论文部分内容阅读
自适应软件体系结构可以采用服务计算作为计算执行使能技术,从而无缝的迁移到服务计算环境下。作为服务计算环境中的基本元素,Web服务可以封装资源,且具有自治性和独立性。服务计算可以支持灵活的、可互操作以及可演化的复杂分布式应用的开发,可以定制且能够动态优化资源配置。软件自适应系统通过设计决策机制以及动态配置架构来适应环境上下文的变化。该方法动态编排服务,为软件的自适应调整提供系统化的支持；将感知使能技术与服务计算中的QoS结合起来,从而构建服务计算下质量敏感的系统自适应方法。而服务计算下的QoS的获取有其特殊性(为减少实时调用服务获取QoS值的代价,通常用采样的办法获取部分QoS值),因此高效的QoS预测算法的研究就显得非常必要了。更进一步,当前客户端感知的QoS侧重于功能与性能,很少涉及到耗能方面。目前的研究仍旧存在不足,主要表现为：(1)在构建一个综合需求和架构的自适应系统方面,目前研究还不多,且没有考虑系统随时间演化规律对于自适应调整的影响；(2)QoS预测的精度还有提升空间；(3)目前缺少面向能耗的QoS感知建模方法的研究。为克服上述问题,本文围绕如何服务计算环境下质量敏感的系统自适应方法的问题进行了研究,主要工作和贡献包括：(1)对于部署在虚拟服务器集群上的多层云端应用系统而言,可以通过调整运行时架构以适应需求和上下文环境的变化,并保证其在动态负载下的性能。然而,由于缺乏通用的方法,如何从问题空间上的需求自适应地映射到解空间上的架构就成为了一个关键的问题。本文提出一个基于预测控制的自适应方法(SAPC),它采用综合需求和架构的模型来驱动系统的自适应。该方法学习基于小波变换的模型以准确预测服务组件的性能,并通过预测控制诱导需求进化或实现运行时架构的模型转换,以达到系统的自适应。为验证上述方法,本文以一个名为CloudCRM在线SaaS平台作为基准,进行了大规模的实验,实验结果验证了本文方法的有效性。(2)本文提出了一种基于数据分布不平衡的Web服务QoS预测方法。其利用用户调用服务的历史日志进行预测,从而避免了昂贵和耗时的web服务调用。现存的预测方法选取了top-k来进行相似邻居计算,其并没有考虑到数据分布的不平衡。论文改用采样重采样方法来进行相似邻居计算,从而提高了预测方法的精度。基于真实的Web服务的数据集(WSDream),论文进行了大规模的实验以验证该方法。结果表明,与其他方法相比,其获得了较好的预测精度。(3)本文提出了一种位基于位置感知的Web服务QoS预测方法。为避免大量的web服务调用,论文利用用户调用服务的日志来预测QoS值。论文首先获取客户端的空间位置信息并进行处理,然后基于收集到的QoS与空间位置信息,将空间位置作为约束加入到隐变量模型(LFM)中。与此同时,论文兼顾考虑了数据分布的不平衡性以获取更高的QoS预测精度。为验证该方法,论文基于真实的Web服务的数据集(WSDream)进行了大规模的实验。实验结果表明,与其他方法相比论文的方法获得了较高的预测精度。(4)当前面向能耗的QOS感知建模方法的研究还不多(当前的QOS主要关注的是功能与性能)。本文提出了一个能耗指标的QOS描述模型,并建立了应用资源消耗与请求率之间的函数。更进一步,本文提出一种能耗感知的基于请求率预测的能耗自适应方法。其通过小波变换来预测请求率,然后将请求率与系统资源状态输入自适应系统中,由系统决策把任务分配到固定的服务执行单元上。实验通过不同策略间的比较,验证了该方法的有效性。