基于用戶滿意度的大數據服務可信評價與優化

張龍昌,白 靜

(1.宿遷學院 信息工程學院,江蘇 宿遷 223800;2.北京郵電大學深圳研究院,廣東 深圳 518038;3.東北財經大學 管理科學與工程學院,遼寧 大連 116025)

1 背景介紹

云計算通過基礎設施即服務(IaaS)、平臺即服務(PaaS)提供大數據應用運行環境,具體以軟件即服務(SaaS)形式提交給用戶,稱其為大數據服務。

QoS、情景、服務價格、服務品牌等眾多因素都會影響大數據服務的用戶滿意度;無限提升QoS不僅不能使用戶滿意度無限提高,且嚴重浪費資源;大數據服務周期長、數據遷移成本高、服務切換難度大,服務選取非常慎重;服務市場不斷變化,影響參與各方行為。

基于以上背景,從用戶滿意度視角出發,揭示用戶滿意度形成機理,構建情景感知的用戶滿意度模型,在此基礎上建立可信的服務評價方法和服務運行期博弈優化方法,通過服務選取和服務運行優化實現大數據服務提供的用戶滿意度最大化(研究所處位置見圖1),最終提出最大化用戶滿意度的大數據服務可信評價及博弈優化方法。

圖1 大數據服務構建模型

2 國內外研究現狀及發展動態分析

2.1 QoS模型及數據采集

研究者從主、客觀兩個角度建立QoS模型的指標體系,主觀QoS屬性一般由用戶打分或使用語言短語進行評價,多用模糊數描述;客觀QoS屬性一般通過監測的手段獲取信息,通常采用實數[1]、區間數[2]、概率或隨機過程描述。QoS不僅取決于服務本身,還取決于網絡、用戶終端環境等情景因素,如移動網絡、傳輸網絡、用戶終端環境等。QoS優不一定會使用戶體驗(QoE)更好,為了使服務評價、選擇、組合的效果更好,一些從探索QoS和QoE間關系、基于QoE的服務優化、服務的QoE評估等視角研究服務的用戶體驗。目前的QoS模型在全面揭示影響用戶滿意度的因素及其規律方面存在不足,相關研究成果也未能全面闡述用戶滿意度的形成機理,致使QoS優的服務用戶滿意度卻不一定高,建立一個系統的、全面的描述用戶滿意度的模型成為迫切需要解決的問題。

通過服務提供商發布QoS、用戶經驗QoS、監控軟件監控QoS三種渠道獲得QoS數據,因用戶終端獲取QoS更能有效反應服務狀態,重點闡述用戶端獲取QoS。監控軟件監控QoS受環境因素影響較大,做不到任何時間、任何地點全面監測;另外在用戶端監測QoS或者用戶反饋QoS會引起用戶終端資源的占用和成本的增加,一些用戶會選擇搭便車。采用協同過濾等預測和推理的方法補齊缺失的QoS數據方法也有一定局限性,預測結果受數據規模、數據質量、情景等因素影響,而以用戶經驗為基礎的用戶滿意度數據缺失問題,更適合從用戶視角解決,因此有必要從激勵用戶角度解決用戶滿意度數據不全面問題,如何建立評價用戶提交用戶滿意度數據的激勵機制是一個基本問題。

用戶對自身利益的考慮,可能會選擇提交虛假QoS經驗,此類用戶為典型的“網絡水軍”和“網絡推手”。解決用戶經驗QoS的可信性問題,通過設計算法對不可信QoS數據進行識別,從而獲得可信QoS數據。基于數據的識別預測方法具有較好的效果(識別準確率可達到90.5%)和較大的參考價值,但在場景變化時識別率不高,而用戶滿意度數據是以用戶的經驗為基礎,通過識別用戶的可信度即可識別數據的可信度。這是一種新的研究思路,如何建立評價用戶的可信度評估方法是必須解決的問題。

