2013.4.14 Modeling and Algorithms for QoS-Aware Service Composition in Virtualization-Based Cloud Computing
云计算跟服务组合结合的文章，虽然级别不高，但思想很值得借鉴。
1 Introduction
XaaS作为计算模型，云将所有类型的计算资源都作为服务，服务组合时可将硬件、平台都作为服务组件来考虑！！！
虚拟技术奠定了云计算的基础：云计算将服务供应函数与数据传输机制分离，即将网络服务与网络基础设施分离。另外，网络虚拟化能有效提高网络服务的灵活性、多样性以及管理性，这些都提高了网络的性能使之满足云计算的需求。
为基于虚拟网络的云服务供应提供模型和有效的算法是目前的挑战：云环境下，用户更多会采用组合云服务。网络的性能对云服务的供应起着很大的影响。如用户想使用video云来看电影，网络性能就很重要。本文主要关注的是服务组合的模型与算法。
为了给用户提供定制的云服务，云计算资源（如处理器、存储等）作为网络的基础设施首选需要被虚拟化为一组服务。然而，组合云服务使其满足多个QoS需求可以被视为多约束路径规划问题（MCP），这是一个NP-hard问题。
2 Related Work
3 Modeling for Cloud Service Provisioning
虚拟云计算环境下，云服务供应包括以下两个步骤：1）云和网络资源的抽象，在这步骤中，网络虚拟化扮演了重要的角色；2）服务的组合。
参考文献[4]：云资源，如处理器、存储设备等，被抽象为pure云服务，云服务供应功能是需要网络虚拟化技术的支持的。如下图所示，为了保证SP能有效使用设备资源，InP和SP的交互非常重要。InP负责给SP提供信息以保证可以通过SP访问到网络资源。另一方面来说，由于云计算下服务供应与设计管理是de-coupling的，因此InP不能暴露资源的具体细节。通过将资源映射为服务，就可以将这些服务组件综合到云服务中去。（映射模型简单，未考虑设备的QoS属性）
云供应系统：从用户角度看，包括向云提出请求、满足特定QoS需求的组合服务分发两步骤。从云角度看，包括接收请求、提供组合服务分发给用户。如下图所示。关心的焦点在于云服务组合，这对用户的服务体验以及云的系统负载都至关重要。
QoS感知模型：
有向图G(V,E)，顶点v代表服务s，每个服务的能力权重用c来表示，每条边e代表QoS参数，且w为每个QoS参数的权重。
用户请求{C, W}，C1—CH代表H个不同服务的关联性能的需求（或约束），与节点有关，W1-WK是边的K个QoS约束。
路径p是一系列串联服务的虚拟网络。
QoS感知服务组合（QoS-aware Service Composition，QSC）：
QSC是在G(V,E)中可行服务组合方案中找到一组优化的服务组合
4 QSC的近似算法
Main Build-block Approximation Algorithm (MBAA)，尤其可以处理K=2的场景的QSC，包含4个主要的步骤。
Step 1：去掉不符合约束的顶点，减少拓扑；![]()
Step 2：将实数的权重和约束转化为整数![]()
Step 3：扩展图的过程，顶点和边都要扩展。通过两种方式：1）原始顶点赋值【】次数；同时，原始边同样复制一些次数；2）每个扩展节点用字典编撰，具体可参考【24】
Step 4：寻找优化权重路径，复杂度为![]()
。![]()
Step 5：使用权重约束测试优化路径的可行性。
将w的计算变为非线性，构造新的近似算法(PAA)。
（1）![]()
（2）![]()
PAA的时间复杂度为![]()
。因为PAA是运行了K次的MBAA算法，但是，寻找到的路径不再满足（1+cc）近似要求。
解决低消耗延迟约束问题的算法ADAPT，应用scaling-and-rounding技术来简化问题，针对本问题进行了必要的修改，构造VAA算法，
VAA算法与PAA拥有一样的时间复杂性和实现效果
5 Numerical Simulation and Results Analysis
主要过程运行时间（Main Procedure Running Time, MPT）包括构造、初始化、摧毁操作。即从用户发送请求到接收反馈的时间。
返回路径权重（Returned Path Weights, RPWs）,算法返回的服务组合路径的第k个QoS属性，反映了反馈给用户的QoS值，该值越小，路径的性能越好。
特定虚拟网络实验(DsVN)
小规模数据下，VAA效果好，大规模下，PAA效果更好。
随机虚拟网络下的实验
虚拟网络拓扑是随机生成的，网络规模从100个结点到1000个结点均匀分布，H=10，三个权重的约束被设定为不同的量级300, 0.0015, 0.2。
