CN101437049A - 服务架构下基于概率的服务提供者个数与时长的计算方法 - Google Patents
服务架构下基于概率的服务提供者个数与时长的计算方法 Download PDFInfo
- Publication number
- CN101437049A CN101437049A CNA2008102403302A CN200810240330A CN101437049A CN 101437049 A CN101437049 A CN 101437049A CN A2008102403302 A CNA2008102403302 A CN A2008102403302A CN 200810240330 A CN200810240330 A CN 200810240330A CN 101437049 A CN101437049 A CN 101437049A
- Authority
- CN
- China
- Prior art keywords
- performance index
- service
- isp
- value
- pms
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000005315 distribution function Methods 0.000 claims abstract description 7
- 101000642630 Homo sapiens Sine oculis-binding protein homolog Proteins 0.000 claims description 36
- 102100036670 Sine oculis-binding protein homolog Human genes 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000000205 computational method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 10
- 230000000052 comparative effect Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 229910018904 PSV1 Inorganic materials 0.000 claims 16
- 230000008676 import Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000005405 multipole Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
服务架构下基于概率的服务提供者个数与时长的计算方法属于面向服务架构SOA技术领域,其特征在于服务请求者为服务提供者所提供的各项服务的具体性能指标值设计一个所有服务提供者的综合性能评价指标集,并据此用所有到达者中性能最佳值的概率分布函数作为预定的可信度来确定拟等待的服务提供者的个数以及其拟等待时长,本发明从业务过程的全局来分析服务的业务性能以及服务与企业实际业务中其他类型活动之间的关系,其中各个具体的性能指标可根据需要灵活制定,灵活性强,而且既可在线也可离线实现。
Description
技术领域
本发明属于面向服务架构SOA的技术领域。
背景技术
面向服务架构(Service-Oriented Architecture,SOA)正以松散耦合、自底向上、点对点的方式改变着传统的***架构方法。它通过网络上大量服务的动态发布、发现、组合与重用,为企业动态集成独立于***平台的不同技术提供了一种新的机制,使业务对IT的可选择性和
可组合性大大增强。从而使面向服务环境下业务过程(Service-Oriented Business Process,SOBP)的性能与企业内、外部众多的包括服务在内的IT资源的选择、组合与高效运行密切相关。
因此,SOA下SOBP的性能分析牵涉大量的服务请求者、服务提供者和其他类型的活动(如人工型活动等),且它们的性能指标维数大,并包含连续、离散和逻辑量等多种类型,其性能目标又涉及多目标、多极小等特点。
针对服务等待、服务选择和服务性能评价,Cardellini等(Cardellini V,Casalicchio E,Vincenzo G,et al.A Framework for Optimal Service Selection in Broker-Based Architectureswith Multiple QoS Classes,Services Computing Workshops,2006:105-112)、Hu等(Hu J Q,Guo C G,Wang H M,et al.Quality Driven Web Services Selection e-Business Engineering:IEEE International Conference on ICEBE 2005:681-688.)和Kalepu等(Kalepu S,Krishnavamy S,Loke S W.Verity:a QoS Metric for Selecting Web Services and Providers:Fourth International Conference on Web Information Systems Engineering Workshops,2003:131-139)基于服务质量对服务选择问题进行了研究;代钰等(代钰,杨雷,张斌,等.支持服务组合选取的QoS模型及优化求解.计算机学报,2006,29(7):1167-1178和Chen等(ChenS P,Yan B,Zic J,et al.Evaluation and Modeling of Web Services Performance.InternationalConference on Web Services,2006:437-444)从IT角度研究了Web服务和组合服务的性能评价问题;沈益民提出了一种服务在线选择方法,可在等待服务到达的同时进行组合服务的综合性能计算(沈益民.具有多级结构的资源优化研究.博士论文,清华大学自动化系,2007.10)。
