CN105119751A - 一种基于环境实时感知的服务评估及选取方法 - Google Patents

Abstract

一种基于环境实时感知的服务评估及选取方法，在服务设计阶段，选取各个元服务队列中最优的元服务，组成元服务调度工作流，根据服务工作流运行，每到一个节点就调度相应的优先服务；在服务执行阶段，服务质量感知模块SQPM实时感知未执行元服务队列中的各个元服务的质量变化情况，如果变化量超过预设值，则重新计算各元服务的综合效益值，并及时更新加权求和评价矩阵，得到新的元服务调度工作流。本发明提供一种实时性良好、可靠性较高、公正性良好的基于环境实时感知的服务评估及选取方法。

Description

一种基于环境实时感知的服务评估及选取方法

技术领域

本发明涉及web服务选取方法领域，尤其是一种存在“服务颠簸”云环境下服务质量评估与选取方法。

背景技术

Web服务是一种基于XML(ExtensionMarkupLanguage，即可扩展标记语言)、WSDL(WebServicesDescriptionLanguage，即网络服务描述语言)和SOAP(SimpleObjectAccessProtocol，即简单对象访问协议)等标准的面向服务架构(Service-OrientedArchitecture，SOA)的一种实现技术。Web服务的核心是使用标准接口，实体接口只需满足标准，就能进行相互通信。

随着云计算技术的迅速普及，Web服务不断增加，其发展势不可挡。而Web服务的成功运作，其关键技术在于如何为用户从海量的Web服务中选择满足用户需求的、高质量的、供需方实现利益最大化的服务。QoS(QualityofService，服务质量)是用于描述服务能力的指标集，可分为功能性属性和描述性属性两类，功能性属性指的是对服务属性产生决定性影响的属性，包括CPU利用率、处理速度、内存、网络带宽，丢包率等，而描述性属性指的是对元服务的服务质量没有决定性影响，例如：截止时间、平均响应时间、服务执行期限、可信度、价格等。

然而，在动态、开放和多样的云环境中，由于QoS的不确定性，存在“服务颠簸”现象，即QoS的不确定性使得服务选取结果与实际结果偏差较大。并且特征和需求极其不同的应用程序都争用有限的网络资源，导致负载失衡，无法及时响应用户请求，迫使服务提供能力下降。同时，对服务质量的可信性评价往往来源于历史经验，可信与不可信实体对元服务可能做出相同或不相同的评价，而服务调度中心也无法同步感知节点变化，形成稳定可信度。

目前，学术界就开放的云环境下服务动态选取策略及信誉度评估已经有所研究，文献1(龙军,袁鑫攀等.基于环境感知的可信Qos评价与服务选取策略[J].电子学报.2012,40(6):1133-1140)提出了使用不同负载下的Qos特征向量来表征服务实体的Qos，采用负载能力特征图来全面表征元服务的Qos特征，以更好指导服务的选择，虽然给出了环境负载与元服务质量的映射，然而仍属于服务质量的历史参考数据，无法及时提供元服务质量指标。文献2(王弦,刘建勋等.面向云环境的一种负载感知的服务选择方法[J].小型微型计算机系统.2014,35(9):1994-1998)采用LSSM框架来感知用户满意度和服务负载的变化情况，解决了用户访问量超过服务的负载容量，致使服务失衡的问题。但是，文中用户满意度属于事后评价，无法及时感知服务的变化。不能客观反映用户满意度的真实性，存在欺骗。文献3(何小霞,谭良.一种支持服务Qos差异度控制的Web服务发现模型[J].计算机科学.2014,41(8)：202-208)提出了一种支持服务Qos差异度控制的Web服务发现模型，通过增加第三方监控Interceptor，控制用户的反馈评价和服务提供者给出的Qos差异度，对服务和服务提供者能有一个较准确的客观的信誉度评价，使得服务Qos提供值更加接近真实值。但是，除了首次服务Qos由服务注册定义以外，后续服务调用的Qos都是通过事后评价再跟历史记录进行加权平均后得出。文献4(朱勇,李伟等.一种面向多用户的负载感知动态服务选择模型[J].软件学报.2014,25(6):1196-1211)提出了一种面向多用户的负载感知的动态服务选择模型以实现动态负载环境下的服务优化选择，保证用户端到端QoS需求的前提下,及时而有效地提供效用优化的服务选择方案。但是，论文假设服务调用由代理中心进行统一调用。服务的负载及性能评估由服务调度中心监控，未考虑多个服务调度中心同时调用相同服务的情境。

