改進QoS的云服務評價模型

王澤

摘 要： 針對云服務具有不確定性與大規模性，傳統QoS的云服務評價模型工作機制靈活性不強，回報率低下等問題，設計改進QoS的云服務評價模型，對傳統QoS的云服務評價模型的QoS屬性項目進行細化，并利用熵值法為各項QoS屬性項目進行比重取值。在改進模型的評價過程中，先針對實時數據進行重點評價，再結合以往數據特征對評價結果做出修正，并將修正結果輸入未來預測時間，指導下次QoS云服務評價工作，以提高模型可靠性。同時將傳統模型資源整體切入形式改為模塊化切入形式，增添網絡用戶反饋機制與QoS監控機制，使評價服務更加完善。實驗結果表明，改進QoS的云服務評價模型的服務內容選擇性強，更能滿足網絡用戶需求。

關鍵詞： 模型改進； QoS； 云服務評價模型； 云服務框架； 動態服務； 熵值法

中圖分類號： TN911?34； TP393.09 文獻標識碼： A 文章編號： 1004?373X（2018）01?0093?04

Abstract： The cloud service has uncertainty and large?scale feature， and the traditional cloud service evaluation model for QoS has poor flexibility of working mechanism and low rate of return. Therefore， the improvement of cloud service evaluation model for QoS was designed. The QoS attribute items of the traditional cloud service evaluation model are refined， and their proportion values are calculated with the entropy method. In the evaluation process of the improved model， the real?time data is evaluated emphatically； the evaluated result is corrected in combination with the previous data features； the corrected result is input into the future prediction time to guide the QoS cloud service evaluation at the next time and improve the model reliability. The integrated pitching?in form of the traditional model resources is replaced by the modularized pitching?in form. The network user feedback mechanism and QoS monitoring mechanism are added to perfect the evaluation service. The experimental results show that the improved cloud service evaluation model for QoS has strong selection of service content， and can meet the needs of network users.

Keywords： model improvement； QoS； cloud service evaluation model； cloud service framework； dynamic service； entropy method

0 引 言

網格技術在信息學中被譽為“下一代互聯網”，是互聯網的重要發展方向。網格技術具有資源共享、提供功能性服務質量以及高度可擴展性等特征，這些特征是傳統互聯網不能比擬的，并使網絡技術得到了各國政府以及企業的重點關注，相關投資不斷跟進。

QoS（Quality of Service，服務質量）技術支持著網格技術的發展，可提高網絡服務質量，解決網絡堵塞，快速增強網格技術水準[1]。然而，隨著網絡資源多樣化與個性化的不斷提升，資源任務間需要進行更多、更快的協作，QoS技術所能提供的網格資源分配與調度等功能受到了不小沖擊。設立QoS的云服務評價模型是這一問題的主要解決方案，該模型可描繪網絡QoS需求，完善QoS屬性，是網格技術商業化的途徑之一。因此，對QoS的云服務評價模型進行改進是協調網格技術發展、提供高端服務體系的重要研究內容。

1 改進QoS的云服務評價模型

1.1 模型QoS屬性改進

QoS的云服務評價模型由各種QoS屬性項目構成，傳統模型中的QoS屬性項目包括網格云服務的性能、穩定程度、實用程度、安全程度、擴展能力和使用周期，以上項目通過云服務開展評價工作，評價指標包括網絡資源評價、虛擬計算、服務能力、動態擴展、通用性、可靠性、資源供應能力以及性價比等。QoS的云服務評價模型工作機制如圖1所示。

對網格云服務來說，穩定程度是一項非常重要的QoS屬性項目，它標志著網絡用戶在真實環境下網絡程序或應用的功能賦予情況、處理耗時情況以及用戶滿意度。多數情況下，網格云服務的實用程度與穩定程度是相輔相成的，但二者的內在含義卻不一樣。穩定程度側重于一個網絡程序或應用的自身完備性，穩定程度高的程序或應用可以隨時隨地供用戶使用[2]。實用程度表現為一個網絡程序或應用能夠在特定狀態或時間內完成其應有功能，一般來講其不與處理耗時情況發生關系。endprint

