CN103473320A - 一种面向跨云平台的服务组合方法 - Google Patents

一种面向跨云平台的服务组合方法 Download PDF

Info

Publication number
CN103473320A
CN103473320A CN2013104155810A CN201310415581A CN103473320A CN 103473320 A CN103473320 A CN 103473320A CN 2013104155810 A CN2013104155810 A CN 2013104155810A CN 201310415581 A CN201310415581 A CN 201310415581A CN 103473320 A CN103473320 A CN 103473320A
Authority
CN
China
Prior art keywords
service
task
services
record
historical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013104155810A
Other languages
English (en)
Other versions
CN103473320B (zh
Inventor
窦万春
林文敏
张绍谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN201310415581.0A priority Critical patent/CN103473320B/zh
Publication of CN103473320A publication Critical patent/CN103473320A/zh
Application granted granted Critical
Publication of CN103473320B publication Critical patent/CN103473320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种面向跨云平台的服务组合方法,包括:对于全局任务调度中的一任务和该任务的候选web服务,用任务服务树进行建模。在这个树状结构中,根节点是任务,每一个候选web服务是该树根节点的叶子节点;对每一个候选的web服务,利用k-means算法将它的历史QoS记录分成两个聚类,接着从每个聚类中选择一个最具有代表性的历史QoS记录;通过将最具有代表性的历史QoS记录加入到任务服务树,作为候选的web服务的子节点,从而将任务服务树扩展为任务服务历史QoS记录树;对于一个任务调度中的n个任务,将会有n个任务服务历史QoS记录树,计算服务组合类的全局效用值;选择拥有最大的效用值的服务组合类作为最终的服务组合规划。

