CN102404173B

CN102404173B - Web服务吞吐率预测方法

Info

Publication number: CN102404173B
Application number: CN2011104448475A
Authority: CN
Inventors: 夏云霓; 陈鹏; 戴刚; 罗辛; 吴磊
Original assignee: CHENGDU GUOKE HAIBO COMPUTER SYSTEMS Co Ltd; Chongqing University
Current assignee: Chengdu Gkhb Information Technology Co ltd; Chongqing University
Priority date: 2011-12-27
Filing date: 2011-12-27
Publication date: 2013-11-27
Anticipated expiration: 2031-12-27
Also published as: CN102404173A

Abstract

本发明公开了一种web服务吞吐率预测方法，属于软件性能预测领域，按照固定单位时间间隔获取待分析的web服务的吞吐率数据序列，然后根据相邻吞吐率值的变化情况定义多种吞吐率变化的模式，并定义和计算模式之间的转换概率矩阵，最后将当前时刻的吞吐率值加上当前时刻到一个单位时间间隔后时刻的加权平均吞吐率增量，从而获得需要的吞吐率的预测值，该方法避免了传统的Web预测模型和方法中过于依赖SLA规范和假设参数恒定不变的不足，能为WEB服务可信性研究提供模型支撑和分析手段。

Description

Web服务吞吐率预测方法

技术领域

本发明属于软件性能预测领域，特别是涉及一种Web服务吞吐率预测方法。

背景技术

Web服务作为一种新型的分布式构件模型在电子商务、企业应用集成等领域扮演着越来越重要的角色，它被认为是SOA(Service-Oriented Architecture，面向服务的计算构架)中最核心的技术之一，通过Web服务组合技术可以将单个Web服务组合起来成为完整的应用。

为web服务的吞吐率表示系统在单位时间内完成给定任务的次数，Web服务运行在动态变化的网络环境中，其吞吐率值也在频繁变化，这种动态变化的网络环境将会影响Web服务的运行时性能进而导致整个Web服务组合性能的变化，因此web服务性能预测是保证基于服务的应用系统质量的关键技术，也是优化服务组合重要方法。

目前，大部分Web服务的性能预测方法大多以SLA(Service-LevelAgreement，服务等级协议)文档给定的性能参数为准，并假设性能参数恒定不变，忽略了实际运行时性能的波动和变化，由于忽略了实际运行时性能的波动和变化导致这种预测方法精度不高。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种精度更高的Web服务吞吐率预测方法。

为实现上述目的，本发明提供了一种web服务吞吐率预测方法，按照固定单位时间间隔获取web服务的吞吐率数据序列；所述吞吐率数据序列为{q(i)}，所述i为正整数；

取相邻时刻的吞吐率值q(i)和q(i+1)；设定从吞吐率值到变化趋势的映射函

数为map1(i)；

map 1 (i) = \{\begin{matrix} - 1 ifq (i) - q (i + 1) > d \\ 0 if | q (i) - q (i + 1) | \leq d \\ 1 else \end{matrix};

所述d为预先给定的阈值；

设定1×p维的趋势模式向量S_i；S_i＝[map1(i)，map1(i+1)，map1(i+2)，...，map1(i+p-1)]，1≤i≤i+p-1，p为正整数；

所述趋势模式向量分为k个分类，分别为C₁，C₂，....，C_k；所述趋势模式向量分类的映射函数为map2()；将S_i映射为第x个分类，当且仅当

(x - 1) / k \leq (Σ_{j = 1}^{p - 1} 2^{j} + Σ_{j = 1}^{p - 1} 2^{j} \times S_{i} (j)) / Σ_{i = j}^{p - 1} 2^{j + 1} < x / k

时，map2(S_i)＝x，1≤x≤k，k为正整数；

将测试得到的吞吐率序列数据{q(i)}赋给t-p+1个吞吐率向量，t为吞吐率数据序列中数据个数；设定Q_i为吞吐率向量，Q_i＝[q(i)，q(i+1)....，q(i+p-1)]，1≤i≤t-p+1；设定相邻向量差为D_i；D_i＝Q_i+1-Q_i；

设定不同分类间的转换概率为tr_a，b，所述

M (l) = \{\begin{matrix} 1 ifmap 2 (S_{l}) = a \\ 0 else \end{matrix};

所述

N (l) = \{\begin{matrix} 1 ifmap 2 (S_{l}) = aandmap 2 (S_{l + 1}) = b \\ 0 else \end{matrix},

l，a，b均为正整数；

计算吞吐率平均增量矩阵；设定吞吐率平均增量矩阵为

{\overset{&OverBar;}{D}}_{e, f} = {tr}_{a, b} \times Σ_{y = 1}^{t - p + 1} O (y);

O (y) = \{\begin{matrix} D_{y} ifmap 2 (S_{y}) = aandmap 2 (S_{y + 1}) = b \\ 0 else \end{matrix};

所述平均增量矩阵为属于C_a分类的吞吐率向量到属于C_b分类的吞吐率向量之间向量差的平均值；

计算

{\tilde{Q}}_{t - p + 2} = Q_{t - p + 1} + Σ_{w = 1}^{k} {tr}_{map 2 (S_{t - p + 1}), w} \times {\overset{&OverBar;}{D}}_{map 2 (S_{t - p + 1}), w};

w为正整数；所述Q_t-p+1向量为t-p+1时刻的吞吐率向量，所述

为t-p+2时刻的吞吐率向量。

较佳的，所述获取web服务的吞吐率数据序列由SOAP UI测试平台对web服务的url地址测试得到。

较佳的，所述吞吐率向量为1×p维；第m个向量的第n个分量为q((m-1)*p+n)，m、n均为正整数。

本发明的有益效果是：本发明避免了传统的web性能预测模型和方法中过于依赖SLA规范和假设性能参数恒定不变的不足，能为web服务可信性研究提供模型支撑和分析手段，本发明提供了一种精度更高的web服务吞吐率预测方法。

附图说明

图1是本发明的流程示意图。

图2是吞吐率实测数据示意图。

图3是吞吐率实际值与预测值的比较示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

如图1至图3所示，一种web服务吞吐率预测方法，其特征在于：

按照固定单位时间间隔获取web服务的吞吐率数据序列，所述吞吐率数据序列为{q(i)}，所述i为正整数。

取相邻时刻的吞吐率值q(i)和q(i+1)；设定从吞吐率值到变化趋势的映射函数为map1(i)，

map 1 (i) = \{\begin{matrix} - 1 ifq (i) - q (i + 1) > d \\ 0 if | q (i) - q (i + 1) | \leq d \\ 1 else \end{matrix},

d∈R⁺，所述d为预先给定的阈值。

设定1×p维的趋势模式向量S_i，S_i＝[map1(i)，map1(i+1)，map1(i+2)，...，map1(i+p-1)]，1≤i≤i+p-1，p为正整数；

(x - 1) / k \leq (Σ_{j = 1}^{p - 1} 2^{j} + Σ_{j = 1}^{p - 1} 2^{j} \times S_{i} (j)) / Σ_{i = j}^{p - 1} 2^{j + 1} < x / k

时，map2(S_i)＝x，1≤x≤k，k为正整数；

将测试得到的吞吐率序列数据{q(i)}赋给t-p+1个吞吐率向量，所述吞吐率向量为1×p维，第m个向量的第n个分量为q((m-1)*p+n)，m、n均为正整数，所述t为吞吐率数据序列中数据个数，设定Q_i为吞吐率向量，Q_i＝[q(i)，q(i+1)....，q(i+p-1)]，1≤i≤t-p+1，设定相邻向量差为D_i，D_i＝Q_i+1-Q_i，所述D_i为两个相邻的吞吐率向量的向量差，描述了吞吐率向量在一个单位时间差上的变化值。

设定不同分类间的转换概率为tr_a，b，所述tr_a，b代表当前趋势模式向量属于变化模式类C_a的前提下，其相邻的下一个趋势模式向量属于变化模式类C_b的条件概率，

{tr}_{a, b} = \frac{Σ_{l = 1}^{t - p + 1} N (l)}{Σ_{l = 1}^{t - p + 1} M (l)},

所述

M (l) = \{\begin{matrix} 1 ifmap 2 (S_{l}) = a \\ 0 else \end{matrix},

所述

N (l) = \{\begin{matrix} 1 ifmap 2 (S_{l}) = aandmap 2 (S_{l + 1}) = b \\ 0 else \end{matrix},

所述l，a，b均为正整数；

计算吞吐率平均增量矩阵；设定吞吐率平均增量矩阵为

{\overset{&OverBar;}{D}}_{e, f} = {tr}_{a, b} \times Σ_{y = 1}^{t - p + 1} O (y),

O (y) = \{\begin{matrix} D_{y} ifmap 2 (S_{y}) = aandmap 2 (S_{y + 1}) = b \\ 0 else \end{matrix},

所述平均增量矩阵为属于C_a分类的吞吐率向量到属于C_b分类的吞吐率向量之间向量差的平均值；Q_t-p+1向量为吞吐率数据序列中提取出的最后一个吞吐率向量，在其基础上可预测下一个吞吐率向量

计算

{\tilde{Q}}_{t - p + 2} = Q_{t - p + 1} + Σ_{w = 1}^{k} {tr}_{map 2 (S_{t - p + 1}), w} \times {\overset{&OverBar;}{D}}_{map 2 (S_{t - p + 1}), w},

w为正整数，所述Q_t-p+1向量为t-p+1时刻的吞吐率向量，所述为t-p+2时刻的吞吐率向量，最终将向量

中最后一个分量值

作为对t+1时刻吞吐率的预测值。

为了对方法的正确性和精确性进行验证，在配置为INTEL i5-760处理器、4G内存的PC机上采用SOAPUI测试平台对一个提供天气信息的Web服务的实例的URL地址进行了测试，所述web服务实例的URL地址为http://www.webservicex.net/globalweather.asmx？WSDL，测试的开始时间为2011年10月17日上午10点30分0秒，测试时间间隔为250毫秒，连续获取128个吞吐率测试值，其中前100个数据用于模型建立，剩下28个数据从2011年10月17日上午10点30分25秒开始测得的吞吐率用于模型验证。

模型中的参数设置为：吞吐率向量的维度p＝4；阈值d＝30；分类数量k＝10，按照本专利给出的方法，2011年10月17日上午10点30分25秒以后的吞吐率预测值如线条1所示，真实吞吐率值为线条2所示，采用ARMA时间序列模型预测值的曲线由线条3所示，消除离群点的ARMA模型预测值的曲线由线条4所示。

本发明方法预测值与实际值平均误差率为29％，而ARMA时间序列模型和消除离群点的ARMA模型预测值与实际值平均误差分别为34％和45％。可见，本专利提出的方法，在Web服务性能预测上取得了更好的精度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种web服务吞吐率预测方法，其特征在于：

按照固定单位时间间隔获取web服务的吞吐率数据序列；所述吞吐率数据序列为{q(i)}，所述i为正整数；

取相邻时刻的吞吐率值q(i)和q(i+1)；设定从吞吐率值到变化趋势的映射函数为map1(i)；

mapl (i) \{\begin{matrix} - 1 if q (i) - q (i + 1) > d \\ 0 if | q (i) - q (i + 1) | \leq d \\ 1 else \end{matrix};

所述d为预先给定的阈值，d∈R⁺；

所述趋势模式向量分为k个分类，分别为C₁,C₂,....,C_k；所述趋势模式向量分类的映射函数为map2()；将S_i映射为第x个分类，当且仅当

(x - 1) / k \leq (Σ_{j = 1}^{p - 1} 2^{j} + Σ_{j = 1}^{p - 1} 2^{j} \times S_{i} (j)) / Σ_{i = j}^{p - 1} 2^{j + 1} < x / k

时，map2(S_i)＝x，1≤x≤k，k为正整数；

将测试得到的吞吐率数据序列{q(i)}赋值给t-p+1个吞吐率向量，t为吞吐率数据序列中数据个数；设定Q_i为吞吐率向量，Q_i＝[q(i),q(i+1)....,q(i+p-1)]，1≤i≤t-p+1；设定相邻向量差为D_i；D_i＝Q_i+1-Q_i；

设定不同分类间的转换概率为tr_a,b，

所述

M (l) = \{\begin{matrix} 1 if map 2 (S_{l}) = a \\ 0 else \end{matrix};

所述

N (l) = \{\begin{matrix} 1 ifmap 2 (S_{1}) = aandmap 2 (S_{l + 1}) = b \\ 0 eles \end{matrix},

l,a,b均为正整数；

计算吞吐率平均增量矩阵；设定吞吐率平均增量矩阵为

{\overset{&OverBar;}{D}}_{e, f} = {tr}_{a, b} \times Σ_{y = 1}^{t - p + 1} O (y);

O (y) = \{\begin{matrix} D_{y} ifmap 2 (S_{y}) = aandmap 2 (S_{y + 1}) = b \\ 0 else \end{matrix};

计算

{\tilde{Q}}_{t - p + 2} = Q_{t - p + 1} + Σ_{w = 1}^{k} {tr}_{map 2 (S_{t - p + 1}), w} \times {\overset{&OverBar;}{D}}_{map 2 (S_{t - p + 1}), w};

w为正整数；所述Q_t-p+1向量为t-p+1时刻的吞吐率向量，所述

为t-p+2时刻的吞吐率向量。

2.如权利要求1所述的web服务吞吐率预测方法，其特征是：所述获取web服务的吞吐率数据序列由SOAPUI测试平台对web服务的url地址测试得到。

3.如权利要求1所述的web服务吞吐率预测方法，其特征是：所述吞吐率向量为1×p维；第m个向量的第n个分量为q((m-1)*p+n)，m、n均为正整数。