一种基于可靠性预测与QoS相结合的服务组合方法

摘要

本发明公开了一种基于可靠性预测与QoS相结合的服务组合方法，首先，根据用户的QoS约束进行服务的局部选择，把全局QoS约束分解成局部约束，然后在每个服务集合中选择局部较优的实体服务，最后对这些QoS属性较优的服务的可靠性进行预测，把预测结果作为最终组合方案选择的一个决定因素。这样既考虑了服务当前的QoS满足情况，又考虑它们在未来一段时间内的可靠性变化情况，然后根据用户偏好，决定这两者之间的权重关系，使得选出的服务在当前QoS约束和未来可靠性上达到一种折中，得到高效可靠的系统。

说明书

技术领域

本发明属于计算机领域，涉及一种服务组合方法。

背景技术

面向服务计算（SOC）的技术，利用已有的服务开发新的软件和服务，得到了显 著的关注并在商业、政府等其他领域受到广泛使用。然而，由于不同的服务通过不同 的技术实现，部署在不同的平台上，并利用不同的通信链接发布，所以引入服务质量 QoS（Quality of Service）来区分这些功能相似性能不同的服务。目前互联网上相似功 能的服务数量越来越多，用户更关注的往往是这些非功能属性（即QoS）。因此，基 于QoS感知的服务组合逐渐成为服务计算领域的热门研究领域。

QoS感知的服务组合目标是为系统选出一个组合方案，给工作流中的每个抽象服 务实例化一个实体服务，并使该组合服务的整体QoS尽最大可能满足用户的端到端 需求。现有的方法一般可分为三种：第一，把组合方案的选择问题转化为全局优化问 题，目的是使选择出来的组合方案能最大的满足用户的QoS约束请求。第二种局部 选择法，在不依赖其他服务集合的基础上，在每类候选服务集合中选择，把组合问题 转换成一个并行选择的问题，把不同的QoS属性转化成效用值，一般适用于分布式 环境。最后一种是全局优化和局部选择相结合的选择方法，使用混合整数规划（MIP） 寻找使效用函数最优的全局QoS约束分解，然后根据得到的局部约束选择一个最优 的局部服务组合在一起。

值得注意的是，以上几种方法，都未考虑到QoS属性的动态变化性，当前选出 的组合方案，由于其中某个服务在下一时刻的QoS变化，不再满足要求，进而导致 组合过程的重复。在所有的QoS属性中，服务的可靠性与硬件、软件配置，网络连 接，服务和用户的位置密切相关，任一环节的变化都有可能引起服务的不可靠，进而 导致系统的不可靠。在可靠性预测的方法上，鉴于服务计算SOC的特殊性质，它的 可靠性预测与其他软件架构有显著不同，主要有以下挑战：(1)Web服务的数量保持快 节奏的增长，预测所有可用的候选服务将会非常费时。(2)一个面向服务系统的可靠性 依赖于第三方自主服务，这些服务并不受系统所有者和通信链路（可能是不可靠的） 的控制。不仅如此，由于服务由代理商提供，用户对其内部组件和实现细节缺乏了解， 此外加上网络连接不同，用户调用相同服务得到的性能也会有所差异，而且当一个服 务被用户首次调用时，通常只知道它当时的可靠性，缺少过去失败数据。因此，目前 常见的一种方法是基于协同的可靠性预测，利用相似用户的调用失败信息，来预测当 前用户在一段时间内调用该服务的可靠性情况。

目前对可靠性变化的研究主要集中在可靠性的预测上，在组合过程中考虑可靠性 变化的研究非常少，并且在现有研究中，QoS预测和组合过程结合只处于概念模型阶 段，尚未有一种具体的组合方法，既考虑QoS的满足情况又关注QoS属性的动态变 化。

发明内容

技术问题：本发明提供了一种高效、可靠的基于可靠性预测与QoS相结合的服 务组合方案的方法。

技术方案：本发明的基于可靠性预测与QoS相结合的服务组合方法，包括以下 步骤：

1）对用户提出的QoS约束请求进行全局分解，即把r个全局QoS约束请求 q₁,……,q_r中的每一个分解到n个服务集合，得到nr个目标局部约束，每一个分解 过程的具体流程为：

