基于概率語言術(shù)語集的云服務(wù)選擇*

張 藝 田立勤，2 武文星

（1.華北科技學(xué)院計(jì)算機(jī)學(xué)院 北京 101601）（2.青海師范大學(xué)計(jì)算機(jī)學(xué)院 西寧 810000）

1 引言

云服務(wù)是云計(jì)算借助Internet或云計(jì)算平臺(tái)提供的資源和應(yīng)用，用戶能隨時(shí)訪問所需要的云服務(wù)。鑒于云計(jì)算具有虛擬化、開放性、透明性以及資源動(dòng)態(tài)變化等特點(diǎn)，用戶在評估與選擇云服務(wù)時(shí)，面臨QoS的多樣性和復(fù)雜性以及用戶個(gè)性化需求偏好等問題［1］，同時(shí)又面對云服務(wù)承諾的QoS 表現(xiàn)和實(shí)際表現(xiàn)存在差異等現(xiàn)象，引發(fā)了用戶對云服務(wù)的信任危機(jī)。因此，如何選擇滿足自身需求的云服務(wù)成為云服務(wù)消費(fèi)者面臨的挑戰(zhàn)。

基于QoS 屬性的云服務(wù)決策方法是現(xiàn)今云服務(wù)選擇的主要手段，該類方法通過確定QoS性能的評價(jià)指標(biāo)集來建立服務(wù)評價(jià)模型［2］，計(jì)算出候選服務(wù)的綜合性能，最后結(jié)合相關(guān)的排序方法選擇出最優(yōu)云服務(wù)。因此評價(jià)指標(biāo)的合理選取在云服務(wù)選擇過程中占據(jù)著重要地位。在評價(jià)指標(biāo)的選取方面，文獻(xiàn)［3］選取了經(jīng)濟(jì)價(jià)值、適應(yīng)能力、依賴性、可控性和安全性五個(gè)特征屬性，但卻忽略了可靠性和性能等方面的影響因素，文獻(xiàn)［4］選取了吞吐量、響應(yīng)時(shí)間、價(jià)格和可獲得性四個(gè)方面，但這不足以客觀地評判云服務(wù)?；诖藛栴}，本文依據(jù)SLA 協(xié)議［5］的相關(guān)概念，綜合選取了可靠性、可獲得性、安全性、性價(jià)比以及穩(wěn)定性五個(gè)特征屬性來評判云服務(wù)的優(yōu)劣，這就形成了多屬性決策（Multi-Attribute Decision Making，MADM）問題。MADM的核心思想是多個(gè)候選服務(wù)的比較以及多個(gè)評價(jià)標(biāo)準(zhǔn)的匯總和服務(wù)屬性的測量［2］。在決策過程中，用語言術(shù)語來評價(jià)定性變量是更貼近人類思維和表達(dá)方式的一種方法［6］。文獻(xiàn)［7］中作者提出了基于猶豫模糊語言集的TOPSIS 方法和VIKOR 方法兩種模型。但是猶豫模糊語言術(shù)語集往往默認(rèn)決策者提供的語言術(shù)語具有同等的重要性，而實(shí)際的決策過程中往往會(huì)更傾向于某個(gè)語言術(shù)語［8］。武小年［9］將區(qū)間數(shù)引入多屬性決策領(lǐng)域進(jìn)行云服務(wù)綜合評價(jià)和優(yōu)劣排序。但區(qū)間數(shù)只是描述了屬性值的大致范圍，降低了計(jì)算結(jié)果的準(zhǔn)確度。其次，將屬性權(quán)重與決策矩陣結(jié)合進(jìn)行云服務(wù)選擇是目前大多數(shù)學(xué)者采用的方法。李小林［10］利用層次分析法確定各用戶QoS 偏好權(quán)重，將決策信息統(tǒng)一轉(zhuǎn)換為直覺模糊集的形式進(jìn)行決策。但決策信息往往只包含了用戶的主觀想法，賦予了過多的主觀因素而影響決策結(jié)果。本文在猶豫模糊語言與區(qū)間數(shù)的基礎(chǔ)上進(jìn)行擴(kuò)展，考慮到云計(jì)算環(huán)境的動(dòng)態(tài)不確定性以及云服務(wù)性能的不穩(wěn)定性，用戶對云服務(wù)的評價(jià)尚有一定的猶豫性與不確定性，而PLTS 恰好在處理信息的不確定性方面具有一定的優(yōu)越性。因此選擇PLTS作為評價(jià)工具，它在不丟失任何原始語言信息的前提下通過增加概率信息擴(kuò)展了猶豫模糊語言術(shù)語集，能夠很好地表達(dá)決策者的偏好信息［8］。在決策矩陣上引入推薦權(quán)重形成綜合評估矩陣，將其與屬性權(quán)重結(jié)合形成加權(quán)綜合評估矩陣，通過比較每個(gè)待排序方案與正理想方案的接近度來決策出最優(yōu)目標(biāo)者，從而提高結(jié)果的準(zhǔn)確性。