学术界的相关研究中，对服务质量评估均属于事后评估，不可及时感知失效服务的状态，所提及的可信度是对服务能否完成服务需求的可信程度。

发明内容

为了克服已有云环境下服务动态选取方式的实时性较差、可靠性较低、公正性较差的不足，本发明提供一种实时性良好、可靠性较高、公正性良好的基于环境实时感知的服务评估及选取方法。

本发明解决其技术问题所采用的技术方案是：

一种基于环境实时感知的服务评估及选取方法，所述评估及选取方法包括以下步骤：

1)当服务调度中心接收到用户需求后，首先对用户请求进行分析，如果请求的是单一的元服务，不需要进行需求分解；如果请求的是组合服务，用户请求分解成元需求，转换为由众多元服务组合完成的服务；

2)将转换完成的服务组合需求进行服务招标，服务招标的指标包括了对元服务的功能需求以及指标性要求，服务调度中心将服务组合需求中的元需求广播给在服务注册中心注册的元服务；

3)服务注册中心接收到服务调度中心发出的元需求招标请求后，如果满足服务招标需求，元服务投标，并将满足需求的元服务队列添加到元服务簇Sⁱ中；元服务如无法满足招标要求，则不会对招标请求进行投标，直接反馈拒绝信息；

4)元服务簇中每个元服务都包含服务质量感知模块，由服务质量感知模块实时感知服务本身能完成的影响服务质量的指标，包括完成服务预期的时间、服务指标失效时间、服务报价和服务可靠性，其中服务预期时间由服务节点性能、负载和网络环境决定。

5)收集元服务簇中服务质量感知模块反馈的投标信息后，由服务质量评估模型对投标信息进行分析和计算，获取投标效益值，其中，对元服务以往的服务评价结果都保存在服务注册中心，服务质量预测算法结合投标效益值以及元服务在服务注册中心的信任度评价指标进行计算；

6)将服务组合形成服务调度工作流，服务调度工作流的每一节点由相应能提供服务的元服务队列组成，元服务队列是根据服务调度中心收集到的具备投标能力的元服务组成，服务质量预测算法依据投标服务响应的QoS进行排序；

7)根据服务工作流运行，每到一个节点就调度相应的优先服务，当服务质量感知模块感知到元服务序列中服务质量发生较大程度下降，即服务质量低于预设阈值，则将服务质量反馈至服务调度中心，服务质量预测算法根据反馈值重新对元服务序列进行重排序。

进一步，所述评估及选取方法还包括以下步骤：

8)完成对元服务的调用后，需要收集服务的完成情况信息，并将其与服务投标指标进行对比，计算出服务承诺质量与服务结果质量的比较后的服务承诺可信度，更新历史信任库。

再进一步，所述步骤5)、6)和7)中，服务质量预测算法中，服务调度中心SDC需要从元服务簇MSSⁱ中的每个元服务队列中选取一个元服务MS，给出一个QoS最优的MS；

输入：元服务簇中每个元服务队列的服务质量感知模块SQPM反馈的QoS矩阵式(2)，服务的标指标Res_i以及从历史信任库中提取的服务历史信任值T_i；

QoS矩阵式(2)表示如下：

$Q_{all}^{response}=\left[\begin{array}{ccccc}{q}_{s_1}^1& q_{s_1}^2& q_{s_1}^3& ...& q_{s_1}^u\\ q_{s_2}^1& q_{s_2}^2& q_{s_2}^3& ...& q_{s_2}^u\\ q_{s_3}^1& q_{s_3}^2& q_{s_3}^3& ...& q_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^1& q_{s_i}^2& q_{s_i}^3& ...& q_{s_i}^u\end{array}\right]---\left(2\right)$

矩阵中的表示元服务队列中的元服务S_i对服务属性u的服务质量评价；

输出：从每个元服务队列中选择当前云环境下最优的元服务；

第一步，依据用户元需求MD进行招标，获取投标元服务队列QoS属性矩阵式(2)，表示相应元服务队列中的第u个服务质量属性的最大值，最小值。

$v_i^u=\left\{\begin{array}{cc}\frac{q_{s_i}^u-q_u^{\min }}{q_u^{\max }-q_u^{\min }},& q_u^{\max }-q_u^{\min }\≠0,\\ 1,& q_u^{\max }-q_u^{\min }=0,\end{array}\right.---\left(3\right)$

