CN111770020B - 一种基于最优路径选择的网络感知服务组合算法的方法 - Google Patents
一种基于最优路径选择的网络感知服务组合算法的方法 Download PDFInfo
- Publication number
- CN111770020B CN111770020B CN202010586754.5A CN202010586754A CN111770020B CN 111770020 B CN111770020 B CN 111770020B CN 202010586754 A CN202010586754 A CN 202010586754A CN 111770020 B CN111770020 B CN 111770020B
- Authority
- CN
- China
- Prior art keywords
- service
- path
- algorithm
- node
- network
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/302—Route determination based on requested QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于网络服务技术技术领域,尤其为一种基于最优路径选择的网络感知服务组合算法的方法,首先输入图G(V,E,s,t,ω,W,c,C,H,K)以及参数ε;之后根据步骤一中的服务网络图路径的节点约束,预先测减不满足服务能力的拓扑节点;根据步骤二中的被简化的服务网络图重新计算每条边的新权重,并设置搜索空间参数Δ;随后初始化(K‑1)维路径权值数组;并使用动态规划计算最优路径,记录路径节点;最后查找满足用户需求的最优服务组合路径。本发明的OSP算法进行对于一个给定的ε取值,OSP算法可以更快地找到与运行ADAPT算法一样的服务组合路径,与ADAPT算法对比,OSP算法大AET性能方面优势更为明显,同时对于不同的ε和W2取值,更快找到满足用户QoS需求的服务组合路径,而OSP算法稳定性强。
Description
技术领域
本发明属于网络服务技术领域,尤其涉及一种基于最优路径选择的网络感知服务组合算法的方法。
背景技术
随着云计算、物联网、移动互联网、大数据等现代信息技术的不断发展,用户(特别是手机用户)要求的日益增多,单一的服务已经无法满足用户的复杂要求,服务组合技术将现有的分布式的服务,集成为满足用户需求的组合服务。在个性化需求不断扩大的背景下,随着大量的手机APP软件的推出,如何将不同的服务进行组合,而又能保障全局网络的服务质量,已成为当今社会亟待解决的问题。
网络服务技术与我们的日常生活息息相关。当用户打开手机APP选择一个出行计划时,每一个服务类(也称为任务或抽象服务,如预订动车票、预订高铁订餐服务、预订接车服务、预订酒店)都有许多组合附加服务。它们能实现其所在服务类的功能,但是它们具有不同的服务质量。因此,人们会根据其提供的组合服务来选择最优的服务组合方案。云计算的这种服务形式高度依赖于网络服务,即云端与用户端之间的网络性能。当用户选择某一服务时,其服务质量往往会根据网络服务质量发生改变,即一个候选服务的选择会影响另一个候选服务的服务质量。在服务组合应用中,由于网络资源分配采用先来先得的方式,当多用户同时选择相应的服务时,一旦计算资源不足,就会出现网络阻塞,网络服务质量的性能也会大大下降。同时不同种类的候选服务根据原有的路径中的路由原则进行转发,网络传输层上服务质量也难保障。因此,同时考虑云服务和网络服务的QoS属性,解决一体化环境下服务组合问题,给出最优的服务组合算法,为不同需求的用户提供点到点服务质量保障,具有重要的理论价值和广阔的应用前景。
针对服务组合优化方面,许多学者也做出了大量的研究。张以文提出一种任务粒化算法(TgA,Task-granular Algorithm),用于快速有效地求解大规模服务组合优化问题.首先,构建任务粒化分层服务组合模型,并分析了该模型的计算复杂性;其次,根据现有QoS属性计算方式,从理论上分析其在任务粒化过程中的可行性;张丽娜在解决海量线上到线下(O2O)服务环境中,引入社会关系理论,在线上服务组合阶段考虑提高线下服务提供商之间的协作效率,同时优化算法的执行效率。首先,建立能够反映线下服务供应商之间协作效率的社会关系网络模型;其次,在线上优化阶段前增加服务过滤阶段,提出社会关系扩展的Skyline过滤方法,提高海量服务环境下的组合服务执行效率;最后,在服务组合优化阶段,在多目标遗传算法中增加针对协作效率的局部搜索算子。蔡江安等针对服务组合问题,利用服务组合策略,建立了以时间、实用性、创新性、可靠性等为优化目标的服务组合优化模型;同时通过聚类算法以及对组合服务的关联规则对路径搜索空间进行预处理,大大提高了搜索空间的效率,让知识服务资源能在服务组合中以较短的时间内进行精准定位并与之匹配,较大程度上提高服务组合的性能。
