模糊TOPSIS時(shí)變權(quán)重二次量化云服務(wù)推薦

李永紅 周 娜 趙國(guó)峰 劉瑞峰 金 鵬

模糊TOPSIS時(shí)變權(quán)重二次量化云服務(wù)推薦

李永紅1周 娜2趙國(guó)峰2劉瑞峰1金 鵬1

1(山東地震局臺(tái)網(wǎng)中心 山東 濟(jì)南 250014)

2(中國(guó)地震臺(tái)網(wǎng)中心 北京 100013)

云服務(wù)數(shù)量的快速增長(zhǎng)給云服務(wù)選擇決策帶來(lái)了挑戰(zhàn)。為協(xié)助決策者在進(jìn)行云服務(wù)選擇時(shí)提供決策依據(jù)，更好地滿(mǎn)足用戶(hù)使用需求，提出一種并行模糊TOPSIS時(shí)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(zhǔn)則權(quán)重，解決了準(zhǔn)則權(quán)重不好選取的問(wèn)題，并采用時(shí)變權(quán)重方法作為補(bǔ)充設(shè)計(jì)一種新的模糊TOPSIS評(píng)估方案，時(shí)變權(quán)重的引入可以對(duì)不同時(shí)期QoS等信息的重要性進(jìn)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(shí)間段的模糊TOPSIS多準(zhǔn)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(shí)際推廣應(yīng)用。實(shí)驗(yàn)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(chéng)信服務(wù)的互操作性。

模糊 TOPSIS 多準(zhǔn)則決策 熵 云服務(wù)推薦 時(shí)變權(quán)重

0 引 言

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

多準(zhǔn)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(xiàn)都是基于這三種原理：如文獻(xiàn)[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(jī)制對(duì)云服務(wù)進(jìn)行等級(jí)排序。文獻(xiàn)[5]通過(guò)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(xiàn)[6]提出完整的(AHP)云服務(wù)評(píng)價(jià)指標(biāo)體系等。

目前，在協(xié)助用戶(hù)進(jìn)行決策時(shí)存在的主要問(wèn)題是：只考慮實(shí)時(shí)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?yàn)楹雎苑?wù)過(guò)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(dòng)的QoS性能，無(wú)法代表整體。因此，需要一個(gè)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(jià)格因素)和用戶(hù)的選擇標(biāo)準(zhǔn)來(lái)對(duì)云服務(wù)等級(jí)進(jìn)行評(píng)定，幫助用戶(hù)選擇最合適的服務(wù)。對(duì)此，本文提出一種時(shí)變權(quán)重方法的模糊TOPSIS評(píng)估方案(FTTWSQ)實(shí)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(lái)源而設(shè)計(jì)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(guò)服務(wù)檢索模塊和存儲(chǔ)在QoS庫(kù)中的特性等信息進(jìn)行檢索。注冊(cè)的云服務(wù)由云服務(wù)管理模塊進(jìn)行管理，通過(guò)在可用云服務(wù)上執(zhí)行標(biāo)準(zhǔn)測(cè)試并收集測(cè)試數(shù)據(jù)存儲(chǔ)在QoS庫(kù)。同時(shí)，云服務(wù)用戶(hù)也會(huì)根據(jù)使用情況對(duì)QoS信息進(jìn)行評(píng)價(jià)和反饋。QoS庫(kù)負(fù)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(hù)。

圖1 云服務(wù)推薦算法框架

云服務(wù)檢索模塊：負(fù)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(guò)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(fù)責(zé)管理云服庫(kù)中注冊(cè)的云服務(wù)，通過(guò)在執(zhí)行標(biāo)準(zhǔn)測(cè)試，或通過(guò)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(kù)：該模塊從檢索、管理模塊收集存儲(chǔ)云服務(wù)信息，或者收集云服務(wù)使用者反饋的QoS信息。

當(dāng)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(shí)現(xiàn)，這部分實(shí)現(xiàn)方式基本類(lèi)似。但對(duì)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(shí)變對(duì)決策影響角度出發(fā)(例如云服務(wù)價(jià)格因素)，在原準(zhǔn)則權(quán)重基礎(chǔ)上引入時(shí)變權(quán)重對(duì)不同時(shí)段的QoS信息重要性進(jìn)行二次量化，同時(shí)借助模糊TOPSIS算法實(shí)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(zhǔn)則決策算法流程