2.2 基于QoS的服務選擇和排序

目前還較少有基于用戶滿意度的服務評價成果出現,基于QoS的服務選擇和排序具有較高的參考價值,可以分為以下幾類:(1)基于協同過濾的服務選擇方法[3-4],在特定數據缺失條件下和用戶環境對QoS影響較大時,不失為一種有效的解決方案,但依賴用戶歷史QoS記錄,服務選擇的準確率與數據集強相關,同時也存在數據的稀疏性和冷啟動等問題。(2)基于啟發式算法的服務選擇,可在大規模的組合服務選擇中以較合理的時間求得質量較優的解,遺傳算法[5]、粒子群算法[6]等較常見。在獲得組合服務計劃的全局最優解和較快的執行速度上具有較好的表現,在執行時間和解的最優度間權衡,往往沒找到最優解算法就已經結束。(3)基于整數規劃的服務選擇[7],需要對所有可能的執行計劃進行評估,效率隨著問題規模的增加而大幅度降低。(4)基于多屬性決策理論的服務選擇方法,首先構造候選服務的QoS矩陣,并獲取用戶對各QoS屬性的偏好權重,再應用層次分析法(AHP)[8]、逼近理想解的排序方法(TOPSIS)[9-10]等對候選服務進行評價和排序。能夠獲得局部最優解,缺點是獲得偏好是個難題,對不同數據類型表示的QoS屬性需要提出新的決策方法。還有一些具有很高的價值算法,如基于博弈的服務選擇優化[11]、基于投資組合理論的服務選擇[12]、基于多屬性組合拍賣等等。

大數據服務依賴于海量的異構數據,不僅同一數據中心很難,不同數據中心也很難出現功能相同而質量不同的大數據服務。依據若干屬性構成的用戶滿意度數據,從多個備選服務中選擇用戶滿意度最高的服務,采用多屬性決策方法更合理。將以往基于多屬性決策方法的服務選擇研究成果應用于實現服務選取階段用戶滿意度最大化,仍存在以下問題需要解決:以往的QoS數據考慮用戶情景因素不夠充分,在用戶滿意度數據上有必要考慮用戶的情景因素,即數據的可信問題;用戶滿意度數據為若干次采集的數據序列,以往對數據的期望研究的較多,對數據的風險(即分布)研究的較少,即存在數據描述的不可信問題;進而缺少一種新的多屬性決策方法適應該類數據描述。

2.3 服務運行期的優化

從用戶角度的優化,目標是使服務的QoS更好或成本更低:文獻[13]解決大規模的科學應用以任務數據流形式在分布式和異構資源云環境中的調度,實現最小化云應用的期望執行時間和經濟成本,并保證系統資源的最大公平使用。也有文獻利用虛擬機技術,對組合云服務的資源分配進行優化,以最小化任務執行時間為目標,設計了非競爭和競爭場景下的資源分配方案,在系統資源不足和資源競爭時輕工作量優先策略更適合串行和并行任務。

從服務提供商角度的優化,目標是在滿足用戶QoS約束情況下追求云資源利用率、服務吞吐量、服務提供商收益更高:文獻[14]在滿足用戶的時間需求的約束下,通過動態分配任務、調整虛擬機和調整主機盡量減少能量消耗。文獻[15]解決云計算環境下帶約束的性能和能耗的多目標優化問題,追求高性能和低能耗。另有文獻建立SaaS服務提供商和IaaS服務提供商間的博弈模型,在價格和資源分配策略間尋求均衡解,實現SaaS服務提供商和IaaS服務提供商的收益最大化。

上述研究成果從用戶或服務提供商角度對服務運行期進行優化,然而目前較少有研究方案可以同時兼顧用戶和服務提供商,比如優化用戶收益(QoS,經濟成本)的同時滿足其它約束,并且能夠使服務提供商也能獲得良好收益。

綜上分析,實現大數據服務用戶滿意度最大化,存在下述問題亟需解決:(1)缺乏完整用戶滿意度模型及全面、可信的用戶滿意度數據獲取方法;(2)缺乏實現用戶滿意度最大化的可信服務評價方法;(3)缺乏服務運行期實現用戶滿意度最大化的有效優化方法。

3 研究內容

基于用戶滿意度視角,該文以現實中大數據服務為研究對象,構建數理模型建立完整的用戶滿意度模型及能獲取全面、可信的用戶滿意度數據方法。具體研究目標為:(1)揭示價格、用戶感知QoS、協商QoS、品牌形象、感知價值和情景等影響用戶滿意度的基本規律,建立能夠全面、準確描述用戶滿意度的模型,進而建立起用戶滿意度與各影響因素間的數理關系;(2)揭示評價用戶搭便車行為規律,建立有效的激勵機制激勵評價用戶參與用戶滿意度評價,構建完備的用戶滿意度數據;(3)探索服務評價中存在的用戶滿意度數據虛假問題,建立有效的評價用戶可信度評估方法,消除虛假用戶滿意度數據,為可信的服務評價提供數據基礎;(4)闡明云模型、TOPSIS基本原理,建立充分考慮情景因素的可信服務評價方法,能夠有效解決現有評價方法在可信度方面存在的不足;(5)揭示服務運行期服務參與者行為,明確QoS、價格與服務參與者收益的關系,建立服務運行期博弈優化方法,最大化服務參與者收益。

