本發(fā)明涉及一種服務選擇技術，尤其是涉及一種基于離散群搜索和qos感知的第三方it服務選擇方法。

背景技術：

自工信部出臺《信息化和工業(yè)化深度融合專項行動計劃(2014-2019年)》以來，各個重點行業(yè)對信息化的關注度不斷提高，數(shù)據中心it基礎設施已成為各項信息化應用的支撐核心。由于it基礎設施的復雜性、品牌多樣性導致用戶對數(shù)據中心it基礎設施服務需求快速增長。相較于原廠商，第三方it服務商具有多品牌服務能力，能夠根據客戶需求提供一體化綜合服務解決方案?？蛻魧Φ谌絠t服務的需求日益增加，隨之出現(xiàn)了眾多具有不同服務質量(qos)的第三方it服務商。在第三方it服務的研究中，服務選擇的任務是：在客戶提出的qos限定條件下，從侯選的第三方it服務商中選擇合適的服務商，為客戶提供符合其qos限定條件的高效優(yōu)質的一站式第三方it服務。這是一個極具現(xiàn)實意義的研究課題。qos屬性用于描述第三方it服務非功能性的特性，例如服務的成本、響應時間、可用性等，對于客戶合理評估服務的質量至關重要?；趒os屬性的質量評判分別有成本標準和收益標準兩類原則。成本標準相關的qos屬性的值與對應的服務質量成反比，即服務質量隨屬性值降低而升高。收益標準相關的qos屬性的值與對應的服務質量成正比，即服務質量隨屬性值升高而升高。在評估第三方it服務商的服務質量時，兩類標準的qos屬性需要統(tǒng)一考慮。在滿足客戶提出的qos限定條件下，綜合考慮兩類標準的qos屬性，如何提高精確尋覓到最優(yōu)一站式第三方it服務的效率，成為一項富有挑戰(zhàn)性的工作。

目前基于qos的服務選擇方法主要有基于qos語義的方法和基于qos屬性值進行計算的方法?？蛻魹榱双@取優(yōu)質服務，往往會為第三方it服務的qos屬性設置期許的限制條件。由于基于qos屬性值的計算方法較易滿足客戶對一站式第三方it服務的全局限制條件，因此應用此類方法進行服務選擇的技術方案較多。綜觀以往的研究成果，基于qos屬性值的計算方法主要有窮盡計算方法和遺傳算法等。基于窮盡計算方法的尋優(yōu)方案的計算量較大，可擴展性差。相較于窮盡法，基于遺傳算法的尋優(yōu)方案在計算量的減少方面有優(yōu)勢，例如2014年李倩、竇潤亮等提出一種基于多種群遺傳算法的面向qos屬性的服務選擇方法，2016年mbkarimi等提出一種基于數(shù)據挖掘技術和遺傳算法的qos感知的全局服務尋優(yōu)方法。但基于遺傳算法的尋優(yōu)方案收斂的效率均有待提高。

技術實現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種基于離散群搜索和qos感知的第三方it服務選擇方法。

本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

一種基于離散群搜索和qos感知的第三方it服務選擇方法，包括以下步驟：

1)生成初始種群作為當前種群，所述初始種群的每個個體對應一個第三方it服務組合實例；

2)建立cost函數(shù)，以所述cost函數(shù)對當前種群中的每個實例進行評估；

3)根據評估結果將所述當前種群中的個體劃分為捕食者、追隨者和巡視者；

4)建立min-cost函數(shù)，所述捕食者、追隨者和巡視者分別基于所述min-cost函數(shù)執(zhí)行迭代操作，生成新種群；

5)以所述cost函數(shù)對所述新種群中的每個實例進行評估，獲得cost函數(shù)值最小的實例，判斷迭代是否結束，若是，則執(zhí)行步驟7)，若否，則執(zhí)行步驟6；

6)將步驟4)獲得的新種群作為當前種群，返回步驟3)；

7)以cost函數(shù)值最小的實例作為最優(yōu)解。

所述cost函數(shù)為：

其中，f為某一實例xj的cost函數(shù)，為xj的第i個全局qos屬性，為對應的qos屬性限制，為權重，k為全局qos屬性的數(shù)量，為效用函數(shù)。

所述效用函數(shù)的表達式為：

所述步驟3)具體為：

將當前種群中cost函數(shù)值最小的實例設定為捕食者，將除捕食者外的實例按比例劃分為追隨者和巡視者，所述追隨者分布于捕食者周圍，所述巡視者隨機分而于捕食者和追隨者周圍。

所述比例為8：2。

所述步驟4)中，min-cost函數(shù)定義為：設在n維空間上，一個實數(shù)坐標p的四周有2ⁿ個整數(shù)坐標，存在g個由正整數(shù)組成的坐標，取該g個坐標對應的實例的cost函數(shù)最小值，表達式為：

fmin-cost(p)＝min(f(x1),f(x2),...,f(xg))

其中，x1、x2、…、xg為g個坐標對應的實例。

所述步驟4)中，捕食者的迭代操作為：

捕食者應用min-cost函數(shù)從當前位置分別選取n維空間上正前方、左方、右方三個方向的隨機位置作為候選位置，應用cost函數(shù)評估所述候選位置對應的三個實例，選取cost函數(shù)值最小的實例作為最終候選位置，若該最終候選位置對應實例的cost函數(shù)值小于捕食者的cost函數(shù)值，則捕食者遷移至最終候選位置，否則捕食者停留在原位置。

所述捕食者應用min-cost函數(shù)從當前位置分別選取n維空間上正前方、左方、右方三個方向的隨機位置作為候選位置時，所選取的候選位置滿足以下條件：

其中，為捕食者在第h次迭代時的位置，xsub-z為捕食者在第h次迭代后所選取的正前方候選位置，xsub-r為捕食者在第h次迭代后所選取的右方候選位置，xsub-l為捕食者在第h次迭代后所選取的左方候選位置，r1∈r¹為一個滿足均值為0及方差為1條件的正態(tài)分布隨機數(shù)，r2∈r^n-1是在(0,1)范圍內的隨機數(shù)序列，θmax為設定的最大轉角，lmax為個體最大搜索長度，φ^h為第h次迭代時的搜索角度，表示笛卡爾坐標變換函數(shù)。

所述步驟4)中，追隨者的迭代操作為：

追隨者以隨機步長向捕食者位置靠近，滿足如迭代更新公式：

其中，為捕食者在第h次迭代時的位置，為某一追隨者在第h和h+1次迭代時的位置，r3∈rⁿ為一個在0到1之間分布均勻的隨機數(shù)序列，符號表示各分量對應相乘。

所述巡視者的迭代操作為：

巡視者從當前位置以隨機步長朝隨機方向遷移到新位置，滿足如下迭代更新公式：

li＝a·r1lmax

其中，為捕食者在第h次迭代時的位置，為某一巡視者在第h和h+1次迭代時的位置，r1∈r¹為一個滿足均值為0及方差為1條件的正態(tài)分布隨機數(shù)，lmax為個體最大搜索長度，φ^h+1為第h+1次迭代時的搜索角度，表示笛卡爾坐標變換函數(shù)。

與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

(1)基于改進的離散群搜索服務模型id-gss(improveddiscretegroupsearchservice)的計算方法，有效提高了第三方it服務組合的尋優(yōu)效率，為用戶快速尋覓到滿足多qos屬性限制的最優(yōu)一站式第三方it服務。

(2)本發(fā)明定義了min-cost函數(shù)，改進的離散群搜索服務模型id-gss基于min-cost函數(shù)創(chuàng)建，有效輔助捕食者、追隨者、巡視者在每次迭代中快速尋覓到各自的近似最優(yōu)解，提高尋優(yōu)效率。

(3)本發(fā)明追隨者和巡視者的尋優(yōu)迭代過程中采用隨機步長，搜尋方向是隨機生成的，避免陷入局部最優(yōu)化，有效提高了尋優(yōu)精度。

附圖說明

圖1為本發(fā)明的流程示意圖；

圖2為一個二維空間初始種群分布的例子；

圖3為了n＝10時id-gss模型和d-gss模型的收斂性能比較示意圖。

具體實施方式

下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。

本發(fā)明提供一種基于離散群搜索和qos感知的第三方it服務選擇方法，該方法是基于改進的離散群搜索服務模型id-gss(improveddiscretegroupsearchservice)的計算方法，以提高第三方it服務組合的尋優(yōu)效率，為用戶快速尋覓到滿足多qos屬性限制的最優(yōu)一站式第三方it服務。離散群搜索服務模型d-gss(discretegroupsearchservice)是基于捕食者-追隨者-巡視者模型創(chuàng)建的，該模型模擬了獅子群體搜索及捕獵行為，在收斂性能方面優(yōu)于遺傳算法。而本發(fā)明的改進的離散群搜索服務模型id-gss是基于min-cost函數(shù)創(chuàng)建的，min-cost函數(shù)可輔助捕食者、追隨者、巡視者在每次迭代中快速尋覓到各自的近似最優(yōu)解。由于min-cost函數(shù)的引入，id-gss模型在收斂效率方面優(yōu)于d-gss模型。在該發(fā)明中，整個實現(xiàn)過程都是由計算機自動完成的，用戶只要輸入關于第三方it服務組合所有全局qos屬性的限制值，就可讓計算機自動分析，最終獲得最優(yōu)一站式第三方it服務。

如圖1所示，本發(fā)明方法的具體技術方案如下：

步驟1，建立效用函數(shù)、cost函數(shù)、min-cost函數(shù)。

效用函數(shù)制定了成本標準或收益標準qos屬性一致性的方法，并將第三方it服務的全局qos屬性與相應限制要求相結合考慮。

定義1效用函數(shù)：設第三方it服務組合實例xj擁有k個全局qos屬性，其中某個屬性標記為qⁱ(1≤i≤k)，服務需求方對于該屬性的限制為qⁱ，表示實例xj的第i個屬性，表示對應的屬性限制qⁱ，而表示具有兩個參數(shù)和的效用函數(shù)，具體如公式(1)所示：

cost函數(shù)的創(chuàng)建可用于評估第三方it服務組合實例的質量，若cost函數(shù)值越小，則實例提供一站式第三方it服務的質量越高。

定義2cost函數(shù)：設服務組合實例xj的全局qos屬性表示為對應的qos屬性限制對應于實例xj的屬性qⁱ的權重標記為表示效用函數(shù)，則f(xj)表示cost函數(shù)，為三個參數(shù)xj、qc、qc的關系，具體如公式(2)所示：

其中，

基于cost函數(shù)創(chuàng)建min-cost函數(shù)，以輔助捕食者、追隨者、巡視者在每次迭代中快速尋覓到各自的近似最優(yōu)解。

定義3min-cost函數(shù)：設在n維空間上，一個實數(shù)坐標p的四周有2ⁿ個整數(shù)坐標d1,d2,...,dk(k＝2ⁿ)，其中存在g(1≤g≤n)個由正整數(shù)組成的坐標(注：坐標含0表示某類服務的原子服務不存在)，評估g個相應第三方it服務組合實例的cost函數(shù)值，取其中的最小值，具體如公式(5)：

fmin-cost(p)＝min(f(x1),f(x2),...,f(xg))(5)

其中，x1、x2、…、xg∈rⁿ，為g個坐標對應的實例。

步驟2，建立n維尋優(yōu)空間。設第三方it服務組合共有n類服務，每類服務有ni(1≤i≤n)個候選的由第三方it服務商提供的原子服務，每個原子服務有k個qos屬性，在此基礎上可建立相應的n維空間。如此將多qos屬性限制下第三方it服務組合實例中尋優(yōu)問題轉化為在多維搜索空間中尋找最優(yōu)值的問題。第三方it服務組合的n類服務與尋優(yōu)空間的n維相對應，即尋優(yōu)空間中的每維代表第三方it服務組合中的一類原子服務。

尋優(yōu)空間中每維上的坐標點和一類第三方it服務中的候選原子服務一一對應。第i類服務有ni個候選原子服務，第i維的坐標軸有相應的ni個坐標點。每維坐標軸上的坐標點均衡分布，相鄰坐標點的間距均為1。

設表示第i維第j個坐標點對應的原子服務，則原子服務相對應的cost函數(shù)值將處于升序狀態(tài)，即：

步驟3，設定初始參數(shù)。

設種群第i位個體xi的第h次迭代對應的實例所處位置的坐標標記為代表n維坐標組組中第y個坐標點代表第y類第三方it服務中對應該實例的某個原子服務。個體xi在第h+1次迭代時變遷到新的實例，該實例所處位置的坐標標記為該位置相應的坐標組為

本方法必須設置個體捕食的最大距離，即捕食者、追隨者、巡視者在每輪迭代中遷移的最大距離必須事先限制好，以避免輕易步出事先設定的區(qū)域。個體遷移的最大距離設為lmax，其為各維第三方it原子服務數(shù)集成而得，如公式(7)所示。

步驟4，選擇一些第三方it服務組合實例組成種群，這些實例的各全局qos屬性的效用函數(shù)值均小于等于1。計算種群個體對應實例的cost函數(shù)值，依據實例的cost函數(shù)值將為種群個體分別設定捕食者、追隨者、巡視者的角色。

在n維尋優(yōu)空間i中，第i位個體xi用以下公式(8)表示。

其中第i位個體xi在第k次迭代時于搜索空間所處的位置對應一個服務組合的實例。

種群中的個體在各自原先的位置上依據捕食者、追隨者、巡視者的角色分別進行角度搜索，由此決定了下一次迭代中的遷移方向，可遷移到服務質量更高的新服務組合實例的位置。原先位置個體的頂角為即的位置相對于n-1多維方向的角度第i位個體xi的搜索角度是n維向量是通過公式(9)-(11)將經過笛卡爾坐標變換而計算得到。

在種群對應的實例中尋找cost函數(shù)值最小者，設定該實例對應捕食者的角色，種群中除捕食者以外的實例中選擇80％對應追隨者的角色，分布在捕食者周圍。最后剩余的實例對應巡視者的角色，隨機分散在捕食者和追隨者四周。

步驟5，種群個體分別從捕食者、追隨者、巡視者的角度經過多次迭代不斷遷移到新位置，這些位置在n維上的整數(shù)坐標與min-cost函數(shù)有關，每個位置均對應一個第三方it服務組合的實例。捕食者、追隨者、巡視者在迭代中的情況如步驟6、步驟7、步驟8所述。

步驟6，捕食者從當前位置分別查看n維空間上正前方、左方、右方三個方向的隨機位置，每個位置均是捕食者在下輪迭代中變遷的候選位置。捕食者應用min-cost函數(shù)從當前位置分別選取n維空間上正前方、左方、右方三個方向的隨機位置作為候選位置，應用cost函數(shù)評估所述候選位置對應的三個實例，選取cost函數(shù)值最小的實例作為最終候選位置，若該最終候選位置對應實例的cost函數(shù)值小于捕食者的cost函數(shù)值，則捕食者遷移至最終候選位置，否則捕食者停留在原位置。

捕食者應用min-cost函數(shù)從當前位置分別選取n維空間上正前方、左方、右方三個方向的隨機位置作為候選位置時，所選取的候選位置滿足以下條件：

其中，為捕食者在第h次迭代時的位置，xsub-z為捕食者在第h次迭代后所選取的正前方候選位置，xsub-r為捕食者在第h次迭代后所選取的右方候選位置，xsub-l為捕食者在第h次迭代后所選取的左方候選位置，r1∈r¹為一個滿足均值為0及方差為1條件的正態(tài)分布隨機數(shù)，r2∈r^n-1是在(0,1)范圍內的隨機數(shù)序列，θmax為設定的最大轉角，lmax為個體最大搜索長度，φ^h為第h次迭代時的搜索角度，表示笛卡爾坐標變換函數(shù)。

捕食者需要更新其搜索角度，在第h+1次迭代中新的搜索角度如公式(15)所示。

φ^h+1＝φ^h+r2αmax(15)

若捕食者在第h次迭代后又經過a次迭代后未找到更好實例，則捕食者的搜索角度重新回歸到零度角，如公式(16)所示。

φ^h+a＝φ^h(16)

步驟7，追隨者聚集在捕食者的周圍。追隨者會確定一個隨機步長，然后以隨機步長向捕食者位置靠近，每個追隨者在下輪迭代中變遷的新位置為捕食者周圍某個實例對應的位置。追隨者的迭代操作為：

追隨者以隨機步長向捕食者位置靠近，滿足如迭代更新公式：

其中，為捕食者在第h次迭代時的位置，為某一追隨者在第h和h+1次迭代時的位置，r3∈rⁿ為一個在0到1之間分布均勻的隨機數(shù)序列，符號表示各分量對應相乘。

步驟8，為避免局部最優(yōu)化，巡視者將設定一個隨機步長，搜尋的方向是隨機生成的。巡視者將從當前位置以相應步長朝隨機方向遷移到新位置。新位置將對應某個可能更接近最優(yōu)實例min-cost函數(shù)值的任意實例。巡視者分散在捕食者和追隨者周圍游蕩，具體行為如下：

1)應用公式(15)生成隨意搜索角度。

2)應用公式(18)設定基于gauss分布的隨意步長。

li＝a·r1lmax(18)

3)以所設角度及步長向新實例坐標位置變遷，滿足如下迭代更新公式：

其中，為捕食者在第h次迭代時的位置，為某一巡視者在第h和h+1次迭代時的位置，r1∈r¹為一個滿足均值為0及方差為1條件的正態(tài)分布隨機數(shù)，φ^h+1為第h+1次迭代時的搜索角度，表示笛卡爾坐標變換函數(shù)。

步驟9，若最優(yōu)實例未尋覓到，選擇cost函數(shù)值最小的實例對應捕食者的角色，剩余的實例按照8：2比例分別設為追隨者和巡視者的角色。重復步驟6-步驟8。

步驟10，多次迭代后，收斂至第三方it服務組合的最優(yōu)實例為止。本方法在所有多qos屬性限制下的待選第三方it服務組合實例中選擇cost函數(shù)值最小的實例作為最優(yōu)解，求得最優(yōu)解的公式(20)如下所示：

其中xj∈rⁿ。

由圖3的收斂性能比較示意圖可知，本發(fā)明的id-gss計算方法的收斂速度優(yōu)于d-gss。

以上詳細描述了本發(fā)明的較佳具體實施例。應當理解，本領域的普通技術人員無需創(chuàng)造性勞動就可以根據本發(fā)明的構思作出諸多修改和變化。因此，凡本技術領域中技術人員依本發(fā)明的構思在現(xiàn)有技術的基礎上通過邏輯分析、推理或者有限的實驗可以得到的技術方案，皆應在由權利要求書所確定的保護范圍內。