《支持跨组织协作服务的组合研究.docx》由会员分享，可在线阅读，更多相关《支持跨组织协作服务的组合研究.docx（28页珍藏版）》请在三一办公上搜索。
1、目录第1章绪论11.1研究背景11.2研究意义11.3研究内容和组织结构2第2章服务组合及其支撑技术研究综述42.1.1服务组合定义42.1.2组合服务研究问题框架52.4.1基于QoS的服务选择6第3章多网络域环境下组合服务的QoS模型优化83.1问题分析83.2相关工作93.3问题建模11第4章基于遗传算法的QoS策略构建154.1遗传算法简介154.2混合启发式遗传修补算子遗传算法154.3算法执行过程20第5章实验仿真与结果分析215.1优化效果测试225.2算法收敛性测试23第6章结束语24第1章绪论1.1研究背景当今竞争激烈的商业社会，要求企业对瞬息万变的市场需求做出迅速的响应，企
2、业需要不断地调整自身业务，拓展业务范围，传统的开发一交付升级的软件开发模式己显得日渐落后，如何实现企业应用系统“随需应变”成为了当今软件产业的焦点问题。同时，随着企业间的兼并，收购以及企业全球化发展，各分支机构的应用系统需要安全、有效地整合，以提高效率，降低成本。这些需求使得企业对于提高应用系统的构建效率，加强企业内部及企业之间业务合作、信息共享以及系统集成的需求也越发迫切。无论是从技术发展还是企业的实际需求上来说，对软件的开发模式、交付方式和软件形态都提出了新的要求，软件应用环境从封闭、静态向开放、动态转变;信息共享和应用集成需求从单一系统向异构平台扩展，从单一企业整合内部向跨多个企业的业务
3、合作延伸，需要一种新的计算泛型来指导软件产业的发展。1.2研究意义Web服务，或者说面向服务的应用，最吸引人的地方在于服务可以组件化地在不同系统中复用，不同的服务可以被组合起来完成原有服务所不能实现的功能，以达到增值的目的。基于组合的Web服务技术能够包容电子商务，企业应用集成，传统的中间件以及Web技术。它为企业提供许多好处：l)将遗留系统的功能转换为可复用的、自包含、自描述的服务的标准方法。这些转换而来的服务能够以一种标准的、可管理的方式与其他服务进行交互。2) 方便灵活地进行应用集成的标准方式。通过这种方式，可将实现应用功能的己测试过的、可信的、可互操作的模块快速装配成新的应用。3) 开
4、发、装配纯粹的互联网应用的标准方法。这些应用既可以应用于企业内部，也可以用于跨企业协作。该方法可将内部或外部创建的服务作为构件，并将这些构件装配到应用中。1.3研究内容和组织结构基于Web服务的应用并不是一件简单的工作，要使其正确、安全而又高效地为企业服务，则需要一整套Web服务组合及其相关技术作为支撑。根据组合服务的生命周期，服务组合的研究框架所覆盖的问题划分为两大类：服务组合构建问题和服务组合运行支撑问题。前者主要包含了组合服务计划生成，服务发现和选择、以及服务组合等问题;后者则包含了组合服务的执行和协同、性能监控和保障、服务组合的安全和事务管理以及容错等问题。当前，针对服务构建问题，已经
5、有了相当多的理论成果和实际工业平台。然而在实际应用中，要真正完全享受基于服务组合的业务协作所带来的好处，在组合服务运行支撑阶段，尚有相当多的问题未得到解决，这也是制约SOA与Web服务进一步普及和发展的重要原因。本文主要关注的组合服务支撑问题为组合服务性能优化软件应用的性能是企业最为关注的一个话题。与传统软件基于单机的进程间通信或者基于高速企业总线的远程过程调用相比，Web服务基于SOAP消息的机器到机器通信所带来的额外开销，使得基于服务的软件应用的性能成为一个广受垢病的问题。在基于公共网络的跨企业组合服务中，组件服务之间的数据及控制依赖，会在运行时产生大量的跨域消息传输。由于各网络域间地理位
