主客觀權重和模糊熵相結合的云服務選擇方法研究

張 翔 周建濤 王 燕

(內蒙古大學計算機學院 呼和浩特 010020)

主客觀權重和模糊熵相結合的云服務選擇方法研究

張 翔 周建濤 王 燕

(內蒙古大學計算機學院 呼和浩特 010020)

云服務選擇是用戶使用云服務的關鍵環節之一。針對云服務選擇方法中使用層次分析法主觀性太強和模糊化方法使用不恰當等問題,提出了一種主客觀權重和模糊熵相結合的方法解決云服務選擇問題。該方法使用層次分析法獲得用戶的主觀權重,熵權法獲得服務方案的客觀權重,組合主客觀權重生產綜合權重,利用綜合權重與相應的QoS指標值結合構造隸屬度函數,計算模糊熵的關聯系數,最后對關聯系數排序得到最佳方案。實驗證明,該方法能更準確地為用戶選擇云服務。

云服務; 層次分析法; 熵權法; 模糊熵

Class Number TP393

1 引言

云計算是一種按需付費的資源使用模式,該模式將各類資源封裝成動態、彈性的服務提供給云用戶[1]。現在,越來越多的用戶開始使用云服務,他們面臨的首要問題就是如何獲得滿足需求的云服務,即用戶提出關于價格、可靠性和運行時間等服務指標,在服務商提供的各種SLA(Service Level Agreement)水平的云服務中選擇適合的服務方案。用戶對于這些服務指標的需求,實際是對于服務質量(Quality of Service,QoS)的需求。服務質量是云服務整體性能和特點的外部表現,QoS的好壞決定著用戶的滿意度[2]。因而,選擇何種QoS的云服務才能滿足用戶需求,使用戶利益得到保證或最大化的問題,稱為云服務選擇問題。

解決云服務選擇問題的一個主要障礙是用戶提出的各種服務質量參數與服務商提出的QoS參數之間是不一致性的,甚至是沖突的。為此,一些研究者使用多屬性決策方法解決云服務選擇問題[3～4]。在這類方法中,較早使用的是逼近于理想解排序法(Technique for Order of Preference by Similarity to Ideal Solution,TOPSIS)。文獻[5]將三角模糊數應用在TOPSIS方法上,對服務方案進行排序。后來,越來越多的服務商關注到終端用戶體驗對于服務選擇的重要性,開始使用層次分析法(Analytic Hierarchy Process,AHP)[6～7]分析用戶對QoS指標的偏好,該方法通過判斷矩陣確定用戶偏好的主觀權重,并基于此完成對服務方案的排序。一些文獻提出了對這兩類方法的改進方案,代表性的成果是將AHP方法和TOPSIS方法相結合[8～12]。文獻[8]提出QoS沖突消解算法,使用AHP方法計算用戶對QoS指標的偏好權重,將偏好權重和TOPSIS方法相結合,評估最接近用戶需求的服務方案。此外,考慮到由于時間壓力和對決策問題欠缺認識等原因,用戶很難用確定數或語言變量精確表達所有QoS指標的判斷信息,文獻[9]將AHP和TOPSIS方法進行模糊化,提出了一種基于本體的混合模糊框架去解決云服務選擇問題。

分析上述方法的特點可以發現: 1) AHP方法主要依賴用戶QoS偏好的主觀權重,當用戶對QoS參數的經驗不足時,使用該類方法很難獲得準確的QoS指標權重。 2) TOPSIS方法存在局限性,在選擇方案過程中,只是在各服務商提供的方案中進行計算與排序,沒有考慮用戶對各參數的需求,并且當增加方案時容易產生逆序問題。 3) 應用模糊集理論對QoS指標進行模糊化[5～7,9]時,會引起某些確定性QoS參數的數據偏差,甚至導致其無法判別優劣。

綜上,本文針對上述云服務選擇過程中存在的問題,提出了一種主客觀權重和模糊熵相結合的方法。該方法使用熵權法獲得服務方案中QoS指標的客觀權重,使用AHP方法獲得用戶QoS偏好的主觀權重,結合主客觀權重構造綜合權重。然后將用戶的QoS需求和服務商提出的QoS方案均視為模糊集,利用綜合權重和QoS參數構造隸屬度函數,分別計算用戶QoS需求和各個服務QoS方案的模糊熵,最后基于服務方案與用戶需求的模糊熵關聯系數評估云服務進行排序,確保選擇的服務方案最接近用戶的需求。

