李永紅 周 娜 趙國峰 劉瑞峰 金 鵬

模糊TOPSIS時變權(quán)重二次量化云服務(wù)推薦

李永紅1周 娜2趙國峰2劉瑞峰1金 鵬1

1(山東地震局臺網(wǎng)中心 山東 濟南 250014)

2(中國地震臺網(wǎng)中心 北京 100013)

云服務(wù)數(shù)量的快速增長給云服務(wù)選擇決策帶來了挑戰(zhàn)。為協(xié)助決策者在進行云服務(wù)選擇時提供決策依據(jù)，更好地滿足用戶使用需求，提出一種并行模糊TOPSIS時變權(quán)重二次量化云服務(wù)推薦算法。首先，基于熵的權(quán)重賦值方法確定準則權(quán)重，解決了準則權(quán)重不好選取的問題，并采用時變權(quán)重方法作為補充設(shè)計一種新的模糊TOPSIS評估方案，時變權(quán)重的引入可以對不同時期QoS等信息的重要性進行二次量化區(qū)分，有助于提高融合決策的合理性。其次，基于時間段的模糊TOPSIS多準則融合決策信息，提出一種可并行云服務(wù)選擇框架，有利于算法的實際推廣應(yīng)用。實驗結(jié)果表明，該算法能夠有效抑制不良QoS信息影響，提高服務(wù)調(diào)用成功率保證誠信服務(wù)的互操作性。

模糊 TOPSIS 多準則決策 熵 云服務(wù)推薦 時變權(quán)重

0 引 言

云計算是基于互聯(lián)網(wǎng)的商業(yè)計算模式[1]。由于云計算的快速增長和云服務(wù)推薦的動態(tài)性，導(dǎo)致每個云服務(wù)的服務(wù)質(zhì)量存在波動性，因此選擇有效的特征融合算法對云服務(wù)做出合理的綜合評定是云服務(wù)推薦的關(guān)鍵任務(wù)[2]。

多準則決策是基于排序選擇的多屬性比較方案[3]，主要基于三種原理：一是多屬性效用理論(MAUT)，如Min-Max、Max-Min等；二是排序方案，如PROME、ELECT等；三是分層和網(wǎng)絡(luò)方法，如AHP、ANP等。目前云服務(wù)組合推薦的文獻都是基于這三種原理：如文獻[4]提出SMIcloud云服務(wù)推薦算法框架，然后基于層次分析法(AHP)機制對云服務(wù)進行等級排序。文獻[5]通過匹配算法幫助使用者從不同服務(wù)推薦商獲取最佳組合的云服務(wù)系統(tǒng)。文獻[6]提出完整的(AHP)云服務(wù)評價指標體系等。

目前，在協(xié)助用戶進行決策時存在的主要問題是：只考慮實時的云服務(wù)QoS性能或者只考慮歷史平均QoS性能表現(xiàn)[6]。前一種方法因為忽略服務(wù)過去的QoS性能，將導(dǎo)致算法選擇局部而非全局最適合的云服務(wù)，與之相反，后一種方法不考慮頻繁變動的QoS性能，無法代表整體。因此，需要一個云服務(wù)選擇方法，能夠充分考慮到QoS性能表現(xiàn)的變化(包括價格因素)和用戶的選擇標準來對云服務(wù)等級進行評定，幫助用戶選擇最合適的服務(wù)。對此，本文提出一種時變權(quán)重方法的模糊TOPSIS評估方案(FTTWSQ)實現(xiàn)云服務(wù)的合理化推薦。

1 云服務(wù)推薦算法框架

圖1顯示的是基于不同QoS信息來源而設(shè)計的一種云服務(wù)選擇算法框架。在云環(huán)境中可用的云服務(wù)是通過服務(wù)檢索模塊和存儲在QoS庫中的特性等信息進行檢索。注冊的云服務(wù)由云服務(wù)管理模塊進行管理，通過在可用云服務(wù)上執(zhí)行標準測試并收集測試數(shù)據(jù)存儲在QoS庫。同時，云服務(wù)用戶也會根據(jù)使用情況對QoS信息進行評價和反饋。QoS庫負責(zé)記錄可用服務(wù)QoS信息，并將這些信息提供給決策模塊，以推薦合適的云服務(wù)給新用戶。