在綜述大量文獻的基礎上,借鑒客戶滿意度模型(ACSI、ECSI、TCSI)構建情景感知的用戶滿意度模型;從激勵評價用戶提交數據、評估評價用戶可信度識別虛假數據和提高服務評價算法可信度三方面實現大數據服務的可信評價;通過研究服務運行階段服務參與者行為及博弈機理,提出服務運行期博弈優化方法,下面是具體研究內容(各研究內容間的關系見圖2)。

圖2 各研究內容間的關系

圖3 采取的技術路線圖

3.1 情景感知的用戶滿意度模型

傳統以QoS為基礎的服務評價能獲得QoS優的服務,研究、實踐證明QoS與用戶滿意度存在正向關系,但QoS達到一定閾值后用戶滿意度不再敏感,不斷提高QoS不僅不能顯著提高用戶滿意度,還會降低云資源利用率,損害服務提供商利益。此外,傳統以互聯網為背景的服務評價,較少考慮用戶情景(如環境、時間、位置、偏好)變化,因而較難準確地提供用戶滿意的QoS。針對以往QoS模型不能準確描述用戶滿意度問題,首先揭示價格、用戶感知QoS、協商QoS、品牌形象、感知價值和情景等因素影響用戶滿意度的規律,進而闡明用戶滿意度形成機理,研究在客戶滿意度模型基礎上構建情景感知的用戶滿意度模型,最后研究模型的量化評估和優化,為服務評價和服務運行期博弈優化奠定基礎。

3.2 評價用戶參與評價激勵機制

用戶滿意度來源于評價用戶,部分評價用戶選擇搭便車,直接導致用戶滿意度數據的稀疏、不全面。從激勵評價用戶提交數據角度解決該問題,首先研究服務評價過程中的評價用戶搭便車行為的測量方法,用以測量服務評價中搭便車程度;然后研究構建博弈論框架下評價用戶貢獻行為模型,觀察用戶貢獻行為的動態過程,分析個體評價用戶搭便車行為存在的必然性以及由此引致的“公地悲劇”問題;進而基于委托代理理論和虛擬支付,研究評價用戶貢獻的激勵機制,從而引導自私型評價用戶貢獻用戶滿意度,提升評價用戶對服務評價的貢獻水平。

3.3 評價用戶可信度評估方法

“網絡水軍”和“網絡推手”提供虛假用戶滿意度數據,從評價用戶可信視角出發,識別誠信度不高的評價用戶,進而拒絕其滿意度數據。首先基于統計分析角度,借鑒個人征信體系構建基本思想,建立服務交易中評價用戶的行為檔案,進而研究基于Logistic回歸的動態評價用戶可信度評估方法;接著基于人的認知行為角度,借鑒社會網絡理論研究基于社會網絡的動態評價用戶可信度評估方法;最后研究兩種可信度評估方法的綜合評估方案。

3.4 基于云模型的可信服務評價

來源于不同情景不同評價用戶的滿意度數據隨機性和模糊性較強,如何建立可信的服務評價方法實現服務選取階段的用戶滿意度最大化是迫切需要解決的關鍵問題。分析基于情景的用戶相似規律并設計用戶相似計算方法,進一步研究基于Top-K查詢的情景相似用戶查詢算法,獲取與請求用戶相似的評價用戶滿意度數據;研究云模型(包含期望、熵、超熵三個數字特征)的構建機理及用戶滿意度數據的云模型表示,探索云模型的擬合方法,設計并行的用戶滿意度云發生器;研究云模型的距離計算和比較方法,分析典型多屬性決策理論-TOPSIS基本原理,深入研究基于云模型的TOPSIS評價方法,解決現有評價方法評價結果可信度不高這一關鍵問題。