2 背景知識和基本概念

本節對本文涉及的主客觀權重賦值法和模糊熵法的基本理論進行闡述,并給出了服務選擇過程中相關概念的形式化定義。

2.1 主客觀權重賦值法

在多屬性決策問題中,確定權重的方法大體分為主觀賦權法、客觀賦權法和組合賦權法三類。組合賦權法是構造權重的一個重點,主要是考慮主觀權重和客觀權重的組合。本文使用AHP方法和熵權法分別獲得主觀權重和客觀權重,然后將兩者結合獲得綜合權重。

AHP方法不僅能夠把定性問題轉化為有層次結構的定量問題來進行分析決策,而且能夠很好地體現出主觀權重[13]。其基本步驟包括: 1) 建立層次結構模型; 2) 構造判斷矩陣; 3) 計算權向量并做一致性檢驗; 4) 計算組合權向量并做組合一致性檢驗,獲得主觀權向量。

AHP方法的研究主要包括判斷矩陣一致性的研究、不確定AHP方法的研究和研究成果在生產實踐中的應用等[14],通過上述的研究不斷改進AHP方法,使其應用更加合理和實用。

熵權法是一種客觀賦權法,該方法根據各指標的變異程度,利用信息熵計算出各指標的熵權,再通過熵權對各指標的權重進行修正,從而得出較為客觀的指標權重。其基本步驟包括: 1) 對評價數據進行規范化和歸一化處理; 2) 構造決策矩陣; 3) 計算各方案的熵值; 4) 計算各參數的熵權,獲得客觀權向量。

2.2 模糊熵方法

模糊熵[15]是模糊理論中非常重要的概念,該方法被許多學者用來解決多屬性決策問題,取得了很好的效果。模糊熵度量了模糊集合的模糊程度,不僅在判斷用戶對于信息的不確定性方面體現了優勢,而且還可以進一步對數據進行不確定性的測量。

關于模糊熵方法的研究主要是圍繞著如何構建隸屬度函數,主要是因為應用模糊熵解決實際問題的關鍵是構造隸屬度函數,但由于模糊概念所表現出來的模糊性通常是人對客觀模糊現象的主觀反映,因此構造隸屬度函數的過程基本上是人的心理過程,導致構造的隸屬度函數具有多樣性,目前尚無統一的構造標準,也沒有通用的公式或定理可以遵循。

本文提出將綜合權重和服務方案中的QoS參數進行結合構造隸屬度函數,不僅體現出各QoS指標的重要性,而且反映出各QoS參數的隸屬關系程度。本文引用文獻[16～17]中的方法計算模糊集的模糊熵及模糊熵間的關聯系數。基本過程如下:假設存在兩個模糊集A和B,模糊集A的模糊熵E(A)為

+[1-μA(xi)]log[1-μA(xi)]}

(1)

其中μA(xi)為模糊集A中第i(i∈[1,n])項指標的隸屬度函數。

模糊集A和B之間的偏熵也是模糊集不確定性程度的一種度量,A關于B的偏熵EB(A)的定義如式(2):

+[1-μB(xi)]log[1-μA(xi)]}

(2)

模糊熵關聯系數表征了模糊集之間的相似程度,模糊集A和B的模糊熵關聯系數ρ(A,B)的定義如式(3):

(3)

2.3 云服務選擇過程中的基本概念

定義1(云服務方案) 在云環境下,服務商所提供服務的QoS描述向量稱為云服務方案,記為S,S=(q1,q2,…,qm),其中m為描述服務的QoS指標的數量,qi(1≤i≤m)表示方案中第i個QoS參數。

定義2(服務方案集) 云環境中,提供特定功能的所有服務方案形成的集合,記為ServiceSet,ServiceSet=(S1,S2,…,Sn)。

定義3(方案矩陣) 服務方案集ServiceSet中各項QoS指標值構成的矩陣,表示為A=(aij)n×m,其中行表示各個服務方案Si,列表示方案中第j個QoS指標的實際度量值。

