基于服务系统的运行时异常处理机制研究与应用

文 斌 罗自强

(1.海南师范大学信息科学技术学院 海口 571158)(2.海南师范大学云计算与大数据研究中心 海口 571158)

基于服务系统的运行时异常处理机制研究与应用

文 斌1,2罗自强1,2

(1.海南师范大学信息科学技术学院 海口 571158)(2.海南师范大学云计算与大数据研究中心 海口 571158)

软件服务成为接入和放大各类硬件基础设施能力的基本途径,服务计算成就资源共享价值,其核心是个性化定制和按需聚合实现离散服务增值。目前基于服务的软件系统缺乏运行时异常处理和服务再聚合迭代过程考虑,没有从需求出发直接对接服务系统的自适应机制以克服运行时各种例外和应对客观存在的服务资源不足、上下文环境变化问题。论文主要贡献: 1) 构建服务资源自适应异常处理体系结构; 2) 设计应对需求和服务场景变化的运行时自适应调节机制; 3) 结合海南热带农产品电商平台获取实现能支持自适应SOA的运行时处理能力的CASE工具功能性需求和相关性能评估。理论研究与实证相结合,尝试为服务软件系统的运行时需求演化和异常处理构建自适应机制、提升SOA运行时自适应能力方面提供一种可行的解决方案。

SBS; 异常处理; 架构演化; 运行时; 海南农产品电商平台

Class Number TP313.5

1 引言

软件和资源使用是以走进云基础设施,以服务的形式为消费者所用。软件服务成为接入和放大各类硬件基础设施能力的基本途径,服务计算成就资源共享价值。大数据研究中的分析即服务(AaaS)以及云计算中最常提到的软件即服务(SaaS)、平台即服务(PaaS)、基础设施即服务(IaaS)中最核心的就是服务,而近年来服务计算相关研究也多涉及基础设施上的资源共享和应用集成[1～2]。

服务计算领域知名会议ICSOC2013在2013年11月3日由ACM和IEEE双Fellow的Carlo Ghezzi发表的大会主题演讲,旨在关注面向服务构建系统中的自适应性,指出服务系统的自适应性研究是推动软件技术发展的主要挑战[3]。2014年11月3日举办的IOSOC2014论文集前言同样强调“服务适应动态环境要求的服务变化管理是一个核心、关键研究主题”[4]。

目前基于服务的软件生产方法通常流程为:服务提供者生产服务资源→发布服务→服务消费者选择服务→服务聚合(按需服务资源绑定、组合),类似瀑布模型或自顶向下与自下向上中间对齐的混合模式,缺乏运行时例外处理和服务再聚合迭代过程考虑。只是一个从需求出发聚合服务资源的单向渠道,用户与服务资源缺乏直接联系,没有从需求出发直接对接服务系统的自适应机制以克服运行时各种例外和应对客观存在的服务资源不足、上下文环境(Context)变化问题。

因此,建立用户需求到服务资源的直接定制反馈通道、实现SOA软件系统运行时自适应调整能力、完善基于服务的软件生产方式,由此构建适应性SOA正是本文的研究动机和意义。

资源是一个很宽泛的概念,其内涵和抽象粒度差异很大,涉及计算资源、网络资源、存储资源、数据资源和服务资源等诸多形态。本文中服务资源表示为良定义可互操作的Web软构件的集合。

服务资源供应的重要性主要体现在: 1) 充足的、满足个性化要求的服务资源是服务聚合和服务软件生产的物质基础; 2) 有效的服务资源供应方法是服务软件生产顺利实施、高效完成的保障。

图1 服务请求者为中心的支持自适应性SOA结构

SOA(面向服务体系结构)变服务资源的供应从直接端到端提供为间接寻址方式,通过注册机制解耦软件表示和实际服务资源的直接联系,比较有效地解决了服务资源的分布式定位,SOA由此成为分布式互联网计算的经典体系结构。带有异常处理的服务请求者为中心的支持自适应性SOA结构如图1所示。