當(dāng)前，云服務(wù)選擇算法已有諸多研究成果[7,8]，但對(duì)于QoS信息的選取多停留在即時(shí)QoS信息或平均化處理方式上，實(shí)際上QoS信息變化是相當(dāng)頻繁并且影響很大的(主要是云服務(wù)價(jià)格)，會(huì)影響到云服務(wù)選擇的合理性。因此，提出QoS時(shí)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(zhǔn)則，WC={WC1,WC2,…,WCm}為與之對(duì)應(yīng)的準(zhǔn)則權(quán)重，用來(lái)區(qū)分不同準(zhǔn)則的輕重關(guān)系，wt={wt1,wt2,…,wtm}為本文提出的時(shí)變權(quán)重方法，用來(lái)區(qū)分不同時(shí)段QOS信息的重要程度。該圖所體現(xiàn)的模糊TOPSIS多準(zhǔn)則決策模塊的算法流程為：(1) 可用云服務(wù)QOS信息提?。?2) 模糊TOPSIS等級(jí)評(píng)定；(3) 時(shí)變權(quán)重信息融合提取。接下來(lái)將主要針對(duì)QOS信息等級(jí)評(píng)定的TOPSIS算法進(jìn)行論述。

圖2 決策算法流程

2.2 模糊TOPSIS多準(zhǔn)則決策

傳統(tǒng)算法中，決策準(zhǔn)則權(quán)值WC是根據(jù)決策者喜好人為賦值的，但在實(shí)際應(yīng)用中該權(quán)值無(wú)法獲得準(zhǔn)確值。因?yàn)镼oS準(zhǔn)則來(lái)源廣泛，有無(wú)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(shí)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(gè)可用云服務(wù)Si(i=1,2,…,m)，QoS選擇準(zhǔn)則Cj(j=1,2,…,n)，則每個(gè)時(shí)間點(diǎn)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(zhǔn)則Cj下的量化表現(xiàn)。

Step2 熵權(quán)重賦值 以熵測(cè)度確定客觀權(quán)重值，需要對(duì)決策矩陣在準(zhǔn)則Cj(j=1,2,…,n)下進(jìn)行歸一化，獲得每個(gè)準(zhǔn)則的投影值Pij：

(2)

則熵值可計(jì)算如下：

(3)

那么準(zhǔn)則權(quán)重可計(jì)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(shí)間變化最大的是價(jià)格因素，因此將決策準(zhǔn)則分為功能相關(guān)(F)和價(jià)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(píng)價(jià) 利用Step2求得的準(zhǔn)則權(quán)重及Step3求得的模糊決策矩陣，可構(gòu)造加權(quán)評(píng)價(jià)矩陣：

diag{WC1,…,WCn}

(8)

Step5 決策求解 通過(guò)對(duì)式(8)求得的多準(zhǔn)則加權(quán)評(píng)價(jià)矩陣進(jìn)行排序，可確定正理想解A+和負(fù)理想解A-如下所示：

(9)

Step6 距離獲取 采用文獻(xiàn)[9]提出的兩個(gè)三角模糊數(shù)A1=(a1,b1,c1)和A2=(a2,b2,c2)的距離計(jì)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(jìn)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(shí)變權(quán)重二次量化

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

(12)

其中，Δti為作用時(shí)間段和參考時(shí)間段間的時(shí)間間隔。A控制下包絡(luò)線，K控制上包絡(luò)線，B增長(zhǎng)率控制參數(shù)，M最大時(shí)間間隔。在權(quán)重選取時(shí)最近時(shí)間段的權(quán)重賦值為1，隨著時(shí)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(shí)間段內(nèi)使用單獨(dú)的最高等級(jí)服務(wù)選擇結(jié)果，需要構(gòu)建布爾矩陣：

(13)

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

(14)

式中，ωj為時(shí)變權(quán)重。對(duì)每個(gè)云服務(wù)重復(fù)該計(jì)算過(guò)程，得到每個(gè)云服務(wù)在整個(gè)作用時(shí)間段上總的等級(jí)排序。該過(guò)程可通過(guò)布爾矩陣與時(shí)變權(quán)重組成的列向量進(jìn)行乘積運(yùn)算的形式體現(xiàn)：

(15)

根據(jù)式(15)求得的融合等級(jí)R選取其中最大等級(jí)Rk對(duì)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(jìn)行云服務(wù)決策融合時(shí)選取的是一段時(shí)間內(nèi)的QoS準(zhǔn)則，采用時(shí)變函數(shù)形式進(jìn)行綜合考慮，而不是像傳統(tǒng)文獻(xiàn)[10]中采用某個(gè)時(shí)間點(diǎn)或一段時(shí)間內(nèi)的平均值的簡(jiǎn)化方法?？梢杂行Ы鉀Q云服務(wù)推薦算法的局部最大化(某個(gè)時(shí)間點(diǎn))或QoS性能隨時(shí)間變化的信息丟失問(wèn)題(平均QoS信息)。所提云服務(wù)推薦算法步驟：