$v_{all}^{response}=\left[\begin{array}{ccccc}{v}_{s_1}^1& v_{s_1}^2& v_{s_1}^3& ...& v_{s_1}^u\\ v_{s_2}^1& v_{s_2}^2& v_{s_2}^3& ...& v_{s_2}^u\\ v_{s_3}^1& v_{s_3}^2& v_{s_3}^3& ...& v_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ v_{s_i}^1& v_{s_i}^2& v_{s_i}^3& ...& v_{s_i}^u\end{array}\right]---\left(4\right)$

公式(5)是感知元服务质量效用函数的计算公式。其中，w_i∈[0,1]并且有表示各个服务质量属性所占的权重。权重的不同表示了用户的不同偏好，在元需求分解阶段，根据用户的需求对权重进行设置。

${\mathrm{\θ}}_i^u=v_i^u\·w_u---\left(5\right)$

这样，对于元服务队列中的各个服务的综合效益值如公式(6)所示：

元服务队列中的各个服务的综合效益值如公式(7)所示：

历史信任库得到元服务队列中各个元服务的信誉度值均值，组成信誉度评价矩阵，

$R^{history}=\[\stackrel{\‾}{R_{S_1}},\stackrel{\‾}{R_{S_2}},...,\stackrel{\‾}{R_{S_i}}\]$

将投标QoS矩阵与历史信任评价矩阵中的各元服务的信誉度相乘，获取每个元服务的综合效益值；

并计算得到投标元服务队列的效益值评价矩阵：

${\mathrm{\ξ}}_{S_i}^{weight}=\[{\mathrm{\ξ}}_{S_1}^{weight},{\mathrm{\ξ}}_{S_2}^{weight},...,{\mathrm{\ξ}}_{S_i}^{weight}\]$

在服务设计阶段，选取各个元服务队列中最优的元服务，组成元服务调度工作流

$<S_{best1}^1,S_{best2}^2,...,S_{besti}^i>$

第二步，在服务执行阶段，服务质量感知模块SQPM实时感知未执行元服务队列中的各个元服务的质量变化情况，未执行的元服务队列获取实时QoS属性矩阵(8)，

$Q_{all}^{monitor}=\left[\begin{array}{ccccc}{q}_{s_1}^{ti,1}& q_{s_1}^{ti,2}& q_{s_1}^{ti,3}& ...& q_{s_1}^{ti,u}\\ q_{s_2}^{ti,1}& q_{s_2}^{ti,2}& q_{s_2}^{ti,3}& ...& q_{s_2}^{ti,u}\\ q_{s_3}^{ti,1}& q_{s_3}^{ti,2}& q_{s_3}^{ti,3}& ...& q_{s_3}^{ti,u}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^{ti,1}& q_{s_i}^{ti,2}& q_{s_i}^{ti,3}& ...& q_{s_i}^{ti,u}\end{array}\right]---\left(8\right)$

矩阵中的表示在t_i时刻元服务队列中的元服务S_i对服务属性u的服务质量评价；

然后依据(3)～(6)式计算各个元服务的效益值，得到效益值矩阵式(9)

根据效益值矩阵计算元服务队列中每个元服务的效益值变化情况，

计算得到t_i时刻的元服务效益值变化矩阵。

如果发生较大程度的变化，变化量超过预设值，则重新计算各元服务的综合效益值，并更新加权求和评价矩阵，得到新的元服务调度工作流；

更新效益值评价矩阵，获取最优效益值的服务作为中标服务。

更进一步，所述第二步中，服务调度结束后，将中标服务的实际服务效益值与投标效益值求商，获取中标服务的实际信誉度，并将其添加至历史信誉库中。

本发明的技术构思为：为了解决现有技术的问题，需一种基于环境实时感知的服务选取及可信度事先评估的机制，该机制可实时感知元服务的状态，避免出现由于“服务颠簸”而导致的负载失衡现象。同时，引入了服务质量预测算法，预测元服务对其承诺是否能达到的可信程度，而服务质量预测由服务质量感知模块实时提供，对元服务质量的变化做出实时响应。发明中所提及的可信度指标并非该元服务的服务质量，而是其服务承诺的可信程度。因此，不同服务质量的服务只要信守承诺，就能获得较高的可信度。

