推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于任务粒化的服务组合优化方法

更新时间:2019-12-24 07:21:38 大小:1M 上传用户:守着阳光1985查看TA发布的资源 标签:任务粒化服务组合优化 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

在big service背景下,越来越多的资源以服务的形式发布与使用,用户需求越来越复杂,导致服务组合计算规模呈指数级增长.本文提出一种任务粒化算法(TgA,Task-granular Algorithm),用于快速有效地求解大规模服务组合优化问题.首先,构建任务粒化分层服务组合模型,并分析了该模型的计算复杂性;其次,根据现有QoS属性计算方式,从理论上分析其在任务粒化过程中的可行性;最后,大量仿真实验结果表明,相比于经典的PSO算法,TgA可以将服务组合优化时间性能提高约4至7倍,且寻优精度提高10%以上.


部分文件列表

文件名 大小
一种基于任务粒化的服务组合优化方法.pdf 1M

部分页面预览

(完整内容请下载后查看)
1
Vol. 46 No. 1  
Jan. 2018  
2018  
1
ACTA ELECTRONICA SINICA  
一种基于任服务  
, , ,  
文 崔平  
(
大学计算与信处理肥  
230031)  
:
big service , , ,  
多的服务使用 用复杂 导致服务合  
计算本文提出一种任法  
( TgATask-granular Algorithm) ,  
快速服务  
, , ; ,  
问题 构建层服务模型 析了该模型的计算复杂性 其次 根据有  
QoS  
计算  
TgA  
以  
, ; , ,  
理论析其在过程中的行性 仿真结果表明 相比的  
PSO  
法  
4
7
寻优提高  
10%  
上  
服务间性提高约  
:
;
; ; PSO  
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
服务合 任模型  
:
TP301  
:
A
:
0372-2112 ( 2018) 01-0245-07  
文献标识码  
文章编号  
DOI: 10. 3969 /j. issn. 0372-2112. 2018. 01. 034  
电子学报  
A Service Composition Optimization Method Based on Task-Granulating  
ZHANG Yi-wenCUI Guang-mingGUO XingZHANG Yan-ping  
( Anhui UniversityKey Laboratory of Intelligent Computing & Signal ProcessingMinistry of EducationAnhuiHefei 230031China)  
Abstract: Under the background of big servicemore and more resources are released and utilized in the form of serv-  
ices. Meanwhilethe users' requirements grow in complexitywhich leads to the exponential growth of the service composi-  
tion calculation scale. In this papera task-granulating algorithm called TgA is proposed to solve large-scale service composi-  
tion optimization problem quickly and effectively. Firstlywe build a hierarchical service composition model based on task  
granulationand analyze its computational complexity. Secondlywe analyze the feasibility theoretically during the task-gran-  
ulating according to the calculation of existing QoS attributes. Finallya large number of simulation experimental results  
show thatcompared to the classical particle swarm optimization ( PSO) algorithmthe proposed algorithm can improve the  
service composition optimization performance by 4 to 7 times and increase the optimization accuracy by more than 10% .  
Key words: service composition ( SC) ; task granulating; hierarchical model; PSO  
与的过程 括  
1
引言  
方与方多的协合作过程  
1]  
big service  
”  
服务 理  
着  
1
方提服务影响买  
使得服务计算化需  