Funda Ergun等人针对双度量QoS选路问题,提出了一种性能出色的近似算法(ADAPT),通过选取最优的一个上、下界,引入一个多项式时间的近似测试过程,去不断地缩小上下界之间的距离,把路径搜索问题转化成区间搜索问题,在不断缩小的范围内,快速查找最优解。Guoliang Xue等人提出了一种PeseudoMCPP算法,给出了一种利用路径跳数构建路径搜索空间,可以获得在满足第一维路径权重约束D的情况下,其他维路径权重也都满足于某个给束C。由于Funda Ergun提出的算法非常耗时,而后者的算法不能继承已知的结果,因而都难以获得质量更好的求解方案。
发明内容
本发明在综合考虑网络服务特点的基础上,结合以上两种算法思路,给出了一种服务最优路径选择算法(OPS),以解决QoS感知的网络服务组合问题,可以提升网络服务质量水平,改善用户体验质量。
本发明是这样实现的,一种基于最优路径选择的网络感知服务组合算法的方法,包括如下步骤:
步骤一:输入图G(V,E,s,t,ω,W,c,C,H,K)以及参数ε;
步骤二:根据步骤一中的服务网络图路径的节点约束,预先测减不满足服务能力的拓扑节点;
步骤三:根据步骤二中的被简化的服务网络图重新计算每条边的新权重,并设置搜索空间参数Δ;
步骤四:初始化(K-1)维路径权值数组;
步骤五:使用动态规划计算最优路径,记录路径节点;
步骤六:查找满足用户需求的最优服务组合路径,
其中:假设一个服务组合方案,如在某服务网络中的一条路径p,如果对于有cv≥Ch和ωk(p)≤Wk,其中υ∈Sh,1≤h≤H,1≤k≤K,那么路径p是一个可行的服务组合方案,对于一个给定的图G(V,E),假设所有可行的服务组合方案记为{pf},那么对于其中任一个服务组合方案都存在一个最小值ηi∈(0,1]使得并且对于有cv≥Ch,1≤h≤H,
并对其进行拓扑结构转换:转化过程中Sa和Sb保持不变,执行完Sa之后,就分别以p1,p2,L,pn概率执行服务S1,S2,L,Sn,然后再执行Sb。ti,ci,ri,thi分别代表的响应时间、代价、可靠性和吞吐量,Fi(x),Pi(x),Pi(x),Pi(x)分别表示其对应概率响应时间t及其概率P,代价c及其概率P,可靠性r及其概率P,吞吐量th'及其概率P分别代表选择结构转换后服务S1n的值。
优选的,步骤二中:判断节点υ的服务能力不能满足服务需求的条件为cυ<Ch。
优选的,步骤三中:去除步骤二中的节点后原始服务网络图就被直接转化成一个更简单的图,用于求解QoS感知的服务组合问题的可行解,其中:zi={(α,β)|α∈V,β∈E′},其中E′表示关联性节点的新权重集合。
优选的,步骤四:其中数组dυ[δ2,L,δK]记录从源节点s到任一中间节点υ的路径p第一维参数最小权重(ω1),此外,该路径p满足ωk(p)≤δk,2≤k≤K;
数组pυ[δ2,L,δK]记录路径p上节点υ的前驱节点,该路径p满足ω1(p)=dυ[δ2,L,δK],且ωk(p)≤δk,2≤k≤K。
优选的,步骤五:当u-υ为图中一条边时,则从节点s到节点υ的第一维最小权重路径p一定经过某些中间节点u,当服务最优路径选择算法(OSP)通过搜索所有可能中间节点u与节点υ之间的边,来获得最小的第一维路径权重dυ[δ2,L,δK];
如果当前记录的第一维路径权重dυ[δ2,L,δK]大于之前的记录值dυ[δ2,L,δj-1,L,δK],则继承以前第一维最小路径重。
优选的,步骤六:如果路径P满足ωk(p)≤Wk,2≤k≤K,则算法返回可行路径p,否则返回无可行路径提示,程序终止。
与现有技术相比,本发明的有益效果是:
本发明的服务最优路径选择算法(OSP)进行对于一个给定的ε取值,服务最优路径选择算法(OSP)可以更快地找到与运行ADAPT算法一样的服务组合路径,即服务最优路径选择算法(OSP)的AET值更小,随着服务数的增大,它的优势更为明显,而ADAPT算法采用的算法由于逐步压缩路径上下界,过程较为缓慢,并且其最终所构建的搜索空间大于依靠跳数构建的搜索空间,因此,与ADAPT算法对比,服务最优路径选择算法(OSP)大AET性能方面优势更为明显,同时对于不同的ε和W2取值,服务最优路径选择算法(OSP)均优于ADAPT算法,即可更快找到满足用户QoS需求的服务组合路径,随着算法参数ε取值的增大,服务最优路径选择算法(OSP)的AET值较为平稳,而ADAPT算法的AET值逐渐变小,这说明,当满足用户需求的服务组合路径存在于搜索空间中的某一特定位置时,ADAPT算法对参数ε取值敏感,并受W2约束,而服务最优路径选择算法(OSP)稳定性强,本发明的服务最优路径选择算法(OSP)使用效果更好,更加的高效和实用。