在服务设计阶段由服务质量感知模型感知投标服务的Qos指标，并依据投标信息和历史信任度对每一节点的元服务序列进行排序。在服务的执行阶段，当未执行的服务节点中元服务质量下降，服务质量感知模型及时感知元服务的质量变化，并将结果及时反馈给服务调度中心，服务质量预测算法依据反馈值重新计算预测值，对服务节点的元服务序列进行重排序；

本发明的有益效果主要表现在：对服务选取和评估进行了研究，保证服务质量、感知失效服务具有较高的实时性和可靠性，并且发明中服务的信誉度指的是元服务对其承诺是否能达到的可信程度，不同元服务只要信守承诺，就能获得较高的可信度，从而迫使不诚实的元服务趋向于诚实，建立服务竞争的公正环境。

附图说明

图1是服务选取框架的示意图。

图2是多用户的服务选择实例的示意图。

图3是基于环境实时感知的服务选取模型的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于环境实时感知的服务评估及选取方法，所述评估及选取方法包括以下步骤：

1)当服务调度中心接收到用户需求后，首先对用户请求进行分析，如果请求的是单一的元服务，不需要进行需求分解；如果请求的是组合服务，用户请求分解成元需求，转换为由众多元服务组合完成的服务；

2)将转换完成的服务组合需求进行服务招标，服务招标的指标包括了对元服务的功能需求以及指标性要求，服务调度中心将服务组合需求中的元需求广播给在服务注册中心注册的元服务；

3)服务注册中心接收到服务调度中心发出的元需求招标请求后，如果满足服务招标需求，元服务投标，并将满足需求的元服务队列添加到元服务簇Sⁱ中；元服务如无法满足招标要求，则不会对招标请求进行投标，直接反馈拒绝信息；

4)元服务簇中每个元服务都包含服务质量感知模块，由服务质量感知模块实时感知服务本身能完成的影响服务质量的指标，包括完成服务预期的时间、服务指标失效时间、服务报价和服务可靠性，其中服务预期时间由服务节点性能、负载和网络环境决定。

5)收集元服务簇中服务质量感知模块反馈的投标信息后，由服务质量评估模型对投标信息进行分析和计算，获取投标效益值，其中，对元服务以往的服务评价结果都保存在服务注册中心，服务质量预测算法结合投标效益值以及元服务在服务注册中心的信任度评价指标进行计算；

6)将服务组合形成服务调度工作流，服务调度工作流的每一节点由相应能提供服务的元服务队列组成，元服务队列是根据服务调度中心收集到的具备投标能力的元服务组成，服务质量预测算法依据投标服务响应的QoS进行排序；

7)根据服务工作流运行，每到一个节点就调度相应的优先服务，当服务质量感知模块感知到元服务序列中服务质量发生较大程度下降，即服务质量低于预设阈值，则将服务质量反馈至服务调度中心，服务质量预测算法根据反馈值重新对元服务序列进行重排序。

本发明的基于环境感知的服务评估与选取方法，方法框架包含三个组件，服务调度中心、服务注册中心和服务库；两个阶段，服务设计阶段和服务执行阶段；一个关键算法，服务质量预测算法；一个模型，服务质量评估模型。

服务调度中心的职责分为三个部分，用户需求分解，服务调度及信誉度管理。服务注册中心用来管理投标的元服务簇序列，实时感知投标服务的QoS变化。服务库用来存储元服务。

服务生命周期分为两个阶段：第一阶段为设计阶段，依据用户元需求，生成服务组合队列组。第二阶段为执行阶段，选取队列中最优服务并执行。

服务质量预测算法在服务设计阶段收集元服务节点反馈的投标信息，对信息进行分析和计算，并将投标服务的分析结果进行排序。在执行阶段，实时感知预调用元服务的质量变化情况，并及时作出调整。服务调用结束后，收集服务的完成情况，与应标指标进行对比，更新信誉库。服务质量评估模型结合历史信任度，对服务提供者提供的承诺可信度进行评价，以计算投标服务的效益值。