上述方法存在如下问题:
·主要依据服务自身的属性来分析服务间的相互关系及其性能,忽略了从业务过程全局的角度来分析服务的业务性能以及服务与企业实际业务过程中其他类型活动之间的相互关系;
·在服务性能评价过程中,服务请求者对服务提供者的等待个数和等待时长没有明确的预期,而是假定有足够多的服务提供者供选择,在所有可能的组合方式中评价各种方案,直到找到综合性能的最优解或满意解。这增加了服务选择的计算量,也没有充分利用已有的服务选择历史信息,不利于工业界的实际操作。
实际上,由于SOA环境下服务请求者ASV发出请求命令后,众多服务提供者PSV将陆续作出响应,并提供相应的性能指标值。依据不确定性理论中的关键值算法(Liu B,Uncertainty Theory,3rd ed.,(2008-11-3)[2008-10]http://orsc.edu.cn/liu/ut.pdf),ASV可依据服务提供者的到达规律和性能值及其历史信息确定拟等待的服务提供者个数和等待时长。
发明内容
本发明的目的是针对服务架构SOA下面向服务业务过程SOBP性能分析中牵涉大量服务请求者、服务提供者和其他类型的活动,且它们的性能指标维数大,包含连续、离散和逻辑量等多种类型,其性能目标又涉及多目标、多极小等特点,提出一种确定各服务请求者ASVl拟等待的服务提供者PSVl,m的个数Ml和时长τl的方法,以满足SOBP性能综合评价和服务匹配、选择与绑定时性能分析与综合评价的需要,提高SOBP性能分析问题的计算效率。
本发明的特征在于,所述方法以面向服务业务过程SOBP为基础,依次按以下步骤实现:
步骤(1):初始化
步骤(1.1):把至少一台服务代理计算机、以及至少一台性能指标PMS代理计算机接入Internet网,所述服务代理计算机简称服务代理,所述性能指标PMS代理计算机简称性能指标代理PMS,下同,其中:
所述服务代理装有服务元模型软件和服务代理软件,所述服务元模型软件中的服务元至少包括服务请求、服务提供、服务注册和服务总线各元模块,其中服务请求的指令格式至少包括:服务请求者ASV的名称和代码、服务提供者PSV的类型和性能指标PMS值,
所述服务代理软件执行以下操作:
侦听所述面向服务架构SOA环境下服务提供者PSV计算机的注册请求,所述服务提供者PSV计算机以下简称服务提供者PSV;
侦听该SOA环境下服务请求者ASV计算机的服务请求,并统计响应该服务请求者的服务提供者PSV在统计时长内单位时间段到达的服务提供者到达个数的统计值λ,称其为到达率,所述服务请求者ASV计算机以下简称服务请求者ASV;
侦听和接收所述性能指标代理PMS返回的性能指标值;
在所述的性能指标代理PMS上安装PMS代理软件,用于侦听在所述SOA环境下服务代理发出的性能指标PMS的询问,接收所述SOA环境下所述服务提供者PSV返回的PMS值;
步骤(1.2):把至少一台所述服务提供者PSV接入所述Internet网,在接入前,预录了用于注册送到所述服务代理的服务信息,同时,安装了服务软件客户端,用于侦听和响应所述SOA环境下所述性能指标代理发来的PMS询问;
步骤(1.3):把至少一台在所述面向服务业务过程SOBP下的所述服务请求者ASV接入所述Internet网,在接入前,安装有服务软件客户端,用于侦听所述SOA环境下所述服务代理返回的所述服务提供者PSV的序号及其性能指标PMS信息;
步骤(2):一个第l个所述服务请求者ASVl按以下步骤在面向服务业务过程SOBP发起一个进程,以使所述服务代理把统计时间段内到达的M’个服务提供者PSVl,m的到达率λl和每一个PSVl,m的性能指标值传递给所述服务请求者ASVl,其步骤如下:
步骤(2.1):所述服务请求者ASVl通过自己的服务软件客户端向所述服务代理输入所述服务请求;
步骤(2.2):所述服务代理从已经注册的所述服务提供者中搜索满足所述服务请求的服务提供者PSVl,m,并向所述性能代理PMS询问这些服务提供者PSVl,m的性能指标PMS值;
步骤(2.3):所述性能指标代理PMS通过所述服务提供者PSVl,m获取当前的性能指标代理PMS的状态,其中包括:已到达的服务提供者PSVl,m的个数,以及每一个服务提供者PSVl,m的性能指标值,并把这些值反馈给所述服务代理;
步骤(2.4):所述服务代理统计所述服务提供者PSVl,m在统计时段内已到达个数的到达率λl,并把所述到达率λl以及每一个服务提供者PSVl,m的性能指标值一起传送
给所述服务请求者ASVl;
步骤(3):所述第l个服务请求者ASVl按以下步骤计算在所述SOA环境下其中包含满足综合性能指标值处于前10%的服务提供者的等待个数Ml,
步骤(3.1):设定所述服务请求者ASVl所等到的Ml个服务提供者PSV中各个服务提供者PSVl,m的综合性能指标值μl,m,m=1,2,...,Ml,
步骤(3.1.1):确定所述服务请求者ASVl的性能评价指标集P
所述性能评价指标集P包括:业务级性能指标组、应用***级性能指标组以及IT基础设施级性能指标组,并对三个性能指标组中的全部具体性能指标编号,用k=1,2,...,K表示,K为全部性能指标的总个数,
设定所述面向服务业务过程SOBP包含J个活动,这J个活动中包括L个活动是服务请求者ASV的活动,L<J,对于每个服务请求者ASVl,l=1,2,...,L,对应着Ml个服务提供者PSVl,m,m=1,2,...,Ml,Ml为预设值,则第l个服务请求者ASVl所对应的第m个服务提供者PSVl,m的某个具体性能指标为ASVl的所有服务提供者的性能指标构成一个二维矩阵,
