基于分布式哈希表协作式Web服务组合.doc

基于分布式哈希表协作式Web服务组合 　　摘要：集中式的基于案例推理（CBR）应用于感知服务质量（QoS）的Web服务组合时，面临信息维护量大、节点负载高、中心失效等问题。为解决上述问题，提出了基于分布式哈希表（DHT）的协作式Web服务组合方法COCO，利用哈希函数和空间填充曲线（SFC）将组合服务的工作流和服务质量映射为一维数据键，并利用底层DHT Overlay以PeertoPeer的方式查询满足用户请求的已知组合服务，一次成功查询可获得同时满足功能性要求和非功能性要求的组合服务。实验结果表明，COCO在查询时延和查询命中率方面均有较好性能，适用于大规模网络计算环境。 关键词：Web服务；服务合成；分布式哈希表；覆盖网络；空间填充曲线 0引言 在感知服务质量（Quality of Service，QoS）的服务组合[1]的研究中，有较多文献采用数学规划的方法求解服务组合问题。如文献[2]采用整数规划（Integer Programming，IP），文献[3]采用多选择背包问题（MultipleChoice Knapsack Problem，MCKP）。其主要问题在于很多数学规划方法都是NPComplete的，不能在多项式时间内求解。以IP为例，最 坏情况下的时间复杂度为O（∏ni=1mi）， 其中n为组合服务的任务数，mi为第i个任务的候选Web service个数。随着mi和n的增大，特别是n的增大，IP的求解时延呈指数方式显著增大。 为解决上述问题，文献[4-5]提出采用基于案例推理（CaseBased Reasoning，CBR）来求解服务组合问题。如文献[4]计算用户服务组合请求同已知组合服务的近似度，当两者近似度达到一定阈值之后，将采用该组合服务来响应用户服务组合请求。同数学规划方法相比，CBR方法时延性能较好。在上述文献中，CBR一般以集中方式（centralized）提供查询服务，即若干固定数量（一般数量较少）的高性能CBR Server存储已知组合服务，形成已知组合服务记录库（Service Repository，SR），并负责处理查询请求。在集中方式下，高性能CBR Server节点数量较少，要保证查询成功，每个CBR Server的SR的规模将会较大，数据的维护代价高昂。此外，用户请求将会集中在这些CBR Server，形成较重的节点网络负载。若在本地CBR Server查询失败，查询请求随机转发到其他CBR Server，但并不能保证转发后具有更高的命中可能性。更严重的是，若某个CBR Server失效，由于其负责的SR规模较大，将会对查询命中率产生严重影响，CBR的扩展性较差。 为了解决上述问题，在CBR的基础上，本文提出了基于分布式哈希表（Distributed Hash Table，DHT）的协作式Web服务组合方法COCO （DHT based COllaborative Web Service COmposition），通过在底层引入DHT Overlay（如Chord[6]、Kademlia[7]等），削弱对集中节点的依赖，降低对节点性能的要求，避免中心失效问题，并通过DHT Overlay的高效信息路由，提供具有良好伸缩性（scalable）的高性能查询服务，查询满足用户服务组合请求的已知组合服务。DHT Overlay将数据值映射为数据键： f：value→key，将DHT Overlay节点映射 为节点ID： f：node→ID，根据key和ID之间的“距离”特征，节点将存储与自身ID相近的数据data=〈key，value〉，从而形成了结构化的分布式哈希表。同时节点也根据“距离”保存了查找其他节点的路由表。由于节点分布式哈希表和路由表均根据“距离”构建，因而在分布式哈希表中查询数据键相当于在路由表中查找节点，从而数据键查询能沿着数据键和节点ID之间“距离”不断缩小的方向进行，避免转发的随机性。因此只要一个数据确实被存储于分布式哈希表，就一定能够在距其较近的节点上被找到，因而DHT可提供带保障（guaranteed）的高效查询服务。 为了利用基于数据键的DHT Overlay通过一次查询便能获得同时满足用户请求的功能性要求和非功能性要求的组合服务，COCO将用户服务组合请求、已知组合服务均映射为数据键，并将组合服务数据键存储于DHT以供查询。COCO采用哈希函数构建工作流数据子键；同时为支持多维范围查询[8-9]，COCO采用空间填充曲线（SpaceFilling Curve， SFC）[10]构建服务质量数据子键，并将两部分数据子键合成为完整数据键，交由DHT Overlay进行查询，进行感知QoS的服务组合。实验结果表明，C