2 概率語言術(shù)語集的相關(guān)概念

義為

3 基于PLTS的云服務(wù)選擇模型

3.1 搜索推薦用戶

圖1 云服務(wù)選擇模型流程圖

3.2 云服務(wù)推薦權(quán)重

我們將推薦權(quán)重分為兩部分獲得。第一部分為用戶與推薦用戶評價(jià)信息的相似性權(quán)重，第二部分為推薦用戶評價(jià)信息的可靠性權(quán)重。

3.2.1 相似性權(quán)重

搜索到的推薦用戶是與用戶偏好相似的用戶，借助推薦用戶的相關(guān)意見可以使決策結(jié)果更可靠。根據(jù)概率語言術(shù)語集間的距離測度公式［13］來計(jì)算用戶與推薦用戶之間的相似性權(quán)重。

3.3 確定屬性權(quán)重

屬性的權(quán)重可以用來表征用戶對于屬性的偏好程度。傳統(tǒng)的QoS 偏好計(jì)算方法都認(rèn)為QoS 選擇標(biāo)準(zhǔn)單一，且偏好都是定量的［14］。層次分析法是一種定性與定量相結(jié)合的多目標(biāo)決策方法［15］，它通過比較關(guān)聯(lián)QoS屬性來為決策預(yù)測提供定量依據(jù)，可以對用戶的模糊性的QoS 約束條件進(jìn)行量化處理［14］?；静襟E如下。

Step1 構(gòu)造判斷矩陣。用戶根據(jù)自身的需求和偏好對各個(gè)屬性的重要性進(jìn)行兩兩比較，比較量表見表1。

表1 判斷矩陣標(biāo)度及其含義

Step2 計(jì)算權(quán)重向量。根據(jù)RW=λmaxW，利用特征根法求出λmax與W其中，λmax為R的最大特征根，W為相應(yīng)的特征向量，將W進(jìn)行歸一化得到各屬性的權(quán)重。

表2 平均隨機(jī)一致性指標(biāo)RI標(biāo)準(zhǔn)值

3.4 確定加權(quán)綜合評估矩陣

3.5 TOPSIS排序

TOPSIS 是多屬性決策分析中一種常用的有效排序方法，它最早是由Hwang 等引入的并行算法。排序的詳細(xì)過程如下［17］。

若準(zhǔn)則是正的（積極的），則

4 案例分析

先由式（2）對各個(gè)矩陣進(jìn)行標(biāo)準(zhǔn)化處理，然后根據(jù)式（5）～（8）計(jì)算用戶與推薦用戶之間的相似性權(quán)重如下：

給出財(cái)務(wù)部、計(jì)劃部和生產(chǎn)部與云服務(wù)提供商的交互信息表，如表3 所示。將交互信息以(n,t)的形式表示，其中n代表交互次數(shù)，t代表當(dāng)前時(shí)間，tl代表最后一次交互的時(shí)間，N為交互時(shí)間的閾值。規(guī)定推薦用戶與云服務(wù)之間交互次數(shù)的閾值為N=5。