圖1 云服務(wù)推薦算法框架

云服務(wù)檢索模塊：負責(zé)檢索云環(huán)境中可用云服務(wù)及其規(guī)格信息，該模塊通過收集云服務(wù)制作者提供的云服務(wù)規(guī)格信息起到連接云環(huán)境和算法框架的作用。除了搜尋可用云服務(wù)功能，該模塊還起到跟蹤現(xiàn)有服務(wù)規(guī)格變化的作用。云服務(wù)管理模塊：負責(zé)管理云服庫中注冊的云服務(wù)，通過在執(zhí)行標準測試，或通過第三方云服務(wù)管理系統(tǒng)獲取云服務(wù)的QoS信息。QoS信息庫：該模塊從檢索、管理模塊收集存儲云服務(wù)信息，或者收集云服務(wù)使用者反饋的QoS信息。

當上述算法框架模塊搭建完成以后，云服務(wù)推薦算法的基礎(chǔ)性工作便已實現(xiàn)，這部分實現(xiàn)方式基本類似。但對于QoS信息的處理算法不同研究者提出各異的算法，本文主要從解決QoS時變對決策影響角度出發(fā)(例如云服務(wù)價格因素)，在原準則權(quán)重基礎(chǔ)上引入時變權(quán)重對不同時段的QoS信息重要性進行二次量化，同時借助模糊TOPSIS算法實現(xiàn)QoS信息的多屬性融合決策。

2 云服務(wù)推薦算法框架

2.1 多準則決策算法流程

當前，云服務(wù)選擇算法已有諸多研究成果[7,8]，但對于QoS信息的選取多停留在即時QoS信息或平均化處理方式上，實際上QoS信息變化是相當頻繁并且影響很大的(主要是云服務(wù)價格)，會影響到云服務(wù)選擇的合理性。因此，提出QoS時變權(quán)重算法如圖2所示。

圖2中C={C1,C2,…,Cm}為m維的QOS決策準則，WC={WC1,WC2,…,WCm}為與之對應(yīng)的準則權(quán)重，用來區(qū)分不同準則的輕重關(guān)系，wt={wt1,wt2,…,wtm}為本文提出的時變權(quán)重方法，用來區(qū)分不同時段QOS信息的重要程度。該圖所體現(xiàn)的模糊TOPSIS多準則決策模塊的算法流程為：(1) 可用云服務(wù)QOS信息提取；(2) 模糊TOPSIS等級評定；(3) 時變權(quán)重信息融合提取。接下來將主要針對QOS信息等級評定的TOPSIS算法進行論述。

圖2 決策算法流程

2.2 模糊TOPSIS多準則決策

傳統(tǒng)算法中，決策準則權(quán)值WC是根據(jù)決策者喜好人為賦值的，但在實際應(yīng)用中該權(quán)值無法獲得準確值。因為QoS準則來源廣泛，有無法量化的信息、不完整的信息、部分未知信息等。因此，這里提出基于模糊集理論的模糊TOPSIS時變權(quán)重二次量化云服務(wù)推薦算法，步驟如下：

Step1 構(gòu)造決策矩陣 假設(shè)有m個可用云服務(wù)Si(i=1,2,…,m)，QoS選擇準則Cj(j=1,2,…,n)，則每個時間點所有云服務(wù)的QoS值可構(gòu)造如下決策矩陣：

(1)

式中，xij代表云服務(wù)Si在準則Cj下的量化表現(xiàn)。

Step2 熵權(quán)重賦值 以熵測度確定客觀權(quán)重值，需要對決策矩陣在準則Cj(j=1,2,…,n)下進行歸一化，獲得每個準則的投影值Pij：

(2)

則熵值可計算如下：

(3)

那么準則權(quán)重可計算如下：

(4)

Step3 構(gòu)造模糊決策矩陣 模糊TOPSIS規(guī)范化決策矩陣形式如下：

(5)

