CN115426273B - 一种网络平台服务聚合协作弹性动态测度方法 - Google Patents

一种网络平台服务聚合协作弹性动态测度方法 Download PDF

Info

Publication number
CN115426273B
CN115426273B CN202211364999.9A CN202211364999A CN115426273B CN 115426273 B CN115426273 B CN 115426273B CN 202211364999 A CN202211364999 A CN 202211364999A CN 115426273 B CN115426273 B CN 115426273B
Authority
CN
China
Prior art keywords
service
node
cooperation
network
nodes
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.)
Active
Application number
CN202211364999.9A
Other languages
English (en)
Other versions
CN115426273A (zh
Inventor
程颖
李泉石
陶飞
张永平
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202211364999.9A priority Critical patent/CN115426273B/zh
Publication of CN115426273A publication Critical patent/CN115426273A/zh
Application granted granted Critical
Publication of CN115426273B publication Critical patent/CN115426273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种网络平台服务聚合协作弹性动态测度方法。包括以下步骤：基于服务聚合协作网络模型结构与服务协作特性，结合网络演化约束对网络弹性指标进行挖掘，完成网络平台的多层级多维度服务聚合协作弹性指标提取。针对提取的弹性指标，考虑平台运营过程不确定性与网络演化动力学统计特性，提出不同维度下不同层级的服务聚合协作弹性指标量化方法。针对量化的多维度多层级指标，提出平台整体的服务聚合协作弹性综合评估方法，实现协作弹性的全面动态测度。本发明能够为工业互联网等网络化协同服务平台的资源配置结构与运营鲁棒性分析和调控、系统能力边界评估等提供支持。

