基于最大熵原理Web服务QoS概率分布获取.docVIP

基于最大熵原理Web服务QoS概率分布获取摘要:为了进行服务风险管理，需要了解服务质量（QoS）的随机特性，而描述QoS随机特性的一种有效手段是获得其准确的概率分布。为此，提出了一种基于最大熵原理在小样本情况下获取Web服务QoS概率分布的方法。方法采用最大熵原理将小样本情况下QoS概率分布获取的问题规约为一个由已知QoS数据确定约束条件的最优化问题进行求解，获得QoS概率密度函数的解析式，然后设计了对该概率密度函数解析式参数进行估计的算法。最后，以实际的Web服务QoS数据为基础，通过实验验证了该方法对不同QoS分布获取时的有效性和合理性，并验证了分布获取算法的效率和终止性。 关键词:Web服务；服务质量；最大熵原理；概率密度函数；最优化模型 中图分类号: TP311 文献标志码:A英文标题 引言 通过将已存在的Web服务按照一定的规则动态地发现并进行有机合成，组装成为一个增值的、更大粒度的、具有内部流程逻辑的组合服务以满足用户的复杂需求，并通过执行该组合服务而达到业务目标，已成为主流的服务计算实现技术［1］。 由于被组合的Web服务是由不同组织发布、分布在Internet上、具有自治特征的软件组件，开放、动态、难控的网络环境下实现各类Web服务资源集成和共享的Web服务组合，其服务质量(Quality of Service，QoS)成为决定其能否成功的关键因素之一［2］。Web服务的QoS指服务的响应时间、价格、可用性、可靠性、信誉等非功能属性［3］。 环境的开放性和动态性使得Web服务的QoS具有内在的随机性［3］。使用QoS具有随机性的Web服务构造组合服务，必然导致组合服务用户面临QoS需求不能被满足的风险［4］。这样，就要求在进行服务组合时根据所获得的一些先验信息(比如已知的QoS采样数据)估计QoS的概率特性，并将概率分布作为QoS随机性的表示。 由于Web服务各项QoS指标内在性质的不同，其概率特性随QoS指标不同而不同；同时，由于内部实现以及外部环境的不同，不同Web服务的同一QoS属性概率特性也会不同。为此，对不同Web服务的所有QoS 指标假定一个特定的分布形式(如正态分布)是不够的［5］，从而需要解决如何有效地获取这种概率特性的问题。 如果拥有足够数量的QoS测试样本，则可直接采取直方图等传统方法构造QoS概率分布。然而，服务用户不一定能获得足够数量的QoS样本。因此，如果能在QoS样本数量很少的情况下设定准确、客观的QoS概率分布，就可以为用户提供一种简单、有效评估Web服务QoS风险的手段。为此，本文提出了一种采用最大熵原理(E.T.Jaynes原理)［6］在小样本情况下获取任意Web服务QoS概率分布的方法，该方法不对Web服务QoS分布形式作任何假定。首先，通过最大熵模型得到QoS概率分布解析形式。然后，设计了对其分布参数进行估计的算法。最后，通过实验验证了该方法在小样本情况下获取QoS概率分布的有效性和合理性。 1相关工作 Web服务QoS内在的随机性，导致服务用户必然面临QoS需求不能被满足的风险。为了降低这种风险，需要了解QoS的随机特性。目前，已经有一些文献站在不同的视角，采取各种方法对组合服务QoS随机性问题进行了处理。 随机QoS感知的组合服务QoS评估方面，Hwang 等［3］将所有QoS属性均视为离散随机变量，进一步研究了概率意义下的组合服务流程的QoS 聚合问题。该研究利用概率质量函数(Probability Mass Function, PMF)描述所有QoS属性的随机性。显然，对于响应时间等具有内在连续性的QoS，用PMF表示并不适合。此外，该研究基于已知的PMF进行组合服务QoS评估，但对如何得到PMF则没有进行说明。Rosario 等［7-8］利用蒙特卡罗模拟方法，从组件服务的概率软合约计算整个组合服务可提供给客户的合约。该研究只关注了响应时间一个QoS属性，直接利用QoS历史数据计算响应时间经验累积分布，并基于此分布进行QoS 抽样。因此，该研究同样也未关注到QoS分布描述的准确性问题，尤其是在小样本的情况下进行抽样，必然会影响到组合服务概率合约的精确性。Fourneau等［9］假定响应时间属于NBUE(New Better than Used in Expectation)分布类，并以此为基础提出一种估算组合服务响应时间随机边界的方法。该研究同样只关注了响应时间一个QoS属性，并对其概率分布形式作了假定。前期工作中［10］，项目组基于区间数比较的可能度方法和逼近理想点的多属性决策方法, 建立基于不确定QoS信息的Web服务局部选择模型。方法将QoS视为均匀分布随机变量，不能充分体现不同种类QoS的随机特性。文献［11］将W