步骤(3.1.3):用层次分析法确定各个性能指标的权重集W:
步骤(3.1.3.1):用两两比较的方法对性能指标集中各性能指标的相对权重进行标度,标度值表示表示第kr个具体性能指标相对于第kv个具体性能指标的重要程度,所述重要程度共有九级,用1~9共9个整数表示,其倒数则表示第kv具体性能指标相对于第kr个具体性能指标的重要程度,从而构成一个判断矩阵A,该判断矩阵A表示如下:
步骤(3.1.3.2):求解所述判断矩阵A的特征向量,再进行归一化,得到所述权重集W:
W=(w1,w2,...wK)T
步骤(3.1.3.3):按照下式计算所述判断矩阵A所对应的一致性指标CI:
CI=(λmax-q)/(q-1),其中,
λmax是判断矩阵A的最大特征值,q为判断矩阵A的阶数;
步骤(3.1.3.4):按下式判定所述判断矩阵A的一致性,其中CR为随机性指标,CR的值与所述判断矩阵A的阶数q有关:
若CI/CR<0.1,则所述判断矩阵A满足一致性要求,
步骤(3.2):确定步骤(3.1)中所述的服务请求者ASVl在概率p2下等待所述的服务提供者PSVl,m的拟等待个数Ml,其中p2为在时间段(0,τl]内所到达的Ml个服务提供者中综合性能值最大者满足所述ASVl的综合性能值设计要求的概率,
步骤(3.2.1):根据在设定统计时段内所到达的M’个服务提供者PSVl,m的综合性能值ul,m,m=1,2,...,M’可拟合得到所述ASVl的所有服务提供者的性能分布函数F(Xl),不失一般性,假设F(Xl)服从参数为ul的指数分布,即
其中ul的无偏估计为:
步骤(3.2.2):设定所述ASVl的综合性能值的设计要求为≥x1(例如,若设x1为性能值处于前10%,由步骤(3.2.1.1)中所述概率分布函数F(Xl)计算得到x1=ul×ln10≈2.3ul,p2的计算式如下:
步骤(3.2.3):按下式计算Ml的值:
即有p2的概率保证在Ml个所到达的服务提供者中存在满足所述服务请求者ASVl综合性能值设计要求的服务提供者,给定一个p2,就有一个确定的Ml值;步骤(3.3):确定所述服务请求者ASVl等待所述的服务提供者PSVl,m的拟等待时长τl,
步骤(3.3.1):所述ASVl在所述时间段(0,τl],τl>0,内所到达的服务提供者的个数大于Ml的概率表示为p1,p1的计算式为:
其中,λl由统计时段内所到达的服务提供者的到达率进行估计,
即有p1的概率保证在等待时长τl内将有不少于Ml个服务提供者到达,其中p1是预先设定的值,Ml为步骤(3.2)中求解得到的值,
令n=Ml,λ=λlτl,若n,λ的值在国家标准GB-4086.6-83“统计分布数值表:泊松分布”所述的泊松分布表的范围之内,则τl用查所述泊松分布表计算得到;
2.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于,若所述n=Ml、λ=λlτl未在所述国家标准GB4086.6-83“统计分布数值表:泊松分布”所述的泊松分布表的范围之内,则所述拟等待时长τl按下式计算:
否则按下式计算:
3.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述业务级性能指标包括:业务可靠性Relibusi和业务风险度Riskbusi;业务时间Timebusi;业务成本Costbusi;业务柔性Flexbusi;业务的组织关联度Orgrelation;
4.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述应用***级性能指标包括:***响应时间Qtime;***有效性Qavail;***组织关联度Qorgrelation;***柔性Qflex;***吞吐率Qturn;
5.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述IT技术基础设施级性能指标包括:IT部件可靠性ITreli;IT资源利用率ITutili;***配置和***负载ITconfig
为说明本发明的实现过程和有效性,下面给出图1所示的SOBP中服务请求者等待的服务提供者个数与等待时长的确定及其综合性能的计算过程。
设面向服务业务过程SOBP的模型如图1所示。其中包含L=4个虚拟服务,即ASV1“订购零件”、ASV2“订单接收”、ASV3“运输1”和ASV4“运输2”。设ASVl的服务提供者PSVl,m的到达是参数为λl的齐次泊松过程,综合性能服从参数为ul的指数分布,具体参数如表1所示。
表1 SOBP中虚拟服务{ASVl}的参数
(1)服务的综合性能计算
图1所示的SOBP中ASV4“运输2”有六个物理服务。这里主要关注其性能指标中的①②③⑥⑦五项,即其性能评价指标集P4={业务可靠性Relibusi,业务时间Timebusi,业务成本Costbusi,***响应时间Qtime,***有效性Qavail};判断矩阵为
通过计算得其最大特征值为λmax=5.4172,对应的特征向量为W=(0.1348,0.2802,0.4507,0.0980,0.0363),计算一致性指标CI=0.1032,又已知CR=1.12,由于CI/CR<0.1,因此该W即为以上五项性能指标的权重集。当ASV4中PSV4.m的各项性能指标值确定后就可计算其综合性能值u4,m。
(2)服务等待个数和等待时长的确定
下面以ASV1为例详细说明服务请求者拟等待的服务提供者个数与等待时长的确定过程:
●设ASV1的服务提供者PSV1,j是参数为λ1=2的齐次泊松过程,到达的PSV1,m的综合服务性能服从参数u1=0.8的指数分布。
●要求到达的服务提供者的期望最优性能处于所有服务的前10%,即取x1 1=u1ln10=1.84,则有p2=0.9,即有90%的概率保证到达的前m1=22个服务提供者中包含综合性能优于x1 1的服务。