Description

一种网络平台服务聚合协作弹性动态测度方法
技术领域
本发明属于面向服务的智能制造系统中基于平台的服务协作技术领域，具体涉及一种网络平台服务聚合协作弹性动态测度方法。
背景技术
制造大国向制造强国的转变，新一代信息技术与制造业融合取得长足进展，数字化转型行动、智能制造工程、工业互联网平台创新发展行动向深入推进，有力促进制造业提质、降本、增效、绿色、安全发展。工业互联网平台是对工业活动中生产、供应、销售各环节的全面优化，结合云计算、大数据以及人工智能等底层技术，相对传统模式在技术架构和数据价值上均有大幅提升。工业互联网平台实际运营过程中复杂个性化的制造服务需求要求不同的制造服务共同按需开展动态协作，工业互联网平台庞大的服务规模与诸多不确定因素为平台长期稳态运行带来风险与挑战，针对平台的服务协作特征研究具有重要意义。
平台运营过程中长期的不确定性干扰与动态变化的服务需求影响了平台的持续可靠运营，平台长期的可靠运营实质为平台中服务协作弹性与风险故障长期对抗的结果。若外界对平台的冲击程度超过平台自身弹性的限度，平台内部将会出现失效并会在平台中持续传播甚至造成整个网络平台的“瘫痪”。量化测度平台服务协作弹性，是对服务理论的重要补充，为平台风险故障评估与长期稳态运行决策提供帮助，也为工业互联网等网络化协同服务平台的资源配置结构与运营鲁棒性分析和调控、系统能力边界评估等提供支持。
发明内容
为解决上述技术问题，本发明基于服务聚合协作网络模型，以动态精准测度平台服务聚合协作弹性为目标，提出一种网络平台服务聚合协作弹性动态测度方法，为平台风险故障评估与平台长期稳态运行决策提供支持，有利于复杂环境下的服务协作高效开展。
本发明解决其技术问题是采取以下技术方案实现的：
一种网络平台服务聚合协作弹性动态测度方法，包括步骤如下：
步骤1：基于服务聚合协作网络模型的弹性指标提取：基于服务聚合协作网络模型结构与服务协作特性，结合网络演化约束对网络弹性指标进行挖掘，完成网络平台的多层级多维度服务聚合协作弹性指标提取；
步骤2：服务聚合协作弹性的多层级多维度指标量化：针对提出的弹性指标，考虑平台运营过程不确定性与网络演化动力学统计特性，提出不同维度下不同层级的服务聚合协作弹性指标计算方法，量化弹性指标；
步骤3：网络平台服务聚合协作弹性的综合动态测度：针对量化的多维度多层级指标，提出平台整体的服务聚合协作弹性综合评估方法，实现协作弹性的全面动态测度。
进一步地，在所述步骤1中的服务聚合协作网络模型中，底层设计、制造、运维等服务资源被抽象为资源节点；一定数量的资源节点共同完成某一项制造任务，其组合形式被抽象为服务节点；同类服务节点间以相似边连接实现负载在同类节点间的分配，异类服务节点间以组合边连接实现不同服务间的协作；网络中所有同类节点的集合被抽象为服务群落，网络平台中存在着多个服务群落；在此模型基础上定义出脆弱度、满载度、耦合度、恢复力四个维度上的弹性指标，并将不同维度的指标在不同的网络层级中做出定义；具体步骤如下：
（1.1）定义脆弱度：脆弱度表征在不确定干扰影响下不同层级的网络单元的抗毁程度；底层服务资源出现故障的概率决定资源节点的脆弱度，以p i (t)表示第i个资源节点Node i 在t时刻出现不可逆故障的概率；资源节点的脆弱程度进一步影响服务节点出现故障的概率，以p ij (t)表示第i个服务群落内第j个服务节点s ij 在t时刻出现故障的概率；服务开展时受到协作偏好与多类显隐性约束的影响，服务节点间的协作关系可能出现破裂，表征为边的脆弱度，以
Figure 85776DEST_PATH_IMAGE001
表示第i个服务群落中第j个服务节点与第k个服务节点间的相似边出现故障的概率，以
Figure 901285DEST_PATH_IMAGE002
表示第i个服务群落中第j个服务节点与第m个服务群落中第n个服务节点间的组合边在t时刻出现故障的概率；
（1.2）定义满载度：满载度表征在不确定干扰影响下不同层级的网络单元对应功能属性下的负载率；定义资源节点满载度q i (t)和服务节点满载度q ij (t)，分别表示资源节点及服务节点在t时刻的实际工作载荷与能力上限之比。定义相似边满载度
Figure 48232DEST_PATH_IMAGE003
和组合边满载度
Figure 872969DEST_PATH_IMAGE004
，表示在t时刻不同服务节点间实际协作任务吞吐量与协作能力上限之比；
（1.3）定义耦合度：耦合度表征在不确定干扰影响下不同层级的网络单元的功能重叠与协作依赖程度；定义资源节点平均功能耦合度
Figure 336442DEST_PATH_IMAGE005
，表征资源节点的多功能性；定义服务节点平均耦合度
Figure 57274DEST_PATH_IMAGE006
，表征服务节点间的协作依赖程度；定义群落平均耦合度
Figure 488255DEST_PATH_IMAGE007
，表征不同服务群落间的功能平均重叠程度；
（1.4）定义恢复力：恢复力表征在不确定干扰影响下不同层级的网络单元的服务恢复能力；定义资源节点的恢复能力R i (t)，表征资源节点状态的恢复速度；定义相似边和组合边的恢复能力
Figure 788786DEST_PATH_IMAGE008
和
Figure 887192DEST_PATH_IMAGE009
，表征服务节点间协作关系的重塑能力。
进一步地，所述步骤2中，针对不同维度下不同层级的弹性指标，确定其各自量化方法，具体步骤如下：
（2.1）脆弱度计算：对于单一的资源节点来说，t i 为t时刻下资源节点Node i 已经持续工作的时间，则资源节点Node i 在t时刻下出现故障的概率
Figure 529657DEST_PATH_IMAGE010
，其中t i ≥0；对于包含n个资源节点的作业服务节点来说，在t时刻出现故障的概率计算方法：
Figure 651197DEST_PATH_IMAGE011
；对于两种边的脆弱度描述由协作偏好和协作经验共同决定，协作偏好和协作经验越高，则对应边出现故障的概率越低；节点间协作偏好w(t)具有个体性，服务节点s ij 与s i(j+1)、s i(j+2)间存在同类协作关系，若服务节点s ij 与s i(j+1)间的协作偏好
Figure 817736DEST_PATH_IMAGE012
，则
Figure 442753DEST_PATH_IMAGE013
