CN109831519B - 一种提升服务质量的方法及系统 - Google Patents
一种提升服务质量的方法及系统 Download PDFInfo
- Publication number
- CN109831519B CN109831519B CN201910171365.3A CN201910171365A CN109831519B CN 109831519 B CN109831519 B CN 109831519B CN 201910171365 A CN201910171365 A CN 201910171365A CN 109831519 B CN109831519 B CN 109831519B
- Authority
- CN
- China
- Prior art keywords
- attribute
- service
- quality
- service quality
- executive
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000007123 defense Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Abstract
本申请一种提升服务质量的方法及系统，其中，所述提升服务质量的方法基于动态异构冗余(Dynamic Heterogeneous Redundancy，DHR)量化方法对拟态构造web服务器的执行体集的所有执行体的服务质量进行量化，以能够按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，从而提升所述执行体集的服务质量，即提升所述拟态构造web服务器的服务质量。
Description
技术领域
本申请涉及计算机应用技术领域，更具体地说，涉及一种提升服务质量的方法及系统。
背景技术
网络空间广泛存在着漏洞和后门，加之网络空间软硬件的一元化，导致安全事件不断发生。为解决这一问题，有很多基于软硬件多样性的新型防御技术不断出现，但是利用多样性的具体实现手段与目标不尽相同。
拟态技术的出现极大改变了攻守态势，拟态构造web服务器的系统架构如图1所示，图1中示出了用户、表决/分发模块、多个非相似web虚拟池和中心调度器；其中，每个非相似web虚拟池包括动态执行调度器和在线模块等结构；此外，图1中还以实线箭头示出了数据流流向，以虚线箭头示出了控制流流向。该拟态构造web服务器依据拟态防御原理，构建功能等价的、多样化的、动态化的非相似web虚拟机池，采用多余度表决、执行体冗余执行等技术，以阻断攻击链，基于负反馈机制的中心调度器利用动态执行体调度来减小同种攻击连续发生的概率，增大漏洞后门或病毒等的利用难度。拟态构造web服务器使用了动态、异构、冗余、表决等特性保证系统的可用性、可靠性和安全性。
但是当前的拟态技术发展在性能指标的度量和服务质量提升上还有需要解决的问题，现有的度量手段和服务提升技术并不能直接应用于拟态架构。
发明内容
为解决上述技术问题，本申请提供了一种提升服务质量的方法及系统，以实现提升拟态构造web服务器的服务质量的目的。
为实现上述技术目的，本申请实施例提供了如下技术方案：
一种提升服务质量的方法，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的方法包括：
获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
可选的，所述按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量包括：
按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
可选的，所述预设值满足N＝2i+1，且i＝1。
可选的，所述对获取的测量值进行归一化，获得各个服务质量属性的属性值包括：
当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
可选的，所述执行体集中执行体的服务质量从小到大的排序方法包括：
当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
根据第五预设公式，计算所述执行体与执行体集的相似度；
比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度。
一种提升服务质量的系统，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的系统包括：
属性值获取模块，用于获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
矩阵获取模块，用于根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
向量获取模块，用于根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
计算模块，用于根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
排序模块，用于按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
可选的，所述排序模块具体用于，按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
可选的，所述预设值满足N＝2i+1，且i＝1。
可选的，所述属性值获取模块对获取的测量值进行归一化，获得各个服务质量属性的属性值具体用于，
当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
可选的，所述执行体集中执行体的服务质量从小到大的排序方法包括：