3.5 服務運行期的博弈優化方法

在服務運行期對服務進行優化是另外一個迫切需要解決的關鍵問題。單方行為較難準確地對用戶滿意度產生影響,不能做到服務市場、QoS、用戶滿意度變化情況下的服務參與者收益達到帕累托最優狀態,從最大化服務參與者收益角度出發,研究服務運行階段的博弈優化方法,解決現有優化模型在服務優化實踐中存在的亟需解決的問題。兩種情形的博弈優化:若SaaS、PaaS、IaaS服務作為整體由獨立服務提供商提供,則研究用戶與服務提供商的兩方動態博弈模型;若SaaS、PaaS、IaaS服務分別由不同服務提供商提供,因SaaS、PaaS服務提供商具有共同特征,除了自身提供軟件服務外,還代理IaaS服務提供商向用戶出售IaaS服務,將其定義為應用服務(SaaS/PaaS)提供商,則研究用戶、應用服務提供商和基礎設施服務提供商三方博弈模型。上述研究內容需要解決的關鍵科學問題為:(1)如何建立服務選取階段的最大化用戶滿意度的可信大數據服務評價方法是必須解決的關鍵科學問題。(2)在服務市場變動條件下,如何確定服務運行期的價格、QoS,使服務參與者收益達到帕累托最優狀態,促使大數據服務效用最大化,是另一個關鍵科學問題。

4 研究方案

4.1 總體研究方案

首先,利用調查法、統計分析法結合客戶滿意度模型(ACSI、ECSI、TCSI),揭示相關因素影響大數據服務的用戶滿意度規律;查閱相關文獻資料,總結分析客戶滿意度理論最新研究成果,闡明大數據服務的用戶滿意度形成機理,構建情景感知的用戶滿意度模型;使用結構方程模型(SEM)對構建的滿意度模型進行評估和優化。接著,在Hadoop云平臺上的數字資源大數據服務和遙感大數據服務,測量服務評價過程中評價用戶的搭便車行為,在博弈論框架下分析大數據服務評價中的用戶貢獻行為,進一步歸納出搭便車存在的必然性和導致的問題,借鑒委托代理理論思想建立評價用戶參與評價激勵機制。然后,分別采用統計方法和社會網絡方法對評價用戶可信度進行評估,建立起符合實際應用的評價用戶可信度評估方法。通過情景感知的用戶滿意度模型、評價用戶參與評價激勵機制、評價用戶可信度評估方法的研究獲取完備、可信的用戶滿意度數據,在此基礎上通過情景相似的用戶滿意度Top-K查詢選取更加可信的用戶滿意度數據,以此建立用戶滿意度云模型,構建基于云模型的可信服務評價方法,進而實現服務選取階段的用戶滿意度最大化。在服務運行階段,通過對服務參與者間的博弈分析,建立服務參與者間的兩方博弈和三方博弈模型,求解服務市場變化情況下,在用戶對收益滿意時,服務提供商所采取的策略,實現服務運行期的用戶滿意度最大化。

4.2 具體研究方案

4.2.1 情景感知的用戶滿意度模型研究方案

(1)揭示相關因素影響用戶滿意度的規律。首先研究客戶滿意度模型相關文獻及應用現狀,結合服務的QoS模型、服務協商,總結影響用戶滿意度的相關因素。一級指標包括協商QoS、感知QoS、品牌形象、感知價值、價格、用戶滿意度、用戶抱怨、情景,繼續研究二級指標。同時繼續查閱消費者行為、云服務領域最新文獻,挖掘用戶滿意度的影響因素,并通過調查法采集用戶的真實需求,即采用理論歸納和定性實證方法解決指標結構合理性問題;利用SPSS中的KMO和Bartlett檢驗指標是否有效,即采用因子顯性分析解決指標有效性問題;結合主成分因子分析和定性賦值評價解決指標權重問題,最終確定指標結構和權重大小。

(2)闡明用戶滿意度形成機理。總結分析ACSI、ECSI、TCSI用戶滿意度模型,揭示其構成機理,結合大數據服務特點,在情景感知的用戶滿意度模型的指標框架體系下,闡明模型的結構與指標的關系(見圖4),將繼續深入研究。在定性實證方面,邀請專家對模型進行評價。