；服务节点s ij 与s (i+1)j 、s (i+1)(j+1)间存在组合协作关系，若服务节点s ij 与s (i+1)j 间的协作偏好
Figure 36545DEST_PATH_IMAGE014
，则
Figure 379802DEST_PATH_IMAGE015
；节点间协作经验m(t)由过去一段时间的协作经验获得，同类服务节点s ij 与s i(j+1)间的协作经验
Figure 350032DEST_PATH_IMAGE016
；其中l为时间间隔，N p 为取定的时间节点数；
则在t时刻相似边、组合边出现故障的概率计算方法分别为
Figure 642604DEST_PATH_IMAGE017
，
Figure 344981DEST_PATH_IMAGE018
；
（2.2）满载度计算：对于单一的资源节点来说，具有工作负载能力的上限，在t时刻资源节点Node i 的实际工作负载load i (t)与负载能力的上限L i 之比定义为资源节点满载度
Figure 972271DEST_PATH_IMAGE019
。服务任务的增加会成比例的增加服务节点内每一部分的实际负载，服务节点s ij 的满载度由服务节点内满载度最高的资源节点决定，q ij (t)=max{q m (t),q n (t)…q k (t)}其中{Node m ,Node n …Node k }∈s ij 。边的满载度描述不同服务节点间实际任务吞吐量与协作能力上限之比，在t时刻服务节点s ij 将自身负载的一部分Out ij (t)“打包”给s ik ，此时s ik 接收的任务量为In ij (t)，其中In ij (t)≤Out ij (t)，实际的任务吞吐量
Figure 215034DEST_PATH_IMAGE020
，但剩余的服务负载仍会对后序任务执行造成影响，所以也会影响此刻的边满载度，此时s ij 与s ik 间的相似边满载度计算方法如下：
Figure 876959DEST_PATH_IMAGE022
，其中L ik (t)为服务节点s ik 的负载能力上限，组合边的满载度可同理推知。
（2.3）耦合度计算：对于资源节点来说，具有多功能性，用一个1×M维矩阵F i 表示资源节点Node i 具备的功能，F i (t)={0,1,0…}∈R 1×M ,其中M为网络平台中存在的服务种类，即群落数量，资源节点Node i 功能耦合度C i 计算方法：
Figure 297707DEST_PATH_IMAGE023
,平台中资源节点平均耦合度
Figure 615556DEST_PATH_IMAGE024
，其中N为系统中能够正常工作的资源节点数量；定义服务节点耦合度
Figure 396430DEST_PATH_IMAGE025
表示服务节点s pi 在具有前后时序关系的两个群落S p ,S q 间的平均协作能力，其由节点s pi 具有的组合边协作偏好与协作经验共同决定，计算方法：
Figure 178442DEST_PATH_IMAGE026
，其中N q 为第q个群落内存在的服务节点数量；服务节点平均耦合度
Figure 19359DEST_PATH_IMAGE027
的计算方法：
Figure 824504DEST_PATH_IMAGE028
；定义群落耦合度C S (t)表示具备不同功能的两个服务群落内的功能重叠程度；对于两个不同的群落S m ,S n ，群落S m 对群落S n 耦合度
Figure 159801DEST_PATH_IMAGE029
；群落S m 对于网络中所有群落的平均耦合度
Figure 796319DEST_PATH_IMAGE030
，网络中群落平均耦合度
Figure 11400DEST_PATH_IMAGE031
；
（2.4）恢复力计算：对于某一单一的资源节点Node i ，其服务能力是一个动态变化的过程，“过度疲劳”的出现使得资源节点出现功能障碍，定义出其服务能力的恢复力R i (t)，平台整体节点恢复力由所有资源节点恢复力共同决定，其中包含一些已“损毁”不可恢复的个体，平台整体节点恢复力R e (t)计算方法：
Figure 100578DEST_PATH_IMAGE032
，N des 为系统中处于“损毁”状态的资源节点数量；对于服务节点间的协作关系也存在重塑能力，定义
Figure 692097DEST_PATH_IMAGE033
,
Figure 183121DEST_PATH_IMAGE034
分别为相似边与组合边的恢复能力；网络平台中相似边的恢复力计算方法：
Figure 569103DEST_PATH_IMAGE035
，其中
Figure 161889DEST_PATH_IMAGE036
为i服务群落内的相似边数量；网络平台中组合边的恢复力计算方法：
Figure 88257DEST_PATH_IMAGE037
，其中
Figure 371471DEST_PATH_IMAGE038
为i群落后序的组合边数量；两种边对网络整体的恢复力影响因子不同，平台整体边恢复力R r (t)=ω s ×R s (t)+ω c ×R c (t)，其中ω s 为相似边对网络整体边恢复力的影响因子，ω c 为组合边对网络整体边恢复力的影响因子。
进一步地，所述步骤3的具体步骤如下：
（3.1）在向量空间中，不同指标下的节点层级分量与边层级分量呈正交关系；针对脆弱度，节点脆弱度分量
Figure 990671DEST_PATH_IMAGE039
，边脆弱度分量
Figure 54442DEST_PATH_IMAGE041
，平台整体脆弱度向量
Figure 535233DEST_PATH_IMAGE042
；针对满载度，节点满载度分量
Figure 469691DEST_PATH_IMAGE043
，边满载度分量
Figure 463055DEST_PATH_IMAGE045
，平台整体满载度向量
Figure 14122DEST_PATH_IMAGE046
；系统耦合度向量
Figure 282292DEST_PATH_IMAGE047
，其中σ i ,σ ij ,σ s 分别为资源节点、服务节点、服务群落耦合度对于平台整体耦合度的影响因子；恢复力向量
Figure 540098DEST_PATH_IMAGE048
；