附图说明
图1为某出行网络服务组合业务实例;
图2为选择结构化简;
图3为感知服务服务组合模型;
图4为服务最优路径选择算法(OSP)设计流程;
图5为不同服务数AET值;
图6为服务数为500和1000的ε取值;
图7为在相同服务数下(500和1000),ε和W2的实验结果;
图8为服务数为500和1000的W2的PWD值;
图9为不同服务数PWD值;
图10为服务最优路径选择算法(OSP)性能对比。
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。
实施例:
如图1所示的某出行案例,每一个服务类表示为{(S1,S2,S3,…,St)},按照组合服务对应的主体,我们可分为4个服务实例,即:打车平台服务、网上购票、网上订餐、酒店预定。任务粒(抽象服务)表示为{(S1,S2,S3,S4)}。若假设每个任务都有相关候选服务可以实现其所在服务类的功能,但是它们有不同的服务质量。因此,人们会根据候选服务的服务质量选择最优的服务组合方案。
服务组合能充分利用目前已有的服务,具有即时、快速和灵活组建分布式松耦合的优势。当网络用户向服务器端请求服务时,服务器端将调用服务组合过程,选择一系列原子服务组件来构建功能复杂的组合服务,以满足网络用户个性化的需求。本专利中的服务组合路径包括多个单个服务进行组合,即组合服务(也称多目标服务组合、多任务组合服务或综合***)。
当用户在每一个任务粒中选对一个候选服务时,候选服务目录根据用户的QoS要求,在大量候选的服务组合路径流程中选出满足用户要求的最优组合路径,由于每个候选服务组合路径包含多种拓扑结构,现有的大多数服务选择算法无法直接处理多种结构,因此在服务选择之前,需要对拓扑进行结构转换,图2为选择结构转化为过程。
如图2在这个转化过程中Sa和Sb保持不变。执行完Sa之后,就分别以p1,p2,L,pn概率执行服务S1,S2,L,Sn,然后再执行Sb。ti,ci,ri,thi分别代表的响应时间、代价、可靠性和吞吐量,Fi(x),Pi(x),Pi(x),Pi(x)分别表示其对应概率响应时间t及其概率P,代价c及其概率P,可靠性r及其概率P,吞吐量th'及其概率P分别代表选择结构转换后服务S1n的值。计算如下:
在服务组合模型中,单一服务通常无法满足用户需求,而需求要将多种服务按照顺序组成一条工作流来完成用户请求。在组合服务选择过程中,某个服务通常有多个候选服务提供商。如图3所示,每个服务St(1≤t≤T)中有许多原子服务组件Stf(1≤i≤T,1≤f≤F)作为服务组合的候选组件。该感知服务组合模型将网络服务和云服务的QoS参数一并映射在每两个服务之间的边上。对于每一个服务请求,这个服务组合过程将找到一条从服务入口s到服务出口t的路径p。如果该路径p贯穿所有被选中的服务组件,并且满足用户QoS需求,那么它就将作为组合服务(或服务组合方案)返回给用户。
在图1的的案例中,出行者打车平台服务、网上网票、网上订餐、酒店预定四个任务粒为云端服务时,则对应的网络质量就可以设定为其关联***。
当某服务类中一个候选服务的服务质量依赖于另一个服务类中候选服务的服务质量时,就称这两个候选服务之间存在一条关联性准则。显然,在一条关联性准则中,如果其中一个候选服务的服务质量发生改变,则关联的另一个候选服务的服务质量也必然发生变化。当一个关联性准则中涉及多个候选服务时,相应地,某些候选服务的服务质量的改变必然引起其他一些候选服务的服务质量的变化。从数学定义来看,zi={(α,β)|α∈V,β∈E′},其中E′表示关联性节点的新权重集合。具体来讲,α∈{v′1,v′2,L,v′I}表示I个关联性节点,对应地,β∈{ω′1(e),ω′2(e),L,ω′I(e)}表示I个新权重。
根据文献中所建立关联匹配器的过程及建立过程中所需的符号和对应的含义给出严格的数学定义。考虑到任务间的关联,某些已经完成的任务可能会影响未执行任务与具体服务的对应关系。在图3中,服务S1、S2、S3、S4为候选服务中(S1f,S2f,…,Stf)已完成的任务粒,并且都为一组具体有关联关系的任务粒。服务在选取任务时,首先需要考虑的是与服务具有关联关系的最优服务质量的任务粒。当具有关联关系的服务无法满足用户的需求,则重新对任务粒进行重选取。关联关系的重选取算法的步骤如下:
1)更新服务组合模型的参数:已经完成的任务集为Stf={S1f,S2f,…,Stf},对应完成任务的服务为E(Stf)={S1f,S2f,…,Stf},然后把Stf和E(Stf)间对应关系的参数x1,x2,…,xu设定为1。将集合E(Stf)包含的服务在实际执行过程中的价格与响应时间代入服务组合模型,并把这些服务在组合模型中对应的可靠性设置为1。