由于隨時間變化最大的是價格因素，因此將決策準則分為功能相關(guān)(F)和價格相關(guān)(C)兩部分。采用三角模糊規(guī)則，三角模糊數(shù)為(aij,bij,cij)，則：

(6)

其中：

(7)

Step4 性能評價 利用Step2求得的準則權(quán)重及Step3求得的模糊決策矩陣，可構(gòu)造加權(quán)評價矩陣：

diag{WC1,…,WCn}

(8)

Step5 決策求解 通過對式(8)求得的多準則加權(quán)評價矩陣進行排序，可確定正理想解A+和負理想解A-如下所示：

(9)

Step6 距離獲取 采用文獻[9]提出的兩個三角模糊數(shù)A1=(a1,b1,c1)和A2=(a2,b2,c2)的距離計算公式：

(10)

Step7 云服務(wù)推薦 求取備選云服務(wù)的接近系數(shù)(CC)并進行排序，選取具有最高接近系數(shù)的備選云服務(wù)：

(11)

2.3 時變權(quán)重二次量化

主要目的是對不同時間段的QoS準則賦予相應(yīng)的權(quán)重，體現(xiàn)不同時間段的QoS準則對決策的不同影響。原則是近期的QoS準則更為重要。假設(shè)有n個時間段t1,t2,…,tn，那么每個時間段ti相應(yīng)的時變權(quán)重可由如下邏輯衰減函數(shù)進行定義：

(12)

其中，Δti為作用時間段和參考時間段間的時間間隔。A控制下包絡(luò)線，K控制上包絡(luò)線，B增長率控制參數(shù)，M最大時間間隔。在權(quán)重選取時最近時間段的權(quán)重賦值為1，隨著時間的向前推移權(quán)重逐漸減小，最小權(quán)重值設(shè)為0.4。

為了在所有的時間段內(nèi)使用單獨的最高等級服務(wù)選擇結(jié)果，需要構(gòu)建布爾矩陣：

(13)

矩陣元素uij對應(yīng)于云服務(wù)Si和時間段tj，當云服務(wù)Si在時間段tj為2.2節(jié)求取的該時間段最高云服務(wù)等級時，uij=1。因此，該矩陣的每一列代表在該時間段內(nèi)可用云服務(wù)的多準則決策結(jié)果，每一行代表的是一個云服務(wù)在所有時間段上的多準則決策結(jié)果。利用該矩陣可計算云服務(wù)Si的融合等級Ri：

(14)

式中，ωj為時變權(quán)重。對每個云服務(wù)重復(fù)該計算過程，得到每個云服務(wù)在整個作用時間段上總的等級排序。該過程可通過布爾矩陣與時變權(quán)重組成的列向量進行乘積運算的形式體現(xiàn)：

(15)

根據(jù)式(15)求得的融合等級R選取其中最大等級Rk對應(yīng)的云服務(wù)Sk作為最終的決策結(jié)果提供給使用者。

3 云服務(wù)推薦算法步驟

如前所述，在進行云服務(wù)決策融合時選取的是一段時間內(nèi)的QoS準則，采用時變函數(shù)形式進行綜合考慮，而不是像傳統(tǒng)文獻[10]中采用某個時間點或一段時間內(nèi)的平均值的簡化方法。可以有效解決云服務(wù)推薦算法的局部最大化(某個時間點)或QoS性能隨時間變化的信息丟失問題(平均QoS信息)。所提云服務(wù)推薦算法步驟：

Step1 時間段劃分 將一段時間內(nèi)的云服務(wù)QoS信息按時間劃分為互不交叉的小時間段，用戶提供云服務(wù)的判別準則Cj(j=1,2,…,n)，而每個小時間段內(nèi)的云服務(wù)QoS性能表現(xiàn)，由多目標決策模塊根據(jù)用戶定義的判別準則在QoS信息庫中提取(如圖1所示)。

Step2 判別準則選取 用戶對所提供云服務(wù)的QoS判別準則Cj(j=1,2,…,n)的重要性認識是不一樣的，每個用戶在進行云服務(wù)選擇時都具有特定的偏好。這里提出一種基于熵的QoS判別準則自適應(yīng)選取方式，簡化QoS判別準則Cj(j=1,2,…,n)的選取，具體算法步驟如2.2節(jié)Step1-Step2。