圖4 情景感知的用戶滿意度模型

(3)模型量化評估和優化。在Hadoop平臺上數字資源大數據檢索服務和遙感大數據分析服務,基于情景感知的用戶滿意度模型設計調查問卷,對觀測變量進行數據收集。根據數據質量使用結構方程模型(SEM)進行相關參數估算,進行模型契合度(也叫擬合度)估算,通過參數估計中出現的偏差對最終應用模型進行修正。有多種軟件可以處理SEM,常用的有LISREL、AMOS和PLS,在綜合分析常用三種軟件優缺點的基礎上,結合研究實際情況,采用一種或多種軟件進行數據處理。

4.2.2 評價用戶參與評價激勵機制研究方案

(1)大數據服務評價中搭便車行為測量。首先進行主動測量,即在數字資源大數據檢索服務和遙感大數據分析服務中植入監測程序,記錄服務請求、服務應答、收到的評價等日志信息;其次,調查Google、亞馬遜、阿里巴巴云服務的用戶評價情況;最后,總結測量和調查結果,分析評價用戶貢獻的行為特征,初步歸納出用戶貢獻行為具有志愿和收益共享性而成本(包括占用IT資源、時間等)獨擔兩種特征,繼續深入探索其它特征。

(2)博弈論框架下構建評價用戶貢獻行為模型。基于評價用戶貢獻行為特征的分析,做出以下假設:大數據服務評價中評價用戶是理性(自私)的;一次評價任務只能由調用服務的用戶完成;大數據服務與評價用戶是委托代理的關系。效用模型構建:設n個用戶調用大數據服務并且需要提交評價,評價用戶期望效用最大化模型為:

(1)

其中,至少m個評價用戶提交評價的收益R被所有用戶共享,成本ci由評價用戶獨自承擔,γi是評價用戶i選擇提交評價的概率,γvi是至少m個評價用戶選擇提交評價的概率(當用戶i選擇不提交評價),用戶i的效用Eui是關于ci、R、γi、γvi的函數。

博弈分析:首先從兩個局中人的非零和博弈入手來研究兩個評價用戶之間行為決策的相互影響,分析兩個評價用戶在不同策略選擇條件下的收益與損失;接著將問題拓展到多個評價用戶情況,轉變為評價用戶i與其他評價用戶之間的博弈。

模型驗證與分析:首先,從評價用戶角度出發,通過實驗觀察評價用戶數量固定時在不同評價概率下的收益;接著,通過動態建模,觀察隨著評價用戶數量的增加,個體評價用戶的評價概率與大數據服務整體評價概率的變化情況;進而通過觀察評價用戶貢獻行為的動態過程,解釋大數據服務評價中個體評價用戶“搭便車”行為存在的必然性。

(3)基于委托代理的評價用戶貢獻激勵機制。成本收益是影響評價用戶對大數據服務評價貢獻水平的重要因素,若能給予評價用戶一定的報酬,彌補評價用戶貢獻的損失,將會提升評價用戶的貢獻意愿。擬通過虛擬支付方式對于評價用戶的貢獻行為給予一定獎勵,這種獎勵可通過虛擬貨幣進行量化;基于委托代理理論,構建評價用戶貢獻激勵機制。

首先,確定評價用戶貢獻的產出函數Y、成本函數C、最優激勵合同函數S(Y)、大數據服務期望效用函數E(Y-S(Y))與評價用戶的期望效用函數E(S(Y)-C)(分別考慮風險中性和風險規避型兩種評價用戶)。

然后,基于委托代理,大數據服務為委托人,評價用戶為代理人,IR為參與約束(體現評價用戶在貢獻水平與收益間權衡),IC為激勵約束(體現評價用戶使自己效用最大化的努力水平),建立基本激勵模型為:

(2)

接著,在基本激勵模型基礎上研究完全信息條件下的激勵模型,此時激勵約束條件不起作用,可以設置任意滿足參與約束條件的強制合同實現任何貢獻水平。這里同樣考慮評價用戶風險中性和風險規避兩種情況。

進一步,在基本激勵模型基礎上研究不完全信息條件下的激勵模型。不論對評價用戶的激勵機制如何,評價用戶總是會選擇最優的貢獻水平以最大化自身效用,用戶的激勵約束起作用,只能通過最優激勵合同的設置誘使用戶選擇被期望的貢獻水平。

