融合直觉模糊灰色理论的制造云服务QoS评价方法

陈 君,赵小会,郭立颖,季 虹,李维乾

(西安工程大学 计算机科学学院/陕西省服装设计智能化重点实验室,陕西 西安 710048)

0 引 言

在新一轮的全球工业革命中,以云计算[1]为代表的新一代信息技术与制造业加速融合,正在引领新一代信息技术革命和产业革命,我国也提出了“中国制造2025”的发展计划。通过构建企业信息互通、资源共享、开放合作、互利共赢的公共平台,通过促进云端企业智能制造、协同制造、云制造能力的形成,最终实现企业有组织,资源无边界的目标,适应新时代经济发展,满足制造业转型升级的需求。

制造云服务是云服务[2]的衍生,更是云制造的核心组成部分,它是一种通过互联网等媒介,将资源、信息和知识等进行统一规范地嵌入封装、虚拟化后得到的富含语义的Web服务,在云制造中扮演着重要角色[3]。随着云制造技术的不断推广和应用,各种制造云服务大量涌现以满足用户与日俱增的需求,但如何合理评价符合用户要求的云服务也逐渐成为了亟待解决的问题。制造云服务的QoS作为一种可以衡量云制造服务质量的概念[4],能够有效地体现功能相同的Web服务之间的差别,为用户选择提供重要参考,目前得到了工业界和学术界的广泛关注。

文献[5]仅将时间作为QoS的一个参数,提出了一种静态最后期限分配方法;文献[6]提出了一种以时间、耗费和可靠性等为评价指标的预测QoS模型;文献[7]以资源消耗、时间消耗、安全性、可靠性等作为QoS评价指标,同时结合模糊排序算法给出了关于Web Service的排序;文献[8]通过执行周期、可用性等指标构建Web服务的QoS指标评价模型,并采用模糊算法对服务进行排序选择;文献[9]通过时效性、可用性、诚信度等构建可信特征集,并采用加权平均的方法来计算云制造服务的可信度,与可信评价相结合来指导云服务的选择;文献[10]根据用户需求对制造云服务进行筛选,采用主客观相结合的方法对云服务质量进行评估选择;文献[11]以加工能力、服务质量等对服务进行建模,结合灰色关联度的方法对云制造服务进行评价;文献[12]通过服务价格、可维护性等建立评价指标体系,采用三角模糊数算法计算需求者与服务提供之间的相似度;文献[13]以安全、价格、性能等作为评价指标,引入三角模糊数对模糊指标进行量化,采用FAHP方法计算各个指标的权重,通过计算得到候选云服务的排名;文献[14]以费用、时间作为评价指标,并且将各属性的评价全部统一转化成直觉模糊数来表示,利用层次分析法确定各指标的权重,通过逼近理想解的排序算法计算得出候选服务的优劣;文献[15]以能耗、成本等建立评价指标模型,引用VS-ABC算法得出最优云服务;文献[16]提出了QM-SDNCCP服务质量模型,并结合度量元的计算方法对服务质量进行评价;文献[17]提出了一种关于QoS的云服务满意度预测模型,使用二阶隐马尔可夫模型构建预测模型;文献[18]运用直觉模糊数对不可量化的指标进行评价,并结合余弦相似度来计算候选服务与最优服务相似度,对候选服务进行排序;文献[19]以可信度、复杂度等指标构建QoS评价模型,结合熵增强粒子优化算法,从而对制造云服务进行优化。

以上研究更多的是针对自身属性进行建模,对非量化属性的建模与用户的互动性考虑得不多。为此本文综合以往研究成果,同时考虑可量化和不可量化评价指标建立QoS评价模型,通过直觉模糊数解决非量化指标评价问题,最后采用灰色理论,对制造云服务进行排序,帮助用户挑选最合适的制造云服务。

1 制造云服务QoS评价框架

云制造模式下,制造资源等都会通过云化封装,以制造云服务的方式展现。面向制造云服务的QoS评价模型如图1所示。

图 1 面向制造云服务的QoS评价模型Fig.1 QoS evaluation model for manufacturing cloud services

图1中,模型分为用户模块、云制造服务平台模块和制造商模块3个部分,制造商提供的服务汇聚在云平台,当用户提出需求信息时,用户模块向云制造服务平台提交服务申请,云制造平台会依据需求在已经注册过的云服务中查询匹配符合用户要求的云服务集合。