（3.2）平台整体弹性与脆弱度和满载度呈负相关，分别定义脆弱度和满载度的弹性影响因子η p ，η q ；平台整体弹性与耦合度和恢复力呈正相关，分别定义耦合度和恢复力的影响因子η C ，η R ；服务聚合协作网络弹性计算公式：
Figure 517413DEST_PATH_IMAGE050
，其中
Figure 24617DEST_PATH_IMAGE051
表示对向量取模。
本发明与现有技术相比的优点在于：
本发明中提出的一种网络平台服务聚合协作弹性动态测度方法，考虑平台运营过程不确定性与网络演化动力学统计特性，提出不同维度下不同层级的服务聚合协作弹性指标量化方法。针对量化的多维度多层级指标，提出平台整体的服务聚合协作弹性综合评估方法，最终实现了协作弹性的全面动态测度。
附图说明
图1是本发明的网络平台服务聚合协作弹性动态测度方法流程图；
图2是本发明的服务聚合协作网络示意图；
图3是本发明所述的全部弹性指标图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明公开了一种网络平台服务聚合协作弹性动态测度方法，该方法包括基于服务聚合协作网络模型的弹性指标提取、服务聚合协作弹性的多层级多维度指标量化、网络平台服务聚合协作弹性的综合动态测度3个步骤。一方面提出了协作弹性的指标，并在网络不同层级中做出了相应的定义；另一方面提出了不同维度不同层级下的弹性计算方法与合成规则，有效解决了平台服务聚合协作弹性动态测度的问题，为网络化协同服务平台风险故障评估与长期稳态运行决策提供支持。
本发明的一种网络平台服务聚合协作弹性动态测度方法，其流程图如图1所示，基于的服务聚合协作网络模型示意图如图2所示，涉及的全部弹性指标在图3进行了汇总，具体实施方式如下：
步骤1：基于服务聚合协作网络模型的弹性指标提取，其中具体实现过程包括：
（1.1）定义脆弱度。脆弱度表征在不确定干扰影响下不同层级的网络单元的抗毁程度。底层设计制造服务资源出现故障的概率决定资源节点的脆弱度，以p i (t)表示第i个资源节点Node i 在t时刻出现不可逆故障的概率；资源节点的脆弱程度进一步影响服务节点出现故障的概率，以p ij (t)表示第i个服务群落内第j个服务节点s ij 在t时刻出现故障的概率；服务开展时受到协作偏好与多类显隐性约束的影响，服务节点间的协作关系可能出现破裂，表征为边的脆弱度，以
Figure 299741DEST_PATH_IMAGE052
表示第i个服务群落中第j个服务节点与第k个服务节点间的相似边出现故障的概率，以
Figure 474370DEST_PATH_IMAGE053
表示第i个服务群落中第j个服务节点与第m个服务群落中第n个服务节点间的组合边在t时刻出现故障的概率。
（1.2）定义满载度。满载度表征在不确定干扰影响下不同层级的网络单元对应功能属性下的负载率。定义资源节点满载度q i (t)和服务节点满载度q ij (t)，分别表示资源节点及服务节点在t时刻的实际工作载荷与能力上限之比。定义相似边满载度
Figure 606274DEST_PATH_IMAGE054
和组合边满载度
Figure 69617DEST_PATH_IMAGE055
，表示在t时刻不同服务节点间实际协作任务吞吐量与协作能力上限之比。
（1.3）定义耦合度。耦合度表征在不确定干扰影响下不同层级的网络单元的功能重叠与协作依赖程度。定义资源节点平均功能耦合度
Figure 430322DEST_PATH_IMAGE056
，表征资源节点的多功能性。定义服务节点平均耦合度
Figure 725037DEST_PATH_IMAGE057
，表征服务节点间的协作依赖程度。定义群落平均耦合度
Figure 762263DEST_PATH_IMAGE058
，表征不同服务群落间的功能平均重叠程度。
（1.4）定义恢复力。恢复力表征在不确定干扰影响下不同层级的网络单元的服务恢复能力。定义资源节点的恢复能力R i (t)，表征资源节点状态的恢复速度。定义相似边和组合边的恢复能力
Figure 509639DEST_PATH_IMAGE059
和
Figure 674036DEST_PATH_IMAGE060
,表征服务节点间协作关系的重塑能力。
步骤2：服务聚合协作弹性的多层级多维度指标量化，其中具体实现过程包括：
（2.1）脆弱度计算：对于单一的资源节点来说，t i 为t时刻下资源节点Node i 已经持续工作的时间，则资源节点Node i 在t时刻下出现故障的概率
Figure 760940DEST_PATH_IMAGE061
，其中t i ≥0；对于包含n个资源节点的作业服务节点来说，在t时刻出现故障的概率计算方法：
Figure 500226DEST_PATH_IMAGE062
；对于两种边的脆弱度描述由协作偏好和协作经验共同决定，协作偏好和协作经验越高，则对应边出现故障的概率越低；节点间协作偏好w(t)具有个体性，服务节点s ij 与s i(j+1)、s i(j+2)间存在同类协作关系，若服务节点s ij 与s i(j+1)间的协作偏好
Figure 672581DEST_PATH_IMAGE063
，则
Figure 624357DEST_PATH_IMAGE064
；服务节点s ij 与s (i+1)j 、s (i+1)(j+1)间存在组合协作关系，若服务节点s ij 与s (i+1)j 间的协作偏好
Figure 893664DEST_PATH_IMAGE065
，则
Figure 475955DEST_PATH_IMAGE066
；节点间协作经验m(t)由过去一段时间的协作经验获得，同类服务节点s ij 与s i(j+1)间的协作经验
Figure 683077DEST_PATH_IMAGE067
；其中l为时间间隔，N p 为取定的时间节点数；
则在t时刻相似边、组合边出现故障的概率计算方法分别为
Figure 704123DEST_PATH_IMAGE068
，
Figure 765619DEST_PATH_IMAGE069
；
（2.2）满载度计算：对于单一的资源节点来说，具有工作负载能力的上限，在t时刻资源节点Node i 的实际工作负载load i (t)与负载能力的上限L i 之比定义为资源节点满载度
Figure 581129DEST_PATH_IMAGE070