定義4(用戶需求方案) 用戶對服務的各項指標有不同的需求,考慮到用戶需求的模糊性,用戶對每項QoS指標的需求可描述為一個范圍,即[qmin,qmax]。為了最大程度地滿足用戶的需求,用戶需求方案在用戶提出的各QoS參數的相應范圍內取利潤型指標的最大值和成本型指標的最小值。這里將用戶需求方案表示為U,U=(V1,V2,…,Vm),其中:

(4)

云服務的利潤型指標包括數據傳輸速度、可靠性和服務存儲容量等,成本型指標包括服務響應時間和價格等。

(5)

3 云服務選擇方法的實現

3.1 方法概述

本文提出一種基于主客觀權重的模糊熵方法實現云服務方案的排序,具體步驟如圖1所示。該方法主要分為三個模塊:

圖1 云服務選擇方法的基本步驟

1) 使用AHP方法計算主觀權重:分析用戶對各QoS指標的需求偏好,根據偏好關系構造判斷矩陣,求解判斷矩陣的特征值并完成一致性檢驗。當矩陣不滿足一致性檢驗時,修改判斷矩陣,使其滿足一致性。當矩陣通過一致性檢驗時,對判斷矩陣最大特征值對應的特征向量做歸一化處理,獲得用戶對QoS指標的主觀權重AW。

2) 使用熵權法計算客觀權重:使用服務方案集生成方案矩陣,作為熵權法的評價矩陣,對評價矩陣的數據完成規范化和歸一化處理形成熵權矩陣,使用熵權公式計算服務方案QoS指標的客觀權重EW。

3) 結合主客觀權重和模糊熵方法選擇服務方案:將云服務方案和用戶需求方案均視為模糊集,利用式(5)生成綜合權重CW,基于綜合權重分別構造云服務方案和用戶需求方案的隸屬度函數,通過式(1～3)計算各個云服務方案和用戶需求方案的模糊熵關聯系數,關聯系數最大的云服務方案即為滿足用戶需求的最優服務。

用戶需求方案的隸屬度函數,通過式(1～3)計算各個云服務方案和用戶需求方案的模糊熵關聯系數,關聯系數最大的云服務方案即為滿足用戶需求的最優服務。

3.2 方法具體實現

假設某類功能的云服務可通過響應時間,存儲能力,數據傳輸速度,可靠性和價格5項QoS指標描述。此時,云服務方案S=(q1,q2,q3,q4,q5),用戶需求方案U=(v1,v2,v3,v4,v5)。假定服務池中有5種服務方案,即服務集合ServiceSet=(S1,S2,S3,S4,S5),方案矩陣A的具體形式如下:

3.2.1 計算主觀權重

表1 重要性比較標度表

用戶根據自身需求比較S中各指標的重要性并構造判斷矩陣,使用數量化的相對值AHPij來描述。判斷矩陣中AHPij的取值參考Saaty教授提出的重要性比較標度表,對各指標進行兩兩對比,如表1所示。假設構造如下判斷矩陣W=(AHPij)5×5,具體形式為

其中數值3表示對用戶而言q5比q1稍微重要一些。當構造完成上三角矩陣之后,下三角矩陣為其相應數值的倒數,例如q1相比q5,其數值為1/3。

接下來使用QR分解法求解判斷矩陣W的最大特征根λmax,計算一致性比例CR,做一致性檢驗。若檢驗通過,最大特征值對應的特征向量(歸一化后)即為主觀權向量AW=(aw1,aw2,…,aw5)。若檢驗不通過,本文采用文獻[18]中提出的方法解決矩陣不一致問題,重新構造判斷矩陣。

3.2.2 計算客觀權重

在計算客觀權重之前,需要將各個云服務方案的數據進行規范化和歸一化處理。規范化處理方法如下:

1) 利潤型規范化處理:

(6)

2) 成本型規范化處理:

(7)

其中a為原始數據,amin為a取值范圍中的最小值,amax為a取值范圍中的最大值。

在數據規范化處理之后,要將數據進一步做歸一化處理,歸一化處理方法如下:

(8)

通過上述處理,服務方案集合的方案矩陣A=(aij)5×5轉化為熵權矩陣X=(xij)5×5。此時,第j個參數的熵Hj可通過式(9)計算:

(9)

