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

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

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

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ASV_l拟等待的服务提供者PSV_l，m的个数M_l和时长τ_l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ASV_l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PSV_l，m的到达率λ_l和每一个PSV_l，m的性能指标值传递给所述服务请求者ASV_l，其步骤如下：

步骤(2.1)：所述服务请求者ASV_l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PSV_l，m，并向所述性能代理PMS询问这些服务提供者PSV_l，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PSV_l，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PSV_l，m的个数，以及每一个服务提供者PSV_l，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PSV_l，m在统计时段内已到达个数的到达率λ_l，并把所述到达率λ_l以及每一个服务提供者PSV_l，m的性能指标值一起传送

给所述服务请求者ASV_l；

步骤(3)：所述第l个服务请求者ASV_l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M_l，

步骤(3.1)：设定所述服务请求者ASV_l所等到的M_l个服务提供者PSV中各个服务提供者PSV_l，m的综合性能指标值μ_l，m，m＝1，2，...，M_l，

步骤(3.1.1)：确定所述服务请求者ASV_l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ASV_l，l＝1，2，...，L，对应着M_l个服务提供者PSV_l，m，m＝1，2，...，M_l，M_l为预设值，则第l个服务请求者ASV_l所对应的第m个服务提供者PSV_l，m的某个具体性能指标为

ASV_l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k_r个具体性能指标相对于第k_v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k_v具体性能指标相对于第k_r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：

$A=(w_{k_r,k_v},1\&le;k_r,k_v\&le;K)$

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，...w_K)^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C_I：

C_I＝(λ_max-q)/(q-1)，其中，

λ_max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C_R为随机性指标，C_R的值与所述判断矩阵A的阶数q有关：

若C_I/C_R<0.1，则所述判断矩阵A满足一致性要求，

若C_I/C_R≥0.1，则所述判断矩阵A不能满足一致性要求，应重新选取各标度值

建立新的判断矩阵，直至达到一致性要求为止；

步骤(3.1.4)：按下式对步骤(3.1.1)得到的

进行统一量化，

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

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{P_{l,m}^k-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

对于其值越高、性能越差的减量型性能指标，按下式计算统一量化后的性能指标值

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-P_{l,m}^k}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

步骤(3.1.5)：按下式对步骤(3.1.4)得到的

进行加权计算，得到所述服务请求者ASV_l的所述服务提供者PSV_l，m的综合性能值μ_l，m

$u_{l,m}=\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{k}U\left(P_{l,m}^k\right)}{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k}$

步骤(3.2)：确定步骤(3.1)中所述的服务请求者ASV_l在概率p₂下等待所述的服务提供者PSV_l，m的拟等待个数M_l，其中p₂为在时间段(0，τ_l]内所到达的M_l个服务提供者中综合性能值最大者满足所述ASV_l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PSV_l，m的综合性能值u_l，m，m＝1，2，...，M’可拟合得到所述ASV_l的所有服务提供者的性能分布函数F(X_l)，不失一般性，假设F(X_l)服从参数为u_l的指数分布，即

$F\left(X_l\right)=1-e^{-x_l/u_l}$

其中u_l的无偏估计为：

$\stackrel{\&OverBar;}{u_l}=\frac{1}{M\&prime;}\underset{m=1}{\overset{M\&prime;}{\mathrm{\&Sigma;}}}{u}_m$

步骤(3.2.2)：设定所述ASV_l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(X_l)计算得到x¹＝u_l×ln10≈2.3u_l，p₂的计算式如下：

$p_2=1-{(1-e^{-x^1/u_l})}^{M_l}$

步骤(3.2.3)：按下式计算M_l的值：

即有p₂的概率保证在M_l个所到达的服务提供者中存在满足所述服务请求者ASV_l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M_l值；步骤(3.3)：确定所述服务请求者ASV_l等待所述的服务提供者PSV_l，m的拟等待时长τ_l，

步骤(3.3.1)：所述ASV_l在所述时间段(0，τ_l]，τ_l>0，内所到达的服务提供者的个数大于M_l的概率表示为p₁，p₁的计算式为：

$p_1=1-e_k^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}\underset{k=0}{\overset{M_l}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{!}$

其中，λ_l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τ_l内将有不少于M_l个服务提供者到达，其中p₁是预先设定的值，M_l为步骤(3.2)中求解得到的值，

令n＝M_l，λ＝λ_lτ_l，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τ_l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＝M_l、λ＝λ_lτ_l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τ_l按下式计算：