由于Web执行环境的动态链接和尽力而为的服务资源供应机制,在组合服务的过程中会自然发生各种服务资源供应异常[5]。异常情况,指的是服务失效(故障)、网络错误和资源或需求变化引起的异常事件。缺乏异常处理机制导致的问题如性能低下、资源浪费、非优化服务供应甚至是失败的流程执行。

而用户的偏好和需求不断变化,仅仅依赖当前可得到的服务资源进行组合来构建应用非常困难。业界的主要服务软件开发平台,如IBM RSA、ActiveBPEL、WebsphereIntegeration Developer等也同样缺乏服务资源主动供应方面的设计考虑,由此也影响这些工具在实际使用上的方便性、实用性。

以上问题造成的结果是:大型、分布式软件开发中投入大量的人力、物力和工具进行服务资源的建设,但投入高、产出少,作用不明显。

主要原因:

1) 传统SOA不具备运行时自适应调节机制以适合需求和服务场景变化能力。

2) 服务资源被动供应、静态绑定。缺乏服务聚合运行时服务资源自适应主动供应机制。

因此,调整运行时架构以适应需求和上下文环境变化、解决服务资源供应的动态自适应异常处理就成为目前SBA(基于服务的应用系统)发展中需要迫切解决的问题之一。

2 自适应运行时的异常处理

对于问题域的需求模型如何根据异常情况自适应变化,最终驱动软件架构执行级元素联动变化,提出一个基于日志历史的预测控制自适应异常处理方法。该方法弥补了目前没有综合考虑时间、需求、软件体系结构三要素模型的缺陷。其核心是采用小波变换建立与时间域的关系,通过历史日志关联时间变化进而预测服务资源供应的能力和变化,遇到运行时异常时需求描述发生实时演化同时驱动软件架构使能元素变化。同时采用服务虚拟化机制,从用户需求出发,基于个性化定制进行服务资源动态自适应生产和遗留软件服务化的方法进行服务资源运行时自适应异常处理。

服务软件虚拟化方法和技术旨在屏蔽IT资源分布异构的物理特性,解耦软件的抽象表示和具体的IT资源,通过虚拟化机制实现语义等价的IT层面Web服务到用户业务功能需求抽象的映射。

借助服务虚拟化,探索需求主导的服务资源个性化主动定制,以完成服务聚合运行时无法匹配的服务构件资源的即时、按需生产,努力弥补研究社区在按需服务资源自适应定制方面的缺失,完善服务资源供应方式。同时需要预测控制机制监控需求变化,在运行时将需求描述或需求演化映射到软件架构执行级元素上。

在项目实验载体研究中,我们选择基于Internet的软件系统,聚焦海南农产品电子商务服务领域。因为在面向服务的海南农产品电商服务中,该领域面临的涉众用户比较丰富、个性化需求多样、开发的服务资源多、采用SOA体系结构,由此导致多样的个性化定制要求,同时有关农产品信息加工处理的遗留软件众多,符合项目实证载体特征要求。

3 应对需求和服务场景变化的运行时自适应调节机制

前期已经系统研究了需求模型制导下涉众群体参与的需求获取技术、需求语义驱动的服务聚合生产以及服务资源运行时主动定制生产,取得了阶段性成果,下面阐述基于个性化定制的服务资源供应自适应运行时异常处理研究方案。

3.1 服务资源供应的异常处理机制

图2 服务资源供应自适应运行时异常处理体系结构

服务资源供应自适应运行时异常处理体系结构见图2。该体系结构采用Atom数据聚合方式封装和传递服务需求,通过Atom的subscribe和inform完成服务资源需求描述的创建、订阅、主动推送功能。

配合服务聚合与再聚合,由此设计带有定制处理的服务聚合流程和自适应定制优化算法、异常处理算法、异常处理监控运行,共同完成自适应异常处理功能。

3.2 服务资源自适应定制优化

伴随服务资源定制生产系统,主要研究核心算法在于服务定制者优先选择算法和带有定制处理的服务聚合算法、服务资源定制自适应优化算法、服务评价算法、定制管理流程算法、定制信息反馈、加入定制服务资源后服务聚合再运行等及其应用实效分析。

Algorithm 1 SSOA算法伪代码。

INPUT:solution set (population)

OUTPUT:优化空间

1: Begin

2: Initialization；

3: 1) Initialize a solution set (population) at random.

4: 2) Opposition-based space search.

5: While (the termination conditions are not met)

6: IF (rand(0,1)

7: Local space search；

8: 1) Generate a new space: Generate a new space based on threes given solutions.

9: 2) Search the new space: Reflection, Expansion, and Contraction.

10: Global space search: Cauchy search (Cauchy mutation).

11: Else

12: Opposition-based space search.

13: End While

14: End

服务资源定制自适应优化算法部分采用项目组前期成果SSOA(空间搜索优化算法)(具体见Algorithm 1),在定制资源提供选择方面提高资源供应搜索效率。空间搜索算法借助空间搜索操作实现:即从已知解出发,产生新的子空间并搜索该子空间。

算法特点:SSOA具有更强的局部搜索能力,例如:目前大部分DE算法;SSOA算法具有相对较强的全局搜索能力,这是由于算法中具有柯西变异操作;SSOA算法具有较快的收敛速度。

算法优点:与目前一些著名的改进DE算法对比,实验结果表明SSOA具有更快的收敛速度,且有更大的可能性获得精确解或更为精确的近似解;尤其在高维优化问题上该优点更为突出。

共包含两种空间搜索操作:

1) 局部空间搜索:基于单纯形算法思想进行改进(增加了约束条件的搜索),具有较高的局部搜索能力。

2) 全局空间搜索:实质就是柯西变异操作。反向操作:引用“反向数字”加速算法收敛速度,该操作已经被证明比纯粹的随机搜索更优。

3.3 服务资源定制管理监控的运行机制

按需服务资源定制需要聚合运行时监控异常以便触发服务资源定制过程,为此需要系统研究服务质量评价度量标准,需要界定异常时定制触发的边界条件,同时这也是一个实时系统,必须满足实时触发、发布和反馈的要求。

异常发生时,服务聚合流程中断。当缺失服务资源定制完成,聚合流程需要重新启动,再聚合流程工作。实施方法是借鉴科学工作流中的事务机制,完整流程要么完成、要么终止,同时保留相关流程运行数据。对于终止流程再聚合时,流程重新开始不会影响服务资源提供方。为此需要在系统数据库中设计相关数据表,通过数据记载为再聚合提供支持。

服务资源定制管理的运行方法要点为: 1) 提出服务请求者为中心的支持自适应性SOA结构; 2) 设计完整的服务资源自适应定制、服务聚合重启动、异常处理即时监控等用户服务异常情况下的体系结构和实现方法,重点关注实现可行性和执行简便有效; 3) 通过服务资源自适应定制优化算法等数学模型构建以优化、量化服务资源应对异常处理的自适应定制能力。

3.4 应对需求和服务场景变化的运行时异常处理自适应调节机制

面对运行时异常,通过及时调整运行时软件架构执行元素以适应需求和上下文环境的变化(如异常),并保证其在动态负载下的QoS。由于缺乏贯通时间、需求和架构三种变化的有效方法,因此问题域的需求模型变化自适应驱动解空间上的架构元素就成为了一个核心问题。基于预测控制的运行时异常处理自适应调节,就是采用了结合需求模型级和软件架构级一致性联动变化来驱动SOA系统的自适应。该方法通过历史日志学习基于小波变换的模型以准确/柔性预测服务资源的变化,并通过预测控制诱导需求模型实时变化联动实现运行时软件架构的演化,达到SOA系统的运行时异常处理自适应调整。

图3 应对需求和服务场景变化的运行时异常处理自适应

运行时自适应调节是目前面向Internet软件系统的难题,需要解决如何在运行时将需求模型变化映射到架构单元[6～7]。通过预测控制驱动SaaS组件诱导需求进化,实现运行时架构变化,并证实预测控制在需求/架构演化方面的有效性[8],但未推广到SOA层次上考虑运行时需求变化驱动架构演化。如图4所示,提出的运行时异常处理自适应调节方案是结合有效的预测控制方法[8]和MAPE-K[9]控制回路模型的,方案分为运行时监控、实时分析引擎、软件架构调节管理器、Aspect执行引擎和日志管理等部分。

方案的核心关注点如下:

1) 运行时服务资源的服务质量QoS值的预测方法(采用小波变换,比如选择Morlet母小波基函数)。

Algorithm 2 基于QoS变化预测的软件架构调算法。

INPUT:SOA软件系统中运行时t和t+1时服务资源的QoS值，期望输出的QoS值

OUTPUT:t+1时刻的控制操作向量

1: Begin

2: 初始化：训练分类预测模型；训练需求模型的标记改进点；

3: IF 分类预测(运行时t和t+1时服务资源的QoS值，期望输出的QoS值)=需求

4: THEN

5:t+1时刻的控制操作向量=标记改进点(运行时t和t+1时服务资源的QoS值，期望输出的QoS值)

6: ELSE

7:t+1时刻的控制操作向量=架构演化(运行是t和t+1时服务资源的QoS值，期望输出的QoS值)

8: END IF

9: RETURNt+1时刻的控制操作向量

10: End

傅里叶变换方法在电磁学、军民用电力、移动通信等许多方面都有普遍和成功的应用,主要功能是能将时间序列数据转换为频率序列数据以抽取时间序列的特征。但是傅里叶变换本质上具有时域和频域局部化矛盾,不能有效解决全局预测效能,而使用小波变换分析和描述应用在各个单位时间内运行时服务资源的QoS值随时间的变化规律进而预测未来变化,该变换可以较好解决了上述矛盾。

2) 基于QoS变化预测的软件架构调节机制

根据预测的服务资源QoS值Yi(t+1)与三元组(系统监控控制节点在t时刻对于服务资源i的控制操作)集合CON中生成t+1时刻的控制操作向量为CON(t+1)。预测控制过程包括需求模型初始化、运行时异常触发的需求描述演化、架构执行级元素调节等。

运行时自适应架构调节算法设计如Algorithm 2。

自适应架构调节主要包括两大部分:初始化部分、预测控制部分。初始化工作,即采集日志记录数据通过支持向量机SVM模型进行学习、挖掘,提炼出可行的、经过验证的需求描述模型。

3) 面向需求变化的元模型设计

面向运行时需求变化,必须扩展已有的需求模型以支持运行时需求描述模型在线改变,为此扩展我们以前的需求描述元模型。由于需求模型采用XML格式,通过在其中增加相关面向变化描述的元素,如方面Aspect、本体表示等以提高XML标签的语义互操作性。运行时通过这些标签的改变反映需求模型的即时变化。

4) 面向方面Aspect的软件架构执行级演化

面向方面Aspect的软件架构执行级演化机制包括需求演化和运行时架构模型变换两个方面。其中需求模型演化需要解决的主要问题是异常出现时如何即时进行新的需求模型生成。

(1)根据2)中基于QoS变化预测的软件架构调节机制,分析与获取变更需求对应的控制操作向量;

(2)需求模型演化。根据第一步得到的操作向量搜寻演化需求模型库(项目组前期研究成果)获得支持异常处理的新需求描述模型。

图4 支持运行时软件架构自适应调节的软件架构演化元模型

(3)利用面向方面的需求演化建模分析方法(支持运行时软件架构自适应调整),对初始需求描述模型,匹配对应的软件体系结构执行级元素-如方面Aspect(图4),模型中采用OWL-SA作为需求语义级描述语言,在需求变化阶段建立需求演化语义,为体系结构执行级提供原始驱动。描述语言OWL-SA采用横切点-通告方式将需求模型与软件架构执行级元素(方面Aspect)联系起来。方面(Aspect)对应服务软件系统的需求规格说明,其需求描述包括多个横切点-通告对。横切点表示运行时架构演化发生适应性改变的位置,通告表示需求变化的具体要求。通过方面切入达到运行时软件架构元素重组,可以完成运行时架构演化。

通过表征SOA系统运行时质量的QoS值预测控制来驱动软件架构演化的自适应调节方法,其采用了结合需求和架构驱动服务系统的自适应。通过实时分析SOA运行时日志信息,基于小波变换的学习模型来预测下一确定时刻相应服务资源的服务质量属性;通过基于QoS预测生成运行时架构改变,实现运行时的自适应需求变化,利用面向方面技术支持运行时架构元素自适应调整,完成SOA软件系统运行时演化。

4 实验实证分析

项目实验载体领域研究选择基于Internet的软件系统即集成物联网、云应用、大数据等技术打造面向服务的海南农产品电子商务平台-“农博商城”升级版,探讨O2O(线上线下相结合)农产品电子商务模式,实现消费者与农业生产企业、生产基地信息全流程对接,并向终端消费者提供准确及时的农产品生产履历、仓储、物流配送等信息,打造海南“三品一标”热带农产品第一交易门户。

因为在面向服务的海南农产品电商服务平台,该领域面临的涉众用户比较丰富、个性化需求多样,由此导致多样的个性化定制要求,同时采用SOA体系开发,已经开发了大量服务资源(包括微软Asmx或Java Axis),符合探索支持适应性SOA项目实证载体特征要求。海南农博网科技公司是海南热带特色农产品电商平台-农博商城维护运营方,笔者所在项目组是农博商城线上/线下设计技术支撑合作单位,双方紧密合作关系有助于项目科研成果及时、有效应用于海南农产品电商平台实践中,通过不断迭代得到较全面的支持自适应SOA能力的CASE工具需求。

电商平台本身设计了大量服务,仅以农产品追溯信息服务为例,其WCF接口服务地址为

http://218.77.186.198:8000/TracesDataService.svc

Web服务接口地址为

http://218.77.186.198:8000/TracesDataWebService.asmx

其身份识别码:

2C516EF7-CBD8-4C1C-9EE0-00EB34AFBCB5

测试数据

PID(批次号):A003121910013001

PRID(种植编号):XH03020130401

如:生产履历批次号查询:

ProductionHistoryGetProductionHistoryByPID(stringPID,string IDs)

参数说明:PID:16位批号号,IDs:身份识别码,返回一个ProductionHistory对象。

主要的数据结构,例如ProductionHistory(生产履历)类结构如下:

〈summary〉批次号〈/summary〉

publicstring PID {get;set;}

〈summary〉种植编号〈/summary〉

publicstring PRID {get;set;}

〈summary 〉种植时间〈/summary 〉

publicDateTimePlantTM {get; set;}

〈summary 〉采摘时间〈/summary 〉

publicDateTimePickTM {get; set;}

〈 summary 〉农药记录集〈/summary 〉

publicList〈PesticideHistory〉PesticideHistoryList {get; set;}

〈summary 〉施肥记录集〈/summary 〉

publicList〈FertilizerHistory〉FertilizerHistoryList {get; set;}

图5 电商平台使用异常处理机制效果比较

除平台自身开发的服务以外,系统还调用了大量外部服务,如地图服务、天气服务、物理服务等,是典型的SBS应用。平台初期运行极为不稳定,究其原因是没有采用相应的运行时异常处理相关机制,图5是通过两套相同系统平台同时运行30天的比较结果(其中一套系统平台运行了本文设计的部分异常处理机制),比较结果表明运行时异常处理机制的加入明显提升了平台应对各种不确定状态的能力。

5 相关工作比较

基于服务的应用系统(SBA)一方面实现了关注点分离和高度简化构建SBA的设计努力,另一方面由于引入了SBA自身与被使用的服务资源之间的关键依赖,导致可能出现无法通知的变化或不可预知时间的应用失效。基于服务的软件系统中的适应性是指具有适应不可预测变化的应对能力[10]。可适应性的SBA在操作条件下改变它们的行为、重新配置软件结构及通过不断演化以应对变化,目的是持续满足用户的期望[11]。

通过使用Salesforce.com自身固有的编程语言Apex,用户可以开发任何自定义的操作:定制流程和布局以满足不同客户的需要,以及对客户所提供的一种服务进行状态的跟踪定制。但Salesforce.com只是可以类比到服务资源的个性化定制,主要关注服务结果的交付(如SaaS),没有系统研究个性化定制的服务资源有效供应,即服务软件的生产方法(如SOA)。

目前一些SBA开发方法主要基于传统的软件工程和系统工程,难于便利SBA的自适应性。SBA的开发方法如SOUP、ASTRO或文献[12]所提方法仅支持一定程度的自适应性。文献[13]系统综述了SBA开发方法,其标识的57种方法中仅有8种处理自适应性,而8种方法中仅有4种关注服务资源的自适应性,其它则考虑SBA整体的适应性。

自适应性分为两种:静态自适应性和动态自适应性[14]。静态自适应性中自适应性机制在开发阶段硬编码进应用。动态自适应允许运行时自适应逻辑更改或代替,并且不能造成系统当机。动态自适应比静态自适应更具有弹性,但它在运行时需要一些过程来指导人工干预。文献[15]为了防止运行时违反SLA要求,设计了基于成本-代价优化的方法,选取服务组合策略以自适应于SLA变化,重点考虑适应性应对反应的成本。

文献[16]中开发和执行了一个个性化情境感知服务PerCAS,其能在运行时适应特定用户的适应性要求。方法是用户定义的适应性逻辑被编码为规则,通过面向方面(AOP)机制织入基本工作流程。运行时,动态的用户定义规则集依赖于调用服务对象而被触发执行。PerCAS的执行平台采用模型驱动方式。文献[17]提出了一种基于软件Agent和组织抽象来支持自适应软件系统运行的方法。

支持自适应性SOA方面已经有相关基础和应用研究给出了各种类型的解决方案和工具支持,但在从用户需求着手进行服务系统架构重组及服务资源应对异常处理的自适应性实现和完成运行时架构按需服务聚合演化机制方面仍然存在较大差距。此外,现有的服务系统运行时演化方法,往往将服务资源创建过程和用户个性化需求独立开来。

综上所述,国际上目前服务系统的自适应性研究主要考虑系统整体的自适应性策略,而关注服务系统动态自适应性实现方法不多,尤其未重点考虑从用户需求着手进行服务架构重组及服务资源应对异常处理的自适应性实现机制,以完成运行时按需服务聚合演化。

6 结语

面向个性化定制的自适应SOA运行时异常处理机制研究,重点关注两个方面:

1) 一是基于个性化需求驱动的运行时异常处理,针对服务组合中无法得到的服务资源,采用切片或分割方法获取整体需求中针对该服务资源的个性化需求(描述),通过即时向服务提供者发出定制要求,采用一系列自动化定制管理手段,服务提供者主动按需生产;

2) 二是设计应对需求和服务场景变化的运行时自适应调节机制,提出一个基于预测控制的自适应调节方法,采用结合需求模型和软件架构来驱动SOA系统的自适应。

进一步的工作包括:完成相关运行时异常处理机制理论对应的全部模块设计任务;对于电商平台的性能评估应该设计更加全面的评估方案;同时采用公开的测试数据集(如:Web Service Challenge 等)或真实QoS数据集对比测评以期得到更加客观的性能评测结果。

[1] L. Liu. Editorial: Service computing in 2015[J]. IEEE Transactions on Services Computing,2015,8(1):1-1.

[2] 文斌.面向云计算的按需服务软件工程[M].北京:国防工业出版社,2014:1-3. WEN Bin. On-demand Service Software Engineering for Cloud Computing[M]. Beijing: National Defense Industry Press,2014:1-3.

[3] C. Ghezzi. Surviving in a world of change: Towards evolvableand self-adaptive service-oriented systems[C]//Keynotespeech at 11th International Conference on Service OrientedComputing(ICSOC 2013). Springer,2013:2-8.

[4] F. Toumani, B. Pernici, D. Grigori, et al. Service-Oriented Computing[C]//Proceedingsof Service-Oriented Computing - ICSOC 2014, ser. LectureNotes in Computer Science 8954. Paris, France: Springer International Publishing Switzerland,2015:1-2.

[5] A. L. Lemos, F. Daniel, B. Benatallah. Web service composition: A survey of techniques and tools[J]. ACM Comput. Surv.,2015,48(3):1-41.

[6] Z. Chouiref, A. Belkhir, K. Benouaret, et al. A fuzzy framework for efficient user-centric web serviceselection[J]. Applied Soft Computing,2016,41:51-65.

[7] L. Baresi, M. Miraz, P. Plebani. A distributed architecturefor efficient web service discovery[J]. Service OrientedComputing and Applications,2016,10(1):1-17.

[8] 熊伟,李兵,陈军,等.一种基于预测控制的saas系统自适应方法[J].计算机学报,2016,39(2):364-376. XIONG Wei, LI Bing, CHEN Jun, et al. A self-adaptation approach based on predictive control for SaaS[J]. Chinese Journel of Computer,2016,39(2):364-376.

[9] J. O. Kephart, D. M. Chess. The vision of autonomiccomputing[J]. Computer,2003,36(1):41-45.

[10] A. Bucchiarone, C. Cappiello, E. Nitto, et al. Design for Adaptation of Service-Based Applications: Main Issues and Requirements[C]//Berlin, Heidelberg: Springer Berlin Heidelberg,2010:467-476.

[11] S. Lane, A. Bucchiarone, I. Richardson. Soadapt: Aprocess reference model for developing adaptable servicebasedapplications[J]. Informaton And Software Technology,2012,54(3):299-316.

[12] D. Linner, H. Pfeffer, I. Radusch, et al. Biologyas inspiration towards a novel service life-cycle, ser[J]. LectureNotes In Computer Science,2007,4610:94-102.

[13] S. Lane, I. Richardson. Process models for service-basedapplications: A systematic literature review[J]. Information And Software Technology,2011,53(5):424-439.

[14] P. K. McKinley, S. M. Sadjadi, E. P. Kasten, et al. Composing adaptive software[J]. Computer,2004,37(7):56-64.

[15] P. Leitner, W. Hummer, S. Dustdar. Cost-based optimizationof service compositions[J]. IEEE Transactions on Services Computing,2013,6(2):239-251.

[16] J. Yu, J. Han, Q. Z. Sheng, et al. PerCAS: AnApproach to Enabling Dynamic and Personalized Adaptationfor Context-Aware Services[M]. Berlin, Heidelberg: Springer Berlin Heidelberg,2012:173-190.

[17] 毛新军,董孟高,齐治昌,等.开放环境下自适应软件系统的运行机制与构造技术[J].计算机学报,2015,38(9):1893-1906. MAO Xinjun, DONG Menggao, QI Zhichang, et al. Running mechanism and implementation technique of self-adaptive software in open environment[J]. Chinese Journal of Computer,2015,38(9):1893-1906.

Research and Application of Runtime Exception Handling and its Applications Based on Service System

WEN Bin1,2LUO Ziqiang1,2

(1. School of Information Science and Technology, Hainan Normal University, Haikou 571158) (2. Cloud Computing and Bigdata Research Center, Hainan Normal University, Haikou 571158)

Service computing achieves resource sharing value and its core is personalization and on-demand aggregation to realize value-added services. But now, service-based system lacks of runtime exception handling and iterative reaggregation process consideration. In this paper, the main contributions are as follow. Self-adaptive exception handling architecture for services resource has been built. Runtime adaptive adjustment mechanism has been designed to deal with requirements and context changes. Combination of theoretical research and empirical validation, the paper tries to provide a technical operational and cost-effective solution with adaptive mechanism for runtime requirements evolution and exception handling.

service-based system, exception handling, architecture evolution, runtime, Hainan agricultural E-business platform

2016年8月12日,

2016年9月29日

国家自然科学基金(编号:61562024);海南省自然科学基金(编号:20156236);科技部国际合作项目(编号:2014DFA13140)资助。

文斌,男,博士,教授,研究方向:服务计算、适应性软件系统。罗自强,男,博士,副教授,研究方向:软件可靠性、复杂网络、云模型等。

TP313.5

10.3969/j.issn.1672-9722.2017.02.009