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

Step2 判別準(zhǔn)則選取 用戶(hù)對(duì)所提供云服務(wù)的QoS判別準(zhǔn)則Cj(j=1,2,…,n)的重要性認(rèn)識(shí)是不一樣的，每個(gè)用戶(hù)在進(jìn)行云服務(wù)選擇時(shí)都具有特定的偏好。這里提出一種基于熵的QoS判別準(zhǔn)則自適應(yīng)選取方式，簡(jiǎn)化QoS判別準(zhǔn)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(zhǔn)則等級(jí)排序 所有可用云服務(wù)在每個(gè)時(shí)間段內(nèi)的QoS性能表現(xiàn)可構(gòu)成決策矩陣，采用準(zhǔn)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(shí)間段的互不交叉性，模糊TOPSIS云服務(wù)等級(jí)排序算法可以在各個(gè)時(shí)間段內(nèi)并行執(zhí)行，選取每個(gè)時(shí)間段內(nèi)的最好性能表現(xiàn)的云服務(wù)，具體步驟參見(jiàn)2.2節(jié)Step3-Step7。

Step4 時(shí)變權(quán)重二次量化 按時(shí)間段賦予時(shí)變權(quán)重，該權(quán)重根據(jù)時(shí)間段距離當(dāng)前時(shí)間點(diǎn)的遠(yuǎn)近，由近及遠(yuǎn)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(guò)去的QoS信息重要。使用該時(shí)變權(quán)重對(duì)Step3中所得到的各時(shí)間段內(nèi)的最好云服務(wù)進(jìn)行融合，選取最終的云服務(wù)，具體步驟參見(jiàn)2.3節(jié)。

4 仿真結(jié)果與分析

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

實(shí)驗(yàn)1 人造數(shù)據(jù)集測(cè)試 實(shí)驗(yàn)數(shù)據(jù)來(lái)自Web Service Challenge客戶(hù)端所提供的人造仿真數(shù)據(jù)[10]。為了驗(yàn)證算法的有效性，仿真采用三種不同的模型算法進(jìn)行對(duì)比，分別是：文獻(xiàn)[10]方法QoS-WSD;基于TOPSIS的時(shí)變權(quán)重判別準(zhǔn)則算法(TTQ);模糊TOPSIS時(shí)變權(quán)重二次量化算法(FTTWSQ)。當(dāng)服務(wù)數(shù)為不同的取值：50、100、200和300時(shí)，抽象服務(wù)類(lèi)別為3類(lèi)，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(duì)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(duì)云服務(wù)進(jìn)行選擇，但是FTTWSQ算法的選擇成功率相對(duì)最高，接近100%，說(shuō)明FTTWSQ算法的性能極佳，TTQ算法性能次之，QoS-WSD性能相對(duì)較差。

邏輯衰減時(shí)變權(quán)重方法共有4個(gè)參數(shù)，分別是：A=1代表時(shí)變權(quán)重的最大值，K=0.4代表時(shí)變權(quán)重的最小值，B=0.5代表時(shí)變權(quán)重的變化速率。假設(shè)這三個(gè)參數(shù)固定，下面將以第四個(gè)參數(shù)M為例通過(guò)仿真實(shí)驗(yàn)來(lái)觀察參數(shù)M對(duì)算法的影響。

圖4給出的是參數(shù)M取值對(duì)推薦算法的影響，(a)是M取值對(duì)時(shí)變權(quán)重取值的影響，(b)是M取值對(duì)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(guò)去時(shí)刻的權(quán)重小基本相等，而現(xiàn)在時(shí)刻的權(quán)重大但是變化空間有限，是對(duì)過(guò)去時(shí)刻QoS決策準(zhǔn)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(zhǔn)則的權(quán)重大基本相等為1，過(guò)分強(qiáng)調(diào)的是近期QoS準(zhǔn)則對(duì)判別的影響。(b)顯示的是M取值三種情況對(duì)算法推薦成功率的影響，通過(guò)仿真發(fā)現(xiàn)M取值為服務(wù)總數(shù)的三分之一時(shí)，算法的性能相對(duì)較優(yōu)。

圖4 參數(shù)M取值對(duì)算法影響

實(shí)驗(yàn)2 自然數(shù)據(jù)集測(cè)試 為了驗(yàn)證所提算法實(shí)際應(yīng)用的可靠性，使用亞馬遜平臺(tái)下5個(gè)云服務(wù)在短期負(fù)荷試驗(yàn)下的CPU、內(nèi)存和I/O性能響應(yīng)時(shí)間監(jiān)測(cè)數(shù)據(jù)(來(lái)源：( http://www.cloudclimate.com))。為體現(xiàn)時(shí)變權(quán)重二次量化算法的有效性，在上述三個(gè)標(biāo)準(zhǔn)之外增加價(jià)格變化情況作為第四個(gè)標(biāo)準(zhǔn)。數(shù)據(jù)詳細(xì)信息見(jiàn)表1所示。