。服务任务的增加会成比例的增加服务节点内每一部分的实际负载，服务节点s ij 的满载度由服务节点内满载度最高的资源节点决定，q ij (t)=max{q m (t),q n (t)…q k (t)}其中{Node m ,Node n …Node k }∈s ij 。边的满载度描述不同服务节点间实际任务吞吐量与协作能力上限之比，在t时刻服务节点s ij 将自身负载的一部分Out ij (t)“打包”给s ik ，此时s ik 接收的任务量为In ij (t)，其中In ij (t)≤Out ij (t)，实际的任务吞吐量
Figure 524814DEST_PATH_IMAGE071
，但剩余的服务负载仍会对后序任务执行造成影响，所以也会影响此刻的边满载度，此时s ij 与s ik 间的相似边满载度计算方法如下：
Figure 834704DEST_PATH_IMAGE073
，其中L ik (t)为服务节点s ik 的负载能力上限，组合边的满载度可同理推知。
（2.3）耦合度计算：对于资源节点来说，具有多功能性，用一个1×M维矩阵F i 表示资源节点Node i 具备的功能，F i (t)={0,1,0…}∈R 1×M ,其中M为网络平台中存在的服务种类，即群落数量，资源节点Node i 功能耦合度C i 计算方法：
Figure 547445DEST_PATH_IMAGE074
,平台中资源节点平均耦合度
Figure 533855DEST_PATH_IMAGE075
，其中N为系统中能够正常工作的资源节点数量；定义服务节点耦合度
Figure 168099DEST_PATH_IMAGE076
表示服务节点s pi 在具有前后时序关系的两个群落S p ,S q 间的平均协作能力，其由节点s pi 具有的组合边协作偏好与协作经验共同决定，计算方法：
Figure 530947DEST_PATH_IMAGE077
，其中N q 为第q个群落内存在的服务节点数量；服务节点平均耦合度
Figure 301457DEST_PATH_IMAGE078
的计算方法：
Figure 197783DEST_PATH_IMAGE079
；定义群落耦合度C S (t)表示具备不同功能的两个服务群落内的功能重叠程度；对于两个不同的群落S m ,S n ，群落S m 对群落S n 耦合度
Figure 381639DEST_PATH_IMAGE080
；群落S m 对于网络中所有群落的平均耦合度
Figure 17020DEST_PATH_IMAGE081
，网络中群落平均耦合度
Figure 907616DEST_PATH_IMAGE082
；
（2.4）恢复力计算：对于某一单一的资源节点Node i ，其服务能力是一个动态变化的过程，“过度疲劳”的出现使得资源节点出现功能障碍，定义出其服务能力的恢复力R i (t)，平台整体节点恢复力由所有资源节点恢复力共同决定，其中包含一些已“损毁”不可恢复的个体，平台整体节点恢复力R e (t)计算方法：
Figure 235829DEST_PATH_IMAGE083
，N des 为系统中处于“损毁”状态的资源节点数量；对于服务节点间的协作关系也存在重塑能力，定义
Figure 392135DEST_PATH_IMAGE084
,
Figure 300048DEST_PATH_IMAGE085
分别为相似边与组合边的恢复能力；网络平台中相似边的恢复力计算方法：
Figure 107467DEST_PATH_IMAGE086
，其中
Figure 606581DEST_PATH_IMAGE087
为i服务群落内的相似边数量；网络平台中组合边的恢复力计算方法：
Figure 437134DEST_PATH_IMAGE088
，其中
Figure 679897DEST_PATH_IMAGE089
为i群落后序的组合边数量；两种边对网络整体的恢复力影响因子不同，平台整体边恢复力R r (t)=ω s ×R s (t)+ω c ×R c (t)，其中ω s 为相似边对网络整体边恢复力的影响因子，ω c 为组合边对网络整体边恢复力的影响因子。
步骤3：网络平台服务聚合协作弹性的综合动态测度，其中具体实现过程包括：
（3.1）在向量空间中，不同指标下的节点层级分量与边层级分量呈正交关系；针对脆弱度，节点脆弱度分量
Figure 545084DEST_PATH_IMAGE090
，边脆弱度分量
Figure 231412DEST_PATH_IMAGE092
，平台整体脆弱度向量
Figure 549261DEST_PATH_IMAGE093
；针对满载度，节点满载度分量
Figure 595714DEST_PATH_IMAGE094
，边满载度分量
Figure 315408DEST_PATH_IMAGE096
，平台整体满载度向量
Figure 421905DEST_PATH_IMAGE097
；系统耦合度向量
Figure DEST_PATH_IMAGE098
，其中σ i ,σ ij ,σ s 分别为资源节点、服务节点、服务群落耦合度对于平台整体耦合度的影响因子；恢复力向量
Figure 23787DEST_PATH_IMAGE099
；
（3.2）平台整体弹性与脆弱度和满载度呈负相关，分别定义脆弱度和满载度的弹性影响因子η p ，η q ；平台整体弹性与耦合度和恢复力呈正相关，分别定义耦合度和恢复力的影响因子η C ，η R ；服务聚合协作网络弹性计算公式：
Figure 811615DEST_PATH_IMAGE101
，其中
Figure DEST_PATH_IMAGE102
表示对向量取模。
综上所述，本发明提出了一种网络平台服务聚合协作弹性动态测度方法。该方法包括基于服务聚合协作网络模型的弹性指标提取、服务聚合协作弹性的多层级多维度指标量化、网络平台服务聚合协作弹性的综合动态测度3个步骤。一方面提出了一种网络平台服务聚合协作弹性动态测度方法，丰富了服务理论，为网络化协同服务平台风险故障评估与长期稳态运行决策提供帮助，也为工业互联网等网络化协同服务平台的资源配置结构与运营鲁棒性分析和调控、系统能力边界评估等提供支持。
本发明说明书中未作详细描述的内容属于本领域专业人员公知的现有技术。
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与润饰，这些改进与润饰也应视为本发明的保护范围。