Description

一种面向跨云平台的服务组合方法
技术领域
本发明涉及计算机软件技术领域,特别是一种面向跨云平台的服务组合方法,用于评估web服务质量以及进行web服务组合方案的选择。 
背景技术
在过去的几年,云计算受到了工业界的广泛关注,主要是由于商业驱动的前景和期望。在最新的计算范式中,这种计算范式的特征是将硬件和软件资源作为虚拟资源来传递,使得用户可以自由使用而不用担心底层系统管理细节。具体而言,就是通过计算和存储的虚拟化,云能够提供稳定的,以网络为中心的,抽象的IT基础设施,平台和软件,作为实时,按需付费服务。 
实际上,为了满足不同安全和私密性的需要,云环境包含了公有云,私有云和混合云等等。通常而言,目前公有云实现的主要集中于提供方便地规模可裁剪的计算能力和存储。然而,一些数据中心或特殊领域的服务中心试图避免或者延迟它们向公有云的转移,主要原因有安全问题的冒险和代价,服务层次的期望等等。在这种情况下,这些数据中心或特殊领域服务中心以私有云或者局部服务主机来提供它们的服务。 
现实中,由于安全性和私密性等问题,一些数据中心或软件服务不可能转移到一个公有云中。在这种情况下,服务可能在私有云或局部服务主机中进行。如果基于web应用覆盖公有云服务,私有云服务和局部web服务,在这些服务中部署一个组合是具有挑战性的。如何支持跨-环境服务组合对目前组合技术形成挑战。除此之外,云的某些买点,比如操作灵活和弹性等,可能将会消失。 
现存的(全局)服务组合的分析技术是授权每一个参与服务的提供商公开它们自己的服务,特别是服务的QoS信息。然而,私有云或局部主机却拒绝公布它们的信息,这就使得上述的分析技术在这里是不合适的。基于此,整合私有云和公有云的服务是具有挑战性的。云服务已经使用的今天的紧迫性和潜在服务组合的复杂性使得迫切需要新的组合和整合模型。在另一方面,对于那些包含了多个单个服务的云,跨云台和在线服务组合是耗费时间的,甚至云有可能会暴露他们单个服务的细节。 
为了获得符合客户QoS约束的服务,工业界和学术界从不同的角度对web服务选择及服务组合进行了大量的研究。Adrian klein等在“Towards network-aware service composition in the cloud(WWW’12Proceedings of the21st international conference on World Wide Web,pp.959-968,2012)”中指出当有许多的功能相似的服务可用的时候,选择一个(近似)最优服务规划是困难的。因此,服务组合在服务计算领域是一个经典问题,吸引了许多人来研究。Alrifai等在“Selecting skyline services for QoS-based web  service composition(WWW’10Proceedings of the19st international conference on World Wide Web,pp.11-20,2010)”提出了一个有趣的机制,通过使用skyline查询来减少候选web服务的寻找空间。除了skyline等方法,当前服务最优方法经常假设服务提供商提供的服务质量不会随着时间而变化。但事实却与此相反,即一个服务的QoS会变化的,要么是因为网络变化,要么是因为环境的变化。因此,如果评估是用QoS值得出的,其可行度是令人怀疑的。而与此相反的是,一个服务过去性能的历史QoS记录却是值得信任的。此外,在“A history record-based service optimization method for QoS-aware service composition(IEEE International Conference on Web Services,pp.666-673,2011)”中,我们通过使用服务过去的性能的历史QoS记录来增强服务组合的可信度。在“网络系统中SOA架构下基于服务质量的服务组合方法(申请号:201010508642.4)”的专利申请中,我们提出了一种SOA架构下基于服务质量的组合方法,该方法适用于分布式环境下接入网络的便携计算设备,可以针对用于需求快速进行服务组合方案的选取,然而这些方法并没有考虑跨云台中的私密性问题。 
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种面向跨云平台的服务组合方法。 
本发明公开了一种面向跨云平台的服务组合方法,包括以下步骤: 
步骤1,对于全局任务调度中的一个任务和该任务的所有候选web服务,用任务服务树进行建模,任务服务树的树状结构中,任务作为根节点,每一个候选web服务作为该树根节点的一个叶子节点; 
步骤2,对每一个候选web服务,利用k-means算法将候选web服务的历史QoS记录分成两个聚类,并从每个聚类中选择一个最接近所有历史QoS记录平均值的历史QoS记录作为本聚类最具有代表性的历史QoS记录; 