当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
根据第五预设公式，计算所述执行体与执行体集的相似度；
比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度。
从上述技术方案可以看出，本申请实施例提供了一种提升服务质量的方法及系统，其中，所述提升服务质量的方法基于动态异构冗余(Dynamic HeterogeneousRedundancy，DHR)量化方法对拟态构造web服务器的执行体集的所有执行体的服务质量进行量化，以能够按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，从而提升所述执行体集的服务质量，即提升所述拟态构造web服务器的服务质量。这是因为在拟态构造web服务器中，当接收到客户端发送的请求时，执行体集中的所有执行体都会相互独立地做出响应。因此，根据木桶原理可知，执行体集的服务质量的大小取决于执行体集中的服务质量最小的执行体，那么相应的，在拟态构造web服务器的架构允许的情况下，去除所述执行体集中服务质量最小的一个或几个执行体，可以降低所述执行体集的冗余度，提升所述执行体集的服务质量，即提升所述拟态构造web服务器的服务质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为拟态构造web服务器的架构示意图；
图2为本申请的一个实施例提供的一种提升服务质量的方法的流程示意图；
图3为本申请的另一个实施例提供的一种提升服务质量的方法的流程示意图；
图4为本申请的又一个实施例提供的一种提升服务质量的方法的流程示意图；
图5为本申请的再一个实施例提供的一种提升服务质量的方法的流程示意图；
图6-图9为本申请实施例提供的拟态构成web服务器的部署示意图；
图10为本申请实施例提供的以虚拟主机承载web服务的拟态构造web服务器的服务质量属性测量值；
图11为本申请实施例提供的执行体集的冗余度N为3、5、7、9、11时的执行体集的最大web服务质量。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种提升服务质量的方法，如图2所示，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的方法包括：
S101：获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
S102：根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
S103：根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
S104：根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
S105：按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
在本申请中，执行体是指拟态构造web服务器中提供真实web服务的实体，可以表示为Ai。
若执行体Ai与执行体Aj相同，记为Ai＝Aj；若执行体Ai与执行体Aj不同，记为Ai≠Aj。
执行体集是指，拟态构造web服务器中同一时刻上线工作，且一起参与表决的执行体组成的集合，记为A＝{Ai|Ai是一个执行体,且i＝1,2,……,n}。
可选的，所述服务质量属性的种类可以包括每秒事务处理次数(TransactionsPer Second，TPS)、最大TCP(Transmission ControlProtocol，传输控制协议)并发连接数(Max Concurrent TCP Connection Capacity，MCTCC)、吞吐量和响应时间。
每秒事务处理次数：每秒钟系统能够处理事务的数量。它是衡量系统处理能力的重要指标，记作qtps，单位为transactions/s。
最大TCP并发连接数：穿过网关的主机之间或主机与网关之间能同时建立的最大TCP连接数，记作qmctcc，单位为connections。
吞吐量：网络设备的数据包转发能力，即单位时间内成功转发数据的数量，记作qtp，单位为kbps。
响应时间：客户端发出请求到得到响应的整个过程的时间，记作qrt，单位为毫秒(ms)。
在本申请的其他实施例中，所述服务质量属性的种类还可以包括安全性、可靠性、可维护性等属性。本申请实施例对此并不做限定，具体视实际情况而定。
通过测试获得的执行体的服务质量的测量值，由于不同服务质量属性测量值可能会相差几个数量级，例如响应时间和吞吐量，因此将不同种类的服务质量属性直接进行量化会因数量级差异影响量化的公平性。而且，有些服务质量属性属于积极属性，其值越大，服务的服务质量度量值就会越高，如每秒事务处理次数、最大TCP并发连接数和吞吐量。有些服务质量属性属于消极属性，其值越大，服务的服务质量度量值就会越低，如响应时间。因此，在测量出执行体集中某一执行体的web服务第i项的服务质量属性测量值qi后，要对服务质量属性进行归一化处理，进而得到能够统一量化的无量纲的服务质量属性值。
在上述实施例的基础上，在本申请的一个实施例中，如图3所示，获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值包括：
S1011：获取所述执行体集中所有执行体的各个服务质量属性的测量值；
S1012：当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
S1013：当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
在本实施例中，所述第一类属性是指属于积极属性的服务质量属性，其值越大，执行体的服务质量的度量值就会越高，例如每秒事务处理次数、最大TCP并发连接数和吞吐量等。所述第二类属性是指属于消极属性的服务质量属性，其值越大，执行体的服务质量的度量值就会越低，例如响应时间等。