2)候选服务选择:设一组关联任务集为S1f={S11,S12,…,S1f},它对应的具有QoS关联关系的候选服务集为S2f={S21,S22,…,S2f}。任务集S1f∈S是一组已经完成的任务,对应E(Stf)的服务为E(Stf)={S1f,S2f,…,Stf},然后对于任意一组关联服务。如果满足条Stf∈E(Stf),则进行关联。
3)将以上两步得到结果用关联性准则进行关联,再利用服务组合模型参数进行判断,当参数为1时,任务关联;当参数为0时,任务关联失败。
基于QOS感知的服务组合算法:
在实际场景可承受的范围内,以消耗较少的资源找到近似最优解是完全可行的。根据近似算法理论设计一种求解该问题的网络服务组合近似算法是一种非常可靠有效的方法。因此,结合近似算法思想,本专利给出服务最优路径选择算法(OSP),以获得满足用户QoS需求的网络服务组合方案,算法流程图如图4所示。
网络感知服务组合服务最优路径选择算法(OSP)的伪代码如表1所示。
表1
服务最优路径选择算法(OSP)主要由以下四个具体步骤构成:
(1)第一步(第1行),根据节点约束删减拓扑结构。在服务网络中,cυ<Ch意味着节点υ的服务能力不能满足服务需求,因此该节点可以被预先排除在路径搜索空间外。
(2)第二步(第2行),计算每条边的新权重,设置参数Δ。此时,原始服务网络图就被直接转化成一个更简单的图,达到方便求解QoS感知的服务组合问题可行解的目的。
(3)第三步(第3~19行),初始化(K-1)维数组,运行动态规划过程,搜索服务入口节点s到服务出口节点t之间的路径。
①数组dυ[δ2,L,δK]记录从源节点s到任一中间节点υ的路径p第一维参数最小权重(ω1)。此外,该路径p满足ωk(p)≤δk,2≤k≤K。
②数组pυ[δ2,L,δK]记录路径p上节点υ的前驱节点。该路径p满足ω1(p)=dυ[δ2,L,δK],且ωk(p)≤δk,2≤k≤K。
③第10~13行:当u-υ为图中一条边时,则从节点s到节点υ的第一维最小权重路径p一定经过某些中间节点u,因此本专利所提出的服务最优路径选择算法(OSP)通过搜索所有可能中间节点u与节点υ之间的边,来获得最小的第一维路径权重dυ[δ2,L,δK]。
④第14~17行:如果当前记录的第一维路径权重dυ[δ2,L,δK]大于之前的记录值dυ[δ2,L,δj-1,L,δK],则继承以前第一维最小路径重,即dυ[δ2,L,δK]←dυ[δ2,L,δj-1,L,δK]。这一思路来源于ADAPT算法的思路,可以获得更优的可行解。对于文献中PseudoMCPP算法未能考虑该情形,搜索的最优路径p满足ω1(p)≤D,且ωk(p)≤c,2≤k≤K,其中c为正整数,c≤C。结合文献的ADAPT算法和PseudoMCPP算法的优点,服务最优路径选择算法(OSP)利用路径跳数构建搜索空间,在搜索最优解的过程中不断地继承已知结果,最终获得的最优路径p满足ω1(p)≤D,且ωk(p)≤δk,2≤k≤K,其中δk≤c。因此,对比ADAPT算法和PseudoMCPP算法,本专利所提出的服务最优路径选择算法(OSP)具有更好的性能,能够快速有效地获得满足用户需求的网络服务组合方案。
(4)第四步(第20~26行),查找第三步计算结果所获得的路径是否可行,是否满足用户所提约束条件。如果路径P满足ωk(p)≤Wk,2≤k≤K,则算法返回可行路径p,否则返回无可行路径提示,程序终止。
算法分析:
(H E证明:①删减拓扑花费时间为O(n+m);②计算边权重花费时间为O(m);③计算路径花费时间为④检验获得的路径是否可行花费时间为O(K)。因此,服务最优路径选择算法(OSP)在最坏情况下的时间复杂度为证毕。
证明:对于最优路径popt,有ωk(popt)≤ηopt·Wk,2≤k≤K,即
由dυ[δ2,L,δK]的定义和动态规划的过程,可知
可得
因为路径p有H-1跳,因此
即
ωk(p)≤(1+ρ)·η·Wk (23)
为了验证服务最优路径选择算法(OSP)的性能,本专利在不同环境下对算法进行不同的对比测试。
仿真采用MATLAB10仿真软件平台,硬件平台为Inter I 7双核处理器,16G DDR4的PC机。在测试算法性能过程中,本专利利用MATLAB10生成两组有向无环图作为数据集。第一组数据集包括10个有向无环服务网络,服务数规模为100-1000,其中每个服务网络有3个服务类(H=3),服务数之间的每条有向边有两个QoS参数,即K=2。第一个QoS参数在(2,10)范围内随机取值,第二个QoS参数在(10-8,10-5)范围内随机取值。
第二组数据集包括5个有向无环服务网络,服务数规模为20-100,其中每个服务网络也有3个服务类(H=3),服务数之间的每条有向边有三个QoS参数,即K=3。第一个QoS参数在(2,10)范围内随机取值,第二个QoS参数在(10-8,10-5)范围内随机取值,第三个QoS参数在(0,0.01)范围内随机取值。