定义1(元服务MS)由单一服务节点完成单一服务请求的服务个体。

定义2(元需求MD)由一个元服务或元服务组合完成的需求称为元需求。

定义3(元服务簇MSSⁱ)满足元需求组的元服务集群称为元服务簇。

评估及选取方法包括如下步骤：

1)投标服务对投标的各QoS属性进行建模；

依据服务质量的特殊性，提出了服务质量评估模型：

曝光率较高的QoS属性有：性能、价格、可靠性和可用性等。本发明主要考虑与环境感知、用户信誉度相关的QoS属性，包括响应时间、可靠性、可用性、费用、信誉度等。

Web服务的QoS属性可以分为积极属性和消极属性两类：积极属性，其值与用户的满意度成正相关，如可用性等；消极属性，其值与用户的满意度成负相关，如价格等。

消极属性也可通过取反，成为积极属性，合并积极属性、消极属性集合，得到元服务综合Qos指标集合。

$Q_{s_i}^{m,k}=\&lsqb;\begin{array}{cccccccccc}{q}_{s_i}^1& q_{s_i}^2& q_{s_i}^3& ...& q_{s_i}^m& -q_{s_i}^1& -q_{s_i}^2& -q_{s_i}^3& ...& -q_{s_i}^k\end{array}\&rsqb;---\left(1\right)$

服务招标时，服务注册中心将满足需求的元服务组成元服务队列，投标的元服务队列质量属性集如式(2)所示。

$Q_{all}^{response}=\left[\begin{array}{ccccc}{q}_{s_1}^1& q_{s_1}^2& q_{s_1}^3& ...& q_{s_1}^u\\ q_{s_2}^1& q_{s_2}^2& q_{s_2}^3& ...& q_{s_2}^u\\ q_{s_3}^1& q_{s_3}^2& q_{s_3}^3& ...& q_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^1& q_{s_i}^2& q_{s_i}^3& ...& q_{s_i}^u\end{array}\right]---\left(2\right)$

矩阵中的表示元服务队列中的元服务S_i对服务属性u的服务质量评价。

由于服务质量是多属性的，并且每个属性的单位不同，因此需要对每个服务质量属性进行归一化处理，从而将Qos属性转换成无量纲的值。

其中，表示相应元服务队列中的第u个服务质量属性的最大值，最小值。

$v_i^u=\left\{\begin{array}{cc}\frac{q_{s_i}^u-q_u^{\min }}{q_u^{\max }-q_u^{\min }},& q_u^{\max }-q_u^{\min }\&NotEqual;0,\\ 1,& q_u^{\max }-q_u^{\min }=0,\end{array}\right.---\left(3\right)$

$v_{all}^{response}=\left[\begin{array}{ccccc}{v}_{s_1}^1& v_{s_1}^2& v_{s_1}^3& ...& v_{s_1}^u\\ v_{s_2}^1& v_{s_2}^2& v_{s_2}^3& ...& v_{s_2}^u\\ v_{s_3}^1& v_{s_3}^2& v_{s_3}^3& ...& v_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ v_{s_i}^1& v_{s_i}^2& v_{s_i}^3& ...& v_{s_i}^u\end{array}\right]---\left(4\right)$

公式(5)是感知元服务质量效用函数的计算公式。其中，w_i∈[0,1]并且有表示各个服务质量属性所占的权重。权重的不同表示了用户的不同偏好，在元需求分解阶段，根据用户的需求对权重进行设置。

${\mathrm{\&theta;}}_i^u=v_i^u\&CenterDot;w_u---\left(5\right)$

这样，对于元服务队列中的各个服务的综合效益值如公式(6)所示：

元服务队列中的各个服务的综合效益值如公式(7)所示：

在服务执行阶段，由服务质量感知模块SQPM获取各投标服务实时QoS属性，得到与(2)式相似矩阵，如式(8)所示：

$Q_{all}^{monitor}=\left[\begin{array}{ccccc}{q}_{s_1}^{ti,1}& q_{s_1}^{ti,2}& q_{s_1}^{ti,3}& ...& q_{s_1}^{ti,u}\\ q_{s_2}^{ti,1}& q_{s_2}^{ti,2}& q_{s_2}^{ti,3}& ...& q_{s_2}^{ti,u}\\ q_{s_3}^{ti,1}& q_{s_3}^{ti,2}& q_{s_3}^{ti,3}& ...& q_{s_3}^{ti,u}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^{ti,1}& q_{s_i}^{ti,2}& q_{s_i}^{ti,3}& ...& q_{s_i}^{ti,u}\end{array}\right]---\left(8\right)$