步骤3,将最具有代表性的历史QoS记录加入到任务服务树,作为任务服务树的历史QoS记录层,从而将任务服务树扩展为任务服务历史QoS记录树; 
步骤4,对于一个全局任务调度中的n个任务,对应生成n个任务服务历史QoS记录树,根据任务服务历史QoS记录树得到一组含有多个服务组合实例的服务组合类,并计算各个服务组合类的局部效用值; 
步骤5,计算所有服务组合类的全局效用值,选择拥有最大全局效用值的服务组合类作为最终的服务组合。 
本发明中,所述web服务的QoS是指服务非功能属性方面的特性;非功能属性方面的特性是相对于功能属性而言的,包括价格、执行时间、信誉度、可用性等等。其 中,信誉度、可用性等非功能属性是积极属性,即该属性值越高,其拥有更好的质量。价格,执行时间等非功能属性是消极属性,即该属性值越高,其拥有更低的质量。 
本发明中,利用线性编程模型,可以将一个全局任务性能规划为任务的集合,即{T1,T2,…,Ti,…,Tn},其中Ti表示第i个任务,n表示服务组合中的任务个数。 
本发明中,对于n个任务,通过互联网的web服务挖掘,能够找到与n个任务相联系的各自独立的n个服务池。其中,WS-Pooli表示满足任务Ti的功能属性的web服务的集合。WS-Pooli中的每一个服务都能够满足任务Ti的功能属性,而每一个服务的非功能属性可是不相同。 
本发明中,为了评估一个组合规划,需要用一个效用函数计算服务组合类的全局效用值,该效用函数如下: 
U ( CP ) = Σ l = 1 α ( Q l max - Q l ( CP ) Q l max - Q l min × W l ) + Σ l = 1 β ( Q ( CP ) - Q l min Q l max - Q l min × W l ) ,
其中,α是负服务质量指标的个数,β是正服务质量指标的个数,U(CP)表示服务组合规划的效用值,Wl是根据用户的偏好产生的第l个服务质量指标的权重,Ql(cs)定义为对于服务cs第l个服务质量指标的值,
Figure DEST_PATH_GDA0000401233470000032
是所有候选web服务的第l个服务质量指标的最大和最小值。 
本发明中,所涉及的k-means算法,所使用的方差标准为: 
E = Σ i ′ = 1 k Σ p ∈ C i ′ | p - m i ′ | 2 ,
其中E是给定的候选web服务历史QoS记录集中所有历史QoS记录方差的总和,Ci 表示该历史QoS记录集,p是Ci 中一个服务历史QoS记录,k表示该历史QoS记录集中的记录条数,mi 是该历史QoS记录集Ci 的平均值。 
本发明中,与一个服务的过去性能相联系的历史QoS记录能够反映服务的质量。历史数据不仅过滤潜在的虚假信息,还实际反映了服务的QoS信息。 
本发明中,对于任务Ti,其服务池表示为Pi-WService=(WSi1,WSi2,...,WSin'),其中n’表示该服务池中的服务的个数。本发明中,将根据任务服务历史QoS记录树生成多个服务组合类,即从每个任务的候选服务池中任取一个候选服务,组成相应的服务组合类。例如,若全局任务调度规划为{T1,T2},生成的服务组合类的数量则为T1,T2候选服务池中候选服务的乘积。 
本发明中,对于一个服务组合类(WS1i,WS2j),让HR1i表示WS1i的QoS历史QoS 记录的集合,HR2j表示WS2j的QoS历史QoS记录的集合。(hr1i-h,hr2j-k)表示为服务组合类(WS1i,WS2j)的一个服务组合实例,其中hr1i-h∈HR1i,hr2j-k∈HR2j。如果WS1i有M1i个QoS历史QoS记录,WS2j有M2j个QoS历史QoS记录,则服务组合类(WS1i,WS2j)有M1i×M2j个服务组合实例。 
本发明中,对于每个任务Ti,该任务与其候选web服务组成了一个树,其中根节点是Ti,候选web服务是根节点的子节点。这样就组成了任务服务树。 
本发明中,对于任务服务树中的每个候选web服务,利用k-means(k=2)将候选web服务的历史QoS记录分为两个聚类,然后在每个聚类中选择最具有代表性的历史QoS记录作为该候选web服务的子节点。这里所说的最具有代表性的历史QoS记录是聚类中最优效用值的历史QoS记录。这样,就组成了任务服务历史QoS记录树。 
本发明中,一个最有代表性历史QoS记录的局部贡献值定义为:在一个历史数据层,对于一个最有代表性的历史QoS记录,其组合案例的平均效用值被当作局部贡献分来使用。 
本发明中,对于任务服务历史QoS记录树的历史QoS记录层,对于某个候选web服务的两个子节点,比较两个子节点的局部贡献分,然后删除分值较低的那个子节点。如果幸存的子节点中的历史QoS记录个数大于2,则继续对其进行k-means(k=2)聚类划分,重复上述操作,直至只有一个历史QoS记录为止。为了使所有任务的具有相同的历史QoS记录层,对于只有一个历史QoS记录的节点,复制该节点作为该节点的子节点,无需聚类。 