在上述实施例的基础上，在本申请的另一个实施例中，如图4所示，所述执行体集中执行体的服务质量从小到大的排序方法包括：
S201：当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
S202：当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
S203：根据第五预设公式，计算所述执行体与执行体集的相似度；
S204：比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度。
当获取了一个执行体的服务质量和执行体集的服务质量后，即可根据公式(1)计算该执行体相较于执行体集的服务质量损耗值；
其中，WSAi表示执行体Ai的服务质量，WSA表示执行体集A的服务质量。
但是有时这种量化值并不能准确地反应出异构、冗余机制对web服务质量的影响。如LA-A2和LA-A4相同，VA和VA2相比第1、2、4个服务质量属性相同，第3个服务质量属性降低了0.3；VA和VA4相比第3、4个服务质量属性相同，第1、3个服务质量属性分别降低了0.2和0.1。VA和VA2相比第3个服务质量属性降低幅度大，而VA和VA4相比第1、3个服务质量属性降低幅度相对较小，因此，LA-A2大于LA-A4更加符合实际情况。
因此，利用量化向量相似度方法能够更加准确地量化web服务质量损耗值，该种方法利用向量范数和向量方向来计算向量相似度。如果向量的相似度越高则web服务质量的损耗值越低，反之向量的相似度越低则web服务质量的损耗值越高。
在上述实施例的基础上，在本申请的又一个实施例中，如图5所示，所述按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量包括：
S1051：按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
可选的，由于所述拟态构造web服务器的冗余度需要满足N＝2i+1，i＝1、2、3……；因此，在本申请的一个可选实施例中，所述预设值满足N＝2i+1，且i＝1。此时，所述拟态构造web服务器中的执行体集的冗余度最小，而执行体集的服务质量越大。
在上述实施例的基础上，在本申请的一个可选实施例中，当所述拟态构造web服务器还包括表决/分发模块时，应提升分发和表决模块的性能，使之尽量不成为拟态构造web服务器服务质量的瓶颈。
具体地，若分发和表决模块的服务质量属性向量为
则加入分发和表决模块后的拟态构造web服务器服务质量WS为
其中忽略响应时间对服务质量属性归一化造成影响。若分发和表决模块中至少存在一个服务质量属性使得
则必有
WS≤WSA；
因此，当所述拟态构造web服务器还包括表决/分发模块时，应提升分发和表决模块的性能，使之尽量不成为拟态构造web服务器服务质量的瓶颈。
下面本申请的一个具体实施例以实验的方式对本申请实施例提供的提升服务质量的方法的实际效果进行验证。
基于拟态构造web服务器的性能测试数据，以对拟态构造web服务器的服务质量进行量化评估，配置信息如表1所示，四种测试部署如图6-9所示。图6和图7测试对象分别为物理主机和虚拟主机承载web服务，其测量值作为执行体的服务质量属性测量值；图8和图9测试对象分别为采用物理主机和虚拟主机承载web服务来实现的拟态构造web服务器，其测量值作为拟态构造web服务器的服务质量属性测量值。采用Sprient Avalanche 31000B对每秒事务处理次数、最大TCP并发连接数、吞吐量和响应时间等四个服务质量属性进行测试。
表1拟态构造web服务器配置
首先，按照图6和图7所示，分别测出以物理主机承载web服务的执行体Ac1、Ac2、Ac3和虚拟主机承载web服务的执行体Ad1、Ad2、Ad3的服务质量属性测量值。其中Ac1、Ac2、Ac3的配置如表1中物理主机配置信息1所示，Ad1、Ad2、Ad3的配置如表1中虚拟主机配置信息1所示。依据本申请实施例提供的方法，选择同构的执行体以提高拟执行体集web服务质量，如8和图9所示。设Vw＝(0.25,0.25,0.25,0.25)T，依据本文提出的量化方法，分别计算出图8和图9中的执行体集Ac、Ad的web服务质量。测试和量化结果如表2所示，两种执行体集web服务质量损耗值很低。从测试和量化结果中可以得出以下结论：
(1)、同构的执行体的相同服务质量属性的测量值可能存在差异，因此，同构的执行体的web服务质量也可能存在差异；
(2)、选择同构的执行体组成的执行体集，其web服务质量也存在损耗；
(3)、选择服务质量越近的执行体，执行体集web服务质量越高，且服务质量损耗越低。
表2服务质量量化值和损耗值
然后，按照图7所示部署，测出图10中所列出的是以虚拟主机承载web服务的拟态构造web服务器的服务质量属性测量值。其中各个执行体的配置如表1中虚拟主机配置信息2所示。设Vw＝(0.25,0.25,0.25,0.25)T，计算出执行体集的冗余度N为3、5、7、9、11时的执行体集的最大web服务质量，结果如图11所示。从测试结果中可以得出以下结论：
(1)、异构执行体的服务质量属性性能明显不同，且异构执行体的web服务质量存在显著差异；
(2)、异构冗余机制会对拟态构造web服务器的服务质量造成损耗；
(3)、使用异构的执行体组成的执行体集web服务质量，随着执行体集的冗余度的降低而增大，且当冗余度N＝3时，执行体集web服务质量最大。
最后，按照图6、图8和图9所示，分别测出以物理主机承载web服务的拟态构造web服务器、以虚拟主机承载web服务的拟态构造web服务器和分发/表决模块D的服务质量属性测量值。分发和表决模块的服务质量属性测量值以Centos 7+nignx 1.7.4为web服务器的服务质量属性测量值作为参考值，配置如表1物理主机配置信息2所示。物理主机的配置如表1中物理主机配置信息1所示，虚拟主机的配置如表1中虚拟主机配置信息1所示。