为了评价OSP的性能有效性,本专利采用两个评价指标来反映算法求解时间和求解质量:平均执行时间(Average Execution Time,AET)和路径权重距离(Path WeightDistance,PWD),以达到测试算法综合性能的目的。
AET主要是用来评估算法在网络延时方面的指标,当网络用户花费的组合路径所需延时越小,则求解时间的性能越好。PWD主要不同运行代数下所得到的服务组合路径权重与网络用户路径约束之间的距离,则有
对于终端用户来讲,这个评价指标反映了算法所获得服务组合路径的QoS保障水平。显然,PWD值越大,算法所获得服务组合路径的质量越好。
根据前面的分析,本专利将近似度参数ε的引入服务最优路径选择算法(OSP)中。测试中将分别设定不同的ε值来分析其对QoS的影响,ε取值分别为0.01,0.02,0.03。对于用户端到端QoS请求,假设W1=50,W2∈[2.5×10-5,5×10-5],以保证算法可以在所有服务网络中找到一条可行的服务组合。本实验分别在ε不同取值条件下,将算法运行1000次迭代,取20次运行结果的并集,将得到的服务组合路径的平均时间值。图5给出了服务最优路径选择算法(OSP)在不同服务数规模[100-1000]时,获得满足用户需求的服务组合路径所需平均执行时间。当服务数规模增加时,AET值增加,即在更大规模服务网络中,需要花费更多时间来寻找相同路径的趋势。随着参数ε值的减少,搜索算路径的时间花费AET值增大,这主要是由于算法参数ε取值越小,路径搜索空间越大。因此,参数ε反映的是算法的近似度。ε取值越小,近似度越高,算法的搜索空间就越大。显然算法就需要花费更多的时间查找满足用户需求的服务组合路径。W2(x10-5)。
图6显示了随着ε取值的不同,算法的ATE值变化趋势。对于一个给定的ε取值,在服务数[100,1000]的范围内,服务最优路径选择算法(OSP)的搜索空间依赖于服务组合路径的跳数,其路径跳数值小并且可以预先获得,容易快速有效的构建搜索空间。服务最优路径选择算法(OSP)能较快找到服务组合路径,算法的平均执行时间AET值较小,尤其是在更大的服务数下表现更为突出。
图7(a)为在服务数为500和1000、不同ε取值的情况下AET的值。从图中可以看出,不同的ε取值,服务最优路径选择算法(OSP)可以较快的满足用户QoS需求的服务组合路径。此外,随着算法ε取值的增大,OSF算法也表现出更加稳定的AET性能,也就是说,当满足用户需求的服务组合路径存在于搜索空间中的某一特定位置时,AET值较为稳定。参数ε在服务组合路径跳数构建搜索空间,参数ε起着微调该搜索空间的作用。图7(b)为在服务数为500和1000、不同约束值(W2)取值的情况下AET的值。实验结果表明,在不同约束情况下,服务最优路径选择算法(OSP)的AET值并不受用户约束的影响,随着用户约束值变大,算法中的AET值趋势稳定,始终保持在一个稳定的状态。
图8给出了服务最优路径选择算法(OSP)在不同约束值(W2)情况下的PWD值。随着用户约束逐步放松,服务最优路径选择算法(OSP)搜索的路径距离将减小,即PWD值减小。也就是说,如果用户需求宽松,服务最优路径选择算法(OSP)将找到质量更粗糙的路径,只需满足用户的要求即可。由此可知,当服务数增大时,服务最优路径选择算法(OSP)可以找到更好质量的服务组合路径。
图9给出服务最优路径选择算法(OSP)在不同网络服务数下PWD值。从图中可以看出,随着网络服务数的增加,服务最优路径选择算法(OSP)可以找到更好质量的服务组合路径。这是因为在某一个更大规模的服务网络中,有着更优的服务组合选择路径。这表明服务最优路径选择算法(OSP)可以根据用户需求,在不同服务网络数下稳定、可靠地找到满足端对端的QoS约束服务组合路径。
为了证验服务最优路径选择算法(OSP)的性能,我们将文献的算法与服务最优路径选择算法(OSP)进行对比。图10(a)给出了两个算法在不同网络服务数、相用ε取值下的AET对比值。测试结果表明,对于一个给定的ε取值,服务最优路径选择算法(OSP)可以更快地找到与运行ADAPT算法一样的服务组合路径,即服务最优路径选择算法(OSP)的AET值更小。随着服务数的增大,它的优势更为明显。而ADAPT算法采用的算法由于逐步压缩路径上下界,过程较为缓慢,并且其最终所构建的搜索空间大于依靠跳数构建的搜索空间。因此,与ADAPT算法对比,服务最优路径选择算法(OSP)大AET性能方面优势更为明显。