安全程度包括數據的通信能力、存儲完整性、真實性、秘鑰有效性以及認證服務有效性等，其依賴于云服務框架所能提供的QoS性能。擴展能力與使用周期是一個網絡程序或應用的功能性條件，標志著網格云服務所能提供的QoS處于何種等級，與市場競爭力息息相關。

云服務的動態性強，而且是隨著網絡用戶需求的改變而改變的，具有不確定性與大規模性，以上QoS的云服務評價模型工作機制未能覆蓋所有云服務需求，靈活性不強[3]，無法穩定占據資本市場，回報率低下。經多方調研發現，云服務在市場中的占據率主要由開發成本、擴展能力與使用周期決定。根據以上內容對傳統QoS的云服務評價模型工作機制作出改進，細化了QoS屬性項目分支，如圖2所示。

圖2中，網格云服務的性能可用網絡QoS正確完成某個服務請求的時間消耗情況來衡量。網格云服務性能的提升主要包括兩方面，分別是QoS延遲與網絡吞吐量，在減少QoS延遲的同時提高網絡吞吐量，可有效提升網格云服務性能[4]。其他QoS屬性項目分支也均與傳統模型項目息息相關，有效性更加明顯。

由于改進模型比傳統模型QoS屬性項目多出10項分支，因此需要為各QoS屬性項目選擇合適的比重，比重取值將通過熵值法[5]進行計算。

設改進QoS的云服務評價模型中[m]項QoS屬性項目集合為[S={S1，S2，…，Sm}]，[n]項云服務評價指標集合為[C={C1，C2，…，Cn}，]待評價內容用矩陣[D=（rij）m×n]表示[6]，其中，[i=1，2，…，m，][j=1，2，…，n，][rij]是單項待評價數據。

由于網格內各單項待評價數據的格式不統一，因此需要將[D=（rij）m×n]進行標準化處理，得到標準化待評價內容[7][N=（kij）m×n]，第[j]個評價指標的熵值如下：

[S（Cj）=1lnmi=1mkijln（kij）] （1）

在第[j]個評價指標的影響下，第[i]個QoS屬性項目的比重取值為：

[wi=1-S（Cj）j=1n1-S（Cj）] （2）

1.2 模型動態服務能力改進

云服務的強烈動態性使得QoS屬性項目經常出現不可控制的波動，影響著云服務評價模型的可靠性。改進QoS的云服務評價模型意識到，傳統模型之所以可靠性不強，往往是因為在評價數據時忽略了實時數據與以往數據之間的關聯性，導致所產生的評價結果具有過強的局部最佳性，整體最佳性低下。因此，模型不僅需要針對實時數據進行重點評價，還要結合以往數據特征對局部最佳評價結果作出修正，以克服QoS屬性項目的局限性。

實現以上內容的最佳切入點是時間[8]，如圖3所示，改進QoS的云服務評價模型將時間分為三個部分，分別是以往數據獲取時間、實時數據獲取時間以及未來預測時間。以實時數據獲取時間為界限進行劃分，評價結束后，將評價結果輸入未來預測時間，指導下次QoS云服務評價工作。

1.3 云服務框架改進

改進QoS的云服務評價模型對云服務框架作出改進，將傳統模型資源整體切入形式改為模塊化切入形式，增添網絡用戶反饋機制與QoS監控機制，使評價服務更加完善。改進QoS的云服務評價模型云服務框架如圖4所示。

由圖4可知，改進的云服務框架被分為4個模塊，分別是網絡用戶反饋模塊、QoS需求挖掘模塊、云服務性能監測模塊以及QoS數據庫。云服務性能監測模塊內置搜索算法可以時刻跟蹤網絡用戶上網行為，其監測項目包括內存、資源利用率以及輸入/輸出響應能力等，可以對監測對象進行定量與定性分析。QoS數據庫使用MCDM（Multi?criteria Decision?making，多準則決策[9]）技術完成多元服務決策與決策結果相關性排名。