●由于m1≥22,则有p1=0.9,即有90%的概率保证等待时长τ1=15.64将有m1=22个服务到达。
●案例面向服务过程SOBP的虚拟服务ASV1的服务提供者流PSV1,m的某次到达时刻情况如图2所示。它们的综合性能值以及综合性能寻优过程如图3所示。
由图3可见,该次服务提供者到达过程中的第7个服务PSV1,7的性能值u1,7=2.49满足大于期望性能值x1 1=1.84的要求,相应的,由图2可知,PSV1,7的到达时刻为t1,7=10.97<τ1。而性能最大者为第56个服务。
类似的,可得所有ASVl的等待个数Ml和等待时长τl,l=1,2,3,4(如表1所示)。因此,对于SOBP而言,可在等待时长max{τl}=31.27或每个虚拟服务ASVl都有22个服务提供者到达时终止对服务提供者的等待。
附图说明
图1:面向服务业务过程SOBP模型示例图。
图2:虚拟服务ASV1的服务提供者到达时刻图。
图3:ASV1各到达服务提供者的综合性能和综合性能寻优过程。
图4:***结构图。
图5:***流程图。
具体实施方式
面向服务业务过程SOBP中的服务请求者ASVl可以按照期望的综合性能指标值以预定的可信度确定所述ASVl拟等待的服务提供者到达个数Ml及其拟等待的时长τl。本发明中SOBP的多种性能指标可以根据需要灵活定制,服务的综合性能评价算法也可根据需要与其他的优化算法集成,计算方式的实现可以是在线方式或离线方式。
本发明依以下步骤实现:
1.初始化设定
(1)建立所述面向服务SOA环境
SOA环境如图4所示,其环境建立过程如下:
1)建立或接入Internet、Intranet或Extranet网络环境;
2)建立一台或者多台服务代理,步骤如下:
A.安装必要的***软件,如操作***、数据库软件;
B.接入上述网络环境;
C.安装服务元模型(包括服务请求、服务提供、服务注册、服务总线等);
D.安装服务代理软件:
a.侦听所述SOA环境下服务提供者PSV的注册请求;
b.侦听所述SOA环境下服务请求者ASV的服务请求,并统计响应所述服务请求者的服务提供者在统计时段内的单位时间段到达率;
c.侦听和接收性能指标(Performance MetricS)PMS代理返回的性能指标值;
3)建立一台或者多台PMS代理
A.安装必要的***软件,如操作***、数据库软件;
B.接入上述网络环境;
C.安装PMS代理软件:
a.侦听所述SOA环境下服务代理的PMS询问;
b.接收所述SOA环境下服务提供者返回的PMS值;
4)PMS代理可以和服务代理使用同一台服务器,构成一种简化的SOA环境;
(2)服务提供者PSV的安装及服务发布
1)安装必要的***软件,如操作***、数据库软件;
2)接入上述网络环境;
3)录入服务信息,发布(注册)到服务代理中;
4)安装服务软件客户端,侦听和响应所述SOA环境下PMS代理发出的PMS询问;
(3)SOBP中服务请求者ASV的安装
1)安装必要的***软件,如操作***、数据库软件;
2)接入上述网络环境;
3)安装服务软件客户端,侦听该SOA环境下服务代理返回的服务提供者PSV及其PMS信息。
2.SOBP中的ASV发起运行过程
SOBP的示例模型如图1所示,它包含多个ASV。SOBP中每个ASV都发起一个运行过程(如图5所示)。
(1)发出服务请求
服务请求者ASVl通过客户端软件,输入服务请求。软件将该请求传递给服务代理。
(2)服务匹配
服务代理软件收到服务请求后,从注册的服务提供者PSV中搜索满足请求要求的{PSVl,m},并向PMS代理询问这些PSV的PMS指标。
(3)获取PSV的PMS值
PMS代理软件通过和各PSV的客户端软件交互,获取该提供者当前的PMS状态,包括其到达时刻、PMS性能值,并将各PSV的PMS信息反馈给服务代理。
(4)反馈PSV信息
服务代理统计所述服务请求者ASVl的所述服务提供者PSVl,m的到达率λl、和PMS代理返回的相应PMS性能值一起,传递给ASVl的客户端软件。
3.方法运行过程
具体步骤如下:
(1)步骤(1):确定ASVl各服务提供者{PSVl,m}的综合性能
1)步骤(1.1):确定服务的性能评价指标集Pl
SOBP中服务请求者的性能评价指标集包括业务级、应用***级和IT基础设施级性能指标组,各项性能指标的定义如下:
业务级性能指标组:
①业务可靠性Relibusi和业务风险度Riskbusi
Relibusi=(1-Riskbus)∈(0,1],
其中,
业务可靠性描述实现所承诺的业务性能的可信度。设xpi表示承诺的指标值,xri表示实际的值,这样可由n个使用者所给出的评价确定业务的可靠性。
②业务时间Timebusi
服务提供者承诺的完成该业务所需要的时间。它由服务提供者发布,可以是一个时间区间,如2-5天。
③业务成本Costbusi
服务提供者承诺的完成该业务所需要的成本。它由服务提供者发布,可以是一个区间,如200-500。
④业务柔性Flexbusi
其中,Ffun指某个业务功能实现方式的可选方案数,例如服务“运输”的功能实现方式有:空运、火车和汽车运输三种,因此Ffun=3。
Fperf指某种功能实现方式的不同性能方案数,例如空运的性能方案有:10天,100元;1天,500元;因此,Fperf=2。
表示业务功能与业务性能方案可组合的总方案数。
⑤业务的组织关联度Orgrelation
Orgrelation∈(0,1)。
表示服务提供者Oi与SOBP中所有其他活动的组织Oi之间在业务层面的关联关系。如果两个活动同属于一个组织,则其值为1。它可以衡量企业间的业务协作紧密程度。
应用***级性能指标组:
⑥***响应时间Qtime
即***从得到输入到给出输出的时间。可由服务执行的n次历史记录确定。
⑦***有效性Qavail
Qavail=Tsucc/Ttotal。