.  
方的货买心 图  
1
、 、  
求不增加 服务计算态性 合 大规  
5 ,  
服务进行 的最处理 但  
、  
服务问题出多束  
3 ,  
外两方  
、 、 、 ,  
态性 度等点 其计算问题  
.  
从而使用户达现  
23]  
复杂长  
服务问题益  
服务合研究其在  
big serv-  
,  
复杂 服务过程往往涉及服务主  
ice  
,  
环境问题 本文  
. 1  
服务成为一种态 以网  
提出一种任服务模型 过将图  
1
5
任  
过程的一其选择  
, ,  
进行处理 为多粒  
方提供物  
处理从而现全优  
,  
流运输方此 用户  
: 2016-10-09;  
: 2017-02-16; :  
责任编辑  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No. 71601001No. 61673020No. 61672386) ;  
( No. KJ2016A038)  
自然科学基金重项目  
246  
2018  
X
= { t t t ( t t ) } , ,  
中  
i
问题为  
i + 1  
1
2
i + 1  
n
2
组合模型  
X
X , ,  
并将其元素由问题  
i
自于  
i + 1  
1
( Task-granular)  
粒  
定义  
程根据处理原组合  
服务问题过  
: Tg = ( idscF) id  
{ ( t t ) }  
i
{ t ( t t ) }  
i + 1  
问题 依  
为  
n
i
n
此类推  
实际场景间  
程 用元组示  
中  
( ) 1,  
同关如图 选择  
; sc’  
示原服务问题  
sc  
示每识  
, ,  
会选择而不会选择京  
sc ; F  
的子集 中任集的子集 示每评  
,  
关  
数  
,  
系 具高的度 在实际过程应  
1
的网问题为  
{ ( t ,  
1
考虑影响  
t t t ) } ,  
5
5  
以将 分  
2
3
3
可行性分析  
, : , , { ( t ,  
为  
1
t t ) ( t ) ( t ) } .  
4
n,  
若假服务为  
3. 1  
QoS  
2
3
5
组合务  
QoS  
的  
计算方式  
5
n ,  
基于任则  
则原问题求为  
有不合计算方用  
3
5
3
4 ~ 6]  
n + n + nn ( n + n + n) .  
1 5  
表 所情况  
1
QoS  
组合计算方式  
的  
QoS  
计算方式  
号  
性  
Sum  
Pro  
CostResponse time  
Availability  
Avg  
Max  
Min  
Reputation  
值  
Response time( Parallel model)  
Throughput  
最大值  
最小值  
3. 2 QoS  
组合计算化可行性  
1 QoS  
根据表 所服务  
计算方粒  
过程将问题不题求越  
行性详细下  
,  
元素数进行划分 服  
( 1) : Sum( n + m) = Sum( n) + Sum( m) ,  
中  
2
模型如图 示  
Sum( n + m)  
n + m  
n + n + + n +  
和 即  
n
示  
1
2
m + m + + m = ( n + n + + n ) + ( m + m + …  
n
1
2
m
1
2
1
2
+ m ) .  
m
然成立  
( 2) : Pro( n + m) = Pro( n) * Pro( m) ,  
中  
Pro( n  
+ m)  
n + m  
n * n * * n * m * m  
即  
2
示  
1
2
n
1
* * m = ( n * n * * n ) * ( m * m * * m ) .  
1
m
1
2
n
2
m
然成立  
( 3) : Avg( n + m) = Sum( n + m) /( n + m) ,  
值  
Sum( n + m)  
n + m  
Avg( n + m) n  
示  
示  
和  
+ m  
, ,  
值 对服务问题而任  
Avg  
则  
Sum  
case1 .  
证  
为  
问题  
( 4)  
: Max ( n + m) = Max ( Max ( n) Max  
最 大 值  
( m) ) ,  
中  
Max( n + m)  
n + m  
中最大即  
示  
Max( n n n m m m ) = Max( Max( n n ,  
m
1
2
n
1
2
1
2
n ) Max( m m m ) ) , .  
然成立  
2
n
1
m
( 5)  
: Min ( n + m) = Min ( Min ( n) Min  
最 小 值  
2
i  
的分模型为 与  
i + 1  
之  
( m) ) , .  
最大值问题然成立  
, ,  
划分为  
i + 1  
元素组成  
析表明 服务  
QoS  
计算方进  
QoS  
i . i  
自于 的一划分 问题描  
计算 处理过程中  
结  
X = { t t t ( t t ) } ,  
为  
i - 1  
i + 1  
为  
问题致  
i
1
2
i
n

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载