在這種框架下，網絡用戶的每個舉動都在云服務性能監測模塊的嚴格把握中。監測工作是指對用戶所需的服務信息進行基礎測試，測試結果存儲在QoS數據庫中。網絡用戶反饋模塊也將直接向QoS數據庫反饋需求數據，并且通過QoS需求挖掘模塊獲取用戶隱含需求，最終由QoS數據庫作出服務決策，將服務項目推薦列表在線顯示到網絡用戶終端設備上。

2 實驗驗證

2.1 數據集合與驗證對象

本文的設計內容是改進QoS的云服務評價模型，驗證本文模型性能所需的數據包括5個網絡服務器上100天內進行同一個用戶需求下的以往數據和實時數據[10]，這些數據將在PRTG（Paessler Router Traffic Grapher，路由流量采集）軟件的監控下實施采集。5個網絡服務器均依附于亞馬遜彈性計算云服務中的QoS數據。由于實驗數據集合中數據量過大，不利于快速進行實驗，因此只采集100天內每天上午10：00—11：00以及晚上9：00—10：00的數據為實驗所用，采集數據的類型主要集中在資源利用率、內存占用量以及數據輸入/輸出耗時，將以上數據匯總在一個數據集合中。

文獻[2，5，10]分別設計QoS預測與約束層次模型、博弈論模型、服務組合模型，以上模型均是對QoS的云服務評價模型的優化或功能擴展，其與本文模型進行實驗對比較具代表性。實驗所用數據集合能夠滿足以上四種模型的實驗驗證需求。

本次實驗將以四個模型在實驗數據集合下的響應時間、資金消耗以及QoS云服務指數作為指標，驗證本文模型的服務內容選擇性是否能夠滿足用戶需求[11]。其中，QoS云服務指數是指模型為用戶推薦的服務項目與用戶需求項目之間的相似程度，它關系著用戶服務滿意度，是最重要的實驗指標。表1是實驗中5個服務器的QoS云服務價格表，價格以小時計費，單位為美元。

2.2 實驗結果與分析

實驗規定實時數據時間為實驗數據集合中的中間時間點。表2是以往時間數據資源利用率、內存占用量以及數據輸入/輸出耗時的平均值。endprint

本文模型在分析實驗數據集合時，會自動將以往時間的數據均等劃分成若干小段，而在本次實驗中，本文模型可以直接使用表2中的數據來糾正實時數據評價結果。在QoS預測與約束層次模型、博弈論模型、服務組合模型中，博弈論模型和服務組合模型采用對每個時間點或時間區間進行服務決策取平均值的方法，QoS預測與約束層次模型則直接進行實時數據評價。服務組合模型在進行QoS屬性項目比重取值的過程中，使用的是MCDM法，其他三種模型均使用熵值法。

表3是以上四種模型在5個服務器上響應時間、資金消耗以及QoS云服務指數的平均值對比表。

由表3可知，本文模型和服務組合模型選擇的主要服務器均是標號為5的移動云計算服務器，從表1中可以看出，這個服務器的QoS云服務價格較低，因此，本文模型和服務組合模型的資金消耗也較低，其他兩種模型的資金消耗則比較高，這是造成模型平均QoS云服務指數偏低的主要原因。同時，四種模型中本文模型的平均響應時間最短，有效提高了模型的平均QoS云服務指數。綜合來看，本文模型的服務內容選擇性最強。

為了明確本文模型的服務內容選擇性是否能夠滿足用戶需求，應從QoS云服務指數進行分析，圖5是四種模型QoS云服務指數的折線圖，可以看出，本文模型折線遠遠高于其他三種模型，表明其更能滿足網絡用戶需求。

3 結 論

QoS在網格技術中主要負責進行服務質量監控與提升。QoS的云服務評價模型對網格技術至關重要，但由于網絡復雜多變，網絡需求往往得不到滿足，因此，本文設計改進QoS的云服務評價模型，從QoS屬性、云計算框架等方面入手，通過時刻跟蹤網絡用戶上網行為，全面提升傳統模型的科學性與綜合性，并針對用戶重點需求功能進行完善與多方決策，使網絡服務質量得到了很大提升。

參考文獻

[1] 李莉，王俊英，臧兆祥，等.基于RBF?DE的改進蟻群算法和多QoS約束的云資源調度策略研究[J].軟件導刊，2016，15（3）：1?5.