表示在过去的Ttotal时间内服务可被成功调用的时间Tsucc所占的百分比。服务被调用成功指在所承诺的响应时间内返回正确的响应结果。
⑧***组织关联度Qorgrelation
Qorgrelation∈(0,1)。
表示服务提供者Oi与SOBP中其他活动的组织Oj之间在IT层面的关联关系。若两个活动同属一个组织,则其值为1。它主要从IT角度衡量企业间的协作紧密程度。
⑨***柔性Qflex
Qflex=f(Flexbusi)。
它与服务的IT实现技术有关,如功能描述,服务的接口描述,是Flexbusi的技术基础。
⑩***吞吐率Qturn
Qturn=N/Ttotal。
服务在单位时间内能处理正常服务请求事务的个数。
IT基础设施级性能指标组:
ITreli=Twork/Ttotal。
即在给定时间区间Ttotal内部件正常工作时间Twork所占百分比。
ITutili=Tuse/Ttotal。
表示在给定时间区间Ttotal内各种部件被使用的时间Tuse所占的百分比。
***配置和***负载ITconfig
ITconfig∈(0,1)。
它综合评价***的结构、调度策略、工作方式等,是以上所有指标的基础。可以采用定性分析方法、Benchmarking等方法对ITconfig赋值。
将所述的各项性能指标进行编号,记为k,1≤k≤K,K是三组性能指标的总个数,相应的权重记为wk;设SOBP包含J个活动,其中有L个服务请求者类型的活动ASVl,l=1,2,..,L;并设每个ASVl有多个物理服务,用m表示,则第l个服务请求者的性能指标Pl可以用一个二维矩阵表示
(1)
其中,第m个服务提供者的性能指标Pl,m为一向量
(2)
类似的,可以对SOBP中其他类型的活动Aj的性能进行描述,其性能指标Pj,j=1,2,...,J-L,可以用一个K维向量表示为,K是的活动Aj的性能指标的个数):
(3)
2)步骤(1.2):基于层次分析法(Analytic Hierarchy Process,AHP)确定各性能指标的权重集W
然后建立判断矩阵A:
(4)
求解其特征向量并进行标准化得到权重集W:
W=(w1,w2,…,wK)T
(5)
最后通过计算一致性指标CI对判断矩阵的一致性进行检验:
CI=(λmax-q)/(q-1)
(6)
式(6)中λmax是A的最大特征值,q为A的阶数。若CI/CR<0.1,可认为判断矩阵A的一致性达到了要求,相应的,式(5)就是所要求的权重集;否则需要重新进行判断,并写出新的判断矩阵,直到找到合适的权重集为止。其中随机性指标CR的取值如下:
q=1时,CR=0;
q=2时,CR=0;
q=3时,CR=0.58;
q=4时,CR=0.9;
q=5时,CR=1.12;
q=6时,CR=1.24;
q=7时,CR=1.32;
q=8时,CR=1.41;
q=9时,CR=1.45;
q=10时,CR=1.49;
q=11时,CR=1.51;
3)步骤(1.3):性能指标值的统一量化及综合评价
由于所述服务请求者ASV的性能指标的性能值有些是其值越高,性能越好,即是增量型的,如可靠性Relibusi;而有些是值越高性能越差,即减量型的,如成本Costbusi,因此需要对它们进行统一量化。对于式(2)中的性能Pl,m k,增量型的可采用式(7),而减量型的则采用式(8)分别进行统一量化计算,并采用式(9)进行加权计算。同样的可以对(3)中的进行统一量化和加权计算,其中Ml表示所述服务请求者ASVl的到达的服务提供者总个数。
(2)步骤(2):等待响应者到达
不失一般性,不妨假设服务提供者{PSVl,m}的到达{N(t),t≥0}是参数为λl的时齐泊松过程,其中N(t)表示在(0,t]内到达的服务个数。令S0=0,Sn表示第n个服务提供者到达的时刻(n≥1),则时间间隔{Xn=Sn-Sn-1,n≥1}是独立且参数同为λl的指数分布。
因此,ASVl在一定时间段(0,τl](τl>0)内到达的{PSVl,m}的个数N(τl)≥Ml的概率为
(10)
即有p1的概率保证等待τl时间将有不少于Ml个PSVl,m}到达。
(3)步骤(3):确定等待的响应者个数Ml
根据统计时段内已到达的M’个服务提供者的性能指标值{Pl,m k},通过步骤(1)的算法计算,可得到所有{PSVl,m}的综合性能{ul,m;m=1,...,M’},进一步可拟合得到所述服务提供者综合性能值的统计分布函数F(Xl)。不失一般性,可假设F(Xl)服从参数为ul的指数分布,即
(11)
其中ul的无偏估计为
(12)
假设ASVl综合性能的设计要求为≥xl 1(例如,若设xl 1为Top-10%,即性能值处于前10%,由式(11)得xl 1=ulln10≈2.3ul),则在时间段(0,τl]内到达的Ml个服务提供者{PSVl,m}中的综合性能值最佳的服务提供者满足设计要求的概率为p2:
(13)
由式(13)求解得Ml的值可取为
(14)
即有p2的概率保证在Ml个所到达的服务提供者中包含满足所述服务请求者ASVl的性能设计要求的服务提供者。
(4)步骤(4):确定拟等待的响应时间τl。
根据式(10),令n=Ml,λ=(λlτl),若n,λ的值在国家标准GB-4086.6-83“统计分布数值表:泊松分布”所述的泊松分布表的范围之内,则可查表求解τl。
若所述泊松表不能满足要求,则可用χ2-分布函数表示所述泊松分布,即
(15)
其中,
(16)
为χ2-分布,n=1,2,3...为其自由度,
又由χ2-分布的分位点定义可知,对于给定的分位点α,0<α<1有
(17)
联合求解式(10)、(15)和(17)得
(18)
若n=2(Ml+1)≤45(即Ml<22),通过查χ2-分布表可计算式(18)得到τl的值。
若n充分大时,可由下式进行计算
(19)
其中zα是标准正态分布的分位点。由式(18)和(19)可得,
(20)
这样就得到所述服务请求者ASVl等待的服务提供者个数Ml、等待时长τl和所述ASVl的每个服务提供者PSVl,m的综合性能值ul,m