图10(b)、10(c)分别给出了两个算法在相同服务数(500和1000)、不同ε取值下和不同约束值(W2(10-5))的AET对比值。对于不同的ε和W2取值,服务最优路径选择算法(OSP)均优于ADAPT算法,即可更快找到满足用户QoS需求的服务组合路径。随着算法参数ε取值的增大,服务最优路径选择算法(OSP)的AET值较为平稳,而ADAPT算法的AET值逐渐变小。这说明,当满足用户需求的服务组合路径存在于搜索空间中的某一特定位置时,ADAPT算法对参数ε取值敏感,并受W2约束,而服务最优路径选择算法(OSP)稳定性强。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于最优路径选择的网络感知服务组合算法的方法,其特征在于,包括如下步骤:
步骤一:输入图G(V,E,s,t,ω,W,c,C,H,K)以及参数ε;
步骤二:根据步骤一中的服务网络图路径的节点约束,预先测减不满足服务能力的拓扑节点;其中,判断节点υ的服务能力不能满足服务需求的条件为cυ<Ch;
步骤三:根据步骤二中的被简化的服务网络图重新计算每条边的新权重,并设置搜索空间参数Δ;
步骤四:初始化(K-1)维路径权值数组;
步骤五:使用动态规划计算最优路径,记录路径节点;其中,当u-υ为图中一条边时,则从节点s到节点υ的第一维最小权重路径p一定经过某些中间节点u,当服务最优路径选择算法(OSP)通过搜索所有可能中间节点u与节点υ之间的边,来获得最小的第一维路径权重dυ[δ2,L,δK];如果当前记录的第一维路径权重dυ[δ2,L,δK]大于之前的记录值dυ[δ2,L,δj-1,L,δK],则继承以前第一维最小路径重;
步骤六:查找满足用户需求的最优服务组合路径,
其中:一个服务组合方案,在某服务网络中的一条路径p,如果对于有cv≥Ch和ωk(p)≤Wk,其中υ∈Sh,1≤h≤H,1≤k≤K,那么路径p是一个可行的服务组合方案,对于一个给定的图G(V,E),假设所有可行的服务组合方案记为{pf},那么对于其中任一个服务组合方案都存在一个最小值ηi∈(0,1]使得1≤k≤K,并且对于有cv≥Ch,1≤h≤H,
并对其进行拓扑结构转换:转化过程中Sa和Sb保持不变,执行完Sa之后,就分别以p1,p2,L,pn概率执行服务S1,S2,L,Sn,然后再执行Sb;ti,ci,ri,thi分别代表的响应时间、代价、可靠性和吞吐量,Fi(x)代表概率响应时间t的概率密度函数,Pi1(x)代表代价c的密度函数,Pi2(x)代表可靠性r的密度函数,Pi3(x)代表吞吐量th'的密度函数,P代表顺序结构转换后的服务S1n的值;如果路径P满足ωk(p)≤Wk,2≤k≤K,则算法返回可行路径p,否则返回无可行路径提示,程序终止。
2.如权利要求1所述的一种基于最优路径选择的网络感知服务组合算法的方法,其特征在于,步骤三中:去除步骤二中的节点后原始服务网络图就被直接转化成一个更简单的图,用于求解QoS感知的服务组合问题的可行解,其中:zi={(α,β)|α∈V,β∈E′},其中E′表示关联性节点的新权重集合。
3.如权利要求1所述的一种基于最优路径选择的网络感知服务组合算法的方法,其特征在于,步骤四:其中数组dυ[δ2,L,δK]记录从源节点s到任一中间节点υ的路径p第一维参数最小权重(ω1),该路径p满足ωk(p)≤δk,2≤k≤K;
数组pυ[δ2,L,δK]记录路径p上节点υ的前驱节点,该路径p满足ω1(p)=dυ[δ2,L,δK],且ωk(p)≤δk,2≤k≤K。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586754.5A CN111770020B (zh) | 2020-06-24 | 2020-06-24 | 一种基于最优路径选择的网络感知服务组合算法的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586754.5A CN111770020B (zh) | 2020-06-24 | 2020-06-24 | 一种基于最优路径选择的网络感知服务组合算法的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111770020A CN111770020A (zh) | 2020-10-13 |
CN111770020B true CN111770020B (zh) | 2022-04-12 |
Family
ID=72722291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586754.5A Active CN111770020B (zh) | 2020-06-24 | 2020-06-24 | 一种基于最优路径选择的网络感知服务组合算法的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111770020B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112953760B (zh) * | 2021-01-27 | 2022-05-27 | 华侨大学 | 面向服务价值的低成本大规模个性化服务定制方法 |