矩阵中的表示在t_i时刻元服务队列中的元服务S_i对服务属性u的服务质量评价。

将(8)式经过(3)～(6)式转换，得到各个投标服务所监测的综合效益值，如(9)式所示：

2)在服务选取阶段，依据1)的结果，预选取较优投标服务；

为避免“服务颠簸”，实时感知服务QoS变化，提出了一种基于环境感知的服务选取模型：

$\left\{\begin{array}{cc}Object\max imize<{\mathrm{\&xi;}}_{S_1},{\mathrm{\&xi;}}_{S_2}...{\mathrm{\&xi;}}_{S_i}>,& 1\&le;i\&le;r\\ s.t.{\mathrm{\&xi;}}_k(Q_{s_1}^u,...,Q_{s_i}^u)\&le;{\mathrm{\&xi;}}_k\left(Q_u^{\max }\right),& 1\&le;k\&le;r\\ {\mathrm{\&xi;}}_{S_i}=\mathrm{\&sigma;}({\mathrm{\&xi;}}_{S_i^1},...,{\mathrm{\&xi;}}_{S_i^t}),& 1\&le;i\&le;r;1\&le;t\&le;r\\ Q_{s_i}^u=\underset{i=1}{\overset{t}{\&Sigma;}}\underset{u=1}{\overset{m}{\&Sigma;}}{x}_i^k{q}_{s_i}^u,& x_i^k=\{0,1\};1\&le;k\&le;r\\ \{{\mathrm{Md}}_1,{\mathrm{Md}}_2...{\mathrm{Md}}_n\}=divideinUC,& 1\&le;n\&le;r\\ \{S_n^1,...,S_n^t\}\stackrel{{\mathrm{Md}}_n}{\&RightArrow;}SL,& 1\&le;n\&le;r\end{array}\right.---\left(10\right)$

其中：

Md_n是指对用户需求UC分解后，可由一个元服务或元服务组合完成的需求。

表示满足用户元需求Md_n的元服务。

为对第k个元需求投标的服务S_i中的QoS属性的综合效益值。

是一个布尔型变量，取值区间为0和1；当取值为1时，表示当执行到第k个任务时，S_i被选中。

代表所有响应需求k的服务中，投标服务综合效益值的最大值(假设所有属性都转换为积极属性)。

在上述模型中，目标是寻找一个最优序列，无论在服务设计阶段还是执行阶段，都使得实际执行的服务S_i的综合效益值最优。约束条件为满足元需求服务的QoS属性应满足全局范围QoS的约束；

3)在服务执行阶段，由服务质量感知模块实时感知投标服务的质量变化，服务执行结束后，更新信誉度库。

采用服务质量预测算法：服务调度中心SDC需要从元服务簇MSSⁱ中的每个元服务队列中选取一个元服务MS，算法给出一个QoS最优的MS。

输入：元服务簇中每个元服务队列的服务质量感知模块SQPM反馈的QoS矩阵式(2)，服务的标指标Res_i以及从历史信任库中提取的服务历史信任值T_i。

输出：从每个元服务队列中选择当前云环境下最优的元服务。

第一步，依据用户元需求MD进行招标，获取投标元服务队列QoS属性矩阵式(2)，然后依据(3)～(6)式计算得到元服务队列的综合效益值矩阵式(7)。

历史信任库得到元服务队列中各个元服务的信誉度值均值，组成信誉度评价矩阵。

$R^{history}=\&lsqb;\stackrel{\&OverBar;}{R_{S_1}},\stackrel{\&OverBar;}{R_{S_2}},...,\stackrel{\&OverBar;}{R_{S_i}}\&rsqb;$

将投标QoS矩阵与历史信任评价矩阵中的各元服务的信誉度相乘，获取每个元服务的综合效益值。

并计算得到投标元服务队列的效益值评价矩阵。

${\mathrm{\&xi;}}_{S_i}^{weight}=\&lsqb;{\mathrm{\&xi;}}_{S_1}^{weight},{\mathrm{\&xi;}}_{S_2}^{weight},...,{\mathrm{\&xi;}}_{S_i}^{weight}\&rsqb;$

在服务设计阶段，选取各个元服务队列中最优的元服务，组成元服务调度工作流。

$<S_{best1}^1,S_{best2}^2,...,S_{besti}^i>$

第二步，在服务执行阶段，服务质量感知模块SQPM实时感知未执行元服务队列中的各个元服务的质量变化情况，未执行的元服务队列获取实时QoS属性矩阵(8)，然后依据(3)～(6)式计算各个元服务的效益值，得到效益值矩阵式(9)。