由上文分析可知，拟态构造web服务器的响应时间必会高于其任意一个执行体，且拟态构造web服务器的响应时间明显高于任意一个执行体，因此这里不讨论分发和表决模块的响应时间参考值对拟态构造web服务器的服务质量的影响。图9的拟态构造web服务器的服务质量属性测量值均高于图8的拟态构造web服务器。分发和表决模块的每秒事务处理次数、最大TCP并发连接数、吞吐量等三个服务质量属性均低于图8中的三个执行体，而每秒事务处理次数和吞吐量高于图9中的三个执行体，因此，图9的拟态构造的服务器的服务质量损耗值低于图8的拟态构造web服务器的服务质量损耗值。从测试结果中可以得出以下结论：
(1)分发和表决机制会影响拟态构造web服务器的服务质量；
(2)分发和表决模块的性能越高则拟态构造web服务器服务质量损耗值越低。
从实验结果表3表明，两种情况中拟态构造web服务器的服务质量分别降低了60.11％和47.91％。本文提出的方法能够直观、准确地呈现其服务质量，而且还能够精确的计算服务质量损耗。
本次测试中的拟态构造web服务器主要是为验证拟态防御原理，在性能方面没有做过多优化，因此拟态构造web服务器的性能优化好坏将影响其实际应用。而且，本次测试只采用了四种服务质量属性对拟态构造web服务器的服务质量进行量化评估，而如果将安全性、可靠性、可维护性等服务质量属性也加入量化评估中，则拟态构造web服务器的服务质量损耗值必会显著降低，其服务质量甚至会高于其执行体的web服务质量。
表3服务质量量化值和损耗值
表3中的方法1为：选取各项服务质量属性值相近的执行体组成执行体集，且执行体的各项服务质量属性值越相近，执行体集web服务质量越大、损耗越小。
表3中的方法2为：当执行体集中执行体的web服务质量存在差异时，可以通过去除某些执行体、降低执行体集的冗余度，以提升执行体集web服务质量，且当执行体集的冗余度为3时，执行体集web服务质量达到最大值。
下面对本申请实施例提供的提升服务质量的系统进行描述，下文描述的提升服务质量的系统可与上文描述的提升服务质量的方法相互对应参照。
相应的，本申请实施例提供了一种提升服务质量的系统，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的系统包括：
属性值获取模块，用于获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
矩阵获取模块，用于根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
向量获取模块，用于根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
计算模块，用于根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
排序模块，用于按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
可选的，所述排序模块具体用于，按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
可选的，所述预设值满足N＝2i+1，且i＝1。
可选的，所述属性值获取模块对获取的测量值进行归一化，获得各个服务质量属性的属性值具体用于，
当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
可选的，所述执行体集中执行体的服务质量从小到大的排序方法包括：
当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
根据第五预设公式，计算所述执行体与执行体集的相似度；
比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度。
综上所述，本申请实施例提供了一种提升服务质量的方法及系统，其中，所述提升服务质量的方法基于动态异构冗余(Dynamic Heterogeneous Redundancy，DHR)量化方法对拟态构造web服务器的执行体集的所有执行体的服务质量进行量化，以能够按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，从而提升所述执行体集的服务质量，即提升所述拟态构造web服务器的服务质量。这是因为在拟态构造web服务器中，当接收到客户端发送的请求时，执行体集中的所有执行体都会相互独立地做出响应。因此，根据木桶原理可知，执行体集的服务质量的大小取决于执行体集中的服务质量最小的执行体，那么相应的，在拟态构造web服务器的架构允许的情况下，去除所述执行体集中服务质量最小的一个或几个执行体，可以降低所述执行体集的冗余度，提升所述执行体集的服务质量，即提升所述拟态构造web服务器的服务质量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种提升服务质量的方法，其特征在于，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的方法包括：
获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
2.根据权利要求1所述的方法，其特征在于，所述按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量包括：
按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
3.根据权利要求2所述的方法，其特征在于，所述预设值满足N＝2i+1，且i＝1。
4.根据权利要求1所述的方法，其特征在于，所述对获取的测量值进行归一化，获得各个服务质量属性的属性值包括：