CN114239900A (zh) * | 2021-10-13 | 2022-03-25 | 三明学院 | 一种最优路径的选择方法、装置、设备及可读存储介质 |
CN116738246B (zh) * | 2023-06-12 | 2023-12-26 | 烟台大学 | 一种面向服务需求变化的组合服务动态重构方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719932A (zh) * | 2009-11-20 | 2010-06-02 | 中国科学院计算技术研究所 | 自动服务组合的***及方法 |
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
KR20130078041A (ko) * | 2011-12-30 | 2013-07-10 | 건국대학교 산학협력단 | 애니타임 알고리즘을 이용한 큐 오 에스 인식 웹 서비스 구성방법 |
KR20130078037A (ko) * | 2011-12-30 | 2013-07-10 | 건국대학교 산학협력단 | 온 더 플라이 학습 기반 검색을 이용한 큐 오 에스 인식 웹 서비스 구성방법 |
CN109167833A (zh) * | 2018-09-05 | 2019-01-08 | 河海大学 | 一种基于图的可扩展QoS感知组合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8982709B2 (en) * | 2007-01-31 | 2015-03-17 | Hewlett-Packard Development Company, L.P. | Selecting service nodes for an end-to-end service path from a reduced search space |
CN101471868A (zh) * | 2007-12-27 | 2009-07-01 | 华为技术有限公司 | 路径选择方法及网络***、路径计算模块 |
-
2020
- 2020-06-24 CN CN202010586754.5A patent/CN111770020B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719932A (zh) * | 2009-11-20 | 2010-06-02 | 中国科学院计算技术研究所 | 自动服务组合的***及方法 |
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
KR20130078041A (ko) * | 2011-12-30 | 2013-07-10 | 건국대학교 산학협력단 | 애니타임 알고리즘을 이용한 큐 오 에스 인식 웹 서비스 구성방법 |
KR20130078037A (ko) * | 2011-12-30 | 2013-07-10 | 건국대학교 산학협력단 | 온 더 플라이 학습 기반 검색을 이용한 큐 오 에스 인식 웹 서비스 구성방법 |
CN109167833A (zh) * | 2018-09-05 | 2019-01-08 | 河海大学 | 一种基于图的可扩展QoS感知组合方法 |
Non-Patent Citations (1)
Title |
---|
Lecture 02:Faster Approximations for QoS Routing;jian69309;《豆丁》;20130508;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111770020A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111770020B (zh) | 一种基于最优路径选择的网络感知服务组合算法的方法 | |
Wu et al. | Deadline-constrained cost optimization approaches for workflow scheduling in clouds | |
Canfora et al. | A framework for QoS-aware binding and re-binding of composite web services | |