Claims (4)

1.一种网络平台服务聚合协作弹性动态测度方法，其特征在于，包括步骤如下：
步骤1：基于服务聚合协作网络模型的弹性指标提取：基于服务聚合协作网络模型结构与服务协作特性，结合网络演化约束对网络弹性指标进行挖掘，完成网络平台的多层级多维度服务聚合协作弹性指标提取；
步骤2：服务聚合协作弹性的多层级多维度指标量化：针对提出的弹性指标，考虑平台运营过程不确定性与网络演化动力学统计特性，提出不同维度下不同层级的服务聚合协作弹性指标计算方法，量化弹性指标；
步骤3：网络平台服务聚合协作弹性的综合动态测度：针对量化的多维度多层级指标，提出平台整体的服务聚合协作弹性综合评估方法，实现协作弹性的全面动态测度。
2.根据权利要求1中所述的一种网络平台服务聚合协作弹性动态测度方法，其特征在于：
在所述步骤1中的服务聚合协作网络模型中，包括底层设计、制造、运维在内的服务资源被抽象为资源节点；一定数量的资源节点共同完成一项制造任务，其组合形式被抽象为服务节点；同类服务节点间以相似边连接实现负载在同类节点间的分配，异类服务节点间以组合边连接实现不同服务间的协作；网络中所有同类节点的集合被抽象为服务群落，网络平台中存在着多个服务群落；在此模型基础上定义脆弱度、满载度、耦合度、恢复力四个维度上的弹性指标，并将不同维度的弹性指标在不同的网络层级中做出定义；具体步骤如下：
（1.1）定义脆弱度：脆弱度表征在不确定干扰影响下不同层级的网络单元的抗毁程度；底层服务资源出现故障的概率决定资源节点的脆弱度，以p i (t)表示第i个资源节点Node i 在t时刻出现不可逆故障的概率；资源节点的脆弱程度进一步影响服务节点出现故障的概率，以p ij (t)表示第 i个服务群落内第j个服务节点s ij 在t时刻出现故障的概率；服务开展时受到协作偏好与多类显隐性约束的影响，服务节点间的协作关系可能出现破裂，表征为边的脆弱度，以
Figure 790073DEST_PATH_IMAGE001
表示第i个服务群落中第j个服务节点与第k个服务节点间的相似边出现故障的概率，以
Figure 40926DEST_PATH_IMAGE002
表示第i个服务群落中第j个服务节点与第m个服务群落中第n个服务节点间的组合边在t时刻出现故障的概率；
（1.2）定义满载度：满载度表征在不确定干扰影响下不同层级的网络单元对应功能属性下的负载率；定义资源节点满载度q i (t)和服务节点满载度q ij (t)，分别表示资源节点及服务节点在t时刻的实际工作载荷与能力上限之比，定义相似边满载度
Figure 616264DEST_PATH_IMAGE003
和组合边满载度
Figure 218146DEST_PATH_IMAGE004
，表示在t时刻不同服务节点间实际协作任务吞吐量与协作能力上限之比；
（1.3）定义耦合度：耦合度表征在不确定干扰影响下不同层级的网络单元的功能重叠与协作依赖程度；定义资源节点平均功能耦合度
Figure 287864DEST_PATH_IMAGE005
，表征资源节点的多功能性；定义服务节点平均耦合度
Figure 393224DEST_PATH_IMAGE006
，表征服务节点间的协作依赖程度；定义群落平均耦合度
Figure 139463DEST_PATH_IMAGE007
，表征不同服务群落间的功能平均重叠程度；
（1.4）定义恢复力：恢复力表征在不确定干扰影响下不同层级的网络单元的服务恢复能力；定义资源节点的恢复能力R i (t)，表征资源节点状态的恢复速度；定义相似边和组合边的恢复能力
Figure 963062DEST_PATH_IMAGE008
和
Figure 820160DEST_PATH_IMAGE009
,表征服务节点间协作关系的重塑能力。
3.根据权利要求2中所述的一种网络平台服务聚合协作弹性动态测度方法，其特征在于：
所述步骤2中，针对不同维度下不同层级的弹性指标，确定其各自量化方法，具体步骤如下：
（2.1）脆弱度计算：对于单一的资源节点来说，t i 为t时刻下资源节点Node i 已经持续工作的时间，则资源节点Node i 在t时刻下出现故障的概率
Figure 780026DEST_PATH_IMAGE010
，其中t i ≥0；对于包含n个资源节点的服务节点来说，在t时刻出现故障的概率计算方法：
Figure 962745DEST_PATH_IMAGE011
；对于两种边的脆弱度描述由协作偏好和协作经验共同决定，协作偏好和协作经验越高，则对应边出现故障的概率越低；节点间协作偏好w(t)具有个体性，服务节点s ij 与s i(j+1)、s i(j+2)间存在同类协作关系；服务节点s ij 与s (i+1)j 、s (i+1)(j+1)间存在组合协作关系；节点间协作经验m(t)由过去一段时间的协作经验获得，同类服务节点s ij 与s i(j+1)间的协作经验
Figure 8062DEST_PATH_IMAGE012
；其中l为时间间隔，N p 为取定的时间节点数；
则在t时刻相似边、组合边出现故障的概率计算方法分别为
Figure 419583DEST_PATH_IMAGE013
，
Figure 499534DEST_PATH_IMAGE014
；
（2.2）满载度计算：对于单一的资源节点来说，具有工作负载能力的上限，在t时刻资源节点Node i 的实际工作负载load i (t)与负载能力的上限L i 之比定义为资源节点满载度
Figure 587576DEST_PATH_IMAGE015
；服务任务的增加成比例的增加服务节点内每一部分的实际负载，服务节点s ij 的满载度由服务节点内满载度最高的资源节点决定，q ij (t)=max{q m (t),q n (t)…q k (t)}其中{Node m ,Node n …Node k }∈s ij ；边的满载度描述不同服务节点间实际任务吞吐量与协作能力上限之比，在t时刻服务节点s ij 将自身负载的一部分Out ij (t)“打包”给s ik ，此时s ik 接收的任务量为In ij (t)，其中In ij (t)≤Out ij (t)，实际的任务吞吐量