Step3 多準則等級排序 所有可用云服務(wù)在每個時間段內(nèi)的QoS性能表現(xiàn)可構(gòu)成決策矩陣，采用準則權(quán)重和模糊TOPSIS算法可以選取最好QoS性能表現(xiàn)的云服務(wù)。由于時間段的互不交叉性，模糊TOPSIS云服務(wù)等級排序算法可以在各個時間段內(nèi)并行執(zhí)行，選取每個時間段內(nèi)的最好性能表現(xiàn)的云服務(wù)，具體步驟參見2.2節(jié)Step3-Step7。

Step4 時變權(quán)重二次量化 按時間段賦予時變權(quán)重，該權(quán)重根據(jù)時間段距離當前時間點的遠近，由近及遠賦予1→0.4逐漸降低的權(quán)重值，表示近期的QoS信息要比過去的QoS信息重要。使用該時變權(quán)重對Step3中所得到的各時間段內(nèi)的最好云服務(wù)進行融合，選取最終的云服務(wù)，具體步驟參見2.3節(jié)。

4 仿真結(jié)果與分析

硬件實驗環(huán)境 操作系統(tǒng)Win 7，處理器AMD641-2.8 GHz，內(nèi)存4 GB。

實驗1 人造數(shù)據(jù)集測試 實驗數(shù)據(jù)來自Web Service Challenge客戶端所提供的人造仿真數(shù)據(jù)[10]。為了驗證算法的有效性，仿真采用三種不同的模型算法進行對比，分別是：文獻[10]方法QoS-WSD;基于TOPSIS的時變權(quán)重判別準則算法(TTQ);模糊TOPSIS時變權(quán)重二次量化算法(FTTWSQ)。當服務(wù)數(shù)為不同的取值：50、100、200和300時，抽象服務(wù)類別為3類，則分別采用QoS-WSD、TTQ 、FTTWSQ算法的解的精確度如圖3所示。參數(shù)設(shè)置：A=1，K=0.4，B=0.5，M=80。

圖3 算法成功率對比

圖3顯示的是三種算法在不同服務(wù)數(shù)情況下的云服務(wù)選擇成功率，隨著服務(wù)數(shù)的增加，三種算法的云服務(wù)選取成功率均有所下降，但是下降幅度均比較緩慢。綜合性能比較，三種算法都能有效地對云服務(wù)進行選擇，但是FTTWSQ算法的選擇成功率相對最高，接近100%，說明FTTWSQ算法的性能極佳，TTQ算法性能次之，QoS-WSD性能相對較差。

邏輯衰減時變權(quán)重方法共有4個參數(shù)，分別是：A=1代表時變權(quán)重的最大值，K=0.4代表時變權(quán)重的最小值，B=0.5代表時變權(quán)重的變化速率。假設(shè)這三個參數(shù)固定，下面將以第四個參數(shù)M為例通過仿真實驗來觀察參數(shù)M對算法的影響。

圖4給出的是參數(shù)M取值對推薦算法的影響，(a)是M取值對時變權(quán)重取值的影響，(b)是M取值對算法推薦成功率的影響。從(a)可以看出隨著M取值增大，曲線逐漸右移，過去時刻的權(quán)重小基本相等，而現(xiàn)在時刻的權(quán)重大但是變化空間有限，是對過去時刻QoS決策準則重要性的模糊化處理方式，一視同仁。而隨著M取值減小，曲線逐漸左移，近期QoS準則的權(quán)重大基本相等為1，過分強調(diào)的是近期QoS準則對判別的影響。(b)顯示的是M取值三種情況對算法推薦成功率的影響，通過仿真發(fā)現(xiàn)M取值為服務(wù)總數(shù)的三分之一時，算法的性能相對較優(yōu)。