在熵的基礎上,第j個參數的熵權,即第j個參數的客觀權重ewj為

(10)

3.2.3 計算模糊熵關聯系數

為了比較云服務方案與用戶需求方案的接近度,首先需要將用戶需求方案U進行歸一化處理,處理方法參照式(8),處理后U=(t1,t2,…,t5)。利用式(5)計算綜合權重CW=(cw1,cw2,…,cw5)。然后,將綜合權重CW和云服務方案結合構造服務方案中各QoS值的隸屬度函數μs,將綜合權重CW和用戶需求方案相結合構造用戶需求中各QoS值的隸屬度函數μu,相應的計算公式如下:

μs(xij)=cwj*xij

(11)

μu(tj)=cwj*tj

(12)

通過式(1)和(2)分別計算用戶需求方案和云服務方案的模糊熵E(S)和E(U)以及兩者的偏熵Eu(S)和Es(U)。云服務方案Si與用戶需求方案U的接近度ρ(Si,U)的計算公式如下:

(13)

模糊關聯熵系數中不僅對用戶方案和各服務商方案的整體模糊性的度量,如用戶的方案S0的模糊熵E(S0),還將用戶的每個參數的隸屬度函數值與服務方案中對應參數的隸屬度函數值進行計算,如用戶方案S0和服務商方案S1計算兩兩偏熵,更深層次地剖析出各數據的相關性。

4 實驗與分析

本節選用一種云存儲服務作為實驗對象,該服務的QoS描述向量定義為(通過響應時間、存儲能力,數據傳輸速度、可靠性、價格)。用戶對于這些QoS指標給出相應的需求范圍,響應時間:55min～80min;存儲能力:300GB～400GB;數據傳輸速度:30mb/s～65mb/s;可靠性:0.8%～0.99%;價格:2.9＄～4.5＄。為了使用戶的利益最大化,則用戶的需求方案U={55,400,65,0.99,2.9}。云服務提供商集合為ServiceSet=(S1,S2,S3,S4,S5),提供的各方案如表2所示。

表2 各云服務商提供的QoS參數數據

4.1 基于主客觀權重的模糊熵方法實驗

通過使用AHP方法獲得的權重如表3所示,其中CR=0.014727<0.1,滿足一致性檢測,可以得到權重向量W=(0.2426,0.1030,0.2575,0.2982,0.8805),并且對權重向量進行歸一化處理得到用戶的主觀權重AW=(0.1361,0.0578,0.1445,0.1673,0.4941)。

表3 AHP方法獲取權重

對各云服務商提供的QoS參數數據和用戶提出的方案進行規范化以及歸一化處理,可得用戶需求方案為(0.2409,0.1731,0.1576,0.1789,0.2492),經過處理的云服務方案Si如表4所示。對各云服務方案通過式(9)和(10)計算熵權,得到QoS參數的客觀權EW=(0.2703,0.1804,0.1805,0.2368,0.1319)。

表4 規范化及歸一化處理的云服務方案

結合主觀權重和客觀權重,得到QoS參數的綜合權重CW,CW=(0.206574,0.058551,0.146459,0.222458,0.365958)。使用式(11)和(12)構造用戶和云服務商的隸屬度函數,最終計算模糊熵關聯系數如表5所示,主客觀權重和模糊熵相結合的方法選擇S2,即云服務方案(69,450,60.762,0.98,3.7)。

表5 用戶對于各服務方案的關聯系數

4.2 實驗比較與分析

本節在上述實驗環境下,通過三組實驗完成服務選擇過程,并與本文所提方法的選擇結果進行比較。實驗1只考慮用戶的主觀權重時,實現基于主觀權重的模糊熵方法,最終計算用戶與各提供商方案的關聯熵系數。實驗2實現了云計算QoS沖突消解算法(QCRA)選擇云服務[8],該方法使用AHP方法獲得權重與TOPSIS方法相結合,計算相對貼近度并對方案排序,其中貼近度值最大的為最佳方案。實驗3改進了實驗2中的選擇算法,將本文中的綜合權重與TOPSIS方法相結合,計算各方案的相對貼近度。實驗結果如表6所示。從表6中可以看出,三組實驗選擇的最優方案均為S5,即云服務方案(70,280,65.596,0.97,2.8)。