本发明有两种具体实现方式:
独立方式:
按照本发明中发明内容的步骤,完整构建SOA环境,并实施本发明的方法,可计算各服务的综合性能,并确定各服务请求者等待服务提供者的个数和等待时长。
集成方式:
对于已经建立了SOA环境且有其他仿真优化包的情况,本发明提出的方法可以与其他的仿真优化包进行集成,更灵活地适应SOA下面向服务业务过程SOBP的性能优化计算。例如,首先按照本发明确定SOBP中各服务请求者等待的服务个数,然后与Arena和OptQues(Kelton W D.Sadowski R P,Sturrock D T.Simulation with Arena,New York:McGraw-Hill Companies,Inc,2004.)集成,优化SOBP的性能。
Claims (6)
1.服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述方法以面向服务业务过程SOBP为基础,依次按以下步骤实现:
步骤(1):初始化
步骤(1.1):把至少一台服务代理计算机、以及至少一台性能指标PMS代理计算机接入Internet网,所述服务代理计算机简称服务代理,所述性能指标PMS代理计算机简称性能指标代理PMS,下同,其中:
所述服务代理装有服务元模型软件和服务代理软件,所述服务元模型软件中的服务元至少包括服务请求、服务提供、服务注册和服务总线各元模块,其中服务请求的指令格式至少包括:服务请求者ASV的名称和代码、服务提供者PSV的类型和性能指标PMS值,
所述服务代理软件执行以下操作:
侦听所述面向服务架构SOA环境下服务提供者PSV计算机的注册请求,所述服务提供者PSV计算机以下简称服务提供者PSV;
侦听该SOA环境下服务请求者ASV计算机的服务请求,并统计响应该服务请求者的服务提供者PSV在统计时长内单位时间段到达的服务提供者到达个数的统计值λ,称其为到达率,所述服务请求者ASV计算机以下简称服务请求者ASV;
侦听和接收所述性能指标代理PMS返回的性能指标值;
在所述的性能指标代理PMS上安装PMS代理软件,用于侦听在所述SOA环境下服务代理发出的性能指标PMS的询问,接收所述SOA环境下所述服务提供者PSV返回的PMS值;
步骤(1.2):把至少一台所述服务提供者PSV接入所述Internet网,在接入前,预录了用于注册送到所述服务代理的服务信息,同时,安装了服务软件客户端,用于侦听和响应所述SOA环境下所述性能指标代理发来的PMS询问;
步骤(1.3):把至少一台在所述面向服务业务过程SOBP下的所述服务请求者ASV接入所述Internet网,在接入前,安装有服务软件客户端,用于侦听所述SOA环境下所述服务代理返回的所述服务提供者PSV的序号及其性能指标PMS信息;
步骤(2):一个第1个所述服务请求者ASV1按以下步骤在面向服务业务过程SOBP中发起一个进程,以使所述服务代理把统计时间段内到达的M’个服务提供者PSV1,m的到达率λ1和每一个PSV1,m的性能指标值传递给所述服务请求者ASV1,其步骤如下:
步骤(2.1):所述服务请求者ASV1通过自己的服务软件客户端向所述服务代理输入所述服务请求;
步骤(2.2):所述服务代理从已经注册的所述服务提供者中搜索满足所述服务请求的服务提供者PSV1,m,并向所述性能代理PMS询问这些服务提供者PSV1,m的性能指标PMS值;
步骤(2.3):所述性能指标代理PMS通过所述服务提供者PSV1,m获取当前的性能指标代理PMS的状态,其中包括:已到达的服务提供者PSV1,m的个数,以及每一个服务提供者PSV1,m的性能指标值,并把这些值反馈给所述服务代理;
步骤(2.4):所述服务代理统计所述服务提供者PSV1,m在统计时段内已到达个数的到达率λ1,并把所述到达率λ1以及每一个服务提供者PSV1,m的性能指标值一起传送给所述服务请求者ASV1;
步骤(3):所述第1个服务请求者ASV1按以下步骤计算在所述SOA环境下其中包含满足综合性能指标值处于前10%的服务提供者的等待个数M1,
步骤(3.1):设定所述服务请求者ASV1所等到的M1个服务提供者PSV中各个服务提供者PSV1,m的综合性能指标值μl,m,m=1,2,…,M1,
步骤(3.1.1):确定所述服务请求者ASV1的性能评价指标集P
所述性能评价指标集P包括:业务级性能指标组、应用***级性能指标组以及IT基础设施级性能指标组,并对三个性能指标组中的全部具体性能指标编号,用k=1,2,…,K表示,K为全部性能指标的总个数,
设定所述面向服务业务过程SOBP包含J个活动,这J个活动中包括L个活动是服务请求者ASV的活动,L<J,对于每个服务请求者ASV1,1=1,2,…,L,对应着M1个服务提供者PSV1,m,m=1,2,…,M1,M1为预设值,则第1个服务请求者ASV1所对应的第m个服务提供者PSV1,m的某个具体性能指标为ASV1的所有服务提供者的性能指标构成一个二维矩阵,
步骤(3.1.2):在所述SOBP的其他J-L个活动中,其中第j个活动的具体性能指标为1≤j≤J-L,1≤k≤K,第j个活动的所有性能指标构成一个一维向量,步骤(3.1.3):用层次分析法确定各个性能指标的权重集W:
步骤(3.1.3.1):用两两比较的方法对性能指标集中各性能指标的相对权重进行标度,标度值表示表示第kr个具体性能指标相对于第kv个具体性能指标的重要程度,所述重要程度共有九级,用1~9共9个整数表示,其倒数则表示第kv具体性能指标相对于第kr个具体性能指标的重要程度,从而构成一个判断矩阵A,该判断矩阵A表示如下:
步骤(3.1.3.2):求解所述判断矩阵A的特征向量,再进行归一化,得到所述权重集W:
W=(w1,w2,...wK)T
步骤(3.1.3.3):按照下式计算所述判断矩阵A所对应的一致性指标C1:
C1=(λmax-q)/(q-1),其中,