${\mathrm{\&tau;}}_l=\frac{{\mathrm{\&chi;}}_{(1-p_1)}^2\left(2(M_l+1)\right)}{2{\mathrm{\&lambda;}}_l},M_l<22$

其中，

是用x²-分布函数表示的泊松分布表中1-p₁所对应的值， $p_1=1-e_k^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}\underset{k=0}{\overset{M_l}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{!}$ 为设定值，

否则按下式计算：

${\mathrm{\&tau;}}_l=\frac{{(z_{(1-p_1)}+\sqrt{4(M_l+1)-1})}^2}{4{\mathrm{\&lambda;}}_l}$

其中，

为标准正态分布的上(1-p₁)分位点；

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Reli_busi和业务风险度Risk_busi；业务时间Time_busi；业务成本Cost_busi；业务柔性Flex_busi；业务的组织关联度Org_relation；

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Q_time；***有效性Q_avail；***组织关联度Qorg_relation；***柔性Q_flex；***吞吐率Q_turn；

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IT_reli；IT资源利用率IT_utili；***配置和***负载IT_config

6.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，其特征在于所述权重标度值

各级的相对重要性表示为：

$w_{k_r,k_v}=1,$ 表示第k_r个性能指标与第k_v个性能指标同样重要；

$w_{k_r,k_v}=3,$ 表示第k_r个性能指标比第k_v个性能指标稍微重要；

$w_{k_r,k_v}=5,$ 表示第k_r个性能指标比第k_v个性能指标明显重要；

$w_{k_r,k_v}=7,$ 表示第k_r个性能指标比第k_v个性能指标重要得多；

$w_{k_r,k_v}=9,$ 表示第k_r个性能指标比第k_v个性能指标极端重要；

$w_{k_r,k_v}=2,\mathrm{4,6,8},$ 表示第k_r个性能指标与第k_v个性能指标的重要性比较结果处于以上结果之间；

表示第k_v个性能指标与第k_r个性能指标的重要性是第k_r个性能指标与第k_v个性能指标的重要性比较结果的倒数。

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ASV_l的服务提供者PSV_l，m的到达是参数为λ_l的齐次泊松过程，综合性能服从参数为u_l的指数分布，具体参数如表1所示。

表1  SOBP中虚拟服务{ASV_l}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Reli_busi，业务时间Time_busi，业务成本Cost_busi，***响应时间Q_time，***有效性Q_avail}；判断矩阵为

$A=\left[\begin{array}{ccccc}1& 1/2& 1/3& 2& 3\\ 2& 1& 1/3& 5& 9\\ 3& 3& 1& 5& 7\\ 1/2& 1/3& 1/5& 1& 5\\ 1/3& 1/9& 1/7& 1/5& 1\end{array}\right]$

通过计算得其最大特征值为λ_max＝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C_I＝0.1032，又已知C_R＝1.12，由于C_I/C_R<0.1，因此该W即为以上五项性能指标的权重集。当ASV₄中PSV_4.m的各项性能指标值确定后就可计算其综合性能值u_4，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PSV_1，j是参数为λ₁＝2的齐次泊松过程，到达的PSV_1，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PSV_1，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PSV_1，7的性能值u_1，7＝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，PSV_1，7的到达时刻为t_1，7＝10.97<τ₁。而性能最大者为第56个服务。

类似的，可得所有ASV_l的等待个数M_l和等待时长τ_l，l＝1，2，3，4(如表1所示)。因此，对于SOBP而言，可在等待时长max{τ_l}＝31.27或每个虚拟服务ASV_l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ASV_l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ASV_l拟等待的服务提供者到达个数M_l及其拟等待的时长τ_l。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ASV_l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{PSV_l，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ASV_l的所述服务提供者PSV_l，m的到达率λ_l、和PMS代理返回的相应PMS性能值一起，传递给ASV_l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ASV_l各服务提供者{PSV_l，m}的综合性能

1)步骤(1.1)：确定服务的性能评价指标集P_l

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Reli_busi和业务风险度Risk_busi

Reli_busi＝(1-Risk_bus)∈(0，1]，

其中，

$\mathrm{Ris}{k}_{\mathrm{busi}}=(\mathrm{\&Sigma;}|x_{p_i}-x_{r_i}|/x_{p_i})/n.$

业务可靠性描述实现所承诺的业务性能的可信度。设x_pi表示承诺的指标值，x_ri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Time_busi

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Cost_busi

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Flex_busi

${\mathrm{Flex}}_{\mathrm{busi}}=F_{\mathrm{fun}}\&CircleTimes;F_{\mathrm{perf}}.$

