CN103561085B - 一种基于服务等级协议约束的服务云评价方法 - Google Patents

Abstract

本发明涉及一种基于服务等级协议约束的服务云评价方法，对用户感知的服务云的SLA（服务等级协议）进行模糊化评价，并给出满足用户个性化需求的服务云资源。通过对服务云资源给出的SLA（服务等级协议）进行模糊化评价，选择、筛选和推荐出适合用户的服务云资源。本发明属于云计算和创新网络领域。本发明设计出的对服务云资源的评价方法，可以应用于服务云中终端用户在PaaS（平台即服务）层上实现资源的最佳匹配，同时算法简单易于实现。

Description

一种基于服务等级协议约束的服务云评价方法

技术领域

本发明涉及一种使用服务等级协议SLA(Service Level Agreement，)约束的服务云评价方法，对用户感知的服务云的SLA进行模糊化评价，并给出满足用户个性化需求的服务云资源。通过对服务云资源给出的服务等级协议SLA进行模糊化评价，选择、筛选和推荐出适合用户的服务云资源。本发明属于云计算和创新网络领域。

背景技术

服务云资源的选取是实现服务云自动化服务的重要步骤。服务云通过租用的方式提供经济和方便的计算服务，在服务开始前需要通过协商的机制形成供应商和消费者之间的承诺，这些承诺用服务等级协议SLA来进行规范，但是通常情况下用户提出的服务目标具有一定的模糊性或者无法直接表述为提供资源的服务云的度量值，服务云无法直接使用这些数据进行有效的资源选择和资源调配。如何通过这些模糊化的服务目标，选择合适的服务云并实现最佳的资源配置，达到可实际应用的目的是本发明的目标。

发明内容

发明目的：本发明的目的是提供一种基于服务等级协议约束的服务云评价方法，设计出的对服务云资源的评价方法，可以应用于服务云中终端用户在PaaS(平台即服务)层上实现资源的最佳匹配，同时算法简单易于实现。

技术方案：本发明为实现上述发明目的，采用如下技术方案：

步骤一：建立服务等级协议SLA匹配基本背景

通过服务云的资源端与用户端分别提交其SLA(服务等级协议)来建立匹配背景数据：

1.1)、服务云资源端提交其可用资源情况及可以满足的SLA(服务等级协议)到云代理，并作为公共服务等级协议SLA^pub保存，其中上标pub代表服务云资源端公布在网络上；

1.2)、用户提交应用，并给出其要求的服务等级协议SLA与偏好的权重W＝(w₁,w₂,…,w_m)，其中w_m代表第m个对应SLA分量的权重；

1.3)、将用户应用进行工作流分析，并以表2方式将服务等级协议SLA拆分为对应的任务私有服务等级协议SLA^prv，其中上标prv表示对应用户任务在网络上检索所使用：

表2 工作流中SLA主要运算关系

1.4)、根据私有服务等级协议SLA^prv及其度量将候选资源端公共服务等级协议SLA^pub重排，并分别记录每个公共服务等级协议SLA^pub的度量权重；

1.5)、记有向无环图(Directed Acyclic Graph，DAG)工作流任务间的边数为距离d；

对所有任务对应的候选服务云资源按以上步骤操作，处理完毕后，步骤一完成；

步骤二：计算度量的变权

2.1)、将某一任务的候选服务云资源端的SLA^pub对应的度量权重构造一个稀疏的矩阵为：

其中M为构造的权重分量矩阵，每一个w_nm为第m个SLA^pub对应第n个分量的权重；

2.2)、对矩阵M的列方向的权重求算术平均值：

${\mathrm{avg}}_i=\underset{j=1}{\overset{m}{\Σ}}{w}_{ij}/m---\left(12\right)$

其中avg_i表示所有m个参与评价的服务云资源的第i个权重分量的均值，j是指第j个参与评价的服务云；

2.3)、将该列方向所有小于avg_i的w_ij取算术平均值为所有大于avg_i的w_ij取算术平均值为

2.4)、由式(13)求得该列的变权为：

$W_i=(4*{\mathrm{avg}}_i+{\mathrm{avg}}_i^l+{\mathrm{avg}}_i^h)/6---\left(13\right)$

其中W_i为所有m个参与评价的服务云资源的第i个权重分量的变权，因此步骤2最终获得变权向量为：

W(X)＝(W₁,W₂,…,W_n) (14)