最后,在數字資源大數據檢索服務和遙感大數據分析服務評價上,驗證該激勵機制對大數據服務評價中評價用戶搭便車行為的擬制效果。

4.2.3 評價用戶可信度評估方法研究方案

首先采用基于Logistic回歸的動態可信度評估方法評估,再使用基于社會網絡的可信度評估方法評估,最后將兩種方法的評估結果進行綜合。

(1)基于Logistic回歸的動態可信度評估方法。首先,以情景感知的用戶滿意度模型為基礎,從評價用戶特征、評價信息、服務協商、服務質量、情景、評價用戶抱怨等維度抽取可信度影響變量。然后,采用Logistic回歸模型計算評價用戶可信度,計算方程如下:

(3)

其中,xk(k=1,2,…,m)為影響變量(為消除不同量綱的影響,擬采用min-max標準化或z-score標準化),xj(j=0,1,…,m)為技術系數,Logistic回歸值p∈(0,1)為評價用戶可信概率。最后,分別取一千個左右樣本作為訓練集和一百個左右樣本作為測試集,對模型進行驗證和分析。

在觀察期內,評價用戶的可信度是動態變化的,擬采用馬爾可夫鏈對評價用戶可信度進行動態預測。不可信評價用戶評分往往是極端的好或極端的差,評價用戶每提交一次評價后計算其是否為極端樣本,擬采用x-μ≤δCv計算(其中x為評價用戶提交的評分,Cv為離差系數,μ為所有評分的均值估計,δ為所有評分的標準差估計),累計k次為一個狀態,當k大于某個閾值時為不可信,從而獲得評價用戶可信等級的全體狀態空間。接著,由訓練樣本計算出各狀態出現的概率,進而動態預測評價用戶可信度。

最后,仍然采用Logistic回歸模型綜合靜態可信度預測和動態可信度預測。

(2)基于社會網絡的可信度評估方法。評價用戶提交評價后,對近期內情景相似的m個匿名評價用戶的滿意度評價進行打分,基于打分建立評價用戶間信任的社會網絡關系(見圖5)。其中u0為被評估評價用戶,u1、u2、u3為直接給u0打分評價用戶,u4、u5、ui為間接給u0打分評價用戶。

圖5 評價用戶的信任關系

影響可信度評估模型的因子還可能有可信度評分次數、時間權重、評分用戶的可信度、情景相似度等,分別設計上述影響因子的計算方法,在此基礎上建立直接可信度評估模型和間接可信度評估模型,進而建立基于社會網絡的評價用戶可信度評估方法。

4.2.4 基于云模型的可信服務評價研究方案

大數據服務評價以用戶滿意度數據為基礎,是多屬性決策問題,采用以下方案實現可信的服務評價。

(1)情景相似的用戶滿意度Top-K查詢。選取請求用戶情景相似的用戶滿意度數據作為服務評價數據更為可信。情景因素包括主觀因素(如偏好)和客觀因素(如時間、位置)。主觀因素描述請求用戶和評價用戶偏好的向量,兩者相似度體現為線性相關程度,實際應用中因素的數目大于1并且假定用戶能明確給出各因素的評分,因此其相似度計算擬采用皮爾遜相關系數;客觀因素相似度計算,擬采用歐幾里德距離。對于量綱不同,擬采用min-max標準化或z-score標準化,通過實驗分析兩者在不同數據量下的適用性。

大數據服務評價以相似度最大的k個用戶滿意度數據為基礎,從而轉換為數據維度為2(主觀因素和客觀因素)的Top-K查詢問題,若采用加權和計算相似度有f(ti)=w1*f(s)+w2*f(o),ti∈T且1≤i≤m(T為數據集,m為數據集的勢),w1、w2為權重且w1+w2=1,f(s)≥0為主觀因素相似度,f(o)≥0為客觀因素相似度。首先,按照各服務器計算和存儲能力對用戶滿意度數據進行水平劃分,劃分方式擬采用隨機劃分、按時間序列劃分、哈希劃分、基于網格劃分,顯然按時間序列劃分最為簡潔,通過實驗分析驗證這些劃分方式的優劣。基于數據劃分特點設計基于MapReduce的用戶滿意度數據的Top-K查詢算法。

(2)基于云模型的用戶滿意度表示。不確定的用戶滿意度評分,導致分值的分布隨機而模糊,擬采用云模型描述,增加服務評價的可信度。用戶滿意度指標i評分數據的云模型擬表示為Ci=(Exi,Eni,Hei),其中Exi為評分分布的期望,Eni為評分分布的熵,Hei為評分分布熵的熵。借鑒逆向云發生器的思想,擬采用統計和理論推導相結合的方法,研究多個云模型擬合方法。最后,在MapReduce框架下設計并行處理的逆向云發生器,解決面向海量數據時逆向云發生器效率低的問題。