随后,平台从制造商和用户2个层面所定义的QoS指标对云制造服务进行排序优选,返回最终排序结果给用户,用户依据返回结果选择所需云服务并在执行该服务后反馈使用评价,供后续参考。用户的评价结果随着制造云服务的执行次数增多而越来越接近真实值,其参考意义也越大。

1.1 面向制造云服务的QoS评价体系

云制造技术将资源、能力和知识嵌入到网络环境中,希望构建一个制造企业、客户和中间方等可以充分沟通的公用制造环境,更加注重用户的参与,使得制造企业在提供高质量的云服务的同时,不得不关注用户的使用体验。

云制造平台中的云服务多种多样,具有异构、分散、动态、实时、主动、服务、互动及协同等特性,若要对其合理评价,首先需要建立一个适当的评价体系。综合以往的研究得到了如图2所示的一组制造云服务QoS评价体系。

图 2 制造云服务QoS评价体系Fig.2 QoS evaluation for manufacturing cloud services

图2中,制造云服务的QoS评价指标体系由6个关键指标及子指标构成,包括服务价格、服务时间、服务安全、服务成功率、信誉等级和满意度反馈。

服务时间表示云服务执行所耗费时间,包括从云服务响应请求到服务提供者按要求开展工作,再到反馈最终结果的时间总和。其元素主要包含响应时间、执行效率。

一般来说,响应时间由服务提供者事先预估,在未来的使用中逐步修正。如果实际的响应和执行时间越少意味着可以在更短的时间得到新产品,越有利于增强企业竞争力。

服务价格表示调用云服务需要支付的费用,是评价指标的重要参考项,其元素主要包括服务成本、服务报价。在云制造中,通常是由服务的提供者依据市场和自身情况制定,供服务调用者参考。与时间因素一样,费用越低,企业所担负的成本也越少。

服务安全表示云服务的安全性。其元素主要包含保密性、安全性。云制造平台依据用户对安全性的要求提供不同安全等级的云服务,一般来说,随着安全等级的提高,云服务的技术难度和成本也会相应增加,用户可以酌情选择。安全等级的划分包括低、一般、中、高、很高等。

服务成功率代表服务的执行成功率,表示在规定的最大预期时间内,请求被正确执行的概率。其元素主要包含时效性、可靠性。它可以通过云服务的执行记录准确地计算出来,可以用云服务被成功调用执行次数和服务被调用总次数的比值表示。

云服务的信誉等级,是由用户依据使用感受给出的评价。其元素主要包含服务稳定性、服务可靠性。虽然用户反馈的评价结果可能存在随意性,甚至是一些恶意虚假数据,但随着服务评价的增多,其结果也将越来越合理,可以在一定程度上反映出服务的可信度,供其他用户参考。由于其评价结果具有主观性,所以很难用具体的数值度量。信誉等级的主观评价包括很差、差、一般、好、非常好等。

满意度反馈代表用户对云服务的满意度,它是用户在使用制造云服务后给出的相应服务的整体评价。其元素主要包含可用性、便捷性。它是用户对服务的综合评价包括不满意、基本满意、一般、满意、非常满意等。

此外,该体系的评价指标可以依据用户需求进行自定义组合,从而满足不同需求下制造云服务的排序优选要求,为用户提供合理的制造云服务。

1.2 非量化指标值定义

用户关于制造云服务的评价方式具有多样化,其中时间、价格等可以用确切的数值来表示可量化指标,对于可量化指标的处理较为方便。但是在实际操作中用户的许多评价大多是一个模糊的语句或词语,而不是用准确的数值来表示,因此需要一种方法来表达用户对制造云服务的不可以量化的评价。直觉模糊集是传统模糊集的一种拓展,它同时考虑了隶属度、非隶属度和犹豫度3个方面的信息,对于用户无法用确切数值表示的评价可以用直觉模糊数表示。直觉模糊集的相关计算如下:

P={|x∈Z}

(1)