步骤三：建立模糊评判矩阵

3.1)、将某一任务的候选服务云资源端的SLA^pub对应的值构造一个稀疏的矩阵为：

其中SLA_l代表候选服务云资源可能保证的最差的服务等级保障，sla_nm表示第m个参与评价的服务云的第n项最低保障的值；

3.2)、将某一任务的候选服务云资源端的SLA^pub对应的当前可以提供的最大值构造一个稀疏的矩阵为：

其中SLA_h表示候选服务云资源最大努力可能给出的最佳的服务等级保障，h_nm为第m个服务云资源对应的第n个分量的最佳服务保障的值；

3.3)、将SLA_h减去SLA_l并归一化得到模糊评判矩阵：

步骤四：求综合评判值

4.1)、根据式(18)求综合评判：

B＝W(X)R^T＝(b₁,b₂,…,b_m) (18)

其中b_m为第m个服务云资源的评判值，上标T表示评判矩阵的转秩；

4.2)、取为所有m个服务云资源的评判值的和；

步骤五：选取服务云

若存在某一评判值则选取对应的服务云完成对应任务，评价过程结束；

步骤六：修正

6.1)、若不能找出对应任务评价的服务云资源中有满足条件的情况，则选择的服务云资源再次选择，此时使用已选择的服务云资源对候选服务云资源的SLA度量进行评判，分别给出其以往完成情况的最佳和最差值分别为α和β，构造评判矩阵中的分量值为：

$E_{nm}=\frac{1}{2}\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\β}}_k^2-{\mathrm{\α}}_k^2)}{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\β}}_k-{\mathrm{\α}}_k)}---\left(19\right)$

其中α_k为第k个服务云评价被评价服务的最差值，β_k为第k个服务云评价被评价服务的最佳值，E_nm为被评价服务云的分量的值；

6.2)、对评价向量的最后一项取值为距离d，并构造评判矩阵为：

其中E_nm为第m个候选资源的第n项评判分量，d_m为第m个候选资源对评价服务云的任务距离；

6.3)、对式(11)的每行增加最后一项为1/d_m，并重求变权向量；

6.4)、重复步骤四，并选取b_i最大的对应服务云资源完成对应任务。

有益效果：服务等级协议SLA作为规范服务云中的服务端和用户端的权利和义务的法律文件，将用户的需求和服务云提供的服务进行了形式化的表达，但往往服务端提供的服务描述和用户端的需求描述具有一定的差距，用户关心的服务等级协议SLA细节可能未被描述或者与用户的接受程度有一定差距，同时用户对服务云提供的某些方面的高质量并没有特别追求，这些差距造成在平台即服务层上的服务云资源调度难以实际应用。本发明设计了一种模糊化双方服务等级协议SLA细节的方法，通过服务云间的互评价选择最适合应用任务的服务云资源，实际应用于服务云资源的调度，同时算法简单易于实现。

附图说明

图1为服务等级协议约束的服务云评价算法的流程。

具体实施方式

下面对技术方案的实施作进一步的详细描述：

步骤一：建立服务等级协议SLA匹配基本背景

通过服务云的资源端与用户端分别提交其SLA来建立匹配背景数据：

1.1)、服务云资源端提交其可用资源情况及可以满足的SLA(服务等级协议)到云代理，并作为公共服务等级协议SLA^pub保存，其中上标pub代表服务云资源端公布在网络上，假设有四个服务云资源提交其SLA^pub分别为：{1200MIPS,2M,220M,$1}对应于CPU、内存、硬盘，费用，{99％,8ms,$1}对应于可用性、响应时间、费用，{1000MIPS,2M,98％,$1,96％}对应于CPU、内存、可用性、费用、信誉度，{$1.5,99％,97％}对应于费用、可用性、信誉度指标；

1.2)、用户提交应用，并给出其要求的服务等级协议SLA与偏好的权重W＝(w₁,w₂,…,w_m)，其中w_m代表第m个对应SLA分量的权重；

1.3)、将用户应用进行工作流分析，并以表3方式将服务等级协议SLA拆分为对应的任务私有服务等级协议SLA^prv，其中上标prv表示对应用户任务在网络上检索所使用：

表3 工作流中SLA主要运算关系

假设此时有一个任务限定的SLA^prv＝{1000MIPS,1M,200M,10ms,$2,95％}，分别对应于任务需要的CPU、内存、硬盘，响应时间、执行费用、可靠性指标；

1.4)、根据私有服务等级协议SLA^prv及其度量将候选资源端公共服务等级协议SLA^pub重排，并分别记录每个公共服务等级协议SLA^pub的度量权重，则以上四个服务云资源重排得到的SLA^pub分别为{1200MIPS,2M,220M,0,$1,0,0}，{0,0,0,8ms,$1,99％,0},{1000MIPS,2M,0,0,$1,98％,96％}，{0,0,0,0,$1.5,99％,97％}对应以上SLA^prv，其中未提供数据的先以0填充，且私有服务等级协议未关注项目信誉度也分别标记，其公共服务等级协议的度量权重分别为{0.2,0.2,0.2,0,0.4,0,0}、{0,0,0,0.4,0.2,0.4,0}、{0.2,0.2,0,0,0.3,0.2,0.1}、{0,0,0,0,0.4,0.4,0.2}；