圖4 參數(shù)M取值對算法影響

實驗2 自然數(shù)據(jù)集測試 為了驗證所提算法實際應(yīng)用的可靠性，使用亞馬遜平臺下5個云服務(wù)在短期負荷試驗下的CPU、內(nèi)存和I/O性能響應(yīng)時間監(jiān)測數(shù)據(jù)(來源：( http://www.cloudclimate.com))。為體現(xiàn)時變權(quán)重二次量化算法的有效性，在上述三個標準之外增加價格變化情況作為第四個標準。數(shù)據(jù)詳細信息見表1所示。

表1 亞馬遜云服務(wù)平均響應(yīng)時間

仿真采用三種不同的模型算法進行對比，分別是：

M1： TOPSIS平均QoS無時變權(quán)重判別準則算法(TMQ)；

M2：TOPSIS時變權(quán)重判別準則算法(TTQ)；

M3：模糊TOPSIS時變權(quán)重二次量化算法(FTTWSQ)。

表2給出了三種算法當前時刻的云服務(wù)推薦結(jié)果，根據(jù)表1結(jié)果可以直觀地看出在平均響應(yīng)時間方面S2(EC2EU)服務(wù)最優(yōu)，S5算法時間響應(yīng)次之。所以邏輯上基于TOPSIS平均QoS無價格因素權(quán)重判別準則算法的云服務(wù)推薦應(yīng)該是S2，仿真結(jié)果也驗證了上述推斷。但是服務(wù)S2的平均價格要明顯高于S5，在實際的云服務(wù)選擇使用中在響應(yīng)時間差別不大情況下，服務(wù)價格是使用者在控制預(yù)算成本中重點考慮的因素。因此結(jié)合價格條件綜合的選擇結(jié)果M2和M3算法模型均給出了S5的選項，但是具體到運算結(jié)果，M3算法給出的結(jié)果要比M2算法的結(jié)果更加明顯，也就是算法的目標性更強。為了驗證上述分析，對比M2和M3算法在300個時刻的云服務(wù)選擇結(jié)果，如圖5所示。

表2 三種模型算法對比結(jié)果

圖5 不同時間點云服務(wù)選擇結(jié)果

圖5給出了M2和M3兩種模型算法在每個時間點的云服務(wù)選擇結(jié)果，在這兩個模型算法中云服務(wù)S5都具有最高的決策等級，理論上應(yīng)該選擇S5作為算法輸出結(jié)果。但在圖5仿真結(jié)果可以看出M2算法的輸出值錯誤率要明顯高于M3算法，說明本文所采用的模糊TOPSIS時變權(quán)重二次量化算法在算法的準確度上得到明細提升，算法的魯棒性更強。主要原因是M3模型采用模糊處理方式將決策準則分為功能相關(guān)(F)和價格相關(guān)(C)兩部分，并采用三角模糊函數(shù)進行處理，可有效地綜合云服務(wù)推薦的功能和價格兩部分因素。云服務(wù)S5作為具有最高的決策等級，其在功能和價格兩部分因素綜合評比中占優(yōu)，而在這300個時刻中，其時間因素并非最優(yōu)。M2算法簡單的對功能和價格兩部分因素加權(quán)融合算法，會受到加權(quán)系數(shù)的影響，導(dǎo)致決策結(jié)果會根據(jù)加權(quán)系數(shù)選取和決策區(qū)間的隨機性，而影響到M2算法偏向時間或者偏向于價格因素。所以M2算法的魯棒性相對較差，而圖5仿真結(jié)果也進一步驗證了采用模糊處理方式在該云服務(wù)推薦模型中的強魯棒性。

5 結(jié) 語

本文提出一種模糊TOPSIS時變權(quán)重二次量化云服務(wù)推薦算法。首先，為解決準則權(quán)重不好選取的問題，提出一種熵的權(quán)重自動賦值方法，結(jié)合時變權(quán)重的二次量化，希望能夠得到更加合理準確的推薦方案。通過在人造測試數(shù)據(jù)集和自然測試數(shù)據(jù)

集上的實驗表明，該算法能夠有效地對云服務(wù)進行推薦，在成功率和魯棒性方面均要優(yōu)于對比算法。本文同時還對算法相關(guān)參數(shù)的選取進行了仿真實驗，給出了相對合理的參數(shù)選取方案。算法在實驗室條件下取得了理想的仿真結(jié)果，下一步將重點考慮實現(xiàn)算法的實際應(yīng)用。

[1] Andreolini M,Casolari S,Colajanni M.Dynamic load management of virtual machines in a cloud architecture[J].Department of Information Engineering,2010,21(3):201-204.