当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
5.根据权利要求1所述的方法，其特征在于，所述执行体集中执行体的服务质量从小到大的排序方法包括：
当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
根据第五预设公式，计算所述执行体与执行体集的相似度；
比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度，γA-Ai表示所述执行体与执行体集的相似度。
6.一种提升服务质量的系统，其特征在于，应用于拟态构造web服务器，所述拟态构造web服务器包括由多个执行体构成的执行体集，所述提升服务质量的系统包括：
属性值获取模块，用于获取所述执行体集中所有执行体的各个服务质量属性的测量值，并对获取的测量值进行归一化，获得各个服务质量属性的属性值；
矩阵获取模块，用于根据所述执行体集中所有执行体的各个服务质量属性的属性值，确定所述执行体集的服务质量属性矩阵，所述服务质量属性矩阵满足
其中，Qi,j表示第i个执行体，第j个服务质量属性的属性值，n表示所述执行体集中执行体的数量，m表示服务质量属性的数量；
向量获取模块，用于根据所述执行体集的服务质量属性矩阵，获取所述执行体集中每个执行体的服务质量向量，所述服务质量向量满足VAi＝(Qi,1,Qi,2,...,Qi,m)T；
计算模块，用于根据预设的服务质量权重向量，和所述执行体集中每个执行体的服务质量向量，计算所述执行体集中每个执行体的服务质量；所述服务质量权重向量满足Vw＝(w1,w2,...,wm)T，其中，wi表示与所述服务质量属性对应的权重值；
排序模块，用于按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以降低所述执行体集的冗余度，提升所述执行体集的服务质量。
7.根据权利要求6所述的系统，其特征在于，所述排序模块具体用于，按服务质量从小到大的顺序，依次去除所述执行体集中的至少一个所述执行体，以使所述执行体集的冗余度降低为预设值，提升所述执行体集的服务质量。
8.根据权利要求7所述的系统，其特征在于，所述预设值满足N＝2i+1，且i＝1。
9.根据权利要求6所述的系统，其特征在于，所述属性值获取模块对获取的测量值进行归一化，获得各个服务质量属性的属性值具体用于，
当所述服务质量属性为第一类属性时，利用第一预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
当所述服务质量属性为第二类属性时，利用第二预设公式，对所述服务质量属性的测量值进行归一化，获得所述服务质量属性的属性值；
所述第一预设公式为：
其中，qi表示所述服务质量属性的测量值，max(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最大值；
所述第二预设公式为：
其中，min(qi)表示所述执行体集中所有执行体中第i个服务质量属性的测量值的最小值，χ表示一个大于0且小于所述执行体集中所有执行体中第i个服务质量属性的次小测量值的常数；0≤Qi≤1。
10.根据权利要求6所述的系统，其特征在于，所述执行体集中执行体的服务质量从小到大的排序方法包括：
当所述执行体集中的执行体的服务质量的取值不同时，按照所述执行体的服务质量的取值大小，从小到大排序；
当所述执行体集中的执行体的服务质量的取值相同时，根据第三预设公式计算所述执行体与所述执行体集的范数相似度，根据第四预设公式计算所述执行体与所述执行体集的方向相似度；
根据第五预设公式，计算所述执行体与执行体集的相似度；
比较服务质量的取值相同的执行体与执行体集的范数相似度、方向相似度和相似度的大小，与执行体集的范数相似度、方向相似度和相似度的取值较大的执行体的服务质量大于与执行体集的范数相似度、方向相似度和相似度的取值较小的执行体的服务质量；
所述第三预设公式为：
其中，||VAi||表示执行体Ai的范数，||VA||表示执行体集A的范数；
所述第四预设公式为：
其中，θ表示执行体Ai的服务质量向量与执行体集A的服务质量向量的夹角；
所述第五预设公式为：γA-Ai＝αA-Ai×βA-Ai；其中，αA-Ai表示执行体Ai与执行体集A的范数相似度，βA-Ai表示执行体Ai与执行体集A的方向相似度，γA-Ai表示所述执行体与执行体集的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171365.3A CN109831519B (zh) | 2019-03-07 | 2019-03-07 | 一种提升服务质量的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171365.3A CN109831519B (zh) | 2019-03-07 | 2019-03-07 | 一种提升服务质量的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109831519A CN109831519A (zh) | 2019-05-31 |
| CN109831519B true CN109831519B (zh) | 2021-08-13 |
Family
ID=66865628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910171365.3A Expired - Fee Related CN109831519B (zh) | 2019-03-07 | 2019-03-07 | 一种提升服务质量的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109831519B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112532635B (zh) * | 2020-12-01 | 2023-04-18 | 郑州昂视信息科技有限公司 | 拟态防御设备的安全验证方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104754048A (zh) * | 2015-03-30 | 2015-07-01 | 中国人民解放军信息工程大学 | 服务器集群的一种拟态组织结构 |
| CN107786568A (zh) * | 2017-11-03 | 2018-03-09 | 中国人民解放军信息工程大学 | 一种拟态云主机的自动构建装置、方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7202504B2 (en) * | 2004-05-20 | 2007-04-10 | Semiconductor Energy Laboratory Co., Ltd. | Light-emitting element and display device |
-
2019
- 2019-03-07 CN CN201910171365.3A patent/CN109831519B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104754048A (zh) * | 2015-03-30 | 2015-07-01 | 中国人民解放军信息工程大学 | 服务器集群的一种拟态组织结构 |
| CN107786568A (zh) * | 2017-11-03 | 2018-03-09 | 中国人民解放军信息工程大学 | 一种拟态云主机的自动构建装置、方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于服务簇和QOS的web服务组合方法;邓式阳 等;《计算机应用》;20130801;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109831519A (zh) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Coleman et al. | Analysis of dawnbench, a time-to-accuracy machine learning performance benchmark | |
| Soramäki et al. | SinkRank: An algorithm for identifying systemically important banks in payment systems | |
| CN111507470A (zh) | 一种异常账户的识别方法及装置 | |
| CN112801670B (zh) | 针对支付操作的风险评估方法及装置 | |
| CN111428945A (zh) | 业务审核处理方法、装置及电子设备 | |
| US8332507B2 (en) | Method for determining service demands in a network load balanced scenario | |
| CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
| CN109831519B (zh) | 一种提升服务质量的方法及系统 | |
| CN111681102A (zh) | 信贷预测方法、装置、设备和存储介质 | |
| CN113900921B (zh) | 法院信息系统运行状态评估方法、装置、设备及存储介质 | |
| CN109600344A (zh) | 识别风险群体的方法、装置及电子设备 | |
| CN109120548A (zh) | 一种流量控制方法及装置 | |
| CN113034171A (zh) | 一种业务数据处理方法、装置、计算机及可读存储介质 | |
| CN113239351B (zh) | 一种面向物联网系统的新型数据污染攻击防御方法 | |
| El Malki et al. | Impact of api rate limit on reliability of microservices-based architectures | |
| Jagannatha et al. | Algorithm approach: Modelling and performance analysis of software system | |
| CN108076092A (zh) | Web服务器资源均衡方法及装置 | |
| Shaheen et al. | Tasks Scheduling in Cloud Environment Using PSO-BATS with MLRHE. | |
| CN109644156A (zh) | 网络频带测量设备、系统、方法和程序 | |
| CN108846577B (zh) | 一种基于情境分析的群体任务分配方法 | |
| CN108881272B (zh) | 一种适用于冗余信息系统的攻击面建模方法及装置 | |
| US20120029961A1 (en) | Method, device and computer program product for service balancing in an electronic communications system | |
| KR20210059238A (ko) | 입찰 담합 판정 장치 및 그 방법 | |
| CN109922050A (zh) | 一种任务检测方法及装置 | |
| CN111291957A (zh) | 生成客服调度信息的方法及装置、电子设备、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210813 |