表3 交互信息表

根據(jù)式（9）～（10）我們得到推薦用戶評價(jià)信息的可靠性權(quán)重矩陣如下：

根據(jù)綜合評估矩陣，由式（14）確定正理想方案R+和負(fù)理想方案R-。

本案例中服務(wù)響應(yīng)時(shí)間為負(fù)向?qū)傩?，其余均為正向?qū)傩浴?/p>

最后由式（18）求出所有云服務(wù)提供商與PIS的接近度Ci，i=1,2,3。

C1=0.298；C2=0.164；C3=0.896。根據(jù)接近度越高，云服務(wù)提供商越優(yōu)的原理得到最終的排序?yàn)閍3＞a1＞a2。

5 對比分析

本小節(jié)選取評價(jià)語言和權(quán)重兩方面分別進(jìn)行對比來證明本文選擇算法的優(yōu)越性。首先在評價(jià)語言方面，文獻(xiàn)［7］提出了基于猶豫模糊語言術(shù)語集（Hesitant Fuzzy Linguistic Term Set，HFLTS）的MAGDM 模型用于多屬性決策。其次在權(quán)重方面文獻(xiàn)［10］中將屬性權(quán)重與評價(jià)決策矩陣結(jié)合進(jìn)行排序，而本文在評價(jià)決策矩陣上加入推薦權(quán)重獲得綜合評估矩陣，將屬性權(quán)重與綜合評估矩陣結(jié)合進(jìn)行決策。為了形成對比，兩種算法的評價(jià)信息以及權(quán)重信息都與本文模型中的保持一致。

猶豫模糊語言術(shù)語集是概率語言術(shù)語集中無概率分布的部分，例如，財(cái)務(wù)部的評價(jià)矩陣以HFLTS的形式表示如下：

采用文獻(xiàn)［7］中提出的猶豫模糊語言加權(quán)平均算子（HFLWA）算法將推薦用戶評價(jià)矩陣中的語言術(shù)

表4 評價(jià)信息聚合表

文獻(xiàn)［10］中利用層次分析法確定QoS 偏好權(quán)重，將屬性權(quán)重與評價(jià)決策矩陣結(jié)合成加權(quán)矩陣C引進(jìn)逼近理想解的排序方法幫助云服務(wù)用戶根據(jù)需求選取最好的云服務(wù)。

兩種方法最終都是通過計(jì)算備選方案與正理想解之間的接近度獲得云服務(wù)的最終排序。表5給出了本文方法與兩種對比方法各自的接近度大小。

表5 接近度大小表

由此得到的排序結(jié)果如表6所示。

表6 排序結(jié)果表

針對以上對比分析，三種方法的排序結(jié)果是相同的，證明了本文模型的有效性。對比文獻(xiàn)［7］與文獻(xiàn)［10］兩種方法，本文提出的模型的優(yōu)越性體現(xiàn)在以下幾方面。

1）從表5 中接近度大小可以看出，本文模型三個(gè)云服務(wù)商之間的接近度大小差異較明顯，尤其是最優(yōu)云服務(wù)商與次優(yōu)云服務(wù)商之間?？梢姳疚哪Ｐ偷膮^(qū)分度更明顯，執(zhí)行效率更高。

2）在評價(jià)決策矩陣的基礎(chǔ)上加入云服務(wù)推薦權(quán)重形成綜合評估矩陣，它避免了由于用戶主觀因素造成的結(jié)果的不準(zhǔn)確性，推薦權(quán)重的加入提高了決策結(jié)果的可信度。

3）概率語言術(shù)語集（PLTS）通過在每個(gè)語言項(xiàng)上增加概率可以清晰地觀察到推薦者評價(jià)意見的不同，從而反映不同云服務(wù)之間的差異性。猶豫模糊術(shù)語集（HFLTS）雖然可以和PLTS 一樣表達(dá)客戶評價(jià)時(shí)的猶豫性和不確定性，但HFLTS 中語言評價(jià)值的重要性程度是相同的，存在描述力度粗的問題［19］。而實(shí)際決策環(huán)境中不同語言術(shù)語的的重要性程度往往是不同的，與實(shí)際決策環(huán)境不符，從而降低了計(jì)算結(jié)果的真實(shí)性與準(zhǔn)確性。

6 結(jié)語

本文針對云環(huán)境下服務(wù)指標(biāo)評估不標(biāo)準(zhǔn)、指標(biāo)權(quán)重分配不合理等問題，提出了一種基于概率語言術(shù)語集的多屬性決策模型。PLTS 能夠很好地表達(dá)評價(jià)過程中決策者的猶豫性與不確定性。推薦權(quán)重的引入有效地避免了傳統(tǒng)AHP 方案太過主觀的缺點(diǎn)。從案例分析結(jié)果可以看到本文提出的方案能夠有效解決云服務(wù)選擇問題。但本文模型未考慮到用戶惡意評價(jià)，如何有效過濾惡意評價(jià)是今后進(jìn)一步研究的方向。