1.5)、记有向无环图(Directed Acyclic Graph，DAG)工作流任务间的边数为距离d；

对所有任务对应的候选服务云资源按以上步骤操作，处理完毕后，步骤一完成；

步骤二：计算度量的变权

2.1)、将某一任务的候选服务云资源端的SLA^pub对应的度量权重构造一个稀疏的矩阵为：

其中M为构造的权重分量矩阵，每一个w_nm为第m个SLA^pub对应第n个分量的权重；

2.2)、对矩阵M的列方向的权重求算术平均值：

${\mathrm{avg}}_i=\underset{j=1}{\overset{m}{\Σ}}{w}_{ij}/m---\left(22\right)$

其中avg_i表示所有m个参与评价的服务云资源的第i个权重分量的均值，j是指第j个参与评价的服务云；

2.3)、将该列方向所有小于avg_i的w_ij取算术平均值为所有大于avg_i的w_ij取算术平均值为

2.4)、由式(23)求得该列的变权为：

$W_i=(4*{\mathrm{avg}}_i+{\mathrm{avg}}_i^l+{\mathrm{avg}}_i^h)/6---\left(23\right)$

其中W_i为所有m个参与评价的服务云资源的第i个权重分量的变权，因此步骤2最终获得变权向量为：

W(X)＝(W₁,W₂,…,W_n) (24)

以上步骤可以计算出以上例子中变权向量为

W(X)＝(0.1,0.1,0.0667,0.1333,0.325,0.2667,0.075)

步骤三：建立模糊评判矩阵

3.1)、将某一任务的候选服务云资源端的SLA^pub对应的值构造一个稀疏的矩阵为：

其中SLA_l代表候选服务云资源可能保证的最差的服务等级保障，sla_nm表示第m个参与评价的服务云的第n项最低保障的值；

以上例子中的

3.2)、将某一任务的候选服务云资源端的SLA^pub对应的当前可以提供的最大值构造一个稀疏的矩阵为：

其中SLA_h表示候选服务云资源最大努力可能给出的最佳的服务等级保障，h_nm为第m个服务云资源对应的第n个分量的最佳服务保障的值；

假设以上例子中

3.3)、将SLA_h减去SLA_l并归一化得到模糊评判矩阵：

则以上例子中

步骤四：求综合评判值

4.1)、根据式(28)求综合评判：

B＝W(X)R^T＝(b₁,b₂,…,b_m) (28)

其中b_m为第m个服务云资源的评判值，上标T表示评判矩阵的转秩；

例子中得到的评判为B＝(0.4844,0.2878,0.3452,0.3099)；

4.2)、取为所有m个服务云资源的评判值的和；

例中

步骤五：选取服务云

若存在某一评判值则选取对应的服务云完成对应任务，评价过程结束；

由于例中所有参与选择的服务云资源都不满足以上条件，所以需要对服务云资源进行修正运算；

步骤六：修正

6.1)、若不能找出对应任务评价的服务云资源中有满足条件的情况，则选择的服务云资源再次选择，此时使用已选择的服务云资源对候选服务云资源的SLA度量进行评判，分别给出其以往完成情况的最佳和最差值分别为α和β，构造评判矩阵中的分量值为：

$E_{nm}=\frac{1}{2}\frac{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\β}}_k^2-{\mathrm{\α}}_k^2)}{\underset{k=1}{\overset{n}{\Σ}}({\mathrm{\β}}_k-{\mathrm{\α}}_k)}---\left(29\right)$

其中α_k为第k个服务云评价被评价服务的最差值，β_k为第k个服务云评价被评价服务的最佳值，E_nm为被评价服务云的分量的值；

由于例中所有参与的服务云资源都满足条件，所以所有服务云资源都需要进行修正运算，并分别对推荐情况计算评判分量值，可以假设算得的CPU能力分别为4322MIPS,3373MIPS,2232MIPS,1407MIPS；

6.2)、对评价向量的最后一项取值为距离d，并构造评判矩阵为：

其中E_nm为第m个候选资源的第n项评判分量，d_m为第m个候选资源对评价服务云的任务距离；

以上算例中取距离d分别为1，2，3，2；

6.3)、对式(21)的每行增加最后一项为1/d_m，并重求变权向量；

以上算例中变权向量为：

W(X)＝(0.1,0.1,0.0667,0.1333,0.325,0.2667,0.075,0.6667)

