23981

توسعه مدلي براي بهبود تركيب وب خدمت در فضاي چندابري

دكتري

مهندسي فناوري اطلاعات (IT)- تجارت الكترونيكي

1393

1399/11/07

محمد فتحيان

احمد اكبري، سعيد يعقوبي

دانشكده مهندسي صنايع

با گسترش فناوري رايانش ابري و از طرف ديگر رشد اينترنت اشيا،معماري مبتني بر وب‌خدمت در طراحي نرم‌افزارهاي رايانه‌اي به‌شدت مورد توجه قرار گرفته است. بدين ترتيب گسترده شدن دامنه كاربرد‌ها و افزايش موارد استفاده منجر به ارائه وب‌خدمت‌هاي متنوع با عملكرد يكسان اما ويژگي‌هاي كيفيت خدمت متفاوت به بازار شده است. هرچند، وب‌خدمت‌هايي كه در بستر يك ارائه‌دهنده خدمات رايانش ابري نگهداري مي‌شوند معمولاً چه از نظر عملكرد و چه از نظر كيفيت متفاوت هستند؛ در نتيجه براي انجام يك جريان كاري نياز به يافتن يك طرح تركيب خدمت از ميان خدمات ارائه‌شده فراهم كنندگان مختلف است. براي يافتن يك طرح تركيب خدمت بهينه، نه تنها بايد محدوديت‌هاي مربوط به نيازمندي‌هاي كيفيت خدمت كاربر رعايت شود بلكه بايد هزينه اين طرح تركيبي كمينه شود. بسياري از پژوهش هاي پيشين، مسئله تركيب خدمت را با فرض قطعي و ثابت بودن مقادير كيفيت خدمت تبليغي ارائه داده‌اند. هرچند، در عمل، عواملي مانند تغييرات به‌هم‌بندي شبكه و پويايي شرايط داخلي كارگزار، باعث ايجاد عدم قطعيت در مقادير ويژگي‌هاي كيفيت خدمت تبليغ شده مي‌شود. به منظور مواجهه با اين عدم قطعيت، برخي از پژوهش‌ها، مقادير كيفيت خدمت را به صورت توزيع آماري ثابت و مشخص در نظر مي‌گيرند. اگرچه، ركوردهاي تاريخچه‌اي ثبت‌شده از مقادير كيفيت خدمت خدمات وبي در اينترنت نشان مي‌دهد كه آن‌ها منطبق بر يك توزيع خاص و از پيش تعيين شده نيستند. همچنين اين رويكردها، در زماني كه داده تاريخچه‌اي كامل و مطمئن وجود نداشته باشد با شكست و نقض توافق‌نامه سطح خدمت و جريمه براي واسطه‌گر خدمات مي‌شود. براي مواجهه با ضعف‌ها و محدوديت‌هاي رويكردهاي پيشين، در اين پژوهش، مدل تركيب خدمت تحت شرايط عدم قطعيت مقادير كيفيت خدمت مبتني بر بهينه‌سازي استوار برتسيماس و سيم، ارائه شده است. مدل بهينه‌سازي استوار آگاه از كيفيت براي مدل‌سازي عدم قطعيت در پارامتر كيفيت خدمت زمان پاسخ است كه قادر است يك خدمت تركيبي را ارائه دهد به‌طوري‌كه تصميم‌گيرنده قادر است ميان بهينگي و استواري، مصالحه برقرار نمايد. براي اين منظور، مطالعات قبلي مقادير ويژگي‌هاي كيفيت خدمت را از طريق داده‌هاي تاريخچه‌اي مربوط به خدمات بدون محاسبه حضور ناهنجاري در مقادير پارامترهاي كيفيت خدمت موجود محاسبه مي‌كنند. هرچند، پويايي محيط‌هاي توزيع‌شده خدمت و شبكه‌هاي ارتباطي در محيط چندابري باعث ناهنجاري در مقادير كيفيت خدمت مي‌شود. بنابراين، رويكردهاي موجود قادر به مدل‌سازي دقيق مقادير كيفيت خدمت نيستند كه اين ضعف، منجر به نقض قرارداد سطح خدمت و مجازات براي كارگزار خدمات مي‌شود. به علاوه، از يك روش تشخيص ناهنجاري مبتني بر يادگيري ماشين براي بهبود عملكرد مدل ارائه شده با كمك حذف داده‌هاي تاريخچه‌اي غيرعادي بهره گرفته شده است. نتايج پياده‌سازي مدل پيشنهادي نشان مي‌دهد به طور متوسط ​14.55 درصد ​پيشرفت در يافتن راه‌حل‌هاي بهينه در مقايسه با رويكردهاي پيشين، مانند رويكردهاي مبتني بر تئوري اطلاعات و مبتني بر خوشه‌بندي حاصل مي‌شود.

1400/04/13

An Improved Model for Service Composition in Multi-cloud Environment

1/27/2022 12:00:00 AM

Since several services perform the same function, albeit with different quality of service (QoS) parameters, service composition becomes a crucial problem to find an optimal set of services to automate a typical business process. Service composition problem aims to find a set of services among functionally equivalent services with different Quality of Service (QoS) concerning users' constraints. The majority of prior research has investigated the service composition problem with the assumption that advertised QoS values are deterministic and do not change over time. However, factors like sensors failure and network topology changes cause uncertainty in the advertised QoS values. Furthermore, previous studies calculate QoS values through service logs without considering the presence of anomalies in the existing QoS values; however, the dynamicity of distributed service environments and communication networks in multi-cloud environments cause anomalies in the QoS values. Therefore, existing approaches fail to model QoS values accurately which leads to Service Level Agreement (SLA) violation and penalties for service broker. To address this challenge, we propose a novel anomaly-aware robust service composition to deal with the problem of uncertainty of QoS values in a dynamic environment of multi-cloud. The proposed approach uses Bertsimas and Sim mathematical robust optimization method, which is independent of the statistical distribution of QoS values, to compose services. Moreover, our approach exploits a machine learning-based anomaly detection technique to improve the stability of the solution with a fine-grained identification of abnormal QoS records. The results demonstrate that our approach achieves 14.55% of the average improvement in finding optimal solutions compared to the previous works, such as Information theory-based and Clustering-based methods.

تركيب خدمت , عدم قطعيت , بهينه سازي استوار , شناسايي ناهنجاري , رايانش ابري , اينترنت اشيا

ُinternet of things , cloud computing , anomaly detection , robust optimization , uncertainty , service composition