[2] Vaquero L,Rodero M L,Cacerce J,et al.A break in the clouds:towards a cloud definition[J].SLGCOMM Computer Comunication Reviewer,2009,39(1):50-55.

[3] 王尚廣,孫其博,張光衛(wèi).基于云模型的不確定性QoS感知的Skyline服務(wù)選擇[J].軟件學(xué)報,2012,23(6):1397-1401.

[4] Liman N,Noutaba.Assessing software service quality and trust worthiness at selection time[J].IEEE Transactions on Software Engineering,2010,36(4):559-574.

[5] 陳軍,盧涵宇,姚丹丹.基于處理時間的網(wǎng)絡(luò)地圖云服務(wù)調(diào)度算法[J].計算機測量與控制,2013,21(7):1987-1989.

[6] Nie G,She Q,Chen D.Evaluation Index System of cloud service and the purchase decision making process based on AHP[J].Advances in Fuzzy Systems Applications and Theory,World Scientific,2011,36(7):115-126.

[7] Mauro A,Sara C,Michele C.Dynamic load management of virtual machines in a cloud architecture[J].Department of Information Engineering,2010,25(3):201-204.

[8] Josang A,Ismail R,Boyd C.A survey of trust and reputation systems for online service provision[J].Decision Support Systems,2007,43(2):618-644.

[9] Bojadziev G,Bojadziev M.Fuzzy sets,fuzzy logic,applications[J].Advances in Fuzzy Systems Applications and Theory,World Scientific,2010,35(5):175-191.

[10] 代鈺,楊雷,張斌.支持組合服務(wù)選取的QoS模型及優(yōu)化求解[J].計算機學(xué)報,2006,29(7):1167-1178.

[11] 李永紅,周娜.虛擬主機服務(wù)應(yīng)用技術(shù)研究[J].震災(zāi)防御技術(shù),2012,7(4):444-449.

FUZZY TOPSIS-BASED CLOUD SERVICE RECOMMENDATION WITH TIME-VARYING WEIGHTS FOR SECONDARY QUANTIFICATION

Li Yonghong1Zhou Na2Zhao Guofeng2Liu Ruifeng1Jin Peng1

1(EarthquakeAdministrationofShandongProvince,Jinan250014,Shandong,China)2(ChinaEarthquakeNetworkCenter,Beijing100013,China)

The rapid growth in numbers of cloud services brings challenges to the decision of cloud service selection, in order to help decision makers in providing decision basis for them when selecting the cloud services and to better meet the usage demand of users, we proposed a parallel fuzzy TOPSIS-based cloud service recommendation algorithm with time-varying weights for secondary quantification. First, we determined the criteria weights based on the entropy weight assigning method, which solved the problem of difficult in criteria weights selection, and the time-varying weight method was used as the complement for designing a new fuzzy TOPSIS evaluation scheme, the introduction of time-varying weight could make secondary quantified distinction on the importance of information such as QoS in different periods, this helps to raise the reasonability of fusion decision. Secondly, based on fuzzy TOPSIS multi-criterion fusion decision information of time period, we proposed a parallelisable cloud service selection framework, which was conducive to the practical promotion of the algorithm to the application. Experimental results showed that the algorithm could effectively restrain the impacts of adverse QoS information, improved the service call success rate to ensure the interoperability of faith service.

Fuzzy TOPSIS Multi-criterion decision Entropy Cloud service recommendation Time-variable weight

2014-08-14。國家自然科學(xué)基金項目(61170263)；山東省地震局青年基金項目(JJ1405Y)。李永紅，工程師，主研領(lǐng)域：服務(wù)器存儲和虛擬化技術(shù)。周娜，工程師。趙國峰，工程師。劉瑞峰，工程師。金鵬，工程師。

TP393

A

10.3969/j.issn.1000-386x.2016.04.004