然而,根據從用戶的需求范圍和實際使用的情況來看,顯然不是最佳方案,因為用戶的存儲需求最低為300GB,如果低于這個值服務將不能夠正常地運行,使用不能滿足用戶的存儲能力。本文提出的方法選擇方案2相比其他方案更加貼近用戶需求,不僅擁有最高的可靠性,其數據傳輸速度和響應時間也很好地滿足用戶需求,價格也在用戶所能接受的范圍內,并且相比其他方案更有優勢。

表6 實驗比較

實驗1和2同時使用單一權重,通過AHP方法獲得的主觀性太強,考慮的不全面,若沒有其他合理的權重平衡AHP,可能導致只要某個參數權重越大,其對應參數值越大的服務易被選中,最終導致選擇的方案不為最佳。實驗3中使用了綜合權重,但是該方法選擇方案仍是S5,這是因為TOPSIS方法只能在方案內部進行計算,沒有考慮用戶的需求。

本文所提出的方法在QoS指標的權重設計中不僅考慮到用戶的偏好,而且為了使QoS指標的賦權更合理,使用熵權法綜合了主客觀權重,構造了權重的隸屬度函數,體現出了各QoS指標的隸屬程度;在服務方案的排序指標設計中,使用了模糊熵關聯系數作為最終的排序依據,不僅可以計算出各方案的模糊熵,而且可以計算出方案對用戶與用戶對方案的偏熵,使得計算結果更加準確,將用戶的需求充分體現在計算過程中,避免了TOPSIS方法只能在方案中選擇服務的局限性,能為用戶選擇更加適合的云服務。

5 結語

本文在分析已有云服務選擇方法存在的問題后,根據云計算應用的實際需要,提出一種主客觀權重和模糊熵相結合的方法用于云服務選擇過程。該方法主要貢獻包括: 1) 克服了AHP方法對服務QoS屬性的賦權中主觀性太強的問題,在賦權過程中考慮了方案本身的區分度; 2) 將服務方案和用戶需求看成是模糊集,使用基于主客觀權重的模糊熵方法計算服務方案與用戶需求的接近程度作為服務排序的依據,能夠準確地度量云服務對于用戶需求的滿足性。實驗證明該方法選擇的服務方案能保證每個用戶對云服務的不同需求偏好,相比本文所提其他三種方法具有更高的準確度。

[1] Gillett F E. Future view: The New Tech Ecosystems of Cloud, Cloud Services, and Cloud ComPuting[R]. America: Forrester Research,2008:5-10.

[2] 黎春蘭,鄧仲華.論云計算的服務質量[J].圖書與情報,2012(4):1-5. LI Chunlan, DENG Zhonghua. On the QoS of Cloud Computing[J]. Library and Information,2012(4):1-5.

[3] Md Whaiduzzaman, Abdullah Gani, Nor Badrul Anuar, et al. Cloud Service Selection Using Multicriteria Decision Analysis[J]. The Scientific World Journal,2014(9):459375-459375.

[4] Sun Le, Hai Dong, Farookh Khadeer Hussain, et al. Multicriteria Decision Making with Fuzziness and Criteria Interdependence in Cloud Service Selection[C]//2014 IEEE International Conference on Fuzzy Systems. July 6-11,2014:1929-1936.

[5] Chi-Chun Lo, Ding-Yuan Chen, Chen-Fang Tsai, et al. Service selection based on fuzzy TOPSIS method[C]//2010 IEEE 24th International Conference on Advanced Information Networking and Applications Workshops,2010:367-372.

[6] Mingrui Sun, Tianyi Zang, Xiaofei Xu, et al. Consumer-Centered Cloud Services Selection Using AHP[C]//International Conference on Service Sciences,2013:1-6.

[7] I Patiniotakis, Y Verginadis, G Mentzas. PuLSaR: Preference-based Cloud Service Selection for Cloud Service Brokers[J]. Journal of Internet Services & Applications,2015,6(1):1-14.

[8] 李揚.云計算環境下的QoS沖突解決方案研究[D].呼和浩特:內蒙古大學,2013. LI Yang. Restarch of QoS Conflict Resolution in Cloud Computing Environment[D]. Hohhot: Inner Mongolia University,2013.

[9] Sun Le, Hai Dong, Farookh Khadeer Hussain. A Hybrid Fuzzy Framework for Cloud Service Selection[C]//2014 IEEE International Conference on Web Services,2014:313-320.

[10] J Shetty, DA D’Mello. Quality of Service Driven Cloud Service Ranking and Selection Algorithm Using Rembrandt Approach[C]//International Conference on Smart Technologies & Management for Computing, Communication, Controls, Energy & Materials,2015:126-132.

[11] S Lee, KK Seo. A Hybrid Multi-Criteria Decision-Making Model for a Cloud Service Selection Problem Using BSC, Fuzzy Delphi Method and Fuzzy AHP[J]. Wireless Personal Communications,2015,86(1):1-19.

[12] ZU Rehman, FK Hussain, OK HussainFifth. Towards Multi-Criteria Cloud Service Selection[C]//International Conference on Innovative Mobile & Internet Services in Ubiquitous Computing,2011:44-48.

[13] 王蓮芬,許樹柏.層次分析法引論[M].北京:中國人民大學出版社,1990. WANG Lianfen, XU Shubo. An Iintroduction to the Analytic Hierarchy Process[M]. Beijing: China Renmin University Press,1990.

[14] 朱建軍,層次分析法的若干問題研究及應用[D].沈陽:東北大學,2005. ZHU Jianjun. Research on Some Problems of the Analytic Hierarchy Process and Its Application[D]. Shenyang: Northeastern University,2005.

[15] 沈鑫.“模糊熵”簡介[J].北京郵電學院學報,1981(1):12-22. SHEN Xin. “Fuzzy Entropy” Synopsis[J]. Journal of Beijing Institute of Posts and Telecommunications,1981(1):12-22.

[16] 郭效芝,辛小龍.Fuzzy集的偏熵與關聯熵[J].模糊系統與數學,2005,19(2):97-102. GUO Xiaozhi, XIN Xiaolong. Partial Entropy and Relative Entropy of Fuzzy Sets[J]. Fuzzy Systems and Mathematics,2005,19(2):97-102.

[17] 王維瓊,辛小龍.混合偏熵與關聯熵[J].模糊系統與數學,2005,19(4):60-65. WANG Weiqiong, XIN Xiaolong. Mixing Entropy Associated with Entropy[J]. Fuzzy Systems and Mathematics,2005,19(4):60-65.

[18] 李伯德.AHP判斷矩陣一致性改進方法研究[D].蘭州:蘭州大學,2007. LI Bode. Research on Consistency Modification Methodof Judgment Matrix in the AHP[D]. Lanzhou: Lanzhou University,2007.

Cloud Service Selection Method Using Subjective and Objective Weights and Fuzzy Entropy

ZHANG Xiang ZHOU Jiantao WANG Yan

(College of Computer, Inner Mongolia University, Hohhot 010020)

Cloud service selection is one of the key link for users to use a cloud service. For the problem that the weights are calculated subjectively by using analytic hierarchy process and fuzzy method is improperly used in the process of cloud service selection, the paper puts forward a kind of cloud service selection method which combines subjective and objective weights and fuzzy entropy to solve the problem of cloud service selection. The method uses the analytic hierarchy process to obtain the subjective weights of user and uses the entropy method to obtain the objective weights of service solution. And then the subjective and objective weights are combined to produce the comprehensive weights. Next, the comprehensive weights and the corresponding QoS value are utilized to construct the membership function so as to calculate the correlation coefficient of fuzzy entropy. Finally the service solutions are ordered the coefficient to get the best solution. Experimental results show that the method can more accurately choose a cloud service for the user.

cloud service, analytic hierarchy process, entropy method, fuzzy entropy

2016年8月5日,

2016年9月18日

國家自然科學基金項目(編號:61262082,61262017,61462066);內蒙古自治區自然科學基金(編號:2012JQ03,2015MS0608);內蒙古自治區高等學校科學研究資助項目(編號:NJZY008)資助。

張翔,男,碩士研究生,研究方向:云計算與軟件工程。周建濤,女,教授,博士生導師,研究方向:網絡計算、協同計算與形式化方法。王燕,女,博士,講師,研究方向:服務計算,資源管理與形式化建模。

TP393

10.3969/j.issn.1672-9722.2017.02.004