準值

3.4 確定加權(quán)綜合評估矩陣

3.5 TOPSIS排序

TOPSIS 是多屬性決策分析中一種常用的有效排序方法，它最早是由Hwang 等引入的并行算法。排序的詳細過程如下［17］。

若準則是正的（積極的），則

4 案例分析

先由式（2）對各個矩陣進行標準化處理，然后根據(jù)式（5）～（8）計算用戶與推薦用戶之間的相似性權(quán)重如下：

給出財務部、計劃部和生產(chǎn)部與云服務提供商的交互信息表，如表3 所示。將交互信息以(n,t)的形式表示，其中n代表交互次數(shù)，t代表當前時間，tl代表最后一次交互的時間，N為交互時間的閾值。規(guī)定推薦用戶與云服務之間交互次數(shù)的閾值為N=5。

表3 交互信息表

根據(jù)式（9）～（10）我們得到推薦用戶評價信息的可靠性權(quán)重矩陣如下：

根據(jù)綜合評估矩陣，由式（14）確定正理想方案R+和負理想方案R-。

本案例中服務響應時間為負向?qū)傩裕溆嗑鶠檎驅(qū)傩浴?/p>

最后由式（18）求出所有云服務提供商與PIS的接近度Ci，i=1,2,3。

C1=0.298；C2=0.164；C3=0.896。根據(jù)接近度越高，云服務提供商越優(yōu)的原理得到最終的排序為a3＞a1＞a2。

5 對比分析

本小節(jié)選取評價語言和權(quán)重兩方面分別進行對比來證明本文選擇算法的優(yōu)越性。首先在評價語言方面，文獻［7］提出了基于猶豫模糊語言術(shù)語集（Hesitant Fuzzy Linguistic Term Set，HFLTS）的MAGDM 模型用于多屬性決策。其次在權(quán)重方面文獻［10］中將屬性權(quán)重與評價決策矩陣結(jié)合進行排序，而本文在評價決策矩陣上加入推薦權(quán)重獲得綜合評估矩陣，將屬性權(quán)重與綜合評估矩陣結(jié)合進行決策。為了形成對比，兩種算法的評價信息以及權(quán)重信息都與本文模型中的保持一致。

猶豫模糊語言術(shù)語集是概率語言術(shù)語集中無概率分布的部分，例如，財務部的評價矩陣以HFLTS的形式表示如下：

采用文獻［7］中提出的猶豫模糊語言加權(quán)平均算子（HFLWA）算法將推薦用戶評價矩陣中的語言術(shù)

表4 評價信息聚合表

文獻［10］中利用層次分析法確定QoS 偏好權(quán)重，將屬性權(quán)重與評價決策矩陣結(jié)合成加權(quán)矩陣C引進逼近理想解的排序方法幫助云服務用戶根據(jù)需求選取最好的云服務。

兩種方法最終都是通過計算備選方案與正理想解之間的接近度獲得云服務的最終排序。表5給出了本文方法與兩種對比方法各自的接近度大小。

表5 接近度大小表

由此得到的排序結(jié)果如表6所示。

表6 排序結(jié)果表

針對以上對比分析，三種方法的排序結(jié)果是相同的，證明了本文模型的有效性。對比文獻［7］與文獻［10］兩種方法，本文提出的模型的優(yōu)越性體現(xiàn)在以下幾方面。

1）從表5 中接近度大小可以看出，本文模型三個云服務商之間的接近度大小差異較明顯，尤其是最優(yōu)云服務商與次優(yōu)云服務商之間?？梢姳疚哪Ｐ偷膮^(qū)分度更明顯，執(zhí)行效率更高。

2）在評價決策矩陣的基礎(chǔ)上加入云服務推薦權(quán)重形成綜合評估矩陣，它避免了由于用戶主觀因素造成的結(jié)果的不準確性，推薦權(quán)重的加入提高了決策結(jié)果的可信度。

3）概率語言術(shù)語集（PLTS）通過在每個語言項上增加概率可以清晰地觀察到推薦者評價意見的不同，從而反映不同云服務之間的差異性。猶豫模糊術(shù)語集（HFLTS）雖然可以和PLTS 一樣表達客戶評價時的猶豫性和不確定性，但HFLTS 中語言評價值的重要性程度是相同的，存在描述力度粗的問題［19］。而實際決策環(huán)境中不同語言術(shù)語的的重要性程度往往是不同的，與實際決策環(huán)境不符，從而降低了計算結(jié)果的真實性與準確性。

6 結(jié)語

本文針對云環(huán)境下服務指標評估不標準、指標權(quán)重分配不合理等問題，提出了一種基于概率語言術(shù)語集的多屬性決策模型。PLTS 能夠很好地表達評價過程中決策者的猶豫性與不確定性。推薦權(quán)重的引入有效地避免了傳統(tǒng)AHP 方案太過主觀的缺點。從案例分析結(jié)果可以看到本文提出的方案能夠有效解決云服務選擇問題。但本文模型未考慮到用戶惡意評價，如何有效過濾惡意評價是今后進一步研究的方向。