6.4)、重复步骤四，并选取b_i最大的对应服务云资源完成对应任务；

以上算例中得到B＝(483.0362，387.6041，273.3780，188.9093)，根据得到值的最大原则，最后选择第一个服务云来完成运算任务。

Claims (1)

1.一种基于服务等级协议约束的服务云评价方法，其特征在于使用模糊评价的方法实现服务云资源的选择，该方法包括以下步骤：

步骤一：建立服务等级协议SLA匹配基本背景

通过服务云的资源端与用户端分别提交服务等级协议SLA来建立匹配背景数据：

1.1)、服务云资源端提交其可用资源情况及满足的SLA到云代理，并作为公共服务等级协议SLA^pub保存，其中上标pub代表服务云资源端公布在网络上；

1.2)、用户提交应用，并给出其要求的服务等级协议SLA与偏好的权重W＝(w₁,w₂,…,w_m)，其中w_m代表第m个对应SLA分量的权重；

1.3)、将用户应用进行工作流分析，并以下表方式将用户要求的服务等级协议SLA拆分为对应的任务私有服务等级协议SLA^prv，其中上标prv表示对应用户任务在网络上检索所使用：

1.4)、根据任务私有服务等级协议SLA^prv及其度量将候选资源端公共服务等级协议SLA^pub重排，并分别记录每个公共服务等级协议SLA^pub的度量权重；

1.5)、记有向无环图DAG工作流任务间的边数为距离d；

对所有任务对应的候选服务云资源按以上步骤操作，处理完毕后，步骤一完成；

步骤二：计算度量的变权

2.1)、将某一任务的候选服务云资源端的SLA^pub对应的度量权重构造一个稀疏的矩阵为：

其中M为构造的权重分量矩阵，每一个w_nm为第m个SLA^pub对应第n个分量的权重；

2.2)、对矩阵M的列方向的权重求算术平均值：

${\mathrm{avg}}_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{ij}/m---\left(2\right)$

其中avg_i表示所有m个参与评价的服务云资源的第i个权重分量的均值，j是指第j个参与评价的服务云；

2.3)、将该列方向所有小于avg_i的w_ij取算术平均值为所有大于avg_i的w_ij取算术平均值为

2.4)、由式(3)求得该列的变权为：

$W_i=(4*{\mathrm{avg}}_i+{\mathrm{avg}}_i^l+{\mathrm{avg}}_i^h)/6---\left(3\right)$

其中W_i为所有m个参与评价的服务云资源的第i个权重分量的变权，因此步骤2最终获得变权向量为：

W(X)＝(W₁,W₂,…,W_n) (4)

步骤三：建立模糊评判矩阵

3.1)、将某一任务的候选服务云资源端的SLA^pub对应的值构造一个稀疏的矩阵为：

其中SLA_l代表候选服务云资源可能保证的最差的服务等级保障，sla_nm表示第m个参与评价的服务云的第n项最低保障的值；

3.2)、将某一任务的候选服务云资源端的SLA^pub对应的当前可以提供的最大值构造一个稀疏的矩阵为：

其中SLA_h表示候选服务云资源最大努力可能给出的最佳的服务等级保障，h_nm为第m个服务云资源对应的第n个分量的最佳服务保障的值；

3.3)、将SLA_h减去SLA_l并归一化得到模糊评判矩阵：

步骤四：求综合评判值

4.1)、根据式(8)求综合评判：

B＝W(X)R^T＝(b₁,b₂,…,b_m) (8)

其中b_m为第m个服务云资源的评判值，上标T表示为评判矩阵的转秩；

4.2)、取为所有m个服务云资源的评判值的和；

步骤五：选取服务云

若存在某一评判值则选取对应的服务云完成对应任务，评价过程结束；

步骤六：修正

6.1)、若不能找出对应任务评价的服务云资源中有满足条件的情况，则选择的服务云资源再次选择，此时使用已选择的服务云资源对候选服务云资源的SLA度量进行评判，分别给出其以往完成情况的最佳和最差值分别为α和β，构造评判矩阵中的分量值为：

$E_{nm}=\frac{1}{2}\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\β}}_k^2-{\mathrm{\α}}_k^2)}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\β}}_k-{\mathrm{\α}}_k)}---\left(9\right)$

其中α_k为第k个服务云评价被评价服务的最差值，β_k为第k个服务云评价被评价服务的最佳值，E_nm为被评价服务云的分量的值；

6.2)、对评价向量的最后一项取值为距离d，并构造评判矩阵为：

其中E_nm为第m个候选资源的第n项评判分量，d_m为第m个候选资源对评价服务云的任务距离；

6.3)、对式(1)的每行增加最后一项为1/d_m，并重求变权向量；

6.4)、重复步骤四，并选取b_i最大的对应服务云资源完成对应任务。