表1 亞馬遜云服務(wù)平均響應(yīng)時(shí)間

仿真采用三種不同的模型算法進(jìn)行對(duì)比，分別是：

M1： TOPSIS平均QoS無(wú)時(shí)變權(quán)重判別準(zhǔn)則算法(TMQ)；

M2：TOPSIS時(shí)變權(quán)重判別準(zhǔn)則算法(TTQ)；

M3：模糊TOPSIS時(shí)變權(quán)重二次量化算法(FTTWSQ)。

表2給出了三種算法當(dāng)前時(shí)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(shí)間方面S2(EC2EU)服務(wù)最優(yōu)，S5算法時(shí)間響應(yīng)次之。所以邏輯上基于TOPSIS平均QoS無(wú)價(jià)格因素權(quán)重判別準(zhǔn)則算法的云服務(wù)推薦應(yīng)該是S2，仿真結(jié)果也驗(yàn)證了上述推斷。但是服務(wù)S2的平均價(jià)格要明顯高于S5，在實(shí)際的云服務(wù)選擇使用中在響應(yīng)時(shí)間差別不大情況下，服務(wù)價(jià)格是使用者在控制預(yù)算成本中重點(diǎn)考慮的因素。因此結(jié)合價(jià)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(xiàng)，但是具體到運(yùn)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(biāo)性更強(qiáng)。為了驗(yàn)證上述分析，對(duì)比M2和M3算法在300個(gè)時(shí)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(duì)比結(jié)果

圖5 不同時(shí)間點(diǎn)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(gè)時(shí)間點(diǎn)的云服務(wù)選擇結(jié)果，在這兩個(gè)模型算法中云服務(wù)S5都具有最高的決策等級(jí)，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(cuò)誤率要明顯高于M3算法，說(shuō)明本文所采用的模糊TOPSIS時(shí)變權(quán)重二次量化算法在算法的準(zhǔn)確度上得到明細(xì)提升，算法的魯棒性更強(qiáng)。主要原因是M3模型采用模糊處理方式將決策準(zhǔn)則分為功能相關(guān)(F)和價(jià)格相關(guān)(C)兩部分，并采用三角模糊函數(shù)進(jìn)行處理，可有效地綜合云服務(wù)推薦的功能和價(jià)格兩部分因素。云服務(wù)S5作為具有最高的決策等級(jí)，其在功能和價(jià)格兩部分因素綜合評(píng)比中占優(yōu)，而在這300個(gè)時(shí)刻中，其時(shí)間因素并非最優(yōu)。M2算法簡(jiǎn)單的對(duì)功能和價(jià)格兩部分因素加權(quán)融合算法，會(huì)受到加權(quán)系數(shù)的影響，導(dǎo)致決策結(jié)果會(huì)根據(jù)加權(quán)系數(shù)選取和決策區(qū)間的隨機(jī)性，而影響到M2算法偏向時(shí)間或者偏向于價(jià)格因素。所以M2算法的魯棒性相對(duì)較差，而圖5仿真結(jié)果也進(jìn)一步驗(yàn)證了采用模糊處理方式在該云服務(wù)推薦模型中的強(qiáng)魯棒性。

5 結(jié) 語(yǔ)

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

集上的實(shí)驗(yàn)表明，該算法能夠有效地對(duì)云服務(wù)進(jìn)行推薦，在成功率和魯棒性方面均要優(yōu)于對(duì)比算法。本文同時(shí)還對(duì)算法相關(guān)參數(shù)的選取進(jìn)行了仿真實(shí)驗(yàn)，給出了相對(duì)合理的參數(shù)選取方案。算法在實(shí)驗(yàn)室條件下取得了理想的仿真結(jié)果，下一步將重點(diǎn)考慮實(shí)現(xiàn)算法的實(shí)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(bào),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(shí)間的網(wǎng)絡(luò)地圖云服務(wù)調(diào)度算法[J].計(jì)算機(jī)測(cè)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(jì)算機(jī)學(xué)報(bào),2006,29(7):1167-1178.

[11] 李永紅,周娜.虛擬主機(jī)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(guó)家自然科學(xué)基金項(xiàng)目(61170263)；山東省地震局青年基金項(xiàng)目(JJ1405Y)。李永紅，工程師，主研領(lǐng)域：服務(wù)器存儲(chǔ)和虛擬化技術(shù)。周娜，工程師。趙國(guó)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