根据效益值矩阵计算元服务队列中每个元服务的效益值变化情况。

计算得到t_i时刻的元服务效益值变化矩阵。

如果发生较大程度的变化，变化量超过预设值，则重新计算各元服务的综合效益值。并及时更新加权求和评价矩阵。得到新的元服务调度工作流。

更新效益值评价矩阵，获取最优效益值的服务作为中标服务，服务调度结束后，将中标服务的实际服务效益值与投标效益值求商，获取中标服务的实际信誉度，并将其添加至历史信誉库中。

Claims (4)

1.一种基于环境实时感知的服务评估及选取方法，其特征在于：所述评估及选取方法包括以下步骤：

1)当服务调度中心接收到用户需求后，首先对用户请求进行分析，如果请求的是单一的元服务，不需要进行需求分解；如果请求的是组合服务，用户请求分解成元需求，转换为由众多元服务组合完成的服务；

2)将转换完成的服务组合需求进行服务招标，服务招标的指标包括了对元服务的功能需求以及指标性要求，服务调度中心将服务组合需求中的元需求广播给在服务注册中心注册的元服务；

3)服务注册中心接收到服务调度中心发出的元需求招标请求后，如果满足服务招标需求，元服务投标，并将满足需求的元服务队列添加到元服务簇Sⁱ中；元服务如无法满足招标要求，则不会对招标请求进行投标，直接反馈拒绝信息；

4)元服务簇中每个元服务都包含服务质量感知模块，由服务质量感知模块实时感知服务本身能完成的影响服务质量的指标，包括完成服务预期的时间、服务指标失效时间、服务报价和服务可靠性，其中服务预期时间由服务节点性能、负载和网络环境决定。

5)收集元服务簇中服务质量感知模块反馈的投标信息后，由服务质量评估模型对投标信息进行分析和计算，获取投标效益值，其中，对元服务以往的服务评价结果都保存在服务注册中心，服务质量预测算法结合投标效益值以及元服务在服务注册中心的信任度评价指标进行计算；

6)将服务组合形成服务调度工作流，服务调度工作流的每一节点由相应能提供服务的元服务队列组成，元服务队列是根据服务调度中心收集到的具备投标能力的元服务组成，服务质量预测算法依据投标服务响应的QoS进行排序；

7)根据服务工作流运行，每到一个节点就调度相应的优先服务，当服务质量感知模块感知到元服务序列中服务质量发生较大程度下降，即服务质量低于预设阈值，则将服务质量反馈至服务调度中心，服务质量预测算法根据反馈值重新对元服务序列进行重排序。

2.如权利要求1所述的一种基于环境实时感知的服务评估及选取方法，其特征在于：所述评估及选取方法还包括以下步骤：

8)完成对元服务的调用后，需要收集服务的完成情况信息，并将其与服务投标指标进行对比，计算出服务承诺质量与服务结果质量的比较后的服务承诺可信度，更新历史信任库。

3.如权利要求1或2所述的一种基于环境实时感知的服务评估及选取方法，其特征在于：所述步骤5)、6)和7)中，服务质量预测算法中，服务调度中心SDC需要从元服务簇MSSⁱ中的每个元服务队列中选取一个元服务MS，给出一个QoS最优的MS；

输入：元服务簇中每个元服务队列的服务质量感知模块SQPM反馈的QoS矩阵式(2)，服务的标指标Res_i以及从历史信任库中提取的服务历史信任值T_i；

QoS矩阵式(2)表示如下：

$Q_{all}^{response}=\left[\begin{array}{ccccc}{q}_{s_1}^1& q_{s_1}^2& q_{s_1}^3& ...& q_{s_1}^u\\ q_{s_2}^1& q_{s_2}^2& q_{s_2}^3& ...& q_{s_2}^u\\ q_{s_3}^1& q_{s_3}^2& q_{s_3}^3& ...& q_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^1& q_{s_i}^2& q_{s_i}^3& ...& q_{s_i}^u\end{array}\right]---\left(2\right)$