本发明中,一个服务组合类的局部效用值定义为:对应某个历史QoS记录层,一个服务组合类实例的平均效用值被用来当作该服务组合类的局部效用值。通过服务组合类的局部效用值,计算每个历史QoS记录层的局部效用值,而具有最高服务组合类的局部效用值则是所需的服务组合。 
本发明的方法不仅增强了选择(近似)最优服务组合规划的计算速度,而且也保护了跨云台服务组合中云服务的私密性。 
与现有技术相比,本发明的优点包括:(1)利用了服务的历史QoS记录做决策,更加客观,可信;(2)利用k-means算法来对数据进行划分,从而选择最有代表性的历史QoS记录,从而加快处理时间,除此之外也使得对于私有云等,也能保证数据的私密性。 
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。 
图1本发明的面向跨云平台的服务组合方法的应用逻辑图; 
图2为本发明实施例的服务组合场景图。 
图3为本发明选择最优服务组合规划的过程示意图。 
具体实施方式:
如图1所示,本发明公开了一种面向跨云平台的服务组合方法,包括以下步骤:步骤1,对于全局任务调度中的某一任务和这个任务的候选web服务,用任务服务树来对它们之间的关系进行建模。在这个树状结构中,根节点是任务,每一个候选web服务是该树根节点的叶子节点;步骤2,对每一个候选web服务,利用k-means(k=2)算法将它的历史QoS记录分成两个聚类,接着从每个聚类中选择一个最具有代表性的历史QoS记录;3,通过将最具有代表性的历史QoS记录加入到任务服务树,作为候选web服务的子节点,从而将任务服务树扩展为任务服务历史QoS记录树;步骤4,对于一个任务调度中的n个任务,将会有n个任务服务历史QoS记录树,计算服务组合类的全局效用值;步骤5,选择拥有最大的效用值的服务组合类作为最终的服务组合规划。 
本发明中,所述web服务的QoS是指服务非功能属性方面的特性;非功能属性方面的特性是相对于功能属性而言的,包括价格、执行时间、信誉度、可用性等等。其中,信誉度、可用性等非功能属性是积极属性,即该属性值越高,其拥有更好的质量。价格,执行时间等非功能属性是消极属性,即该属性值越高,其拥有更低的质量。 
本发明中,利用线性编程模型,可以将一个全局任务性能规划为任务的集合,即{T1,T2,…,Ti,…,Tn},其中Ti表示第i个任务,n表示服务组合中的任务个数。 
本发明中,对于n个任务,通过互联网的web服务挖掘,能够找到与n个任务相联系的各自独立的n个服务池。其中,WS-Pooli表示满足任务Ti的功能属性的web服务的集合。WS-Pooli中的每一个服务都能够满足任务Ti的功能属性,而每一个服务的非功能属性可是不相同。 
本发明中,为了评估一个组合规划,需要一个效用函数计算服务服务组合类的全局效用值,该效用函数如下: 
U ( CP ) = Σ l = 1 α ( Q l max - Q l ( CP ) Q l max - Q l min × W l ) + Σ l = 1 β ( Q ( CP ) - Q l min Q l max - Q l min × W l ) ,
其中,α是负服务质量指标的个数,β是正服务质量指标的个数,U(CP)表示服务组合规划的效用值,Wl是根据用户的偏好产生的第l个服务质量指标的权重,Ql(cs)定义为对于服务cs第l个服务质量指标的值,
Figure DEST_PATH_GDA0000401233470000052
是所有候选web服务的第l个服务质量指标的最大和最小值。 
本发明中,所涉及的k-means算法,所使用的方差标准为: 
E , = Σ i = 1 k Σ p ∈ C i | p - m i | 2 E = Σ i ′ = 1 k Σ p ∈ m i ′ ,
其中E是给定的候选web服务历史QoS记录集中所有历史QoS记录方差的总和,Ci 表示该历史QoS记录集,p是Ci 中一个服务历史QoS记录,k表示该历史QoS记录集中的记录条数,mi 是该历史QoS记录集Ci 的平均值。 
本发明中,与一个服务的过去性能相联系的历史QoS记录能够反映服务的质量。历史数据不仅过滤潜在的虚假信息,还实际反映了服务的QoS信息。 
本发明中,对于任务Ti,其服务池表示为Pi-WService=(WSi1,WSi2,...,WSin '),其中n’表示该服务池中的服务的个数。本发明中,将根据任务服务历史QoS记录树生成多个服务组合类,即从每个任务的候选服务池中任取一个候选服务,组成相应的服务组合类。例如,若全局任务调度规划为{T1,T2},生成的服务组合类的数量则为T1,T2候选服务池中候选服务的乘积。 