首先根据下式把每个服务集合中的每个QoS属性取值区间分成d等份：

q^min_ik≤q¹_ik≤......≤q^z_ik≤......≤q^max_ik,

其中${q^z}_{\mathrm{ik}}={q^{\min }}_{\mathrm{ik}}+\frac{z}{d}({q^{\max }}_{\mathrm{ik}}-{q^{\min }}_{\mathrm{ik}})$

其中，q^z_ik是第i个服务集合中，第k个QoS属性的第z个分界点，q^min_ik和q^max_ik是 候选集中所有服务在对应属性上的最小值和最大值；

然后将d-1个分界点和QoS属性取值区间上限值，即q¹_ik,q²_ik,……,q^max_ik作为输 入，利用线性规划方法，从上述d个值中选出使目标公式最优的值记为q_ik，并将其作为 第i个服务集合中第k个QoS属性的目标局部约束；

2）最优服务的选择：基于目标局部约束，利用下式计算得到每个服务的QoS满 足情况：

$f\left(s_{\mathrm{ij}}\right)=\underset{k=1}{\overset{r}{\Sigma }}\frac{q_i(j,k)-q_{\mathrm{ik}}}{{q^{\max }}_{\mathrm{ik}}-{q^{\min }}_{\mathrm{ik}}},1\le k\le r$

其中，s_ij表示第i个服务集合中第j个服务，q_ik是第i个服务集合中第k个QoS 属性的目标局部约束，q_i(j,k)是服务s_ij的第k个QoS属性值；

利用top k算法在每个服务集合中选出t个f(s_ij)值最大的服务，作为最优服务， 其中t的值由用户确定；

3）可靠性预测：在每个服务集合内，用皮尔逊相关系数方法计算最优服务与其 他服务之间的相似度，得出最优服务的相似服务，然后利用相似服务的可靠性，得出 最优服务的可靠性；

4）确定最终组合方案：

从每个服务集合中抽取一个最优服务，组成备选方案，以此方式，按照所有服务 集合的不同最优服务的组合，得到tⁿ个备选方案；

根据工作流的特点，计算每个备选方案的整体可靠性CS_rel，然后根据下式对每个 备选方案进行加权求值，得到整体满意度W_result：

$W_{\mathrm{result}}=\left({1-w}_{\mathrm{rel}}\right)*\underset{i=1}{\overset{n}{\Sigma }}\frac{f\left(s_i\right)}{n}+{\mathrm{CS}}_{\mathrm{rel}}*w_{\mathrm{rel}}$

其中，CS_rel代表该备选方案的整体可靠性，w_rel∈(0,1)是可靠性对最终组合方案 的重要性，f(s_i)是第i个服务集合中的最优服务的QoS满足情况；

最后将tⁿ个整体满意度W_result中的最大值所对应的备选方案作为最终组合方案。

本发明方法步骤1）中的线性规划方法的目标公式为：

$\max (\underset{i=1}{\overset{n}{\Sigma }}\underset{k=1}{\overset{r}{\Sigma }}\underset{z=1}{\overset{d}{\Sigma }}{p^z}_{\mathrm{ik}}*{x^z}_{\mathrm{ik}})$

其中p^z_ik的定义如下：

${p^z}_{\mathrm{ik}}=\frac{c\left({q^z}_{\mathrm{ik}}\right)}{m}$

q^z_ik表示第i个服务集合中，第k个QoS属性的第z个分界点，c(q^z_ik)表示QoS 属性值大于q^z_ik的服务个数，m是第i个服务集合的服务个数，x^z_ik∈{0,1}是为q^z_ik引 入的指示变量，当x^z_ik=1表示q^z_ik被选作第i个服务集合的第k个QoS的目标局部约 束，反之x^z_ik=0表示不被选中。

在QoS感知的服务组合方法上，我们采用变种的全局优化和局部选择相结合的 选择方法，具体是使用混合整数规划（MIP）寻找使效用函数最优的全局QoS约束分 解，然后根据得到的局部约束选择一组较优的局部服务。