Zeng et al. | Quality driven web services composition | |
Hwang et al. | Service selection for web services with probabilistic QoS | |
Wagner et al. | QoS-aware automatic service composition by applying functional clustering | |
Chen et al. | Multi-objective service composition with QoS dependencies | |
Hu et al. | Quality driven web services selection | |
Luo et al. | A novel heuristic algorithm for QoS-aware end-to-end service composition | |
CN109408046B (zh) | 一种基于图的最短路Web服务组合方法 | |
AllamehAmiri et al. | QoS-Based web service composition based on genetic algorithm | |
Chattopadhyay et al. | A fast and scalable mechanism for web service composition | |
Wang et al. | Integrating trust with user preference for effective web service composition | |
da Silva et al. | Evolutionary computation for automatic web service composition: an indirect representation approach | |
Qin et al. | AILS: A budget-constrained adaptive iterated local search for workflow scheduling in cloud environment | |
Yu et al. | A hybrid GP-Tabu approach to QoS-aware data intensive Web service composition | |
Kil et al. | Transaction history-based web service composition for uncertain QoS | |
Faruk et al. | A genetic PSO algorithm with QoS-aware cluster cloud service composition | |
Shahrokh et al. | QoS-based web service composition applying an improved genetic algorithm (IGA) method | |
Xu et al. | Efficient composition of semantic web services with end-to-end QoS optimization | |
Yan et al. | Evolutionary web service composition: A graph-based memetic algorithm | |
Wang et al. | Optimal and effective web service composition with trust and user preference | |
Stamatakis et al. | SheerMP: Optimized Streaming Analytics-as-a-Service over Multi-site and Multi-platform Settings. | |
Yuan et al. | Resource-aware federated neural architecture search over heterogeneous mobile devices | |
Zhao et al. | Distributed resource allocation for synchronous fork and join processing networks |
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 |