λmax是判断矩阵A的最大特征值,q为判断矩阵A的阶数;
步骤(3.1.3.4):按下式判定所述判断矩阵A的一致性,其中CR为随机性指标,CR的值与所述判断矩阵A的阶数q有关:
若CI/CR<0.1,则所述判断矩阵A满足一致性要求,
对于所述性能指标总数K中的其值越高、性能越好的增量型性能指标,按下式计算统一量化后的性能指标值U
步骤(3.2):确定步骤(3.1)中所述的服务请求者ASV1在概率p2下等待所述的服务提供者PSV1,m的拟等待个数M1,其中p2为在时间段(0,τ1]内所到达的M1个服务提供者中综合性能值最大者满足所述ASV1的综合性能值设计要求的概率,
步骤(3.2.1):根据在设定统计时段内所到达的M’个服务提供者PSV1,m的综合性能值ul,m,m=1,2,…,M’可拟合得到所述ASV1的所有服务提供者的性能分布函数F(X1),不失一般性,假设F(X1)服从参数为u1的指数分布,即
其中u1的无偏估计为:
步骤(3.2.2):设定所述ASV1的综合性能值的设计要求为≥x1(例如,若设x1为性能值处于前10%,由步骤(3.2.1.1)中所述概率分布函数F(X1)计算得到x1=u1×1n10≈2.3u1,p2的计算式如下:
步骤(3.2.3):按下式计算M1的值:
即有p2的概率保证在M1个所到达的服务提供者中存在满足所述服务请求者ASV1综合性能值设计要求的服务提供者,给定一个p2,就有一个确定的M1值;
步骤(3.3):确定所述服务请求者ASV1等待所述的服务提供者PSV1,m的拟等待时长τ1,
步骤(3.3.1):所述ASV1在所述时间段(0,τ1],τ1>0,内所到达的服务提供者的个数大于M1的概率表示为p1,p1的计算式为:
其中,λ1由统计时段内所到达的服务提供者的到达率进行估计,
即有p1的概率保证在等待时长τ1内将有不少于M1个服务提供者到达,其中p1是预先设定的值,M1为步骤(3.2)中求解得到的值,
令n=M1,λ=λ1τ1,若n,λ的值在国家标准GB-4086.6-83“统计分布数值表:泊松分布”所述的泊松分布表的范围之内,则τ1用查所述泊松分布表计算得到。
3.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述业务级性能指标包括:业务可靠性Relibusi和业务风险度Riskbusi;业务时间Timebusi;业务成本Costbusi;业务柔性Flexbusi;业务的组织关联度Orgrelation
4.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述应用***级性能指标包括:***响应时间Qtime;***有效性Qavail;***组织关联度Qorgrelation;***柔性Qflex;***吞吐率Qturn。
5.根据权利要求1所述的服务架构下基于概率的服务提供者个数与时长的计算方法,其特征在于所述IT技术基础设施级性能指标包括:IT部件可靠性ITreli;IT资源利用率ITutili;***配置和***负载ITconfig。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102403302A CN101437049B (zh) | 2008-12-17 | 2008-12-17 | 服务架构下基于概率的服务提供者个数与时长的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102403302A CN101437049B (zh) | 2008-12-17 | 2008-12-17 | 服务架构下基于概率的服务提供者个数与时长的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101437049A true CN101437049A (zh) | 2009-05-20 |
CN101437049B CN101437049B (zh) | 2012-02-08 |
Family
ID=40711268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102403302A Expired - Fee Related CN101437049B (zh) | 2008-12-17 | 2008-12-17 | 服务架构下基于概率的服务提供者个数与时长的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101437049B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208080A (zh) * | 2010-03-29 | 2011-10-05 | 深圳市腾讯计算机***有限公司 | 一种优化服务资源的方法及*** |
CN102647319A (zh) * | 2012-03-27 | 2012-08-22 | 许继集团有限公司 | 一种充换电站监控的应用服务***及进程间通讯方法 |
CN104572120A (zh) * | 2015-01-27 | 2015-04-29 | 东华理工大学 | 一种面向服务协同演化的软件构件可信度计算*** |
CN111551190A (zh) * | 2020-04-27 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于确定定位能力的方法、装置、设备及可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243032B (zh) * | 2016-12-26 | 2021-06-22 | 阿里巴巴集团控股有限公司 | 一种服务等级信息的获取方法、装置及设备 |
-
2008