其中，F_fun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F_fun＝3。

F_perf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，F_perf＝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Org_relation

Org_relation∈(0，1)。

表示服务提供者O_i与SOBP中所有其他活动的组织O_i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Q_time

$Q_{\mathrm{time}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{{\mathrm{time}}_i}/n;$

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Q_avail

Q_avail＝T_succ/T_total。

表示在过去的T_total时间内服务可被成功调用的时间T_succ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Qorg_relation

Qorg_relation∈(0，1)。

表示服务提供者O_i与SOBP中其他活动的组织O_j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Q_flex

Q_flex＝f(Flex_busi)。

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Flex_busi的技术基础。

⑩***吞吐率Q_turn

Q_turn＝N/T_total。

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：

IT部件可靠性IT_reli

IT_reli＝T_work/T_total。

即在给定时间区间T_total内部件正常工作时间T_work所占百分比。

IT资源利用率IT_utili

IT_utili＝T_use/T_total。

表示在给定时间区间T_total内各种部件被使用的时间T_use所占的百分比。

***配置和***负载IT_config

IT_config∈(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IT_config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w_k；设SOBP包含J个活动，其中有L个服务请求者类型的活动ASV_l，l＝1，2，..，L；并设每个ASV_l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P_l可以用一个二维矩阵表示

$P_l=(P_{l,m}^k;1\&le;l\&le;L,1\&le;k\&le;K)$

(1)

其中，第m个服务提供者的性能指标P_l，m为一向量

$P_{l,m}=(P_{l,m}^k;1\&le;k\&le;K)$

(2)

类似的，可以对SOBP中其他类型的活动A_j的性能进行描述，其性能指标P_j，j＝1，2，...，J-L，可以用一个K维向量表示为，K是的活动A_j的性能指标的个数)：

$P_j=(P_j^k;1\&le;k\&le;\stackrel{\&OverBar;}{K})$

(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

首先采用两两比较的方法对服务性能指标的轻重进行标度

，标度值的定义如下：

$w_{k_r,k_v}=1,$ 表示第k_r个性能指标与第k_v个性能指标同样重要；

$w_{k_r,k_v}=3,$ 表示第k_r个性能指标比第k_v个性能指标稍微重要；

$w_{k_r,k_v}=5,$ 表示第k_r个性能指标比第k_v个性能指标明显重要；

$w_{k_r,k_v}=7,$ 表示第k_r个性能指标比第k_v个性能指标重要得多；

$w_{k_r,k_v}=9,$ 表示第k_r个性能指标比第k_v个性能指标极端重要；

$w_{k_r,k_v}=2,\mathrm{4,6,8},$ 表示第k_r个性能指标与第k_v个性能指标的重要性比较结果处于以上结果之间；

表示第k_v个性能指标与第k_r个性能指标的重要性是第k_r个性能指标与第k_v个性能指标的重要性比较结果的倒数。

然后建立判断矩阵A：

$A=(w_{k_r,k_v},1\&le;k_r,k_v\&le;K)$

(4)

求解其特征向量并进行标准化得到权重集W：

W＝(w₁，w₂，…，w_K)^T

(5)

最后通过计算一致性指标C_I对判断矩阵的一致性进行检验：

C_I＝(λ_max-q)/(q-1)

(6)

式(6)中λ_max是A的最大特征值，q为A的阶数。若C_I/C_R<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C_R的取值如下：

q＝1时，C_R＝0；

q＝2时，C_R＝0；

q＝3时，C_R＝0.58；

q＝4时，C_R＝0.9；

q＝5时，C_R＝1.12；

q＝6时，C_R＝1.24；

q＝7时，C_R＝1.32；

q＝8时，C_R＝1.41；

q＝9时，C_R＝1.45；

q＝10时，C_R＝1.49；

q＝11时，C_R＝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Reli_busi；而有些是值越高性能越差，即减量型的，如成本Cost_busi，因此需要对它们进行统一量化。对于式(2)中的性能P_l，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M_l表示所述服务请求者ASV_l的到达的服务提供者总个数。

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{P_{l,m}^k-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-P_{l,m}^k}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

$u_{l,m}=\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{k}U\left(P_{l,m}^k\right)}{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k}$

(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{PSV_l，m}的到达{N(t)，t≥0}是参数为λ_l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，S_n表示第n个服务提供者到达的时刻(n≥1)，则时间间隔{X_n＝S_n-S_n-1，n≥1}是独立且参数同为λ_l的指数分布。