6、置、网络位置的分布以及安全策略的部署，为跨域服务组合造成额外的执行成本，从而对组合服务性能带来难以忽视的影响。本文的研究工作以Internet环境下跨企业的业务协作和集成为背景，针对目前组合服务部分支撑技术所存在不足，围绕着组合服务流程兼容性验证，服务访问控制、以及性能优化等几个方面展开研究。第二章对本文的研究基础进行了综述。首先简要介绍了组合服务的基本概念和研究方法以及当前国内外著名的组合服务研究项目和平台。随后详细地讨论了服务组合及其相关的支撑技术，对服务组合模型和方法、服务组合安全性、服务组合性能优化的相关工作进行了综述。第五章提出了组合服务分布式协调环境下，面向组合服务性能优化的服务部
7、署策略。本章以组合服务分布式执行为讨论基础，以服务执行成本作为组合服务性能优化指标，通过分析后指出网络传输成本优化是服务执行成本优化的一个有效途径。提出了服务间交互强度的概念，并试图通过对企业内服务部署区间的调整，来达到降低服务执行成本的目的。通过将服务可部署区域的作为限制条件，将问题转化为多约束条件的下的最优化问题。随后提出了一个基于遗传算法建模方法对这一优化问题进行求解，将基因中的每个染色体表示为部署区间可变的服务，而染色体的值则代表这一服务的部署位置。为了解决经过交叉和变异之后基因不符合约束条件，提出了一种混合启发式修补算子对基因进行修补。第六章总结了全文工作，并对未来的研究方向和内容进
8、行了展望。第2章服务组合及其支撑技术研究综述Web服务组合是一个庞大的系统工程，基于Web服务构建应用系统并不是一件简单的工作。尤其是对于跨越多个不同企业边界、基于公共网络的企业间业务协作来说，要使其正确、安全而又高效地为企业服务，则需要一整套Web服务组合及其相关技术作为支撑。2.1.1服务组合定义本文对服务组合的定义：服务组合是根据用户提出的需求(包含功能需求以及非功能需求)，在服务组合的支撑环境下，从现有的Web服务中，选择一系列符合需求的单个服务，并按规则构建为服务流程，通过流程执行过程中服务间的互相协作来最终满足用户的需求。通常将组合后的服务流程称为组合服务，而组合服务中所涉及的单个
9、服务称为组件服务。Web服务组合主要具备以下几个特点：递归性。组合服务是通过重用和组装现有的服务来生成更大粒度的服务，而生成的服务又可以作为基本服务被重用。动态性。服务组合是一个动态的/按需组装0的过程。随着需求的变化或者组件服务本身的变化，组合服务可以在运行时实现服务替换和重组。高效性。服务组合对Web服务的重用和组装，改变了原有的软件生产方式，极大地提高了软件的生产效率。2.1.2组合服务研究问题框架图2.1简要展示了组合服务的生命周期，本文将服务组合的研究框架所覆盖的问题划分为两大类：服务组合构建问题和服务组合运行支撑问题。前者主要包含了组合服务计划生成，服务发现和选择、以及服务组合等问
10、题;后者则包含了组合服务的执行和协同、性能监控和保障、服务组合的安全和事务管理以及容错等问题。2.4.1基于QoS的服务选择Qos是服务质量(Quality of Service)的缩写，它指的是服务所能提供的一种质量保证，保证服务能响应预期的请求，并能以符合期望的质量来完成相应的任务。QoS不是单一性能指标，而是一个多属性复合指标，综合文献55115硕57等的定义，web服务最主要的Qos属性有：响应时间，价格，可靠性，声望，等。这些指标对于保持服务的竞争力与业务可行性具有非常重要的影响，因此Qos已经成为了衡量服务性能与效用的重要标准。组合服务流程执行通常采用运行时绑定的策略，即在流程制定
11、时只为每个活动定义需完成的任务，而不指定具体由哪一个服务来实现，常常将活动称作抽象服务。在开放的网络环境下，每个抽象服务往往存在多个实际服务均可完成相同的任务。这些服务可以看作这一抽象服务的候选服务，它们从功能上看是可以互相替换的，但是往往具备不同的QoS属性。组合服务用户会从自身需求出发对组合服务提出一个总体的QoS期望，因此如何在执行时根据候选服务的QoS属性为抽象服务选取合适的组件服务成为了组合服务性能优化中的一个主要问题，近年来成为了Web服务研究领域所关注的焦点问题之一。在获得了组合服务的Qos计算方法之后，则可以用户提出的Qos期望和限制作为约束条件，基于约束满足方法为组合服务中的