有益效果：本发明与现有的基于QoS感知的服务组合方法相比，具有以下优点：

以往的QoS感知的服务组合研究主要以寻找最大可能满足用户的QoS约束请求 为目标。最具代表性的就是全局优化和局部选择相结合的组合方法，它根据组合方案 对QoS约束请求的整体满足情况，定义效用函数，根据效用函数进行全局QoS约束 分解，选出所有符合目标局部约束的服务，组成备选服务组合方案，并把效用函数最 大的方案作为最终的组合方案。但是目前绝大部分的组合方法都未考虑到QoS属性 的动态变化性，只考虑QoS属性当下的满足情况。本发明在现有的方法上，摒弃了 效用函数概念，在QoS约束分解上提出了新的分解目标，在最优服务选择上增加了 用户的可控性，引入了可靠性预测这一过程，并将其结果作为最终组合方案选择的重 要影响因素。

因此，本发明方法对传统的服务组合方法进行改进，把可靠性预测从一个单独的 领域引入到服务组合过程中，得到了一种相对可靠性变化而言，自适应的服务组合方 法，使得选出的最终组合方案在未来的可靠程度和QoS约束的满足情况上取得了平 衡。其次，它提高了组合方案的可靠程度，这个可靠程度并不是当前时刻下可靠性的 满足情况，而是根据相似用户以往对该服务的调用记录，得出的该服务在一段时间的 可靠性，可以避免组合方案在未来一段时间内的失败概率。

附图说明

图1是服务组合示意图。

图2是本发明方法的流程图。

具体实施方式

本发明是在n组功能性相同但QoS属性不同的服务中，选择最优组合方案的过 程。问题如图1所示，假定系统已经对用户的需求建模成功，得到了一组给定的组合 需求CS_request={S₁,...,S_n}，每一个需求模块都有一组满足其功能属性的候选服务集合S_i= {s_i1,s_i2...,s_ir}。根据工作流中的n个任务，如何在满足其功能的n组服务集合中进行 选择，使其不仅能满足用户的QoS需求，而且保证组合方案的可靠性。表1给出了 本发明中用到的符号及其表示的含义。

表1

下面结合附图和实施例对本发明进行详细说明。

1）对用户提出的QoS约束请求进行全局分解

把r个全局QoS约束请求q₁,……,q_r中的每一个分解到n个服务集合，得到nr 个局部约束。对每个全局QoS约束请求，分解得到的n个局部QoS约束，集合在一 起必须满足之前的全局约束。此外由于我们希望在QoS满足和高可靠性之间得到一 种平衡，因此根据局部约束选出的服务个数应尽可能多，进而可避免那些具有高可靠 性但低QoS满足的服务被排除。因此，给出最优分解的定义：给定一组全局QoS约 束q={q₁,……,q_r}，它的最优分解是n组局部约束lq_i={q_i1,……,q_ir}，其中1≤i≤n， lq_i指第i个候选服务集的局部约束。分解必须满足两个条件：（1）所有的q_ij集合在一 起，必须满足其对应的全局约束q_j；（2）符合lq_i约束条件的服务数量尽可能的大。

每一个分解过程的具体流程为：

首先根据下式把每个服务集合中的每个QoS属性取值区间分成d等份：

q^min_ik≤q¹_ik≤......≤q^z_ik≤......≤q^max_ik,

其中${q^z}_{\mathrm{ik}}={q^{\min }}_{\mathrm{ik}}+\frac{z}{d}({q^{\max }}_{\mathrm{ik}}-{q^{\min }}_{\mathrm{ik}})$

其中，q^z_ik是第i个服务集合中，第k个QoS属性的第z个分界点，q^min_ik和q^max_ik是 候选集中所有服务在对应属性上的最小和最大值。

用c(q^z_ik)表示满足q^z_ik的服务个数，m表示该服务集合的服务总数，p^z_ik定义为 根据上述定义，我们希望得到的服务总数最大，于是全局分解问题变成了 最大化的问题，线性规划是研究线性约束条件下线性目标函数极值问题的经典数学理论 和方法。线性规划有三要素：决策变量、约束条件和目标函数。为了建立目标函数，我 们首先为每个q^z_ik引入一个指示变量x^z_ik∈{0,1}，其中x^z_ik=1表示q^z_ik被选作局部约束， x^z_ik=0反之不被选中。利用线性规划方法，对目标公式求解， 得出的q^z_ik记作q_ik，就是第i个服务集合中，第k个QoS属性的目标局部约束。

2）最优服务的选择

根据之前得到的nr个目标局部约束，本步骤可以在n个服务集合中并行进行， 从而大大提高了时间效率。不失一般性，假设QoS的属性值越大越好，因此在满足 约束的情况下，服务的QoS值越大，我们认为它越满足需求，基于目标局部约束， 利用下式计算得到每个服务的QoS满足情况：

$f\left(s_{\mathrm{ij}}\right)=\underset{k=1}{\overset{r}{\Sigma }}\frac{q_i(j,k)-q_{\mathrm{ik}}}{{q^{\max }}_{\mathrm{ik}}-{q^{\min }}_{\mathrm{ik}}},1\le k\le r$

其中，s_ij表示第i个服务集合中第j个服务，q_ik是是第i个服务集合中第k个QoS 属性的目标局部约束，q_i(j,k)是服务s_ij的第k个QoS属性值。

利用top k算法根据上式在每个服务集合中选出t个f(s_ij)值最大的服务，作为最 优服务。由于本发明在第4）步中需要考虑所有服务集合中的不同最优服务的组合， 生成tⁿ个备选方案，当t太大时，本发明的计算复杂度会变得特别大，所以这里考虑 用户的承受范围，根据用户可接受的程度确定t的大小。

3）可靠性预测

经过步骤2），每个服务集合中都选出了t个最优服务，从每个服务集合中任选一 个最优服务，组合在一起都能满足用户的QoS约束请求。由于此时组合尚未完成， 所有可能的组合方案都没有历史运行记录。因此，整体的可靠性不能基于先前的QoS 经验预测。但是服务在过去通常被许多用户调用过，因此可以根据相似服务的可靠性 记录来预测最优服务的可靠性，皮尔逊相关系数用下面的公式来计算服务i和j的相 似度，其中U_i∩U_j表示同时调用服务i和j的用户集合；和分别是调用服务i和 j的所有服务失败概率的平均值。

$\mathrm{sim}(i,j)=\frac{\underset{u\in U_i\cap U_j}{\Sigma }\sqrt{(p_{u,i}-\overline{p_i})(p_{u,j}-\overline{p_j})}}{\sqrt{\underset{u\in U_i\cap U_j}{\Sigma }\sqrt{{\left(p_{u,i}\overline{p_i}\right)}^2}}\sqrt{\underset{u\in U_i\cap U_j}{\Sigma }\sqrt{{(p_{u,j}-\overline{p_j})}^2}}}$

计算最优服务和其他服务的相似度，并从中选取最优服务的相似服务，根据相似 服务的失败概率，来预测最优服务的可靠性。

4）确定最终组合方案：

从每个服务集合中抽取一个最优服务，将这n个最优服务组成一个备选方案。以 此方式，按照所有服务集合的不同最优服务的组合，分别抽取最优服务组成备选方案， 从而可以得到tⁿ个备选方案。

然后根据工作流的特点，计算每个备选方案的整体可靠性CS_rel，之后计算整体满 意度W_result。具体方法为：

首先根据预测出的最优服务的可靠性和类似图1的工作流结构，考虑整个组合方 案的可靠性，目前常见的四种工作流程结构包括顺序、分支、循环和并行。顺序结构 是组成其他结构的基本类型，下面我们只介绍顺序的可靠性计算方法，其它结构可根 据自身特点推导得出。在顺序结构中，用户一个接一个地执行任务，一旦任何任务序 列失败，整个组合方案就会崩溃。假设有n个任务，每个任务的失败概率表示为pi， 则整体的失败概率为根据失败概率可得出每个备选方案的整体可靠 性CS_rel。然后根据下式对每个备选方案进行加权求值，得到整体满意度W_result

$W_{\mathrm{result}}=\left({1-w}_{\mathrm{rel}}\right)*\underset{i=1}{\overset{n}{\Sigma }}\frac{f\left(s_i\right)}{n}+{\mathrm{CS}}_{\mathrm{rel}}*w_{\mathrm{rel}}$

其中，CS_rel代表该备选方案的整体可靠性，w_rel∈(0,1)是可靠性对最终组合方案 的重要性，f(s_i)是根据步骤2）计算出来的第i个服务集合中的最优服务的QoS满足 情况。将tⁿ个结果中的最大值所对应的备选方案作为最终组合方案。