CN105577751A - 一种性价比驱动的Mashup构造方法 - Google Patents

一种性价比驱动的Mashup构造方法 Download PDF

Info

Publication number
CN105577751A
CN105577751A CN201510911794.1A CN201510911794A CN105577751A CN 105577751 A CN105577751 A CN 105577751A CN 201510911794 A CN201510911794 A CN 201510911794A CN 105577751 A CN105577751 A CN 105577751A
Authority
CN
China
Prior art keywords
mashup
service
cost performance
algorithm
platform
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.)
Pending
Application number
CN201510911794.1A
Other languages
English (en)
Inventor
邓水光
吴洪越
吴朝晖
李莹
吴健
尹建伟
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201510911794.1A priority Critical patent/CN105577751A/zh
Publication of CN105577751A publication Critical patent/CN105577751A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及软件优化技术，尤其涉及一种性价比驱动的Mashup构造方法，所述Mashup构造方法包括如下步骤：S101：应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台；S102：对S101中选择得到的Web服务进行服务组合，得到Mashup；以及S103：将构造得到的Mashup部署到云平台上。与现有技术相比，本发明提供的技术方案具有如下优点：（1）本发明提供的性价比驱动的Mashup构造方法从性价比的角度出发构造性价比最优的Mashup；（2）本发明提供的性价比驱动的Mashup构造方法将价格关联关系和响应时间关联关系考虑在内，以提高Mashup的性价比；（3）本发明提供的性价比驱动的Mashup构造方法不仅考虑服务选择，还考虑了Mashup的平台部署，通过对部署平台的选择进一步提高Mashup的性价比。