- 2008-12-17 CN CN2008102403302A patent/CN101437049B/zh not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208080A (zh) * | 2010-03-29 | 2011-10-05 | 深圳市腾讯计算机***有限公司 | 一种优化服务资源的方法及*** |
CN102647319A (zh) * | 2012-03-27 | 2012-08-22 | 许继集团有限公司 | 一种充换电站监控的应用服务***及进程间通讯方法 |
CN104572120A (zh) * | 2015-01-27 | 2015-04-29 | 东华理工大学 | 一种面向服务协同演化的软件构件可信度计算*** |
CN104572120B (zh) * | 2015-01-27 | 2018-04-20 | 东华理工大学 | 一种面向服务协同演化的软件构件可信度计算*** |
CN111551190A (zh) * | 2020-04-27 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于确定定位能力的方法、装置、设备及可读存储介质 |
CN111551190B (zh) * | 2020-04-27 | 2022-07-22 | 北京百度网讯科技有限公司 | 自动驾驶确定定位能力的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101437049B (zh) | 2012-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100570569C (zh) | 网格计算环境下的作业跨域控制方法 | |
Li et al. | Load balance based workflow job scheduling algorithm in distributed cloud | |
CN101084680B (zh) | 在电信服务和/或网络管理平台中管理资源的方法、相应平台及其计算机程序产品 | |
US20030105868A1 (en) | Dynamic resource allocation using known future benefits | |
Yang et al. | A new adaptive neural network and heuristics hybrid approach for job-shop scheduling | |
CN101836190B (zh) | 用于将多个作业分配给多个计算机的方法和*** | |
CN103699446A (zh) | 基于量子粒子群优化算法的多目标工作流动态调度方法 | |
CN101361056A (zh) | 协调和选择从多个资源管理器获取资源的计算机协议 | |
CN106126323A (zh) | 基于云平台的实时任务调度方法 | |
CN102495758A (zh) | 分布式高性能计算环境中实时任务的调度方法 | |
CN101437049A (zh) | 服务架构下基于概率的服务提供者个数与时长的计算方法 | |
CN105119751A (zh) | 一种基于环境实时感知的服务评估及选取方法 | |
CN106095582A (zh) | 云平台的任务执行方法 | |
TW200532518A (en) | Methods and apparatus for managing computing resources based on yield management framework | |
CN104794644A (zh) | 一种面向智能服务引擎的任务众包方法 | |
CN109559033A (zh) | 一种面向云设计制造模式的社交化团队成员优选方法 | |
CN102438049A (zh) | SaaS应用***的***资源配置方法及装置 | |
CN108768703A (zh) | 一种云工作流调度的能耗优化方法、云计算*** | |
Yu et al. | A genetic programming approach to distributed QoS-aware web service composition | |
CN104869154A (zh) | 统筹资源可信度与用户满意度的分布式资源调度方法 | |
Kumar et al. | Traffic scheduling, network slicing and virtualization based on deep reinforcement learning | |
Veeramani et al. | Performance analysis of auction-based distributed shop-floor control schemes from the perspective of the communication system | |
CN109190798A (zh) | 一种云制造服务组合优选方法 | |
Roy et al. | Enhancing availability of grid computational services to ubiquitous computing applications | |
Huang | The value-of-information in matching with queues |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120208 Termination date: 20171217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |