云QoS映射模型及其面向服务选择的算法

周建涛 罗晓峰 王 燕

(内蒙古大学计算机学院 呼和浩特 010021)

云QoS映射模型及其面向服务选择的算法

周建涛 罗晓峰 王 燕

(内蒙古大学计算机学院 呼和浩特 010021)

随着云计算的不断发展,具有QoS保证的服务选择方法成为云服务领域的一个重要研究内容,其中用户QoS需求到云服务资源的映射关系是此类方法研究中的一个关键问题。论文从用户、SaaS和IaaS三个层面分析了确定型的QoS指标与云资源类型的层次关系,建立了用户QoS需求到云资源的映射模型。基于QoS映射模型,提出了一种以用户QoS需求为中心的云资源选择方法,方法中结合了熵权法和TOPSIS方法。最后在实验阶段通过实例给出了QoS到资源映射方法的实现过程。实验表明QoS到资源的映射模型与基于此的服务选择方法对于支持具有QoS保证的按需服务的运营模式具有一定参考价值。

云服务选择; 服务质量; 映射模型; 熵权法; TOPSIS方法

Class Number TP393.01

1 引言

云计算是在传统的分布式计算、并行计算及网格计算的基础上,融入了虚拟化、效用计算、负载均衡等概念混合演化发展的结果。作为一种日渐成熟的商业服务模式,云计算能够自我管理各类资源,并以按需付费的模式来为用户提供服务,这种按需使用的方式极大地提高资源的利用率。因此,云计算及其服务得到了广泛的普及和应用。

云服务通过封装云平台中的虚拟资源为用户提供具有特定功能的一组操作,操作的实现细节与资源调度方案对用户来说是透明的。不同的资源调度方案支撑的服务实例所能提供的服务质量不同。如何从众多功能相同的服务实例中选择一组服务实例形成组合服务,以满足用户业务的非功能性需求成为云服务环境中亟待解决的问题。因而,具有QoS(Quality of Service)保证的服务选择方法的研究引起了学术界广泛的关注。

为了有效评估云服务的执行性能,为用户选择云服务提供决策依据,有必要对云服务的QoS进行建模。目前针对云服务QoS建模的研究工作主要侧重于QoS的参数定义和测量方法[1]。在QoS模型的基础之上将QoS作为服务选择的标准,并提出具有QoS保证的资源选择算法[2～3]。然而这些研究中大多忽略了用户需求与QoS模型的关系,并没有给出一个完整有效的从用户需求到QoS模型的资源选择方案。因此,建立用户QoS需求到云资源的映射关系,提出确保服务实例的执行性能满足用户需求的资源选择方法,有助于解决具有QoS保证的服务选择问题。

2 相关工作与方法

2.1 相关工作

在云环境中,服务资源是动态和可扩展的,服务实例运行时调用的虚拟资源能否确保服务实例的QoS水平满足用户的非性能需求是基于资源QoS选择云服务研究的重点。现有研究工作主要包括两个方面： 1) 资源QoS建模：通过对服务资源QoS参数的定义和约束形成资源动态组织和调度的依据,为用户提供具有QoS保证的云服务。文献[4]研究了如何使用统一的方式组织描述QoS参数,文献[5～11]则侧重于具体QoS参数的定义、语义和测量方法的研究。 2) 资源选择：面向需求和资源的描述,研究资源选择的算法,常用的方法包括逼近理想点排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS),层次分析法(Analytic Hierarchy Process,AHP),模糊多属性决策以及模糊TOPSIS等[2,12～15]。

以上对于服务选择的研究存在两方面的不足： 1) 如何将用户直观的QoS需求转化为服务执行时对云资源的要求。例如,用户只是希望花费100元在3个小时之内解决问题,他并不能确切知道这个直观需求等同于多少个虚拟处理器、存储器或带宽等。不同的应用程序执行时所需的资源不同,很难提供一致的函数解决这个问题,根据调研目前这方面的研究成果较少。论文将此问题称为基于服务QoS的用户需求到云资源的建模问题。 2) 如何从候选服务中选择符合用户QoS预期的资源。服务商已经提供了能完成用户功能和基本性能需求的多种云服务,从这些服务中找到最符合用户QoS需求的服务,论文将该问题称为云资源选择问题。已有资源选择的研究多是在需求描述和资源描述一致的假设下完成的,通过比较单一的QoS需求(如时间、成本)给出具体的选择策略。而QoS需求有不同的体系标准,如何将不同标准的QoS需求有层次、有重点地综合到一个一致的体系下是这方面研究工作面临的主要难题。

鉴于此,本文对云环境中用户QoS需求到云服务资源的映射模型进行了探索性的研究,基于该模型,提出了一种将熵权法与TOPSIS方法相结合的服务选择算法,用于满足用户对于云服务的QoS需求。

2.2 相关方法

1) QoS指标的客观赋权方法-熵权法

QoS指标的权重对评价方案有明显的影响,是基于QoS选择服务的重要决策因素。目前,确定评价指标权重的方法可分为两类：主观方法和客观方法。主观方法主要包括层次分析法、专家打分法、经验判断法等,这类方法主要强调方案中各个评价指标对于目标的重要程序。客观方法包括主成分分析法、熵权计算法等,这类方法主要强调各个评价指标对于方案的区分度。为了尽可能客观地评价不同的服务方案对于用户需求的满足程度,有必要采用一种客观赋权法计算各项QoS指标的权重。

熵权法是一种典型的客观赋权方法[16]。在信息论中,熵是系统无序程度的度量,并能提供度量数据的有效信息量。使用熵权法来确定QoS指标的权重可以有效评估不同的QoS指标对于服务方案的区分度的贡献。当不同服务方案的某项QoS指标非常接近甚至相同时,则说明该项指标对于方案的区分度贡献不大,此时应给其赋予较小的权重或考虑从评价指标中去除。利用熵权法计算权重的基本过程如下：

(1)形成待评方案的评价矩阵并标准化,设标准化评价矩阵A=(aij)m×n,m代表方案数目,n代表评价指标数目,aij代表j个指标在第i个方案中的评价值。

(2)计算各个指标的信息熵。第j个指标的熵值ej的计算公式如下

(1)

(3)计算各个指标的熵权。第j个指标的熵值wj的计算公式如下

(2)

2) 服务资源的比较决策方法-TOPSIS

TOPSIS是一种适用于通过多个指标、对多个方案进行对比选择的分析决策方法。基本思想是通过计算待评方案与假想的最优方案和最劣方案的欧式距离评估各个方案和最优方案的接近程度,作为评价方案好坏的标准。接近程度的取值范围为0～1,愈接近1,表示待评方案越接近最优水平。利用TOPSIS方法进行方案比较的基本过程如下：

(1)对所有评价指标进行同趋化处理,形成待评方案的原始评价矩阵A=(aij)m×n。

(2)对矩阵A进行归一化处理,计算公式如下

(3)

(3)确定方案的正理想解Z+和负理想解Z-：

Z+=(Zmax1,Zmax2,…,Zmaxn)

Z-=(Zmin1,Zmin2,…,Zminn)

(4)

其中Zmaxi为第i项评价指标的最大值,Zmini为第i项评价指标的最小值。

(4)计算被评价对象到正理想解和负理想解的欧式距离：

(5)

(5)计算评价方案与最优方案的接近程度Li,计算公式如下：

(6)

图1 云服务的QoS规范模型

3 用户QoS需求到云资源的映射模型

用户QoS需求到云资源映射模型是支撑用户服务请求到云服务响应过程中资源选择、资源匹配和资源学习预测等问题的底层实现,其目标是建立用户非功能性需求到资源的映射,以满足用户对服务质量的需求。要为用户提供服务质量的保证,用户和服务提供商必须对QoS参数进行定义,同时提供同类服务的不同服务商也需要对其资源有一致性的描述,才能为资源的动态组织和调度提供依据。为了解决上述问题,下面建立QoS参数映射规则。

3.1 基于QoS参数的映射规则

在云环境中将用户对QoS的直观需求转化为相应QoS的服务对云资源的需求是一件很困难的事,其困难之处在于没有一种很好的方法能将QoS需求有层次、有重点地统一到同一体系之下。为了满足用户对于云服务的QoS需求,论文构建了云环境中的QoS属性规范模型,并基于该模型提出了QoS指标的映射规则。云服务的QoS规范模型如图1所示,包括三个层次：顶层是云服务选择的目标层,中间层是QoS属性,底层是候选的云服务[17]。QoS属性层描述了自顶向下的QoS指标的依赖关系,具体又可分解为用户需求层、SaaS层和IaaS层三个层次。首先将用户对服务的QoS需求转化为SaaS层服务QoS参数,然后进一步映射为SaaS层服务所调用的底层资源的QoS参数。

云服务的QoS规范模型给出了从用户需求到底层服务资源的QoS指标的依赖关系,下面根据这种依赖关系来制定从用户QoS需求端到云资源端的QoS指标的映射规则。定义映射规则如下：

Rule1：用户层单一QoS需求要么映射到SaaS层然后映射到IaaS层,要么直接映射到IaaS层,可分别描述为子规则：Sub-Rule1.1和Sub-Rule1.2。

图2 Sub-Rule1.1的QoS映射规则

Sub-Rule1.1：当SaaS层没有描述用户需求的对应属性时,用户的QoS需求直接映射到IaaS层。令QUi∈Q是适合Sub-Rule1.1的用户QoS需求Q的子集,QIn是QUj对应的IaaS层属性,则映射规则表示为QUi→QIn。Sub-Rule1.1的部分映射规则如图2所示。图2中,有效性(Availability)是用户层QoS需求,可直接映射到IaaS层的Availability属性,通过平均失Sub-Rule1.2：效前时间(mean time to fail, MTTF)和平均修复前时间(mean time to restoration,MTTR)两项标准度量。

当SaaS层有描述用户QoS需求的对应属性时,用户QoS需求先映射到SaaS层,然后再映射到IaaS层。用户层的QoS评估值是SaaS层QoS评估值和IaaS层QoS评估值的聚合。令QUj∈Q是适合Sub-Rule1.2的用户QoS需求Q的子集,QSm是QUj对应的SaaS层属性,QIm是QUj对应的IaaS层属性,则映射规则表示为QUj→QSm→QIm。

图3 Sub-Rule1.2的QoS映射规则

Sub-Rule1.2的部分映射规则如图3所示。例如在图3中用户对服务可靠性(Reliability)的需求,可首先映射为SaaS层软件的可靠性,通过软件执行的每百万请求失败率(defects per million,DMP)指标度量,然后可进一步映射为IaaS层的可靠性,通过IaaS资源的平均故障间隔时间(mean time between fail,MTBF)指标度量。

Rule2：用户层的复杂QoS需求可映射为一组QoS属性子集及其依赖的SaaS层和IaaS层的QoS属性的层次模型。令QUpk⊆Q是用户对云服务的总体性能需求,QUck⊆Q是与用户相关的其他QoS需求,则QUpk和QUck的映射规则可分别表示为

QUpk→QIpn+(QSpm→QIpm)

QUck→QIcn+(QScm→QIcm)。

其中QIpn和QIcn是适合Sub-Rule1.1的IaaS层QoS属性,QSpm和QScm适合Sub-Rule1.2的SaaS层QoS属性,QIpm和QIcm适合Sub-Rule1.2的IaaS层QoS属性。评估用户复杂QoS需求时,需要将其子层QoS属性值进行聚合。

3.2 基于映射规则计算QoS属性

本节列举几个QoS属性,展示基于映射规则的QoS属性值的计算过程。首先介绍适用Sub-Rule1.1的QoS属性的度量公式。

1) 有效性(Availability,AV):表征用户对服务的可访问性程度,AV属性的度量单位是百分比。该指标由托管的IaaS层服务的有效性程度决定,这意味着有效性AV的计算仅与底层虚拟资源有关,即AV=IaaS AV。AV的度量公式为

IaaSAV=MTTF/(MTTF+MTTR)*100%

其中MTTF表征系统平均能够正常运行多长时间才发生一次故障；MTTR表征可修复资源的平均修复时间,就是从出现故障到修复完成所用时间。系统的MTTF越长,MTTR越短,系统的有效性越高。

2) 数据访问控制(Data Control,DC):防止对任何资源进行未授权的访问,从而使云服务在合法的范围内使用。数据访问控制是利用用户身份及其所归属的某项定义组来限制用户对某些信息项的访问,或限制某些控制功能使用的一种技术。由于托管的IaaS层服务完全负责用户的数据存储,所以DC属性值是依赖IaaS层来度量的,即DC=IaaS DC,DC属性的度量单位是百分比。假设云计算对用户的数据访问控制做了预先定义的策略组A,而IaaS层服务提供者定义了规范的数据访问控制策略组B。那么DC的度量公式为

IaaSDC=Sim(A,B)

即组A和组B的相似度越高,系统的DC属性值越大。

下面介绍适用Sub-Rule1.2的QoS属性的度量方法。Sub-Rule1.2的QoS属性值计算比较复杂,首先需要分别计算SaaS层和IaaS层的QoS属性值,然后利用聚合函数合成用户层QoS属性值。下面举例说明。

1) 可靠性(Reliability,RL):云服务在规定的服务等级协议SLA(Service-Level Agreement,SLA)下完成指定服务功能的能力。用户层可靠性RL的值是由SaaS层和IaaS层的QoS属性值共同决定,计算公式为

RL=∏ (SaaSRL,IaaSRL)

其中SaaS层的可靠性可用每百万用户的尝试请求中出现的请求失败率(DPM)来表征。DPM的计算公式为

DPM=(请求失败次数/总的请求次数)*106

此时SaaS层可靠性的计算公式为

IaaS层的可靠性可用平均故障间隔时间(MTBF)来计算,其度量单位同样为百分比。MTBF越长表示可靠性越高,正确工作能力越强,计算公式为

MTBF=(总故障时间/出现故障次数)*100%

此时IaaS层可靠性的计算公式为

IaaSRL=MTBF

2) 响应时间(Response Time,RT):用户发送云服务请求到接受响应的间隔时间。云服务响应时间是IaaS层和SaaS的响应时间之和。响应时间的度量单位是秒,其值越低越好,计算公式为

RT=SaaSRT+IaaSRT

SaaS层响应时间是完成一个服务请求的处理时间,在此不考虑其与IaaS层托管服务的通信时间,计算公式为

SaaSRT=SaaSPRO

IaaS层响应时间是IaaS托管服务的处理时间和传输时间之和。处理时间包括执行服务时间,等待时间和服务组合时间。传输时间是与托管服务通信的总时间。IaaS层响应时间的计算公式为

IaaSRT=IaaSPRO+TRANS

3) 可用性(Usability,US):云服务在易用、易学、易安装方面的特性。云服务的可用性可以由IaaS层的可用性和SaaS层的可用性综合得到,度量单位是百分比,其计算公式为

US=∏(SaaSUS,IaaSUS)

SaaS层和IaaS层服务的可用性是由用户给出的。用户对于服务易用性、易学性和易安装性(仅IaaS层)的反馈评价代表了服务的可用性,其值是一个区间值,值越高,服务的可用性越高。

4) 信誉度(Reputation,RP):用户对云服务的认同程度。云服务的信誉度是由IaaS层和SaaS层的服务支持共同决定的,度量单位是百分比,计算公式为

RP=avg(SaaSRP+IaaSRP)

SaaS层和IaaS层服务的信誉度均由用户给出。用户对于服务的整体性能、价格和可用性的反馈评价代表了服务的信誉度,其值是一个区间值,值越高,服务的信誉度就越高。

5) 安全性(Security,SU):为用户提供应用程序、硬件组件和用户数据信息等服务在安全方面的特性。安全性也是由IaaS层的安全性和SaaS层的安全性共同决定的。安全性的度量单位是百分比,其值越高,安全性越好。云服务安全性的计算公式为

SU=avg(SaaSSU+IaaSSU)

SaaS层安全性需要考虑访问机制(如授权、身份验证等)。假定云计算中预先定义访问控制机制A,而SaaS层服务提供者定义了规范的访问控制机制B,那么SaaS SU的计算公式为

SaaSSU=Sim(B,A)

IaaS层安全性需要考虑三个因素,即访问控制、数据隐私和加密算法。假定云计算中预先定义IaaS层的安全机制为A,而IaaS层服务提供者的规范安全机制为B,那么IaaS SU的计算公式如下

IaaSSU=Sim(B,A)

6) 服务费用(Cost,CO)：使用服务时用户应该支付的服务费用。云服务费用是IaaS层费用和SaaS层费用的总和,其计算公式为

CO=SaaSCO+IaaSCO

SaaS层服务费用包括访问云应用程序的费用。IaaS层服务费用是指使用托管服务的费用,包括内存、CPU、数据存储和网络带宽等。

当需要将用户对服务的完整QoS需求映射到一个QoS属性集时,则可利用Rule2的规则完成各子层QoS属性的聚合计算。下面以稳定性(Stability)和准确性(Accuracy)为例,说明相应的计算方法。

稳定性指的是云服务在受到干扰后,其服务能力保持不变的性能。准确性是指实际的服务质量与SLA描述的服务质量的接近程度。它们的度量单位都是百分比。根据这两个属性的定义指定在计算过程中需要的参数,因而稳定性用云服务性能来计算,而准确性需要通过云服务的质量和与用户相关的QoS需求的比较来计算。稳定性和准确性的计算公式分别为

Stability=avg(AV+RL+RT)

Accuracy=avg(DC+US+PR+CO+SU)

4 一种基于熵权法和TOPSIS方法的云服务选择算法

用户QoS需求到云资源的映射模型将用户层、SaaS层和IaaS层中不同标准的QoS描述组织到同一QoS体系架构下,解决了用户的直观需求到云资源的建模问题。本节将基于该模型,提出一种熵权法和TOPSIS方法相结合的云资源选择算法,解决云计算中具有QoS保证的云服务选择问题[15]。算法的基本思路是：首先依据QoS规范和QoS参数映射规则定义描述云服务方案的QoS属性集并计算各个QoS指标值,形成云服务方案矩阵；接着求解云服务QoS方案的正负理想解；然后确定方案中各个QoS指标的权重系数并评估各个云服务方案与理想解的欧式距离；最后通过方案接近度为各个候选云服务排序,选择最优服务。下面详述算法设计的具体细节。

4.1 统一指标理想解的计算

1) 标准化方案矩阵的计算：

QoS指标可分为两类：效益型指标和成本型指标。效益型指标的数值越大表示用户对该指标的需求越高,成本型指标的数值越小表示用户对该指标的需求越高。方案中的这两类指标处理方法如下：

(1)对于效益型指标：

(7)

(2)对于成本型指标：

(8)

2) 方案矩阵规范化的计算：

(9)

3) 确定规范化后方案矩阵的理想解：

(10)

(11)

4.2 方案与理想解的欧式距离的计算

设QoS决策标准C对应的权重向量为W=(w1,w2,…,wn)。 采用熵权法来计算QoS指标的权重,即通过方案矩阵的数值信息建立目标规划的优化评估模型。结合式(1)和(2)计算各个云服务方案距离正负理想解的加权欧式距离,公式如下：

1) 待选方案Ai到正理想解J+的欧式距离为

(12)

2) 待选方案Ai到负理想解J-的欧式距离为

(13)

4.3 方案接近度的计算

方案Ai的接近度为

(14)

RCCi的大小反映了决策方案偏离负理想解的程度,数值越大说明评价结果越好。

4.4 基于QoS映射模型的云服务选择算法的实现

下面给出基于QoS映射模型的云服务选择算法(QoSMapping-CSS)的核心程序伪代码。

算法1 QoSMapping-CSS

Input: A (方案矩阵), W (QoS指标权重向量)

Output: C (排序后的云服务方案接近度)

Begin

% 方案矩阵归一化处理

[m, n]=size (A)

N=zeros (m, n)

For i=1:n

For j=1:m

colsum(i) = colsum(i)+X(j,i)2

End for

End for

For i=1:m

For j=1:n

N(i,j)=X(i,j)/Sqrt(colsum(j)) % 标准化矩阵 End for

End for

% 根据加权判断矩阵获取评估目标的正负理想解

PIS=zeros(1,n);

NIS=zeros(1,n);

For j=1:n

PIS(j)=Max(N(:,j)); % 正理想解

NIS(j)=Min(N(:,j)); % 负理想解

End for

% 计算目标值与理想值的加权欧式距离

DOP=zeros(1,n);

NOC=zeros(1,n);

For i=1:m

For j=1:n

DOP(i)= W(j)*(PIS(j)-N(i,j))2+ DOP(i); NOC(i)=W(j)*(NIS(j)-N(i,j))2+DOC(i); End for

End for

For i=1:m

DOP(i)=Sqrt(DOP(i)); % 目标值与正理想解的加权欧氏距离

DOC(i)=Sqrt(DOC(i)); % 目标值与负理想解的加权欧氏距离

End for

% 评估目标值的相对接近度并据此排序

C=zeros(1,m);

For i=1:m

C(i)=DOC(i)/(DOP(i)+DOC(i)) % 相对接近度End for

Sort (C)

5 应用实例

本节通过实例来说明云服务选择算法的执行过程。假定一个SaaS层服务和一个IaaS层服务的组合可以构成本例所需的云服务。实例中包含了不同的实体：云终端用户、一个SaaS层服务和多个IaaS层的VM虚拟机。假设SaaS层服务为应用软件S1,IaaS层服务为4台虚拟机：VMs ={VM1,VM2,VM3,VM4}。SaaS层服务S1和IaaS层服务虚拟机组合形成了云服务CSs。CSs满足用户功能性需求,其SaaS层服务根据图1的QoS规范及映射规则将CSs映射到IaaS层服务。表1是云服务选择算法的输入数据,包含SaaS层服务和IaaS层服务的QoS属性及属性值。云服务算法的执行过程具体可分为六步。

表1 SaaS层和IaaS层服务的QoS参数值

第一步：根据不同服务方案衡量QoS指标的重要性,建立聚合方案矩阵,如表2所示。

第二步：对获得的方案矩阵进行标准化和规范化。依据式(7)和(8)做标准化处理,其中效益型指标包括有效性(AV)、可靠性(RL)、数据访问控制(DC)、可用性(US)、信誉度(RP)及安全性(SU)；成本型指标包括响应时间(RT)和服务费用(CO)。根据式(9)进行规范化处理,得到规范化后的方案矩阵如表3所示。

J+= (0.5774,0.5799,0.6288,0.5854,

表3 规范化后的方案矩阵

第五步：应用加权的欧式距离公式计算各方案到正理想解和负理想解的距离：

d+=(0.0795,0.3712,0.2970),

d-=(0.3712,0.0795,0.1088)。

第六步：依据所得的加权距离计算各方案的接近度,依据计算结果对方案进行排序,并将表4结果返回给终端用户。显然得分最高的服务方案最优。

表4 云服务得分和排序

6 结语

当一个新的服务部署到云中,它的目标不仅是满足用户的功能性需求,而且还需要考虑用户的QoS需求。论文解决的主要问题就是如何将用户对云服务的QoS需求转换为服务对云资源的需求。为了实现这一目标,服务提供者需要通过QoS规范及映射规则,将用户QoS需求映射到SaaS层或IaaS层。论文基于用户QoS需求到云资源的映射模型及映射规则,结合熵权法和TOPSIS方法,提出了一种满足用户QoS需求的云资源选择算法,克服了传统云资源选择方法的映射模型简单、映射规则不具体等问题,可为云服务选择机制提供可行有效的参考方案。未来的研究工作将继续扩展映射过程,使其覆盖更多的QoS类型和更细粒度的服务层次,为云市场中服务性能的评估和排名奠定基础。

[1] Gaurav Baranwal, Deo Prakash Vidyarthi. A Framework for selection of best cloud service provider using ranked voting method[J]. Advance Computing Conference (IACC), 2014 IEEE International, 2014:831-837.

[2] Ma Jianjing, Lu Bin. A Strategy for Resource Allocation in Grid Environment Based on QoS Fuzzy Multi-Attribute Decision Making[C]//International Forum on IEEE, 2009: 547-549.

[3] Sun L, Dong H, Hussain F K, et al. A Hybrid Fuzzy Framework for Cloud Service Selection[C]//2014 IEEE International Conference on Web Services (ICWS)IEEE Computer Society, 2014:313-320.

[4] Francis Palma, Naouel Moha, Guy Tremblay,et al.Specification and Detection of SOA Antipatterns in Web Services[J]. Lecture Notes in Computer Science,2014, 8267:58-73.

[5] Sachin Agarwal, Jatinder Pal Singh, et al. Performance and Quality-of-Service Analysis of a Live P2P Video Multicast Session on the Internet[J]. 16th International Workshop on Quality of Service, 2008, 11-19.

[6] Liu J L, Sun J L, Jiang L Q. A QoS Evaluation Model for Cloud Computing[J]. Computer Knowledge & Technology, 2010.

[7] Skene J, Raimondi F, Emmerich W. Service-Level Agreements for Electronic Services[J]. IEEE Transactions on Software Engineering, 2010, 36(2): 288-304.

[8] Uriarte R B, Tiezzi F, Nicola R D. SLAC: A Formal Service-Level-Agreement Language for Cloud Computing[C]//2014 IEEE/ACM 7th International Conference on Utility and Cloud Computing (UCC)IEEE Computer Society, 2014:419-426.

[9] C. Cheng, A. Q. Chen, Study on Cloud Service Evaluation Index System Based on QoS[J]. Applied Mechanics and Materials,2015,742:683-687.

[10] Gustavo Alves, Caio Silva, Everton Cavalcante,et.al, Relative QoS: A New Concept for Cloud Service Quality[C]//2015 IEEE Symposium on Service-Oriented System Engineering (SOSE),2015:59-68.

[11] Adam Silberstein, et al. Benchmarking Cloud Serving Systems with YCSB[C]//ACM Symposium on Cloud Computing (SoCC), 2010, 143-154.

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

[13] Ping Wang, Kuo-Ming Chao, Chi-Chun Lo,et al. A Fuzzy Model for Selection of QoS-Aware Web Services[C]//e-Business Engineering, ICEBE '06. International Conference on IEEE, 2006:585-593.

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

[15] 熊润群,罗军周,宋爱波等.云计算环境下QoS偏好感知的副本选择策略[J].通信学报,2011,32(7): 93-102. Xiong R Q, Luo J Z, Song A B, et al. QoS preference-aware replica selection strategy in cloud computing[J]. Journal on Communications, 2011, 32(7):93-102.

[16] 周蔚,李筱菁.基于信息熵理论的综合评价方法[J].科学技术与工程,2010,10(23):1671-1815. ZHOU W, LI Xiaojing. A Comprehensive Evaluation Method Based on Information Entropy[J]. Science Technology & Engineering,2010,10(23):1671-1815.

[17] Raed Karim, Chen Ding, Ali Miri. An End-To-End QoS Mapping Approach for Cloud Service Selection[J]. Services (SERVICES), Ninth World Congress on IEEE, 2013:341-348.

A Mapping Model of Cloud QoS and its Service Selection-oriented Algorithm

ZHOU Jiantao LUO Xiaofeng WANG Yan

(School of Computer Science, Inner Mongolia University, Huhhot 010021)

With the development of cloud computing, the QoS guaranteed service selection method becomes an important research issue in the cloud services domain, in which the mapping relationships from QoS requirements of user to cloud service resources is a key problem. In this paper , the hierarchy of deterministic QoS metrics and cloud resource type is analyzed from the following three levels, user, SaaS and IaaS. And then a mapping model from QoS requirements of user to cloud service resources is built. Based on the mapping model, a cloud service selection method which focuses on the QoS requirements of user is presented. The method combines entropy weight method with TOPSIS method. Finally, an implementation of the mapping method is given through an instance in the experiments. Experimental results show that the mapping model from QoS to resources and the service selection method based on the model has certain reference values for the operating mode of on-demand service with QoS guarantee.

cloud service selection, QoS, mapping model, entropy weight method, TOPSIS method

2016年8月11日,

2016年9月27日

国家自然科学基金项目(编号:61262082, 61262017,61462066);内蒙古自治区自然科学基金(编号:2012JQ03,2015MS0608);内蒙古自治区高等学校科学研究资助项目(编号:NJZY008)资助。

周建涛,女,教授,博士生导师,研究方向:网络计算、协同计算与形式化方法。罗晓峰,男,硕士研究生,研究方向:云资源管理与服务选择。王燕,女,博士,讲师,研究方向:服务计算,资源管理与形式化建模。

TP393.01

10.3969/j.issn.1672-9722.2017.02.033