矩阵中的表示元服务队列中的元服务S_i对服务属性u的服务质量评价；

输出：从每个元服务队列中选择当前云环境下最优的元服务；

第一步，依据用户元需求MD进行招标，获取投标元服务队列QoS属性矩阵式(2)，表示相应元服务队列中的第u个服务质量属性的最大值，最小值。

$v_i^u=\left\{\begin{array}{cc}\frac{q_{s_i}^u-q_u^{\min }}{q_u^{\max }-q_u^{\min }},& q_u^{\max }-q_u^{\min }\&NotEqual;0,\\ 1,& q_u^{\max }-q_u^{\min }=0,\end{array}\right.---\left(3\right)$

$v_{all}^{response}=\left[\begin{array}{ccccc}{v}_{s_1}^1& v_{s_1}^2& v_{s_1}^3& ...& v_{s_1}^u\\ v_{s_2}^1& v_{s_2}^2& v_{s_2}^3& ...& v_{s_2}^u\\ v_{s_3}^1& v_{s_3}^2& v_{s_3}^3& ...& v_{s_3}^u\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ v_{s_i}^1& v_{s_i}^2& v_{s_i}^3& ...& v_{s_i}^u\end{array}\right]---\left(4\right)$

公式(5)是感知元服务质量效用函数的计算公式。其中，w_i∈[0,1]并且有表示各个服务质量属性所占的权重。权重的不同表示了用户的不同偏好，在元需求分解阶段，根据用户的需求对权重进行设置。

${\mathrm{\&theta;}}_i^u=v_i^u\&CenterDot;w_u---\left(5\right)$

这样，对于元服务队列中的各个服务的综合效益值如公式(6)所示：

元服务队列中的各个服务的综合效益值如公式(7)所示：

历史信任库得到元服务队列中各个元服务的信誉度值均值，组成信誉度评价矩阵，

$R^{history}=\&lsqb;\stackrel{\&OverBar;}{R_{S_1}},\stackrel{\&OverBar;}{R_{S_2}},...,\stackrel{\&OverBar;}{R_{S_i}}\&rsqb;$

将投标QoS矩阵与历史信任评价矩阵中的各元服务的信誉度相乘，获取每个元服务的综合效益值；

并计算得到投标元服务队列的效益值评价矩阵：

${\mathrm{\&xi;}}_{S_i}^{weight}=\&lsqb;{\mathrm{\&xi;}}_{S_1}^{weight},{\mathrm{\&xi;}}_{S_2}^{weight},...,{\mathrm{\&xi;}}_{S_i}^{weight}\&rsqb;$

在服务设计阶段，选取各个元服务队列中最优的元服务，组成元服务调度工作流

$<S_{best1}^1,S_{best2}^2,...,S_{besti}^i>$

第二步，在服务执行阶段，服务质量感知模块SQPM实时感知未执行元服务队列中的各个元服务的质量变化情况，未执行的元服务队列获取实时QoS属性矩阵(8)，

$Q_{all}^{monitor}=\left[\begin{array}{ccccc}{q}_{s_1}^{ti,1}& q_{s_1}^{ti,2}& q_{s_1}^{ti,3}& ...& q_{s_1}^{ti,u}\\ q_{s_2}^{ti,1}& q_{s_2}^{ti,2}& q_{s_2}^{ti,3}& ...& q_{s_2}^{ti,u}\\ q_{s_3}^{ti,1}& q_{s_3}^{ti,2}& q_{s_3}^{ti,3}& ...& q_{s_3}^{ti,u}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ q_{s_i}^{ti,1}& q_{s_i}^{ti,2}& q_{s_i}^{ti,3}& ...& q_{s_i}^{ti,u}\end{array}\right]---\left(8\right)$

矩阵中的表示在t_i时刻元服务队列中的元服务S_i对服务属性u的服务质量评价；

然后依据(3)～(6)式计算各个元服务的效益值，得到效益值矩阵式(9)

根据效益值矩阵计算元服务队列中每个元服务的效益值变化情况，

计算得到t_i时刻的元服务效益值变化矩阵。

如果发生较大程度的变化，变化量超过预设值，则重新计算各元服务的综合效益值，并更新加权求和评价矩阵，得到新的元服务调度工作流；

更新效益值评价矩阵，获取最优效益值的服务作为中标服务。

4.如权利要求3所述的一种基于环境实时感知的服务评估及选取方法，其特征在于：所述第二步中，服务调度结束后，将中标服务的实际服务效益值与投标效益值求商，获取中标服务的实际信誉度，并将其添加至历史信誉库中。