本发明中,对于一个服务组合类(WS1i,WS2j),让HR1i表示WS1i的QoS历史QoS记录的集合,HR2j表示WS2j的QoS历史QoS记录的集合。(hr1i-h,hr2j-k)表示为服务组合类(WS1i,WS2j)的一个服务组合实例,其中hr1i-h∈HR1i,hr2j-k∈HR2j。如果WS1i有M1i个QoS历史QoS记录,WS2j有M2j个QoS历史QoS记录,则服务组合类(WS1i,WS2j)有M1i×M2j个服务组合实例。 
本发明中,对于每个任务Ti,该任务与其候选web服务组成了一个树,其中根节点是Ti,候选web服务是根节点的子节点。这样就组成了任务服务树。 
本发明中,对于任务服务树中的每个候选web服务,利用k-means(k=2)将候选web服务的历史QoS记录分为两个聚类,然后在每个聚类中选择最具有代表性的历史QoS记录作为该候选web服务的子节点。这里所说的最具有代表性的历史QoS记录是聚类中最优效用值的历史QoS记录。这样,就组成了任务服务历史QoS记录树。 
本发明中,一个最有代表性历史QoS记录的局部贡献值定义为:在一个历史数据层,对于一个最有代表性的历史QoS记录,其组合案例的平均效用值被当作局部贡献分来使用。 
本发明中,对于任务服务历史QoS记录树的历史QoS记录层,对于某个候选web服务的两个子节点,比较两个子节点的局部贡献分,然后删除分值较低的那个子节点。如果幸存的子节点中的历史QoS记录个数大于2,则继续对其进行k-means(k=2)聚类划分,重复上述操作,直至只有一个历史QoS记录为止。为了使所有任务的具有相同 的历史QoS记录层,对于只有一个历史QoS记录的节点,复制该节点作为该节点的子节点,无需聚类。 
本发明中,一个服务组合类的局部效用值定义为:对应某个历史QoS记录层,一个服务组合类实例的平均效用值被用来当作该服务组合类的局部效用值。通过服务组合类的局部效用值,计算每个历史QoS记录层的局部效用值,而具有最高服务组合类的局部效用值则是所需的服务组合。 
实施例 
假设一个智能手机用户向一个服务提供商请求最及时的新闻,而当前直接可用的多媒体内容只有滚动文字新闻和一些MPEG2格式的时事影像。新闻提供者没有调整多媒体内容的能力,所以需要一些附加的服务来完成用户的请求:一个编码转换服务来将多媒体内容转换成合适的格式,一个文本翻译服务来翻译文字新闻,以及一个压缩服务来把文字和视频流媒体结合并压缩成能在智能手机上播放的新闻。具体参见M.Wagner和W.Kellerer的“Web services selection for distributed composition of multimedia content(Proceedings of the ACM International Conference on Multimedia,pp.104–107,2004)”中出现的一个多媒体传输的应用。 
图2展示了这个服务组合应用的开发流程。下面说明如何使用该方法来为图3所示的服务组合选择最优的组合方案。 
首先,根据图3,选择最优服务组合规划的过程如下: 
得到的最优组合方案如上图所示,第一层为任务节点,第二层是每个任务的候选web服务节点;在第一层历史QoS记录层中,利用聚类算法将历史QoS记录分成两类,从每一类中选择一个最有代表性的历史QoS记录,并计算其局部贡献值,较小值被删除;对保留下来的节点进行再次聚类,直至节点中只有一个历史QoS记录。注意,如果某个节点已经只有一个历史QoS记录,而同层的其他节点还有可以继续聚类的,则将该节点向下复制,无需聚类。最终得到了一个完整的任务服务历史QoS记录树。对每一层计算服务组合类的局部贡献值,然后通过比较这些值,得到最大贡献值的服务组合类,而该服务组合类就是所选择的最终服务组合规划。 
表1 
Figure DEST_PATH_GDA0000401233470000071
Figure DEST_PATH_GDA0000401233470000081
在这个场景中,表1(为候选web服务的QoS历史QoS记录)给出了一个用于说明本发明的方法所使用的例子。在表1中,“WS-编码”服务是对视频和文本进行编码的web服务,“WS-压缩”服务是对编码进行压缩,使其能在网络上进行高效传输的web服务,“WS-支付”服务是用于用户付款的web服务。需指出的是,在图中,所有可能的历史QoS记录的组合方案个数为(7+5+6)×(8+7)×(5+8+4+3)=5400。而每一个服务组合类的服务组合案例的数量可以计算出来,比如(WS11,WS22,WS32)是490。 
表2 
Figure DEST_PATH_GDA0000401233470000082
通过这些数据集,最优的服务组合规划可以选择出来。通过表1,我们计算出每个服务组合类的平均效用值,如表2所示。我们发现服务组合类(WS11,WS22,WS32)具有最大的平均效用值为0.526529。因此该服务是最有代表性的服务组合规划。 
本发明提供了一种面向跨云平台的服务组合方法的思路,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。 