Figure 120188DEST_PATH_IMAGE016
， s ij 与s ik 间的相似边满载度计算方法如下：
Figure 584668DEST_PATH_IMAGE018
，其中L ik (t)为服务节点s ik 的负载能力上限；
（2.3）耦合度计算：对于资源节点来说，具有多功能性，用一个1×M维矩阵F i 表示资源节点Node i 具备的功能，F i (t)={0,1,0…}∈R 1×M ，其中M为网络平台中存在的服务种类，即群落数量，资源节点Node i 功能耦合度C i 计算方法：
Figure 519126DEST_PATH_IMAGE019
,平台中资源节点平均耦合度
Figure 778069DEST_PATH_IMAGE020
，其中N为系统中能够正常工作的资源节点数量；定义服务节点耦合度
Figure 797977DEST_PATH_IMAGE021
表示服务节点s pi 在具有前后时序关系的两个群落S p ,S q 间的平均协作能力，其由节点s pi 具有的组合边协作偏好与协作经验共同决定，计算方法：
Figure 551301DEST_PATH_IMAGE022
，其中N q 为第q个群落内存在的服务节点数量，服务节点平均耦合度
Figure 340265DEST_PATH_IMAGE023
的计算方法：
Figure 35689DEST_PATH_IMAGE024
；定义群落耦合度C S (t)表示具备不同功能的两个服务群落内的功能重叠程度；对于两个不同的群落S m ,S n ，群落S m 对群落S n 耦合度
Figure 277314DEST_PATH_IMAGE025
；群落S m 对于网络中所有群落的平均耦合度
Figure 83596DEST_PATH_IMAGE026
，网络中群落平均耦合度
Figure 992646DEST_PATH_IMAGE027
；
（2.4）恢复力计算：对于单一的资源节点Node i ，定义出其服务能力的恢复力R i (t)，平台整体节点恢复力由所有资源节点恢复力共同决定，平台整体节点恢复力R e (t)计算方法：
Figure 327813DEST_PATH_IMAGE028
，其中N des 为系统中处于“损毁”状态的资源节点数量；服务节点间的协作关系也存在重塑能力，定义
Figure 322314DEST_PATH_IMAGE029
,
Figure 666707DEST_PATH_IMAGE030
分别为相似边与组合边的恢复能力；网络平台中相似边的恢复力计算方法：
Figure 180996DEST_PATH_IMAGE031
，其中
Figure 218222DEST_PATH_IMAGE032
为i服务群落内的相似边数量；网络平台中组合边的恢复力计算方法：
Figure 434440DEST_PATH_IMAGE033
，其中
Figure 582525DEST_PATH_IMAGE034
为i群落后序的组合边数量；两种边对网络整体的恢复力影响因子不同，平台整体边恢复力R r (t)=ω s ×R s (t)+ω c ×R c (t)，其中ω s 为相似边对网络整体边恢复力的影响因子，ω c 为组合边对网络整体边恢复力的影响因子。
4.根据权利要求3中所述的一种网络平台服务聚合协作弹性动态测度方法，其特征在于：
所述步骤3的具体步骤如下：
（3.1）脆弱度分量或向量为：节点脆弱度分量
Figure 200588DEST_PATH_IMAGE035
，边脆弱度分量
Figure 408715DEST_PATH_IMAGE037
，平台整体脆弱度向量
Figure 112229DEST_PATH_IMAGE038
；满载度分量或向量为：节点满载度分量
Figure 798425DEST_PATH_IMAGE039
，边满载度分量
Figure 287307DEST_PATH_IMAGE041
，平台整体满载度向量
Figure 666335DEST_PATH_IMAGE042
；系统耦合度向量为
Figure 857145DEST_PATH_IMAGE043
，其中σ i ,σ ij ,σ s 分别为资源节点、服务节点、服务群落耦合度对于平台整体耦合度的影响因子；恢复力向量为
Figure DEST_PATH_IMAGE044
；
（3.2）平台整体弹性与脆弱度和满载度呈负相关，分别定义脆弱度和满载度的弹性影响因子η p ，η q ；平台整体弹性与耦合度和恢复力呈正相关，分别定义耦合度和恢复力的影响因子η C ，η R ；服务聚合协作网络弹性计算公式：
Figure DEST_PATH_IMAGE046
，其中
Figure 878191DEST_PATH_IMAGE047
表示对向量取模。
CN202211364999.9A 2022-11-03 2022-11-03 一种网络平台服务聚合协作弹性动态测度方法 Active CN115426273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211364999.9A CN115426273B (zh) 2022-11-03 2022-11-03 一种网络平台服务聚合协作弹性动态测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211364999.9A CN115426273B (zh) 2022-11-03 2022-11-03 一种网络平台服务聚合协作弹性动态测度方法

Publications (2)

Publication Number Publication Date
CN115426273A CN115426273A (zh) 2022-12-02
CN115426273B true CN115426273B (zh) 2022-12-27

Family

ID=84207826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211364999.9A Active CN115426273B (zh) 2022-11-03 2022-11-03 一种网络平台服务聚合协作弹性动态测度方法

Country Status (1)

Country Link
CN (1) CN115426273B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959072B (zh) * 2018-06-14 2020-08-25 北京航空航天大学 一种基于复杂网络的集群系统弹性测评方法
CN109977567B (zh) * 2019-03-29 2023-02-10 重庆邮电大学 基于同异步分析的一体化装备网络弹性建模方法
FR3105907B1 (fr) * 2019-12-30 2021-12-03 Thales Sa Procede d'optimisation d'un reseau de communication et dispositifs associes
CN111475899B (zh) * 2020-03-16 2022-09-27 北京航空航天大学 基于超网络理论的数据链网络可靠性指标体系构建方法

Also Published As

Publication number Publication date
CN115426273A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
Chen et al. Asynchronous online federated learning for edge devices with non-iid data
CN102521656B (zh) 非平衡样本分类的集成迁移学习方法
CN111260211A (zh) 一种基于ahp-改进的熵权法-topsis的智慧能源系统评价方法及装置
US20220121967A1 (en) Automatically generating rules for event detection systems
CN104375897A (zh) 基于最小相对负载不均衡度的云计算资源调度方法
Candan et al. A dynamic island model for adaptive operator selection
Qiao et al. Feature extraction for recommendation of constrained multiobjective evolutionary algorithms
CN113902270A (zh) 一种用于城市燃气区域安全评级的方法及系统
CN115686846A (zh) 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法
Chen et al. Joint data collection and resource allocation for distributed machine learning at the edge
CN112685209A (zh) 一种虚拟资源检修服务故障恢复方法及系统
He et al. DROI: Energy-efficient virtual network embedding algorithm based on dynamic regions of interest
CN109976873B (zh) 容器化分布式计算框架的调度方案获取方法及调度方法
CN115426273B (zh) 一种网络平台服务聚合协作弹性动态测度方法
CN113987808A (zh) 一种特征加权贝叶斯网络的用电用户投诉预警方法
CN110119268B (zh) 基于人工智能的工作流优化方法
US12106158B2 (en) Fair task offloading and migration method for edge service networks
CN111385153A (zh) 一种制造云的服务质量评价体系
CN109799728B (zh) 一种基于层次化自适应策略的容错cps仿真测试方法
Zeng et al. A highly efficient DAG task scheduling algorithm for wireless sensor networks
CN114385359B (zh) 一种物联网云边端任务时序协同方法
Chen et al. Deep reinforcement learning based container cluster placement strategy in edge computing environment
Benoit et al. Optimizing the latency of streaming applications under throughput and reliability constraints
CN110135747B (zh) 基于神经网络的流程定制方法
WO2022186808A1 (en) Method for solving virtual network embedding problem in 5g and beyond networks with deep information maximization using multiple physical network structure

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