(3)基于云模型的大數據服務評價。擬采用多屬性決策中常用的有效方法TOPSIS。用戶滿意度由多個云模型描述的指標構成,在分析TOPSIS的基本原理基礎上,解決以下兩個問題:為消除不同量綱對評價結果的影響,擬借鑒正太分布的標準化方法,將各指標進行標準化;擬采用統計和理論推導相結合方法計算云模型的距離和比較云模型大小。最后,借鑒TOPSIS的基本思想,設計出基于云模型的大數據服務評價方法。

4.2.5 服務運行期的博弈優化方法研究方案

(1)服務運行期的兩方動態博弈模型。若SaaS、PaaS、IaaS服務作為整體由獨立服務提供商提供,則為獨占壟斷市場中的用戶和服務提供商之間動態博弈(是一種討價還價博弈)。

博弈過程:用戶感知到服務QoS、價格或市場信號,根據自身的收益函數決定對服務的支付意愿并完成購買,實現自身效用最大化;服務提供商感知到用戶行為(這里主要指用戶抱怨)和市場信號,調整服務價格或QoS,以實現收益最大化;兩方交替進行討價還價,用戶收益達到用戶滿意,則博弈結束。

用戶和服務提供商的收益函數:用戶收益是服務QoS、價格、以及用戶感知的市場信號的函數,體現為用戶滿意度,基于情景感知的用戶滿意度模型建立用戶收益函數;服務提供商的收益為總收益、總成本以及服務提供商感知的市場信號的函數,總收益體現為某時刻所有用戶的付費,總成本為某時刻向用戶提供服務付出的開銷,深入探索服務提供商的收益函數。

博弈方的行動集:獨占壟斷市場中只有一個服務提供商為相同需求用戶提供服務,此時博弈參與方為用戶和服務提供商,同時假定可伸縮的云資源提供可保證服務QoS穩定;用戶可能采取的策略空間是{增量購買服務,減量購買服務},服務提供商可能采取的策略空間是{提升QoS,降低QoS,提升價格,降低價格}。

基于上述分析,建立討價還價博弈模型,用戶與服務提供商進行博弈,用戶收益達到用戶滿意,博弈結束,此時用戶滿意度較高。

(2)服務運行期的三方博弈模型。

SaaS、PaaS服務提供商提供軟件服務,兩者具有共同特征,必須運行在IaaS上,除了自身提供軟件服務外還代理IaaS服務提供商向用戶出售IaaS服務,將其定義為應用服務(SaaS/PaaS)提供商,則為獨占壟斷市場中的用戶、應用服務提供商和基礎設施服務提供商之間動態博弈。

博弈過程:用戶感知到服務QoS、價格或市場信號,根據自身的收益函數決定對服務的支付意愿并完成購買,實現自身效用最大化;應用服務提供商感知到用戶行為(這里主要指用戶抱怨)和市場信號,根據自身的收益函數調整服務價格或QoS,以實現收益最大化;基礎設施服務提供商感知到應用服務提供商行為和市場信號,調整基礎設施服務價格或QoS,以實現收益最大化;三方按順序進行多次博弈,用戶收益達到用戶滿意,則博弈結束。

參照兩方動態博弈中的用戶收益函數和服務提供商收益函數,基于三方博弈過程,建立三方博弈中的用戶收益函數、應用服務提供商收益函數、基礎設施服務提供商收益函數。

參照兩方動態博弈中的用戶策略空間和服務提供商策略空間,基于三方博弈過程,建立三方博弈的用戶策略空間、應用服務提供商策略空間和基礎設施服務提供商策略空間。

基于上述分析,建立三方博弈模型,對模型求解,進而得出用戶收益達到滿意時,應用服務和基礎設施服務提供商在最大化自身收益情況下采取的策略。

5 結束語

對大數據服務QoS保障的國內外研究現狀及發展動態進行了系統的總結和分析,圍繞研究目標和關鍵科學問題詳細介紹了相關研究內容和擬采用的研究方案。下一步將對提出的研究內容進行深入探索,在初步研究方案基礎上提出高效、可行的問題解決方案。密切關注邊緣計算和智能技術的發展,研究其對大數據服務QoS保障技術帶來的新挑戰和新機遇。