式中:m(x),n(x)为P的隶属函数和非隶属函数。若x都属于Z,且0≤m(x)+n(x)≤1,0≤m(x)≤1,0≤n(x)≤1,0≤n(x)≤1,m(x)+n(x)+π(x)=1,0≤π(x)≤1成立,其中∏(x)是P的犹豫度,则称[m(x),n(x)]为一个规范化的直觉模糊数。当应用这些模糊数构成评价矩阵时,该评价矩阵为规范化的直觉模糊矩阵。

若设a1=(m1,n1),a2=(m2,n2)为2个直觉模糊数,则其运算法则定义如下[20-21]:

a1⊕a2=(m1+m2-m1m2,n1n2)

(2)

设aj=(mj,nj)(j=1,2,…,N)是一组直觉模糊数,假设Q是一个映射,使得

Qw(a1,a2,…,an)=w1a1⊕w2a2⊕…

⊕wNaN

(3)

本文通过云制造服务平台获取用户对相似云服务的历史评价,从云平台中获取大量用户数据与项目数据,将正向评价的数量与评价总数的比值设为m(x),负向评价的数量与评价总数的比值设为n(x),即可得到一个对该云制造服务指标评价的直觉模糊数[m(x),n(x)]。

通过引入直觉模糊数表示用户的不可量化的评价,综合考虑量化和非量化的评价,使用户评价更具科学性更加饱满,避免了评价的单一性。

2 灰色关联度的服务质量排序

抽象系统一般包含多种因素,多种因素共同决定该系统的发展态势,在发展中需要区分众多因素中的主次因素,灰色关联度可以对众多因素进行排序。同时,在制造云服务的QoS评价标准中,各个参数并不是相互独立的,因此,需要综合考虑所有因素,对云制造平台查询匹配后的云服务集合做有效评价供用户选择。

2.1 灰色关联度分析法

灰色关联度分析法是根据因素之间发展趋势的相似或相异程度,衡量因素间关联程度的一种方法[22]。首先,确定分析数列,构建指标矩阵,从众多云制造评价中确定参考数列和比较数列。其次,对指标矩阵中的变量进行归一化处理。再次,计算子序列中各个指标与母序列的关联系数。最后,计算灰色关联度,并得出结论。

对于不可量化指标,本文引入直觉模糊数来处理,在此基础上结合灰色关联分析法对所有指标统一计算排序。

2.2 直觉模糊灰色关联度计算

对于非量化值的处理,与上述步骤类似,同样会经历归一化等前置处理步骤,主要区别在于对模糊数的处理方法,具体如下。

1) 建立直觉模糊矩阵。

2) 找出直觉模糊集的正向最优对象。

3) 计算每个子序列和直觉模糊正最优对象的关联系数。

(5)

4) 计算每个子序列与直觉模糊集的正最优对象的关联度:

(6)

5) 依据式(6)中的计算结果排序。

2.3 面向制造云服务的QoS排序算法

综上所述,本文提出的基于直觉模糊灰色关联度的云制造服务质量评价方法具体步骤如下。

1) 依据用户需求,从供应商和用户层面共同构建云制造服务质量评价指标。

2) 从制造云池中获取云制造服务提供者的相应指标的评价信息和数据,从而构建基于直觉模糊的评价矩阵。

3) 由制造云池中的相似服务的历史数据获取用户的评价信息,得到用户评价的主观直觉模糊评价矩阵。

4) 结合步骤1和步骤2,构建QoS综合评价指标矩阵。

5) 用户自定义模型的权重向量。

由于各用户对QoS的各属性参数要求不一定相同,例如:某些用户看重费用,有些注重时间,还有些则关注信誉等级等。为了满足用户多变的需求以及保证模型的灵活性,模型的权重向量由申请用户自定义。

6) 通过步骤4的综合矩阵获取最优值矩阵,并结合步骤5中给定的各指标的权值,计算各云服务供应商的服务属性值与最优值之间的关联度,依据关联度大小进行排序,得到最优服务。

3 实例分析

本文从以往研究中选取部分指标进行实例分析,实例分析的指标选取如图3所示。

图 3 实例分析指标选取Fig.3 Selection of instance analysis metrics

某用户在云制造平台申请了某产品设计云服务,通过关键词搜索,平台随即按要求发现了5个相关的制造云服务S1、S2、S3、S4、S5,结合制造商提供的服务信息和用户的评价指标,依据文献[23-24],参考其数据和范例模式,构建QoS综合评价指标矩阵。具体评价值如表1所示。