Description

一种性价比驱动的Mashup构造方法
技术领域
本发明涉及软件优化技术，尤其涉及一种性价比驱动的Mashup构造方法。
背景技术
Mashup构造技术通过将多个Web服务组合到一起来构造更加复杂、功能更加丰富的Mashup以满足用户复杂的功能需求。Mashup构造过程分为两个部分：服务选择和Mashup部署。具体的在于，服务选择是根据已有的工作流程，对流程中的每个任务选择具体的服务，然后将每个任务选择的单个服务组合成为一个组合服务，服务选择的目的在于使选中的每个服务都能完成对应任务的功能需求；Mashup部署是将组合服务部署到云平台上。
随着网络上可选服务的增多，组合服务的质量（QoS）越来越受到重视。服务提供商构造Mashup的目的是最大化盈利，所以，价格也是他们考虑的一个重要因素。因此，服务构造要兼顾Mashup的性能与成本，即性价比最高。
目前的mashup服务选择方法主要集中在QoS上。QoS不同的属性具有不同的计算方法，同一属性对不同的流程结构的计算方法也不相同。不同的QoS属性对不同流程结构的计算方法已日渐成熟。因此，目前对QoS感知的服务选择问题的研究集中在研究多维度、多目标、多任务的QoS最优规划问题（MMMKP）。众多不同的服务选择方法被提出，它们大都假设服务的QoS属性是已知的，利用类贪心算法为工作流中的每一个任务选择QoS最优的服务。然而，服务的价格往往不是确定的，有的服务的价格与其它的服务相关连，比如捆绑销售。服务的QoS会受到Mashup部署平台的影响，因此，在部署平台不确定的条件下，无法进行最优服务的选择，而最优部署平台要根据被选的服务来进行选择。因此，性价比驱动的Mashup构造问题是一个非常困难的问题。利用现有的算法不能达到最优化。
发明内容
针对背景技术中存在的技术问题，本发明所要解决的技术问题在于提供一种性价比驱动的Mashup构造方法，使得产生的Mashup不但能满足开发商的功能需求，而且具有最优的性价比。
为此，本发明采用如下技术方案：
一种性价比驱动的Mashup构造方法，所述Mashup构造方法包括如下步骤：
S101：应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台；
S102：对S101中选择得到的Web服务进行服务组合，得到Mashup；以及
S103：将构造得到的Mashup部署到云平台上。
GA4MC算法全称是GeneticAlgorithmforMashupCreation，顾名思义，即是解决Mashup构造问题的遗传算法。
优选地，在应用GA4MC算法为所需构造的Mashup中的任务选择最优Web服务之前，对所有候选服务集合中服务的平台信息和价格关联关系进行建模，从而获得各个服务之间以及服务与平台之间的关联关系。
优选地，应用GA4MC算法为所需构造的Mashup中的每个任务选择最优Web服务和云平台包括如下步骤：
S201：将服务与平台选择问题建模为遗传模型；
S202：对GA4MC算法进行初始化；
S203：根据初始化数据产生初始种群；
S204：对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体；
S205：将保留的个体进行交叉操作，从而产生新的个体；
S206：将个体进行变异操作；
S207：将Mashup部署到相关平台并计算其QoS，从而选择最佳平台使得部署后的Mashup的性价比最高；
S208：对新的种群进行评价、选择；
S209：不断重复遗传迭代过程直至达到迭代次数，得到最优服务选择方案。遗传迭代是不断地交叉、变异，以及选优的过程，它是GA4MC算法的主要过程。
优选地，遗传模型包括：染色体表示可行解，染色体对应Mashup；基因表示服务；基因的位置对应Mashup中的任务；染色体的适应度表示性价比，染色体的适应度越高对应Mashup的性价比越高。
优选地，对GA4MC算法进行初始化包括算法的迭代次数、初始种群大小、交叉次数以及变异次数的初始化。
GA4MC算法的初始化参数决定了遗传迭代过程的执行情况，迭代次数越高，则最终得到的解可能越优，相应地，算法执行的时间也越长。同样地，初始种群大小、交叉次数以及变异次数也会影响到最终的Mashup方案的优劣和算法的执行时间。因此，初始化参数的选定要综合考虑解的优劣程度、算法的执行效率等因素。
优选地，服务组合时，按照开发商所需的Mashup结构，对选择得到的服务进行组合，得到Mashup。
与现有技术相比，本发明提供的技术方案具有以下优点：
（1）本发明提供的一种性价比驱动的Mashup构造方法从性价比的角度出发构造性价比最优的Mashup；
（2）本发明提供的一种性价比驱动的Mashup构造方法在构造Mashup时，将价格关联关系和响应时间关联关系考虑在内，以提高得到的Mashup的性价比；
（3）本发明提供的一种性价比驱动的Mashup构造方法不仅考虑服务选择，而且考虑了Mashup部署，通过对部署平台的选择进一步提高Mashup的性价比。
具体实施方式
为了更为具体地描述本发明，下面结合具体实施方式对本发明的技术方案进行详细说明。
现有的算法不能达到mashup构造最优化，经过研究发现，主要是因为现有的研究都忽略了服务的价格和QoS之间的关联关系。服务的价格和QoS之间的关联关系对Mashup的性价比具有很大影响。服务的价格关联关系在现实中广泛存在，比如，如果同时选择一个服务提供商的两个服务，第二个服务可能会在价格上给一个折扣；QoS关联关系在现实中同样广泛存在，如果连续调用同一个服务器上的两个服务，由于两个服务间的参数传递可以在服务器内部进行，因此可以大大减小Mashup的响应时间。为此，本发明实施例提供了一种性价比驱动的Mashup构造方法，在QoS的服务选择问题的基础上，将服务间的价格关联和QoS关联关系考虑在内，同时考虑Mashup的部署，使得产生的Mashup不但能满足开发商的功能需求，而且具有最优的性价比。
一种性价比驱动的Mashup构造方法，所述Mashup构造方法包括如下步骤：
S101：应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台；
S102：对S101中选择得到的Web服务进行服务组合，得到Mashup；以及
S103：将构造得到的Mashup部署到云平台上。
在本实施例中，在应用GA4MC算法为所需构造的Mashup中的任务选择最优Web服务之前，对所有候选服务集合中服务的平台信息和价格关联关系进行建模，从而获得各个服务之间以及服务与平台之间的关联关系。
优选地，应用GA4MC算法为所需构造的Mashup中的每个任务选择最优Web服务和云平台包括如下步骤：
S201：将服务与平台选择问题建模为遗传模型；
S202：对GA4MC算法进行初始化；
S203：根据初始化数据产生初始种群；
S204：对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体；
S205：将保留的个体进行交叉操作，从而产生新的个体；
S206：将个体进行变异操作；
S207：将Mashup部署到相关平台并计算其QoS，从而选择最佳平台使得部署后的Mashup的性价比最高；
S208：对新的种群进行评价、选择；
S209：不断重复遗传迭代过程直至达到迭代次数，得到最优服务选择方案。
优选地，遗传模型包括：染色体表示可行解，因此，在此问题中染色体对应Mashup；基因是染色体上的独立单元，因此，基因表示服务；基因的位置对应Mashup中的任务；染色体的适应度表示性价比，染色体的适应度越高对应Mashup的性价比越高。
优选地，对GA4MC算法进行初始化包括算法的迭代次数、初始种群大小、交叉次数以及变异次数的初始化。
GA4MC算法的初始化参数决定了遗传迭代过程的执行情况，迭代次数越高，则最终得到的解可能越优，相应地，算法执行的时间也越长。同样地，初始种群大小、交叉次数以及变异次数也会影响到最终的Mashup方案的优劣和算法的执行时间。因此，初始化参数的选定要综合考虑解的优劣程度、算法的执行效率等因素。
遗传迭代是不断地交叉、变异，以及选优的过程，它是GA4MC算法的主要过程。
初始化种群中的每个染色体代表一个Mashup，它包含多个基因，基因的个数与开发商需求中的任务个数相同，染色体上的每个位置对应相同序号的任务，该位置上的基因表示选择的服务。初始化种群的大小在算法的初始化参数设置中决定。
种群的选优过程受到对应的Mashup的性价比的影响，具体表示为Mashup的QoS与成本的比值，适应度越高的染色体被保留的可能性越高，适应度越低的染色体被淘汰的可能性越大。
GA4MC算法通过交叉和变异产生新的个体。交叉的过程即基因重组的过程。交叉过程涉及两个染色体。经典的单点交叉操作在染色体上选择一个点位，两条染色体上位于该点位之前的基因保持不变，该点位之后的基因进行交换。每次交叉将产生两条新的个体。新的个体对两个母体的基因进行了重组，其适应度有可能比两个母体都要高。因此，通过交叉可能会产生适应度更高的染色体。在此问题中，对应产生了性价比更高的服务和平台选择方案。交叉的次数由算法的初始化过程决定。
变异的过程同样是产生新染色体的过程。不同的是，变异过程仅涉及一个染色体。变异操作同样在染色体上选择一个点位，并把该点位上的基因随机更换为另一个基因。每次变异将产生一条新的个体。新的个体对母体的基因进行了变异，其适应度有可能比母体要高。因此，通过变异可能会产生适应度更高的染色体。在我们的问题中，对应产生了性价比更高的服务和平台选择方案。变异的次数由算法的初始化过程决定通过交叉和变异，GA4MC算法可以产生更多适应度更高的染色体。
交叉和变异之后，对应的Mashup构造过程并没有完成。交叉和变异对应产生了新的服务组合方案的Mashup，对方案优劣的评价还需要Mashup的部署平台的选择，因为Mashup的部署平台很大程度上影响了Mashup的QoS。给定服务组合方案，可以找到最优的部署平台。最优平台的选择可以通过对所有相关平台，计算将Mashup部署到该平台上时的QoS值，QoS值最优的平台即为最优平台。
最优平台选择完之后，便可以计算通过交叉和变异产生的新染色体的适应度。计算完成之后需要记录在本次迭代过程中产生的最优染色体并与历史最优染色体进行比较，如过本次迭代过程中产生的最优染色体比历史最优染色体要优，则更换历史最优染色体。记录完成之后对本次迭代产生的染色体进行选择，选择的原则同样是优胜劣汰，适应度越高的染色体被保留的可能性越高，而适应度越低的染色体被淘汰的可能性越大。选择完之后本次迭代过程结束。
GA4MC算法的遗传迭代过程就是对以上交叉、变异、部署、选择过程的不断重复执行，一次迭代完成之后，如果没有达到迭代次数，则算法继续，开始新一轮的迭代执行；如果算法已达到迭代次数，则迭代过程完成，返回历史最优染色体，算法结束。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (6)