12、每个活动选取最合适的候选服务。假设组合服务中具有n个抽象服务，每个抽象服务具有m个候选服务，则共有mn种组合方案可供选择，从其中选择最优解是一个NP难问题57，因此研究人员引入了各种方法来获得局部或全局优化解。第3章多网络域环境下组合服务的QoS模型优化3.1问题分析为了更好地对问题进行描述，首先提出一个概念，称为组合服务执行成本(Execution Cost，ExCost)。组合服务的执行成本由组合服务中的组件服务执行成本与服务间的数据传输成本共同构成，其中a和p代表两者分别所占据的权重。显然，执行成本越高则代表组合服务的性能越差。对于组合服务来说，组件服务的执行成本是不可避免的，为了简化问
13、题，此处将忽略执行成本，只考虑数据传输成本，从而有。而数据传输成本则是由服务间的数据传输量和数据传输的网络成本构成。由于在组合服务分布式执行中，数据是在组件服务之间直接传输的，因此公式(5一l)可以改写成：其中，有序对(si，sj)表示组合服务中组件服务sj到组件服务sj的数据传输，而(Dsi，Dsj)则表示51所在的网络域和sj所在的网络域之间的数据传输成本。仍以图5.2(b)中的组合服务为例，假设组合引擎，服务l，2，3所在的网络域分别为DO，DI，D：和D3，根据公式5一2，其执行成本可以展开为：网络域之间的网络传输成本受到许多因素的影响，不同网络域间的网络状况，例如链接速度、带宽、通讯
14、费用、地理距离等常常是各不相同的。通常来说，通过公共网络进行数据传输，显然要比在同一子网内传输成本要高;而从纽约到北京数据传输成本要比从纽约到波士顿的成本要高。在服务间的数据传输无法避免的情况下，优化网络传输成本，成为了执行成本优化的一种主要方式。3.2相关工作当前面向组合服务性能优化的方法里，较少考虑了网络传输成本。正如在2.4.1小节中所综述的，在大多数基于QoS组合服务优化研究中，对组合服务的响应时间属性，只是笼统地以服务本身的响应时间进行聚合，如表2.1所示。而在面向服务覆盖网的执行路径选择中，则简单地以最小跳数为优化目标，并未考虑到节点之间的网络属性。本文作者所在的研究小组在对Int
15、ernet环境下跨多域组合服务的Qos模型进行研究时，考虑了组合服务引擎所处的位置对组合服务性能的影响。文章以经典的基于QoS的服务选择问题为背景，服务组合集中式执行，每个组件服务存在多个候选服务，位于不同的网络域中。与其他研究有所不同的是，文章假设存在多个组合服务引擎可供选择，在动态运行时，从服务分布和组合服务引擎位置两个方向同时考虑，选择位置相近的服务引擎和组件服务，充分利用引擎与组件服务在同一网络域内传输成本较低这一特性，提高组合服务的总体QoS。Kang等人则从组合服务分布式执行出发，由于分布式执行环境下，组合服务间数据传输是直接进行的，因此文章提出一种服务间数据依赖分析方法，对组合服
16、务中组件服务之间的数据依赖进行建模。在服务选择时，尽量从同一个网络域内选择那些相互之间数据依赖较强的服务，从而降低组合服务的跨域数据传输。与以上这些面向Internet环境下即时求解型组合服务.5有所不同，面向企业协作的流程驱动型组合服务主要具备如下几个特点：(l)服务组合的结构比较稳定，一旦业务协作的流程被确定下来，这些流程会比较稳定地运行较长的时间。(2)每个组件服务只有少数几个甚至只有固定一个实例。对于这一类组合服务，显然其性能优化方法应当有所不同。针对这一环境，Chaflel20提出跨域组合服务数据最优化路由的方法，文章通过分析组合服务的结构，枚举了其所有可行的数据流拓扑线路，并选择性
17、能最优的线路来执行组合服务。在运行时，系统动态监控所有网络域之间的网络带宽状况，并评估其在组合服务各种不同的拓扑结构下对性能的影响。一旦当前的拓扑结构无法满足SLA时，接下来的服务请求将会被切换到新的拓扑结构，同时不会影响己经在执行的流程。然而，当前较少有工作通过服务的部署策略来进行性能优化。研究了基于Internet的企业内部应用中，面向组合的服务初始化部署问题，文章假设一个服务可以有多个实例部署于内网的不同节点中，从负载均衡，网络流量以及副本部署规模等多个方面对服务部署进行约束，并提出了一个近似最优的服务部署算法。3.3问题建模对于管理着多个网络域的大型企业来说，其组件服务被不属于不同的网
18、络中，本文试图从服务部署方面着手，将依赖关系较强的服务部署到同一个网络域中，以此来优化网络传输成本。图5.3简要刻画了这样一个跨多网络域服务组合基础框架。在基于云的基础设施和虚拟化技术的支撑下，运行在云平台上的服务在不同数据中心之间迁移并不存在技术上的困难。显然，一种最为直接的方式显然是将所有的组件服务都部署进同一个网络域中，但是在实际环境中，服务部署区域存在诸多限制，其中主要的有.安全性限制：这一限制在对数据安全较高的领域，如军事、金融等领域比较常见。不同的服务所涉及的业务和数据的安全性是不同的，高机密性的服务需要被部署在安全性更高的网络域或子网中。.业务和地域限制：-不同的服务根据所涉及的
19、业务类型会被要求部署在不同的区域内，例如大型跨国企业中，处理欧洲业务的服务显然不应该被部署在位于亚洲的网络域中。同时，商业伙伴所提供的服务是总是在企业外部的。企业内部服务中那些与外部服务有较强数据交互的服务，应当被部署到与其间数据交互成本较低的域内。.资源限制：每个服务均代表一类资源的请求。例如CPU，内存，其他软件和硬件设备。在服务运行时，一些资源会被占用，而一个单域内的资源总是有限的。将所有服务部署在同一个域内会面对严重的性能问题。因此，基于服务部署的网络传输成本优化问题最终转化为一个多限制条件下的最优化问题。为了对问题进行表达，首先对相关概念进行定义。定义：网络域(NetworkDoma
20、ins，ND)为网络域的集合，m为网络域的个数。是内部网络域的集合，所谓内部网络域是由企业自身所控制的网络域，对于大型跨国企业来说，它的网络域地理上可能位于世界上多个不同的地方。相应地是不由企业控制的网络域，例如业务伙伴提供的服务所在的网络域。这里的内部和外部既是地理概念，又是逻辑概念。企业和业务伙伴完全可能在使用一个数据中心，但是逻辑上两者仍然是位于不同的安全子网内。以属性C表示网络域的资源容量。定义：组件服务(eomPonentservice)为企业内的组件服务，N是组件服务的总数量。定义属性为组件服务的类型，。从企业本身的角度来讲，服务被分为两种类型：内部服务和外部服务。内部服务由企业本
21、身所完全控制，其中包括服务的升级，更新，维护以及部署等。而外部服务则由业务伙伴所提供，仅能通过标准的操作方式来查询和调用。以Ds(s)来表示服务S可部署的网络区间，根据前述的分析，企业内部服务在多个限制条件下，可以部署在一个或多个内部网络域中。而由合作伙伴提供的外部服务则只能固定在某个外部网络域中。定义：服务资源需求属性时为服务51的资源需求。服务资源请求是由服务在运行时所需占用资源来表示。事实上这个指标是由多种环境资源的抽象而成，例如CPU占用，内存占用，等等。假设有k个组件服务部署于域Di中，则其所有的资源消耗不能超过域的总容量，即：定义：网络传输成本(Network Cost)本文将网络
22、域之间的传输成本抽象为一个单一的参数，称为网络成本。由矩阵。其中代表域Di和Dj之间的网络成本。假设同一个网络域中网络成本可以被忽略不计，则有些壑龙厅，。定义：组合服务一个组合服务S由一组组件服务构成，他们聚合在一起实现跨企业的业务流程。为企业内所有的组合服务，t为组合服务的总数量。每个组件服务都可以被多个组合服务中所共享。pi是组合服务S;在企业中重要程度的衡量指标，这一指标可以由管理员人工指定，也可以由组合服务的历史运行情况所决定。通过这一指标即可表示出5.2.1小节中提出的服务优先级问题。定义：服务间依赖强度(Interaction Dependency)定义矩阵为组合服务Sk中的服务间
23、依赖矩阵。为服务si和服务sj的之间依赖强度，如果si和sj不存在交互关系，则idij=o，显然idii=0根据以上的定义，一个企业内所有服务执行成本ExCost可以通过以下公式计算得到定义：服务部署方案定义n维向量是服务部署方案，其中代表服务si部署在网络域中至此，服务部署优化的目标可以表达为，在公式(5一3)和(5一4)的限制下，调整服务部署位置DeP，从而最小化组合服务执行成本ExCost。针对这一部署目标，本文提出了一个基于遗传算法的最优部署策略构建方法，第4章基于遗传算法的QoS策略构建4.1遗传算法简介遗传算法12z(genetic，algorithm，GA)是一种用来寻找精确最优
24、或者近似最优解的搜索技术。它模拟生物界的进化规律，用编码染色体表示物种中的个体，通过非确定性遗传算子(比如交叉和变异)对一组候选的解的群体进行计算，再选择优良的个体继续生成下一代不断迭代直到己经超出定义的执行最大代数或者有满足要求的个体为止。4.2混合启发式遗传修补算子遗传算法遗传算法主要有基因编码，适度函数定义，初始化种群，基因交叉与变异等关键步骤，本节将对这些步骤进行逐一介绍。1.1.1.1基因编码本算法采用基于整数数组的基因组编码方式，数组中的第n个元素的值代表第n个共享的原子服务所部署的区域(domain)的索引，每个基因(数组中的每个元素)取值范围为2一m(共有m个区域可供每个服务部
25、署)。基因编码只关注那些部署区域可变的服务，而部署区域不可变服务则无需编码。则由于每个服务可部署的区域是不同的，因此其m值也是各不相同的。图5.4展示这一编码方式，每个基因组就代表了一种服务的部署结果。1.1.1.2适应度函数适应度函数用于衡量每一代群体中每个个体的质量，也反映了所要优化的目标函数，而最优化部署的目标函数己经在ExCost中给出。由于适应度往往为正数且适应度越大代表个体质量越好，因此将优化目标改为刀一Excost来作为本算法的适应度函数，其中月足够大以保证结果是正数。1.1.1.3遗传算子当遗传算法中的一个原始种群(组件服务的初始部署)产生后，采用基于轮盘赌的个体选择策略在每一
26、代中选择个体来参与交叉和变异。在这一策略中，个体按照适应度函数来排序，适应度大的个体被选择的概率也大。算法中采用单点交叉和单点变异的方式实现交叉算子和变异算子，作用于选择算子选择出的个体。对于交叉操作，一对个体会基于单点交叉方法产生两个后代。而变异操作则通过随机选择染色体中的基因并用另外一个满足限制条件的基因进行替换。此外，优异性保持策略使得上一代的中的最优染色体可以得到保留。在本文的算法中，每一代中的最佳的两个个体直接进入下一代。1.1.1.4混合启发式修补算子然而，交叉和变异后的个体所对应的服务部署方案往往会违背约束条件而变得无效。因此，本算法采用一个混合启发式修补算子来确保个体的有效性。
27、该算子可以快速地将无效个体做修补同时保证每一代中个体的多样性。这一混合的启发式修补算子是一个启发式修补过程和一个普通的修补过程的混合，在每次修补前，首先按照概率，随机选择启发式修复过程(HRP)和正常修复过程(NRP)，称为启发因子。对于某个无效个体(服务部署结果矩阵Dep)的修补过程的算法如表5.1所示。启发式的修补过程类似一个爬山优化过程，修补算法中的每次迭代都向着最大化提高适应值的方向来推进，因此，该修补过程有利于快速提高个体进化速率。此外，普通的修补过程有利于减少每次修补的时间和保持群体中个体的多样性。因此，结合了启发式修补过程和普通修补过程的混合启发式修补算子综合了两者的优势，从而提
28、高算法性能。1.1.1.5群体多样性保持策略为了保证遗传算法的全局适应值快速收敛同时避免局部最优，在每一代需要有相应的保持群体多样性的相关策略。本章设计了基于信息墒l241的个体选择策略来维持每个群体中个体的多样性，该方法具体定义和实现如下：联合信息嫡被定义为：，其中M代表每代群体中的基因组数目，代表其中第j个基因组的信息嫡。，其中Pij代表第i个基因符号出现在第j个基因位上的概率。群体相似度表示，当群体相似度大于某个阂值时，群体需要做自我更新，更新的步骤如下：(l)如果群体相似度大于某个闭值A，则生成P个新的基因组个体，否则群体更新完毕;(2)从上一代群体中的(M+P)个个体中选择M个各不相
29、同的适应值最高的个体，和步骤一中新生成的P个个体组成新的群体;(s)如果在步骤(2)中发现上一代群体中只存在N(NM)个互不相同的个体，则首先新生成M一个个体来替换群体(M+P)个个体中适应值最低的个体，然后再执行步骤(2)，否则执行步骤(l)。4.3算法执行过程至此，本章提出的基于MHR一GA算法构建最优部署策略的过程可以总结如下：步骤1：随机生成M，个初始种群，种群中每个个体代表一种部署方案，确保每个可部署服务都被指定到一个可部署网络域中。步骤2：由于种群中的个体是随机生成的，并未考虑到它是否满足约束。因此先对初始种群应用启发式修补算子，使初始种群中的所有个体均可满足限制条件。步骤3：从初
30、始种群中基于轮盘赌策略选择M个个体作为第一代种群。步骤4：对于当前种群基于遗传算子对种群实施交叉和变异操作。对交叉和变异后的种群个体实施启发式修补。并对当前种群实施适应度保持算子。步骤5：评估当前种群中的每个个体的适应度。步骤6：如果己到达算法的结束条件(例如遗传代数、每代之间结果变化小于阂值等)，返回当前具有最大适应度的个体，其基因编码即为最终部署策略。步骤7：从当前种群中选择M个个体作为下一代种群，重新执行步骤4。第5章实验仿真与结果分析本节的仿真实验，试图通过随机数据来模拟真实环境下的场景，从而对算法进行考察，其目的是为了验证本章中多网络域环境下基于遗传算法的组件服务部署优化策略的效果，
31、同时也验证算法本身的性能。所有实验结果均在一台工作站上采集。工作站的配置Intel core2 Duo2.33GHz处理器，ZG内存。软件环境是WindowsXP，开发运行环境是JDKI.6_17。本章设计了一个模拟数据生成器来产生测试用例。程序主要有4个输入参数：总的组件服务数目(TS)，总的网络域数量(TD)，可部署网络域数量(D)。对于其他参数，生成器会以合理的随机分布来自动产生：.服务交互矩阵由给定上下限的高斯分布产生，保证有50%一70%的服务之间存在关联关系。.每个服务的资源请求以及每个域的容量同样由合理的随机算法在给定的上下限中产生。5.1优化效果测试算法优化效果测试以多个不同数
32、据集来模拟不同的场景，通过对比优化前和优化后的网络费用之间的差值，来验证算法的优化效果。共设计5组不同的输入参数，作为5种不同的场景，如表5.2所示。在这一系列的实验中，启发因子林设定为30%，表示有30%的修复会采取启发式，而70%的修复是普通修复。实验的终止条件是连续1000代遗传具有相同的适度值。算法产生100组随机的部署策略作为初始染色体编码。其中初始部署中的最佳策略(Ic)将用来和算法运行的最终结果做比较(oc)。优化率由(Ic一OC)/Ic表示。算法总运行时间在最后一列中列出。表5.2的数据显示了算法在各种不同的场景下均具有非常好的优化效果，尤其在场景2下，降低总网络成本比例超过了
33、30%。这是由于在服务个数较少的情况下，服务部署可以集中在少数几个域中，从而极大地降低了跨域的网络消耗。虽然场景1的服务个数更小，但是优化效果较场景2比较不明显，这是由于我们的初始化部署是随机生成的，并经过了修补算子进行修补，因而其初始结果即比较接近最优结果。随着服务数量的增加以及网络域数量的增加，优化效果逐渐降低，这种结果是可以理解的，因为组件服务的可部署区间是由多种因素所决定的，服务数量越多，则受限制的服务也越多，因此无法完全将服务藕合在少数的几个网络域中。然而与随机生成的初始化部署相比，其优化效果仍然比较明显。最后一列显示了在服务规模较小时，算法的运行时间是秒级，随着组件服务数量及网络域