因此，ASV_l在一定时间段(0，τ_l](τ_l>0)内到达的{PSV_l，m}的个数N(τ_l)≥M_l的概率为

$P(S_{M_l}\&le;{\mathrm{\&tau;}}_l)=P\{N\left({\mathrm{\&tau;}}_l\right)\&GreaterEqual;M_l\}$

$=\underset{k=M_l}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{k!}{e}^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}$

$=1-e^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}\underset{k=0}{\overset{M_l}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{k!}$

$=p_1$

(10)

即有p₁的概率保证等待τ_l时间将有不少于M_l个PSV_l，m}到达。

(3)步骤(3)：确定等待的响应者个数M_l

根据统计时段内已到达的M’个服务提供者的性能指标值{P_l，m ^k}，通过步骤(1)的算法计算，可得到所有{PSV_l，m}的综合性能{u_l，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(X_l)。不失一般性，可假设F(X_l)服从参数为u_l的指数分布，即

$F\left(X_l\right)=1-e^{-x_l/u_l}$

(11)

其中u_l的无偏估计为

$\stackrel{\&OverBar;}{u_l}=\frac{1}{M\&prime;}\underset{m=1}{\overset{M\&prime;}{\mathrm{\&Sigma;}}}{u}_{l,m}$

(12)

假设ASV_l综合性能的设计要求为≥x_l ¹(例如，若设x_l ¹为Top-10％，即性能值处于前10％，由式(11)得x_l ¹＝u_lln10≈2.3u_l)，则在时间段(0，τ_l]内到达的M_l个服务提供者{PSV_l，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：

$P\{\max (X_{l,1},X_{l,2},...,X_{l,M_l})\&GreaterEqual;x_l^1\}$

$=1-P\{\max (X_{l,1},X_{l,2},...,X_{l,M_l})\&le;x_l^1\}$

$=1-\underset{m=1}{\overset{M_l}{\mathrm{\&Pi;}}}P(X_{l,m}\&le;x_l^1)$

$=1-{(1-e^{-x_l^1/u_l})}^{M_l}$

$=p_2$

(13)

由式(13)求解得M_l的值可取为

(14)

即有p₂的概率保证在M_l个所到达的服务提供者中包含满足所述服务请求者ASV_l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τ_l。

根据式(10)，令n＝M_l，λ＝(λ_lτ_l)，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τ_l。

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

$P(x;\mathrm{\&lambda;})=\underset{k=0}{\overset{x}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&lambda;}}^y}{y!}{e}^{-\mathrm{\&lambda;}}$

$={\&Integral;}_{\mathrm{\&lambda;}}^{\&infin;}\frac{y^x}{x!}{e}^{-y}\mathrm{dy}$

$={\&Integral;}_{2\mathrm{\&lambda;}}^{\&infin;}{f}_{{\mathrm{\&chi;}}^2}({\mathrm{\&chi;}}^2;2(x+1))d{\mathrm{\&chi;}}^2$

(15)

其中，

$f_{{\mathrm{\&chi;}}^2}({\mathrm{\&chi;}}^2;n)=\left\{\begin{array}{cc}\frac{1}{2\mathrm{\&Gamma;}\left(\frac{n}{2}\right)}{\left(\frac{{\mathrm{\&chi;}}^2}{2}\right)}^{\frac{n}{2}-1}{e}^{-\frac{{\mathrm{\&chi;}}^2}{2}},& 0\&le;{\mathrm{\&chi;}}^2<\&infin;\\ 0,& {\mathrm{\&chi;}}^2<0\end{array}\right.$

(16)

为χ²-分布，n＝1，2，3...为其自由度， $\mathrm{\&Gamma;}\left(a\right)={\&Integral;}_0^{\&infin;}{x}^{a-1}{e}^{-x}\mathrm{dx}.$

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

$P({\mathrm{\&chi;}}^2>{\mathrm{\&chi;}}_{\mathrm{\&alpha;}}^2\left(n\right))={\&Integral;}_{{\mathrm{\&chi;}}_{\mathrm{\&alpha;}}^2\left(n\right)}^{\&infin;}{f}_{{\mathrm{\&chi;}}^2}({\mathrm{\&chi;}}^2;n)d{\mathrm{\&chi;}}^2=\mathrm{\&alpha;}$

(17)

联合求解式(10)、(15)和(17)得

${\mathrm{\&tau;}}_l=\frac{{\mathrm{\&chi;}}_{(1-p_1)}^2\left(2(M_l+1)\right)}{2{\mathrm{\&lambda;}}_l}$