1.一种性价比驱动的Mashup构造方法，其特征在于，所述Mashup构造方法包括如下步骤：
S101：应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台；
S102：对S101中选择得到的Web服务进行服务组合，得到Mashup；以及
S103：将构造得到的Mashup部署到云平台上。
2.根据权利要求1所述的一种性价比驱动的Mashup构造方法，其特征在于，在应用GA4MC算法为所需构造的Mashup中的任务选择最优Web服务之前，对所有候选服务集合中服务的平台信息和价格关联关系进行建模，从而获得各个服务之间以及服务与平台之间的关联关系。
3.根据权利要求1所述的一种性价比驱动的Mashup构造方法，其特征在于，应用GA4MC算法为所需构造的Mashup中的每个任务选择最优Web服务和云平台包括如下步骤：
S201：将服务与平台选择问题建模为遗传模型；
S202：对GA4MC算法进行初始化；
S203：根据初始化数据产生初始种群；
S204：对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体；
S205：将保留的个体进行交叉操作，从而产生新的个体；
S206：将个体进行变异操作；
S207：将Mashup部署到相关平台并计算其QoS，从而选择最佳平台使得部署后的Mashup的性价比最高；
S208：对新的种群进行评价、选择；
S209：不断重复遗传迭代过程直至达到迭代次数，得到最优服务选择方案。
4.根据权利要求3所述的一种性价比驱动的Mashup构造方法，其特征在于，遗传模型包括：染色体表示可行解，染色体对应Mashup；基因表示服务；基因的位置对应Mashup中的任务；染色体的适应度表示性价比，染色体的适应度越高对应Mashup的性价比越高。
5.根据权利要求3所述的一种性价比驱动的Mashup构造方法，其特征在于，对GA4MC算法进行初始化包括算法的迭代次数、初始种群大小、交叉次数以及变异次数的初始化。
6.根据权利要求1所述的一种性价比驱动的Mashup构造方法，其特征在于，服务组合时，按照开发商所需的Mashup结构，对选择得到的服务进行组合，得到Mashup。
CN201510911794.1A 2015-12-11 2015-12-11 一种性价比驱动的Mashup构造方法 Pending CN105577751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510911794.1A CN105577751A (zh) 2015-12-11 2015-12-11 一种性价比驱动的Mashup构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510911794.1A CN105577751A (zh) 2015-12-11 2015-12-11 一种性价比驱动的Mashup构造方法