34、数量的增加而增加。由于这是一个静态的初始化部署优化算法，它并不影响动态环境下组合服务的性能，因而这一算法运行时间是可接受的。5.2算法收敛性测试这一实验主要评估不同的启发因子对算法收敛速度的影响。采用上一节中场景2作为基准，同时将启发因子分别调整为O%(无启发)，即普通的修补算法，100%(完全启发)。图5.5中的横轴表示遗传算法的过程中的子代，纵轴表示总体的网络费用。该实验比较了3种启发因子下前3000代的收敛速度。由图中可以看出，较高的启发因子可以获得较快的收敛速度。同时，启发式修补与非启发是修补相比，可以获得较优的最终结果，证明了本章提出的基于启发式修补的遗传算法的有效性。然而，由于启发
35、修复的算法复杂度较高，因此其算法运行时间也比普通修复要长。3种启发因子下的运行时间分别是10453ms(0%)，14890ms(30%)以及19750ms(1000%)。图中显示两种不同的启发因子下，虽然收敛速度上存在差异，但是最终结果差距比较小，因此，权衡算法运行时间与所获得的优化结果，中等的启发因子是较好的选择。第6章结束语随着计算机技术以及网络技术的不断发展，Internet己经成为了企业之间协作以及企业向用户提供服务的基础平台。面向服务的计算与面向服务的软件架构应运而生，它有助于企业快速应对业务需求变化，无缝、高效地对不同的系统进行衔接，实现跨企业的业务协作与集成。基于服务组合的软件系
36、统的远景目标是根据需求实现完全自动化的服务组装与运行，真正实现软件的随需应变在基于服务组合的跨多企业业务协作中，组件服务之间的跨域数据依赖关系对组合服务的性能有较大的影响。本文以组合服务分布式执行为讨论基础，以服务执行成本作为组合服务性能优化指标，通过分析后指出网络传输成本优化是服务执行成本优化的一个有效途径。为了对网络传输成本进行建模，提出了服务间交互强度的概念，这一指标由组合服务中服务间的数据依赖强度以及组合服务本身在企业中的重要性来表示。随后，本文试图通过对企业内服务部署区间的调整，将数据依赖强度较高的服务部署到同一个区间内，从而降低网络传输成本。然而，对一个具有多个网络域的企业来说，组
37、件服务的可部署区间受到多种因素的限制。因此，这一问题转化为多约束条件的下的最优化问题。文章采用基于整数基因编码遗传算法对这一最优化问题进行求解，基因中的每个染色体带一个部署区间可变的服务，而染色体的值则代表这一服务的最终部署位置。为了解决经过交叉和变异之后基因不符合约束条件，提出了一种混合启发式修补算子对基因进行修补。仿真实验结果表明，这一方法具有较好的优化效果。需要注意的是，本章提出的优化方法实际上是一种静态初始化部署策略。随着企业中业务流程的变化，组件服务的更新、升级，业务伙伴的变更等等，组件服务的部署也需要根据这些变化进行动态调整和重部署。虽然目前基于云平台的基础设施可以较好地实现组件服
38、务部署区间的迁移，然而其仍然是一项成本较高的活动。因而，在对服务部署区间进行迁移时，有两个方面的因素应当着重考虑：1)何时启动服务迁移。一种较简单的策略是设置一个阂值，仅当目前执行成本劣化程度超过这个阂值时，才启动服务的重部署过程。2)如何减少重部署成本。为了使服务迁移对企业整体业务的影响最小，应当研究在实现优化目标的基础上，如何进行最小扰动的迁移，尽量减少服务重部署的数量。6.2未来工作展望进一步完善企业内服务部署策略。本文提出了一种针对业务流程型服务组合的初始化部署策略。然而，随着企业中业务流程的变化，组件服务的更新、升级，业务伙伴的变更等等，组件服务的初始部署无法满足新的需要。因此，下一步工作中主要研究服务的动态调整和迁移策略。在对服务进行迁移时，应当着重考虑如何减少重部署成本。为了使服务迁移对企业整体业务的影响最小，需要进一步研究在实现优化目标的基础上，如何进行最小扰动的迁移，减少服务重部署的频率和次数。实现面向企业的组合服务统一支撑平台。除了本文所研究的内容以外，组合服务的支撑技术还包括了执行监控、事务管理、容错及补偿等一系列关键性问题。在本文的研究以及其他研究人员的相关工作的基础上，对这些问题进行分析和研究，并实现一个面向企业间业务协作的组合服务统一支撑平台是本课题的长远目标。