表 1 QoS指标综合评价值

通过对评价值的规范化处理,形成规范化QoS评价矩阵B:

其中正最优对象:A+=(1,1,1,(0.85,0.04),(0.91,0.03),(0.80,0.07))。通过公式(5)可得各候选服务属性的关联系数矩阵D:

用户自定义模型的权重向量为

wp=(wt,wc,wsuc,wsec,wrep,wsat)=

[0.15,0.30,0.10,0.20,0.11,0.14],

其中,wt、wc、wsuc、wsec、wrep、wsat分别表示服务时间、服务价格、服务安全、服务成功率、信誉等级和满意度反馈所对应的权重。

结合各属性权值,通过公式(6)计算关联度,得出5个服务的关联度:

S1=0.537 7,S2=0.780 0,S3=0.625 0,S4=0.696 9,S5=0.630 0。综上可知,制造云服务集合的排序结果为:S2>S4>S5>S3>S1。最终,平台依据排序结果优先推荐服务S2。

随后,平台会将排序结果返回给申请用户参考选用。当交易结束后,用户可以对选用的服务做评价,同时平台会依据评价结果更新其信誉等级的指标参数,为后续用户提供必要参考。

若当用户权重设置为

w*=[0.40,0.10,0.10,0.10,0.10,0.20],

即更加关注安全性和时间。依据矩阵D可得关联度为:S1=0.356 5,S2=0.750 0,S3=0.466 6,S4=0.806 8,S5=0.650 0。其排序结果则改变为:S4>S2>S5>S3>S1。同理,其他参数的改变,诸如当制造云服务的QoS指标值发生变动,也会得出不同的结果。可以看出,模型具有一定的灵活性,能够对参数的改变做出适时调整,可以满足申请用户的需求。

TOPSIS法是多目标决策分析中一种常用的有效方法,又称为优劣解距离法[25-26]。为了使实验更为合理,需要使用改进后的TOPSIS法进行对比。由此,本文选取了较为主流的两类结合模糊数计算的TOPSIS评价方法:直觉模糊TOPSIS法和熵权TOPSIS法。

对于文中场景,TOPSIS法利用欧氏距离表示候选的制造云服务与正负理想解之间的差距,最后计算候选服务的属性与正负理想解之间的相对贴近度。通过计算得到贴近度结果如表2所示。

表2 制造云服务属性贴近度

从表2可以看出,本文算法贴近度优于其他2种对比算法,相较于直觉模糊TOPSIS法提升约为12%,相较于熵权TOPSIS法提升约为44%。这是因为TOPSIS方法对于误差或不确定性较敏感,若某指标数据存在误差或不确定性,会对结果产生较大影响,不太适用于包含误差或不确定性的多指标决策分析,并且其计算也较为复杂。

制造云服务的服务质量评价种类繁多,类型复杂多样,TOPSIS法对不确定指标的分析会导致决策结果的准确度不高。直觉模糊灰色关联法,对数据没有要求,不需要数据分布规律,而且计算量较小,其结果能与定性分析结果较好的吻合,这也是图中本文方法所计算的贴近度高于对比方法的原因。此外,灰色关联度是系统分析中比较简单的分析方法,对于复杂的制造云环境下的服务质量评价更具有实践性和普适性。

4 结 语

随着云制造技术的不断推广和应用,将会有越来越多的云服务产生去满足客户的多变需求,但也会带来新的问题。

大量功能相似的制造云服务质量参差不齐,用户很难通过经验或者单因素予以区别和选择。在考虑用户评价因素的础上,本文建立了基于QoS的云服务评价模型,详细分析了模型的评价指标,并描述了模型的运作机制。同时,考虑到用户对部分指标的不可量化的评价,引入了直觉模糊数,在此基础上设计了基于灰色关联度的制造云服务评价方法,能够为用户提供用于参考选择的云服务排序结果,最后结合一个具体的实例,把所提算法与直觉模糊TOPSIS法、熵权TOPSIS法进行贴近度的对比,实验结果分别提升了约12%、44%,验证了模型的合理性和有效性。