Publications (1)

Publication Number Publication Date
CN105577751A true CN105577751A (zh) 2016-05-11

Family

ID=55887395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510911794.1A Pending CN105577751A (zh) 2015-12-11 2015-12-11 一种性价比驱动的Mashup构造方法

Country Status (1)

Country Link
CN (1) CN105577751A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544547A (zh) * 2013-11-02 2014-01-29 南京航空航天大学 一种基于离散化全局分布搜索的可信服务组合方法
CN104035816A (zh) * 2014-05-22 2014-09-10 南京信息工程大学 一种基于改进nsga-ii的云计算任务调度方法
CN104932938A (zh) * 2015-06-16 2015-09-23 中电科软件信息服务有限公司 一种基于遗传算法的云资源调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544547A (zh) * 2013-11-02 2014-01-29 南京航空航天大学 一种基于离散化全局分布搜索的可信服务组合方法
CN104035816A (zh) * 2014-05-22 2014-09-10 南京信息工程大学 一种基于改进nsga-ii的云计算任务调度方法
CN104932938A (zh) * 2015-06-16 2015-09-23 中电科软件信息服务有限公司 一种基于遗传算法的云资源调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUIGUANG DENG等: "Cost Performance Driven Service Mashup: A Developer Perspective", 《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》 *

Similar Documents

Publication Publication Date Title
CN106897351B (zh) 有向无环图型区块链的生成方法及系统
Haddad et al. Application of the water cycle algorithm to the optimal operation of reservoir systems
Lim et al. Heuristic algorithms for siting alternative-fuel stations using the flow-refueling location model
Jabbarzadeh et al. Designing a supply chain network under the risk of disruptions
CN105701558A (zh) 在受限的地理区域中对交互对象的布局优化
CN109377144A (zh) 物流订单处理方法及装置
CN105874743A (zh) 服务提供商网络迁移
Shivaie et al. A multistage framework for reliability-based distribution expansion planning considering distributed generations by a self-adaptive global-based harmony search algorithm
CN101777990A (zh) 多目标免疫优化组播路由路径选择方法
CN107545315A (zh) 订单处理方法及装置
Pagani et al. Power grid network evolutions for local energy trading
Gunnerud et al. Oil production optimization solved by piecewise linearization in a Branch & Price framework
Smith et al. Many-objective analysis to optimize pumping and releases in multireservoir water supply network
CN108108428A (zh) 一种构建语言模型的方法、输入法及系统
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
Sedighi et al. Simultaneous optimization of electrical interconnection configuration and cable sizing in offshore wind farms
Deniziak et al. Cost optimization of real-time cloud applications using developmental genetic programming
Adeyanju et al. Semi-decentralized and fully decentralized multiarea economic dispatch considering participation of local private aggregators using meta-heuristic method
CN110851247A (zh) 一种带约束云工作流的成本优化调度方法
Xu et al. Ped-mp: A pedestrian-friendly max-pressure signal control policy for city networks
CN105577751A (zh) 一种性价比驱动的Mashup构造方法
Opiyo Modelling impacts of socio-economic factors on temporal diffusion of PV-based communal grids
Malairajan et al. CLING: heuristic to solve integrated resource allocation and routing problem with time window
CN108648363B (zh) 一种快递柜页面转换的方法以及快递柜
Sundaram et al. Solution to profit based unit commitment using swarm intelligence technique

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160511

RJ01 Rejection of invention patent application after publication