LI Li， WANG Junying， ZANG Zhaoxiang， et al. Research on improved ant colony algorithm and multi QoS constrained cloud resource scheduling strategy based on RBF?DE [J]. Software guide， 2016， 15（3）： 1?5.

[2] 劉志中，呂克林，宋成，等.基于QoS預測與約束層次模型的云服務推薦方法研究[J].計算機工程與應用，2015，51（10）：47?52.

LIU Zhizhong， L? Kelin， SONG Cheng， et al. Cloud service recommendation method based on QoS prediction and constraint hierarchy model [J]. Computer engineering and applications， 2015， 51（10）： 47?52.

[3] 陳紹東，宋亮，卜春霞.網絡通信能量資源優化調度仿真研究[J].計算機仿真，2016，33（3）：235?238.

CHEN Shaodong， SONG Liang， PU Chunxia. Simulation of optimal scheduling for network communication energy resources [J]. Computer simulation， 2016， 33（3）： 235?238.

[4] 許陽，趙宗貴.一種人機協作的目標綜合識別模型設計[J].計算機測量與控制，2015，23（11）：3739?3743.

XU Yang， ZHAO Zonggui. Design of integrated target identification with human?machine cooperation [J]. Computer measurement & control， 2015， 23（11）： 3739?3743.

[5] 郝貴和，張天嬌，伍紅英，等.基于博弈論的QoS協作WSNs路由算法[J].現代電子技術，2016，39（16）：108?111.

HAO Guihe， ZHANG Tianjiao， WU Hongying， et al. QoS coo?perative WSNs routing algorithm based on game theory [J]. Modern electronics technique， 2016， 39（16）： 108?111.

[6] 劉彩霞.基于QoS量化評估的電子商務認證協議優化[J].科學技術與工程，2016，16（18）：61?65.

LIU Caixia. Optimization of electronic commerce authentication protocol based on QoS quantitative assessment [J]. Science technology and engineering， 2016， 16（18）： 61?65.

[7] 焦揚，陳喆，梁員寧，等.基于馬爾可夫過程的云服務組合QoS量化評估方法研究[J].計算機科學，2015，42（9）：127?133.

JIAO Yang， CHEN Zhe， LIANG Yuanning， et al. Research on QoS quantitative evaluation method of cloud service composition based on Markov process [J]. Computer science， 2015， 42（9）： 127?133.endprint

[8] 聶子航，于學軍.基于多元線性回歸的辦公建筑電力能耗評估預測模型的設計[J].電子設計工程，2016，24（3）：40?43.

NIE Zihang， YU Xuejun. Design of the evaluation and prediction of power energy consumption of office buildings based on multivariate linear regression [J]. Electronic design engineering， 2016， 24（3）： 40?43.

[9] 王海榮，劉珂.基于復雜序列映射的離散信息簽密安全模型[J].科技通報，2015，31（8）：159?161.

WANG Hairong， LIU Ke. Discrete information signcryption model based on complex sequence mapping [J]. Bulletin of science and technology， 2015， 31（8）： 159?161.

[10] 文華.運用備份服務位置和概率QoS模型的Web服務組合算法[J].電信科學，2016，32（10）：116?123.

WEN Hua. Web services composition algorithm based on the location of backup service and probabilistic QoS model [J]. Telecommunications science， 2016， 32（10）： 116?123.

[11] 秦麗，李兵.基于p階組合云模型的QoS不確定性建模與Web服務過濾[J].小型微型計算機系統，2015，36（11）：2439?2444.

QIN Li， LI Bing. QoS uncertainty modeling and web services filtering based on p?order combined cloud model [J]. Journal of Chinese mini?micro computer systems， 2015， 36（11）： 2439?2444.endprint