2013.4.20 Combining global optimization with local selection for efficient QoS-aware service composition
1. INTRODUCTION
Local Selection vs. Global Optimization
局部选择:通过一个给定的效用函数,不同的QoS准则映射为单一的效用值,最终选择效用值最大的服务。时间复杂度为O(l),l为每个群中的候选服务数。
全局优化:计算所有满足约束条件的服务组合的聚合QoS值,挑出max;问题转化为Multi-Choice Multidimensional Knapsack problem (MMKP), NP-hard问题
2. RELATED WORK
3. SYSTEM MODEL
QoS准则:包括通用QoS属性(反馈时间、可用性、价格、信誉等)和特定领域属性,如多媒体web服务的带宽(用实数来定量化表示)
服务的质量属性用矢量Q来表示,度量值通过直接从服务提供者处获得(如价格)、从先前的执行检测中获得(如反馈时间)、以及通过用户反馈(如信誉)
QoS的聚合函数:求和、乘积、最小值
全局QoS约束:上界约束C
4. QOS-AWARE SERVICE COMPOSITION
将QoS感知服务组合问题划分为两个阶段:1)服务组合器将每个全局QoS约束分解为局部的约束,并将这些约束发送到参与的服务经理人,这些约束包含以属性权重来表示的用户的偏好;2)每个服务经理人进行局部搜索来找到满足局部约束的最佳服务组件。
采用自适应质量标尺的方式。
5. PERFORMANCE STUDY
性能分析:假设服务类为n个,每个服务类中候选服务数为l个,全局QoS约束为m个。
使用标准的混合整数规划程序(MIP),时间复杂度为![]()
使用本文的启发式算法,服务的选择是通过分布式的局部选择策略进行的,非常有效且可扩展。局部选择的复杂度为
,由于每个broker可以并行工作,因此算法的复杂度仍为![]()
本文算法的决策变量是n*m*d,其中n是服务类的数量,m是全局QoS约束,d是质量标尺;选择d在1<d<<l/m的范围内,可以大大降低时间复杂度。
实验验证:
指标:时间+最优度
对比方案:整数规划方法http://lpsolve.sourceforge.net/
总结:
本文提出了一个针对QoS感知的有效的启发式服务组合方法。该方法结合了全局优化和局部选择的特点,可有效减少动态的尝试次数。在达到优化结果的同时能有效降低时间复杂度,可用于动态或实时环境中。
下一步工作:
质量标尺的数量的规定的,可以根据QoS信息动态优化;(王尚广, 孙其博, 杨放春. 基于全局 QoS 约束分解的 Web 服务动态选择 [J]. 软件学报, 2011, 22(7): 1426-1439.)
设计分布式服务的协议。