论文部分内容阅读
自Web服务出现以来,由于Web服务所具有的平台无关性、低耦合性、交互便利性、易扩展性等特点,使得Web服务在互联网上的部署数量飞速增加。Web服务数量的增加,使得互联网上出现了许多功能相似乃至相同的Web服务。这些功能相同的Web服务具有服务质量的差别,同时也由于用户和Web服务所在地之间的网络性能不同,导致对于不同用户来说Web服务的质量感受不同。因此,用户亟需一种方法来帮助他们选择使用质量更好的Web服务。这个问题在由多个Web服务组成的组合服务中更为明显,所以Web服务选择成为了服务组合构建过程中的关键问题。本文主要研究Qo S感知方法以及基于Qo S感知的Web服务选择算法。目前Web服务选择主要基于Qo S数据,这使得Qo S的准确性变得十分重要。而Qo S的准确性取决于Qo S的感知方法。现有的Qo S感知方法大多都只监测Web服务运行数据,然后计算其指标的平均值。或者,直接由服务供应商提供Qo S指标。通过平均值反映Web服务的服务质量只能大概地提供一个Web服务的质量,缺乏衡量Web服务稳定性的属性。另一方面,简单地将Web服务全部运行数据用于Qo S感知,也不能体现出不同地区用户对于Web服务质量感受有所差别的实际情况。而由服务供应商直接提供Qo S指标则毫无准确性可言。为了解决这些问题,本文提出了基于云模型的不确定Qo S感知方法。传统的基于Qo S的Web服务选择算法大多是单一目标优化算法,或是将多目标优化问题通过加权的方式转化成单一目标。这类方法需要用户在服务选择之前提供Qo S各属性权重关系。而这往往是用户难以确定的,但却简化了服务选择算法。由于用户在多数情况下并不是真的确定Qo S各属性间的权重关系,因此服务选择算法求得的结果也就不能确定是符合用户需求的。本文采用多目标优化方法,这类方法现有研究较少,并且存在维护Pareto解集计算复杂度较高的问题。本文利用Web服务所在地和用户请求所在地之间的网络逻辑距离优化了Pareto解集的维护过程,减小了计算复杂度,并设计了基于量子进化算法的多目标优化算法。为了获得更为接近Web服务实际情况的实验环境,本论文设计了以QWS数据集、真实的网络性能数据和逻辑距离为基础,运用云模型中的正向云发生器仿真生成Web服务的运行数据方法。本课题在此仿真实验环境中将本论文所设计的服务选择方法和传统的NSGA-II算法和多目标人工蜂群算法进行了对比。实验结果验证了本文所提出的基于云模型的不确定Qo S感知算法和基于量子进化算法的多目标优化算法的可行性。实验结果显示其在大部分情况下优于其余两种对比算法。最后,结合上述的理论研究本论文设计了一个小型的Web服务选择仿真系统。