(18)

若n＝2(M_l+1)≤45(即M_l<22)，通过查χ²-分布表可计算式(18)得到τ_l的值。

若n充分大时，可由下式进行计算

${\mathrm{\&chi;}}_{\mathrm{\&alpha;}}^2\left(n\right)\&ap;\frac{1}{2}{(z_{\mathrm{\&alpha;}}+\sqrt{2n-1})}^2$

(19)

其中z_α是标准正态分布的分位点。由式(18)和(19)可得，

${\mathrm{\&tau;}}_l=\frac{{(z_{(1-p_1)}+\sqrt{4(M_l+1)-1})}^2}{4{\mathrm{\&lambda;}}_l}$

(20)

这样就得到所述服务请求者ASV_l等待的服务提供者个数M_l、等待时长τ_l和所述ASV_l的每个服务提供者PSV_l，m的综合性能值u_l，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：

$A=(w_{k_r>k_v},1\&le;k_r,k_v\&le;K)$

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，...w_K)^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＝(λ_max-q)/(q-1)，其中，

λ_max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，

若CI/CR≥0.1，则所述判断矩阵A不能满足一致性要求，应重新选取各标度值

建立新的判断矩阵，直至达到一致性要求为止；

步骤(3.1.4)：按下式对步骤(3.1.1)得到的

进行统一量化，

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

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{P_{l,m}^k-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

对于其值越高、性能越差的减量型性能指标，按下式计算统一量化后的性能指标值

$U\left(P_{l,m}^k\right)=\left\{\begin{array}{cc}\frac{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-P_{l,m}^k}{\underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)},& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)\&NotEqual;0;\\ 1,& \underset{m=1}{\overset{M_l}{\max }}\left(P_{l,m}^k\right)-\underset{m=1}{\overset{M_l}{\min }}\left(P_{l,m}^k\right)=0\end{array}\right.$

步骤(3.1.5)：按下式对步骤(3.1.4)得到的

进行加权计算，得到所述服务请求者ASV1的所述服务提供者PSV1，m的综合性能值μl，m：

$u_{l,k}=\frac{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{k}U\left(P_{l,m}^k\right)}{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k}$

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

$F\left(X_l\right)=1-e^{-x_l/u_l}$

其中u1的无偏估计为：

$\stackrel{\&OverBar;}{u_l}=\frac{1}{M\&prime;}\underset{m=1}{\overset{M\&prime;}{\mathrm{\&Sigma;}}}{u}_m$

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：

$p_2=1-{(1-e^{-x^1/u_l})}^{M_l}$

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：

$p_1=1-e_k^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}\underset{k=0}{\overset{M_l}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{!}$

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。

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＝M1、λ＝λ1τ1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τ1按下式计算：

${\mathrm{\&tau;}}_l=\frac{{\mathrm{\&chi;}}_{(1-p_1)}^2\left(2(M_l+1)\right)}{2{\mathrm{\&lambda;}}_l},M1<22$

其中，

是用x2-分布函数表示的泊松分布表中1-p1所对应的值， $p_1=1-e_k^{-{\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l}\underset{k=0}{\overset{M_l}{\mathrm{\&Sigma;}}}\frac{{\left({\mathrm{\&lambda;}}_l{\mathrm{\&tau;}}_l\right)}^k}{!}$ 为设定值，

否则按下式计算：

${\mathrm{\&tau;}}_l=\frac{{(z_{(1-p_1)}+\sqrt{4(M_l+1)-1})}^2}{4{\mathrm{\&lambda;}}_l}$

其中，

为标准正态分布的上(1-p1)分位点。

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。

6.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，其特征在于所述权重标度值

各级的相对重要性表示为：

$w_{k_r,k_v}=1,$ 表示第kr个性能指标与第kv个性能指标同样重要；

$w_{k_r,k_v}=3,$ 表示第kr个性能指标比第kv个性能指标稍微重要；

$w_{k_r,k_v}=5,$ 表示第kr个性能指标比第kv个性能指标明显重要；

$w_{k_r,k_v}=7,$ 表示第kr个性能指标比第kv个性能指标重要得多；

$w_{k_r,k_v}=9,$ 表示第kr个性能指标比第kv个性能指标极端重要；

$w_{k_r,k_v}=\mathrm{2,4,6,8},$ 表示第kr个性能指标与第kv个性能指标的重要性比较结果处于以上结果之间；

表示第kv个性能指标与第kr个性能指标的重要性是第kr个性能指标与第kv个性能指标的重要性比较结果的倒数。

Images