Claims (8)

1.一种面向跨云平台的服务组合方法,其特征在于,包括以下步骤:
步骤1,对于全局任务调度中的一个任务和该任务的所有候选web服务,用任务服务树进行建模,任务服务树的树状结构中,任务作为根节点,每一个候选web服务作为该树根节点的一个叶子节点;
步骤2,对每一个候选web服务,利用k-means算法将候选web服务的历史QoS记录分成两个聚类,并从每个聚类中选择一个最接近所有历史QoS记录平均值的历史QoS记录作为本聚类最具有代表性的历史QoS记录;
步骤3,将最具有代表性的历史QoS记录加入到任务服务树,作为任务服务树的历史QoS记录层,从而将任务服务树扩展为任务服务历史QoS记录树;
步骤4,对于一个全局任务调度中的n个任务,对应生成n个任务服务历史QoS记录树,根据任务服务历史QoS记录树得到一组含有一个以上服务组合实例的服务组合类,并计算各个服务组合类的局部效用值;
步骤5,计算所有服务组合类的全局效用值,选择拥有最大全局效用值的服务组合类作为最终的服务组合。
2.根据权利要求1所述的一种面向跨云平台的服务组合方法,其特征在于,步骤1中,将一个全局任务调度规划为任务的集合,即{T1,T2,…,Ti,…,Tn},其中Ti表示第i个任务,n表示服务组合中的任务个数,i取值1~n;对于任务Ti,其候选web服务组成的服务池表示为WS-Pooli,WS-Pooli=(WSi1,WSi2,...,WSin'),其中n’表示该服务池中的服务的总个数,WSil表示任务Ti的服务池中第i个候选服务,1≤l≤n’。
3.根据权利要求2所述的一种面向跨云平台的服务组合方法,其特征在于,对于n个任务,搜索与n个任务相联系的各自独立的n个服务池,其中,对于任务Ti,服务池WS-Pooli表示满足任务Ti的功能属性的web服务的集合,WS-Pooli中的每一个服务都能够满足任务Ti的功能属性。
4.根据权利要求3所述的一种面向跨云平台的服务组合方法,其特征在于,步骤2中k-means算法,所使用的方差标准为:
E = Σ i ′ = 1 k Σ p ∈ C i ′ | p - m i ′ | 2 ,
其中E是给定的候选web服务历史QoS记录集中所有历史QoS记录方差的总和,Ci’表示该历史QoS记录集,p是Ci’中一个服务历史QoS记录,k表示该历史QoS记录集中的记录条数,mi’是该历史QoS记录集Ci’的平均值。
5.根据权利要求1所述的一种面向跨云平台的服务组合方法,其特征在于,步骤3中对于任务服务历史QoS记录树的历史QoS记录层,对于一个候选web服务的两个子节点,比较两个子节点的局部贡献值,删除数值较低的那个子节点,如果留下的子节点中的历史QoS记录个数大于2,则继续对留下的子节点中的历史QoS记录进行k-means聚类划分,k=2;其中,节点的局部贡献值即历史QoS记录的局部贡献值,为该节点所参与的所有服务组合实例的局部效用值的平均值;
重复上述操作,直至只有一个历史QoS记录为止。
6.根据权利要求5所述的一种面向跨云平台的服务组合方法,其特征在于,步骤4中,对于一个服务组合类(WS1i,WS2j),用HR1i表示服务WS1i的历史QoS记录的集合,HR2j表示服务WS2j的历史QoS记录的集合,(hr1i-h,hr2j-k)表示为服务组合类(WS1i,WS2j)的一个服务组合实例;如果WS1i有M1i个历史QoS记录,WS2j有M2j个历史QoS记录,则服务组合类(WS1i,WS2j)有M1i×M2j个服务组合实例。
7.根据权利要求6所述的一种面向跨云平台的服务组合方法,其特征在于,步骤4中一个服务组合类的局部效用值定义为:对应一个历史QoS记录层,一个服务组合类实例的平均效用值被用来当作该服务组合类的局部效用值,而最优服务组合是具有最高服务组合类的局部效用值的那个服务组合。
8.根据权利要求1所述的一种面向跨云平台的服务组合方法,其特征在于,步骤5中,使用效用函数计算服务组合类的全局效用值U(CP),该效用函数如下:
U ( CP ) = Σ l = 1 α ( Q l max - Q l ( CP ) Q l max - Q l min × W l ) + Σ l = 1 β ( Q ( CP ) - Q l min Q l max - Q l min × W l ) ,
其中,α是负服务质量指标的个数(负服务指标指数值越小对用户越有利的指标,如服务的响应时间),β是正服务质量指标的个数(正服务指标指数值越大对用户越有利的指标,如服务执行的成功率),Wl是由用户指定的第l个服务质量指标的权重,Ql(cs)为对于服务cs第l个服务质量指标的值,
Figure FDA0000381349670000022
Figure FDA0000381349670000023
是所有候选web服务的第l个服务质量指标的最大和最小值,Ql(CP)表示当前服务组合类的第l个质量指标的值。
CN201310415581.0A 2013-09-12 2013-09-12 一种面向跨云平台的服务组合方法 Active CN103473320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310415581.0A CN103473320B (zh) 2013-09-12 2013-09-12 一种面向跨云平台的服务组合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310415581.0A CN103473320B (zh) 2013-09-12 2013-09-12 一种面向跨云平台的服务组合方法

Publications (2)

Publication Number Publication Date
CN103473320A true CN103473320A (zh) 2013-12-25
CN103473320B CN103473320B (zh) 2017-03-22

Family

ID=49798168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310415581.0A Active CN103473320B (zh) 2013-09-12 2013-09-12 一种面向跨云平台的服务组合方法

Country Status (1)

Country Link
CN (1) CN103473320B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103944766A (zh) * 2014-04-30 2014-07-23 浙江大学 具有QoS关联关系的服务选择方法
CN104468727A (zh) * 2014-11-06 2015-03-25 北京邮电大学 一种基于方差的服务选择方法
CN104780061A (zh) * 2015-03-10 2015-07-15 浙江大学 一种基于日志的通讯开销预测方法
CN105007176A (zh) * 2015-06-04 2015-10-28 河海大学 一种基于分层贝叶斯网络模型的云服务QoS预测方法
CN106777095A (zh) * 2016-12-14 2017-05-31 大连交通大学 移动O2O环境下的基于多医学因素的Skyline双过滤检索方法
CN106777091A (zh) * 2016-12-14 2017-05-31 大连大学 移动O2O环境下的基于多医学因素的Skyline双过滤检索系统
CN109873880A (zh) * 2019-04-19 2019-06-11 南京邮电大学 基于Qos驱动的工业物联网服务方法、存储介质和终端
CN110048890A (zh) * 2019-04-19 2019-07-23 南京邮电大学 基于QoS驱动的工业物联网服务装置
CN110650032A (zh) * 2018-06-27 2020-01-03 复旦大学 一种构建多云环境下基于QoS的应用优化部署方案的方法
CN110971683A (zh) * 2019-11-28 2020-04-07 海南大学 基于强化学习的服务组合方法
CN111654396A (zh) * 2020-06-03 2020-09-11 北京航空航天大学 一种面向汇聚任务多维分解的制造服务聚合协作配置方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203944A1 (en) * 2006-02-28 2007-08-30 International Business Machines Corporation Web services database cluster architecture
CN103002028A (zh) * 2012-11-26 2013-03-27 南京大学 一种基于QoS的历史记录和聚类的服务优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203944A1 (en) * 2006-02-28 2007-08-30 International Business Machines Corporation Web services database cluster architecture
CN103002028A (zh) * 2012-11-26 2013-03-27 南京大学 一种基于QoS的历史记录和聚类的服务优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIANYONG QI: "A QoS-aware composition method supporting cross-platform service invocation in cloud environment", 《JOURNAL OF COMPUTER AND SYSTEM SCIENCES》 *
杨汝涛 等: "一种基于 QoS 剪枝的Top-k自动服务组合方法", 《电子学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103944766A (zh) * 2014-04-30 2014-07-23 浙江大学 具有QoS关联关系的服务选择方法
CN103944766B (zh) * 2014-04-30 2017-11-07 浙江大学 具有QoS关联关系的服务选择方法
CN104468727A (zh) * 2014-11-06 2015-03-25 北京邮电大学 一种基于方差的服务选择方法
CN104468727B (zh) * 2014-11-06 2018-05-01 北京邮电大学 一种基于方差的服务选择方法
CN104780061B (zh) * 2015-03-10 2018-05-29 浙江大学 一种基于日志的通讯开销预测方法
CN104780061A (zh) * 2015-03-10 2015-07-15 浙江大学 一种基于日志的通讯开销预测方法
CN105007176A (zh) * 2015-06-04 2015-10-28 河海大学 一种基于分层贝叶斯网络模型的云服务QoS预测方法
CN105007176B (zh) * 2015-06-04 2019-01-11 河海大学 一种基于分层贝叶斯网络模型的云服务QoS预测方法
CN106777095A (zh) * 2016-12-14 2017-05-31 大连交通大学 移动O2O环境下的基于多医学因素的Skyline双过滤检索方法
CN106777091A (zh) * 2016-12-14 2017-05-31 大连大学 移动O2O环境下的基于多医学因素的Skyline双过滤检索系统
CN110650032A (zh) * 2018-06-27 2020-01-03 复旦大学 一种构建多云环境下基于QoS的应用优化部署方案的方法
CN109873880A (zh) * 2019-04-19 2019-06-11 南京邮电大学 基于Qos驱动的工业物联网服务方法、存储介质和终端
CN110048890A (zh) * 2019-04-19 2019-07-23 南京邮电大学 基于QoS驱动的工业物联网服务装置
CN109873880B (zh) * 2019-04-19 2021-10-29 南京邮电大学 基于Qos驱动的工业物联网服务方法、存储介质和终端
CN110048890B (zh) * 2019-04-19 2021-10-29 南京邮电大学 基于QoS驱动的工业物联网服务装置
CN110971683A (zh) * 2019-11-28 2020-04-07 海南大学 基于强化学习的服务组合方法
CN111654396A (zh) * 2020-06-03 2020-09-11 北京航空航天大学 一种面向汇聚任务多维分解的制造服务聚合协作配置方法

Also Published As

Publication number Publication date
CN103473320B (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
CN103473320A (zh) 一种面向跨云平台的服务组合方法
Tong et al. A survey on algorithms for intelligent computing and smart city applications
James et al. Smart cities: Fundamental concepts
Allam et al. Data as the new driving gears of urbanization
Alizadeh Crowdsourced smart cities versus corporate smart cities
Sinaeepourfard et al. F2c2C-DM: A Fog-to-cloudlet-to-Cloud Data Management architecture in smart city
Du Research on engineering project management method based on BIM technology
Mutule et al. Smart city through a flexible approach to smart energy
Tan et al. Global liveable and smart Cities Index: Ranking analysis, simulation and policy evaluation
Gao et al. Construction of enterprise digital service and operation platform based on internet of things technology
You Service‐Oriented Architecture‐Guided Information Service System for Design and Implementation of Rural Tourism
Zhengqiao et al. Research on clustering algorithm for massive data based on Hadoop platform
Almusaed et al. Blending human ware with software and hardware in the design of smart cities
Ye Research on emergency resource scheduling in smart city based on HPSO algorithm
Embarak Smart city transition pillars with layered applications architecture
Wan [Retracted] Behavior of Sports Tourism Consumers Based on Cloud Computing and Mobile Big Data
Almusaed et al. Sustainable Smart Cities: A Vision for Tomorrow
Yin et al. Development and design of intelligent gymnasium system based on K-Means clustering algorithm under the internet of things
Liu et al. Cross-Modal Generative Semantic Communications for Mobile AIGC: Joint Semantic Encoding and Prompt Engineering
Ma et al. Design of emergency evacuation route for large buildings based on cloud computing and GIS big data
Mrsic et al. Smart tourist destination management using demand forecasting techniques: Using big data for destination demand forecasting as part of a destination management system
Britchenko et al. Digital economy: Textbook
Prabhakaran et al. Building a Big data provenance with its applications for Smart cities
Quek et al. The Conundrum in Smart City Governance: Interoperability and Compatibility in an ever-growing digital ecosystem
Rilinger Toward a Sociology of Economic Engineering: The Creation and Collapse of California’s Electricity Markets between 1993 and 2001

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant