2022年支持跨组织协作服务的组合研究

目录第1章绪论11.1研究背景11.2研究意义11.3研究内容和组织构造2第2章效劳组合及其支撑技术研究综述42.1.1效劳组合定义42.1.2组合效劳研究咨询题框架52.4.1基于QoS的效劳选择6第3章多网络域环境下组合效劳的QoS模型优化83.1咨询题分析83.2相关工作93.3咨询题建模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章完毕语24第1章绪论1.1研究背景当今竞争剧烈的商业社会，要求企业对瞬息万变的市场需求做出迅速的响应，企业需要不断地调整本身业务，拓展业务范围，传统的开发一交付晋级的软件开发形式己显得日渐落后，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咨询题。同时，随着企业间的兼并，收买以及企业全球化开展，各分支机构的应用系统需要平安、有效地整合，以提高效率，降低本钱。这些需求使得企业关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。不管是从技术开展依然企业的实际需求上来说，对软件的开发形式、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合作延伸，需要一种新的计算泛型来指导软件产业的开展。1.2研究意义Web效劳，或者说面向效劳的应用，最吸引人的地点在于效劳能够组件化地在不同系统中复用，不同的效劳能够被组合起来完成原有效劳所不能实现的功能，以到达增值的目的。基于组合的Web效劳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、自描绘的效劳的标准方法。这些转换而来的效劳能够以一种标准的、可治理的方式与其他效劳进展交互。2) 方便灵敏地进展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) 开发、装配纯粹的互联网应用的标准方法。这些应用既能够应用于企业内部，也能够用于跨企业协作。该方法可将内部或外部创立的效劳作为构件，并将这些构件装配到应用中。1.3研究内容和组织构造基于Web效劳的应用并不是一件简单的工作，要使其正确、平安而又高效地为企业效劳，则需要一整套Web效劳组合及其相关技术作为支撑。依照组合效劳的生命周期，效劳组合的研究框架所覆盖的咨询题划分为两大类：效劳组合构建咨询题和效劳组合运转支撑咨询题。前者主要包含了组合效劳计划生成，效劳发觉和选择、以及效劳组合等咨询题;后者则包含了组合效劳的执行和协同、功能监控和保障、效劳组合的平安和事务治理以及容错等咨询题。当前，针对效劳构建咨询题，已经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效劳组合的业务协作所带来的好处，在组合效劳运转支撑阶段，尚有相当多的咨询题未得到处理，这也是制约SOA与Web效劳进一步普及和开展的重要缘故。本文主要关注的组合效劳支撑咨询题为组合效劳功能优化软件应用的功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讯或者基于高速企业总线的远程过程调用相比，Web效劳基于SOAP音讯的机器到机器通讯所带来的额外开销，使得基于效劳的软件应用的功能成为一个广受垢病的咨询题。在基于公共网络的跨企业组合效劳中，组件效劳之间的数据及操纵依赖，会在运转时产生大量的跨域音讯传输。由于各网络域间地理位置、网络位置的分布以及平安策略的部署，为跨域效劳组合造成额外的执行本钱，从而对组合效劳功能带来难以无视的妨碍。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，针对目前组合效劳部分支撑技术所存在缺乏，围绕着组合效劳流程兼容性验证，效劳访咨询操纵、以及功能优化等几个方面展开研究。第二章对本文的研究根底进展了综述。首先简要介绍了组合效劳的根本概念和研究方法以及当前国内外著名的组合效劳研究工程和平台。随后详细地讨论了效劳组合及其相关的支撑技术，对效劳组合模型和方法、效劳组合平安性、效劳组合功能优化的相关工作进展了综述。第五章提出了组合效劳分布式协调环境下，面向组合效劳功能优化的效劳部署策略。本章以组合效劳分布式执行为讨论根底，以效劳执行本钱作为组合效劳功能优化指标，通过分析后指出网络传输本钱优化是效劳执行本钱优化的一个有效途径。提出了效劳间交互强度的概念，并试图通过对企业内效劳部署区间的调整，来到达降低效劳执行本钱的目的。通过将效劳可部署区域的作为限制条件，将咨询题转化为多约束条件的下的最优化咨询题。随后提出了一个基于遗传算法建模方法对这一优化咨询题进展求解，将基因中的每个染色体表示为部署区间可变的效劳，而染色体的值则代表这一效劳的部署位置。为理处理通过穿插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展修补。第六章总结了全文工作，并对将来的研究方向和内容进展了展望。第2章效劳组合及其支撑技术研究综述Web效劳组合是一个庞大的系统工程，基于Web效劳构建应用系统并不是一件简单的工作。尤其是关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、平安而又高效地为企业效劳，则需要一整套Web效劳组合及其相关技术作为支撑。2.1.1效劳组合定义本文对效劳组合的定义：效劳组合是依照用户提出的需求(包含功能需求以及非功能需求)，在效劳组合的支撑环境下，从现有的Web效劳中，选择一系列符合需求的单个效劳，并按规则构建为效劳流程，通过流程执行过程中效劳间的互相协作来最终满足用户的需求。通常将组合后的效劳流程称为组合效劳，而组合效劳中所涉及的单个效劳称为组件效劳。Web效劳组合主要具备以下几个特点：递归性。组合效劳是通过重用和组装现有的效劳来生成更大粒度的效劳，而生成的效劳又能够作为根本效劳被重用。动态性。效劳组合是一个动态的/按需组装0的过程。随着需求的变化或者组件效劳本身的变化，组合效劳能够在运转时实现效劳交换和重组。高效性。效劳组合对Web效劳的重用和组装，改变了原有的软件消费方式，极大地提高了软件的消费效率。2.1.2组合效劳研究咨询题框架图2.1简要展示了组合效劳的生命周期，本文将效劳组合的研究框架所覆盖的咨询题划分为两大类：效劳组合构建咨询题和效劳组合运转支撑咨询题。前者主要包含了组合效劳计划生成，效劳发觉和选择、以及效劳组合等咨询题;后者则包含了组合效劳的执行和协同、功能监控和保障、效劳组合的平安和事务治理以及容错等咨询题。2.4.1基于QoS的效劳选择Qos是效劳质量(Quality of Service)的缩写，它指的是效劳所能提供的一种质量保证，保证效劳能响应预期的恳求，并能以符合期望的质量来完成相应的任务。QoS不是单一功能指标，而是一个多属性复合指标，综合文献55115硕57等的定义，web效劳最主要的Qos属性有：响应时间，价格，可靠性，声望，等。这些指标关于保持效劳的竞争力与业务可行性具有特别重要的妨碍，因而Qos已经成为了衡量效劳功能与效用的重要标准。组合效劳流程执行通常采纳运转时绑定的策略，即在流程制定时只为每个活动定义需完成的任务，而不指定详细由哪一个效劳来实现，常常将活动称作抽象效劳。在开放的网络环境下，每个抽象效劳往往存在多个实际效劳均可完成一样的任务。这些效劳能够看作这一抽象效劳的候选效劳，它们从功能上看是能够互相交换的，但是往往具备不同的QoS属性。组合效劳用户会从本身需求出发对组合效劳提出一个总体的QoS期望，因而如何在执行时依照候选效劳的QoS属性为抽象效劳选取适宜的组件效劳成为了组合效劳功能优化中的一个主要咨询题，近年来成为了Web效劳研究领域所关注的焦点咨询题之一。在获得了组合效劳的Qos计算方法之后，则能够用户提出的Qos期望和限制造为约束条件，基于约束满足方法为组合效劳中的每个活动选取最适宜的候选效劳。假设组合效劳中具有n个抽象效劳，每个抽象效劳具有m个候选效劳，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难咨询题57，因而研究人员引入了各种方法来获得部分或全局优化解。第3章多网络域环境下组合效劳的QoS模型优化3.1咨询题分析为了更好地对咨询题进展描绘，首先提出一个概念，称为组合效劳执行本钱(Execution Cost，ExCost)。组合效劳的执行本钱由组合效劳中的组件效劳执行本钱与效劳间的数据传输本钱共同构成，其中a和p代表两者分别所占据的权重。显然，执行本钱越高则代表组合效劳的功能越差。关于组合效劳来说，组件效劳的执行本钱是不可防止的，为了简化咨询题，此处将忽略执行本钱，只考虑数据传输本钱，从而有。而数据传输本钱则是由效劳间的数据传输量和数据传输的网络本钱构成。由于在组合效劳分布式执行中，数据是在组件效劳之间直截了当传输的，因而公式(5一l)能够改写成：其中，有序对(si，sj)表示组合效劳中组件效劳sj到组件效劳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本钱。仍以图5.2(b)中的组合效劳为例，假设组合引擎，效劳l，2，3所在的网络域分别为DO，DI，D：和D3，依照公式5一2，其执行本钱能够展开为：网络域之间的网络传输本钱遭到许多要素的妨碍，不同网络域间的网络情况，例如链接速度、带宽、通讯费用、地理间隔等常常是各不一样的。通常来说，通过公共网络进展数据传输，显然要比在同一子网内传输本钱要高;而从纽约到北京数据传输本钱要比从纽约到波士顿的本钱要高。在效劳间的数据传输无法防止的情况下，优化网络传输本钱，成为了执行本钱优化的一种主要方式。3.2相关工作当前面向组合效劳功能优化的方法里，较少考虑了网络传输本钱。正如在2.4.1小节中所综述的，在大多数基于QoS组合效劳优化研究中，对组合效劳的响应时间属性，只是笼统地以效劳本身的响应时间进展聚合，如表2.1所示。而在面向效劳覆盖网的执行途径选择中，则简单地以最小跳数为优化目的，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Internet环境下跨多域组合效劳的Qos模型进展研究时，考虑了组合效劳引擎所处的位置对组合效劳功能的妨碍。文章以经典的基于QoS的效劳选择咨询题为背景，效劳组合集中式执行，每个组件效劳存在多个候选效劳，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效劳引擎可供选择，在动态运转时，从效劳分布和组合效劳引擎位置两个方向同时考虑，选择位置相近的效劳引擎和组件效劳，充分利用引擎与组件效劳在同一网络域内传输本钱较低这一特性，提高组合效劳的总体QoS。Kang等人则从组合效劳分布式执行出发，由于分布式执行环境下，组合效劳间数据传输是直截了当进展的，因而文章提出一种效劳间数据依赖分析方法，对组合效劳中组件效劳之间的数据依赖进展建模。在效劳选择时，尽量从同一个网络域内选择那些互相之间数据依赖较强的效劳，从而降低组合效劳的跨域数据传输。与以上这些面向Internet环境下即时求解型组合效劳.5有所不同，面向企业协作的流程驱动型组合效劳主要具备如下几个特点：(l)效劳组合的构造比拟稳定，一旦业务协作的流程被确定下来，这些流程会比拟稳定地运转较长的时间。(2)每个组件效劳只有少数几个甚至只有固定一个实例。关于这一类组合效劳，显然其功能优化方法应当有所不同。针对这一环境，Chaflel20提出跨域组合效劳数据最优化路由的方法，文章通过分析组合效劳的构造，枚举了其所有可行的数据流拓扑线路，并选择功能最优的线路来执行组合效劳。在运转时，系统动态监控所有网络域之间的网络带宽情况，并评估其在组合效劳各种不同的拓扑构造下对功能的妨碍。一旦当前的拓扑构造无法满足SLA时，接下来的效劳恳求将会被切换到新的拓扑构造，同时不会妨碍己经在执行的流程。然而，当前较少有工作通过效劳的部署策略来进展功能优化。研究了基于Internet的企业内部应用中，面向组合的效劳初始化部署咨询题，文章假设一个效劳能够有多个实例部署于内网的不同节点中，从负载平衡，网络流量以及副本部署规模等多个方面对效劳部署进展约束，并提出了一个近似最优的效劳部署算法。3.3咨询题建模关于治理着多个网络域的大型企业来说，其组件效劳被不属于不同的网络中，本文试图从效劳部署方面着手，将依赖关系较强的效劳部署到同一个网络域中，以此来优化网络传输本钱。图5.3简要刻画了如此一个跨多网络域效劳组合根底框架。在基于云的根底设备和虚拟化技术的支撑下，运转在云平台上的效劳在不同数据中心之间迁移并不存在技术上的困难。显然，一种最为直截了当的方式显然是将所有的组件效劳都部署进同一个网络域中，但是在实际环境中，效劳部署区域存在诸多限制，其中主要的有.平安性限制：这一限制在对数据平安较高的领域，如军事、金融等领域比拟常见。不同的效劳所涉及的业务和数据的平安性是不同的，高机密性的效劳需要被部署在平安性更高的网络域或子网中。.业务和地域限制：-不同的效劳依照所涉及的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，处理欧洲业务的效劳显然不应该被部署在位于亚洲的网络域中。同时，商业伙伴所提供的效劳是总是在企业外部的。企业内部效劳中那些与外部效劳有较强数据交互的效劳，应当被部署到与其间数据交互本钱较低的域内。.资源限制：每个效劳均代表一类资源的恳求。例如CPU，内存，其他软件和硬件设备。在效劳运转时，一些资源会被占用，而一个单域内的资源总是有限的。将所有效劳部署在同一个域内会面对严峻的功能咨询题。因而，基于效劳部署的网络传输本钱优化咨询题最终转化为一个多限制条件下的最优化咨询题。为了对咨询题进展表达，首先对相关概念进展定义。定义：网络域(NetworkDomains，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本身所操纵的网络域，关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点。相应地是不由企业操纵的网络域，例如业务伙伴提供的效劳所在的网络域。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平安子网内。以属性C表示网络域的资源容量。定义：组件效劳(eomPonentservice)为企业内的组件效劳，N是组件效劳的总数量。定义属性为组件效劳的类型，。从企业本身的角度来讲，效劳被分为两品种型：内部效劳和外部效劳。内部效劳由企业本身所完全操纵，其中包括效劳的晋级，更新，维护以及部署等。而外部效劳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)来表示效劳S可部署的网络区间，依照前述的分析，企业内部效劳在多个限制条件下，能够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效劳则只能固定在某个外部网络域中。定义：效劳资源需求属性时为效劳51的资源需求。效劳资源恳求是由效劳在运转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个组件效劳部署于域Di中，则其所有的资源耗费不能超过域的总容量，即：定义：网络传输本钱(Network Cost)本文将网络域之间的传输本钱抽象为一个单一的参数，称为网络本钱。由矩阵。其中代表域Di和Dj之间的网络本钱。假设同一个网络域中网络本钱能够被忽略不计，则有些壑龙厅，。定义：组合效劳一个组合效劳S由一组组件效劳构成，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效劳，t为组合效劳的总数量。每个组件效劳都能够被多个组合效劳中所共享。pi是组合效劳S;在企业中重要程度的衡量指标，这一指标能够由治理员人工指定，也能够由组合效劳的历史运转情况所决定。通过这一指标即可表示出5.2.1小节中提出的效劳优先级咨询题。定义：效劳间依赖强度(Interaction Dependency)定义矩阵为组合效劳Sk中的效劳间依赖矩阵。为效劳si和效劳sj的之间依赖强度，假如si和sj不存在交互关系，则idij=o，显然idii=0依照以上的定义，一个企业内所有效劳执行本钱ExCost能够通过以下公式计算得到定义：效劳部署方案定义n维向量是效劳部署方案，其中代表效劳si部署在网络域中至此，效劳部署优化的目的能够表达为，在公式(5一3)和(5一4)的限制下，调整效劳部署位置DeP，从而最小化组合效劳执行本钱ExCost。针对这一部署目的，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)是一种用来寻找准确最优或者近似最优解的搜索技术。它模仿生物界的进化规律，用编码染色体表示物种中的个体，通过非确定性遗传算子(比方穿插和变异)对一组候选的解的群体进展计算，再选择优良的个体接着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，基因穿插与变异等关键步骤，本节将对这些步骤进展逐一介绍。1.1.1.1基因编码本算法采纳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个共享的原子效劳所部署的区域(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个区域可供每个效劳部署)。基因编码只关注那些部署区域可变的效劳，而部署区域不可变效劳则无需编码。则由于每个效劳可部署的区域是不同的，因而其m值也是各不一样的。图5.4展示这一编码方式，每个基因组就代表了一种效劳的部署结果。1.1.1.2习惯度函数习惯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的函数，而最优化部署的目的函数己经在ExCost中给出。由于习惯度往往为正数且习惯度越大代表个体质量越好，因而将优化目的改为刀一Excost来作为本算法的习惯度函数，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(组件效劳的初始部署)产生后，采纳基于轮盘赌的个体选择策略在每一代中选择个体来参与穿插和变异。在这一策略中，个体按照习惯度函数来排序，习惯度大的个体被选择的概率也大。算法中采纳单点穿插和单点变异的方式实现穿插算子和变异算子，作用于选择算子选择出的个体。关于穿插操作，一对个体会基于单点穿插方法产生两个后代。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展交换。此外，优良性保持策略使得上一代的中的最优染色体能够得到保存。在本文的算法中，每一代中的最正确的两个个体直截了当进入下一代。1.1.1.4混合启发式修补算子然而，穿插和变异后的个体所对应的效劳部署方案往往会违犯约束条件而变得无效。因而，本算法采纳一个混合启发式修补算子来确保个体的有效性。该算子能够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一般的修补过程的混合，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。关于某个无效个体(效劳部署结果矩阵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习惯值的方向来推进，因而，该修补过程有利于快速提高个体进化速率。此外，一般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。因而，结合了启发式修补过程和一般修补过程的混合启发式修补算子综合了两者的优势，从而提高算法功能。1.1.1.5群体多样性保持策略为了保证遗传算法的全局习惯值快速收敛同时防止部分最优，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，该方法详细定义和实现如下：结合信息嫡被定义为：，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个基因符号出如今第j个基因位上的概率。群体类似度表示，当群体类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)假如群体类似度大于某个闭值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个各不一样的习惯值最高的个体，和步骤一中新生成的P个个体组成新的群体;(s)假如在步骤(2)中发觉上一代群体中只存在N(NM)个互不一样的个体，则首先新生成M一个个体来交换群体(M+P)个个体中习惯值最低的个体，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能够总结如下：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，确保每个可部署效劳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。因而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：关于当前种群基于遗传算子对种群施行穿插和变异操作。对穿插和变异后的种群个体施行启发式修补。并对当前种群施行习惯度保持算子。步骤5：评估当前种群中的每个个体的习惯度。步骤6：假如己到达算法的完毕条件(例如遗传代数、每代之间结果变化小于阂值等)，返回当前具有最大习惯度的个体，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仿真实环境下的场景，从而对算法进展调查，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效劳部署优化策略的效果，同时也验证算法本身的功能。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，开发运转环境是JDKI.6_17。本章设计了一个模仿数据生成器来产生测试用例。程序主要有4个输入参数：总的组件效劳数目(TS)，总的网络域数量(TD)，可部署网络域数量(D)。关于其他参数，生成器会以合理的随机分布来自动产生：.效劳交互矩阵由给定上下限的高斯分布产生，保证有50%一70%的效劳之间存在关联关系。.每个效劳的资源恳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据集来模仿不同的场景，通过比照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%的修复是一般修复。实验的终止条件是连续1000代遗传具有一样的适度值。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正确策略(Ic)将用来和算法运转的最终结果做比拟(oc)。优化率由(Ic一OC)/Ic表示。算法总运转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特别好的优化效果，尤其在场景2下，降低总网络本钱比例超过了30%。这是由于在效劳个数较少的情况下，效劳部署能够集中在少数几个域中，从而极大地降低了跨域的网络耗费。尽管场景1的效劳个数更小，但是优化效果较场景2比拟不明显，这是由于我们的初始化部署是随机生成的，并通过了修补算子进展修补，因而其初始结果即比拟接近最优结果。随着效劳数量的增加以及网络域数量的增加，优化效果逐步降低，这种结果是能够理解的，由于组件效劳的可部署区间是由多种要素所决定的，效劳数量越多，则受限制的效劳也越多，因而无法完全将效劳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，其优化效果仍然比拟明显。最后一列显示了在效劳规模较小时，算法的运转时间是秒级，随着组件效劳数量及网络域数量的增加而增加。由于这是一个静态的初始化部署优化算法，它并不妨碍动态环境下组合效劳的功能，因而这一算法运转时间是可接受的。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妨碍。采纳上一节中场景2作为基准，同时将启发因子分别调整为O%(无启发)，即一般的修补算法，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。该实验比拟了3种启发因子下前3000代的收敛速度。由图中能够看出，较高的启发因子能够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，能够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，由于启发修复的算法复杂度较高，因而其算法运转时间也比一般修复要长。3种启发因子下的运转时间分别是10453ms(0%)，14890ms(30%)以及19750ms(1000%)。图中显示两种不同的启发因子下，尽管收敛速度上存在差异，但是最终结果差距比拟小，因而，权衡算法运转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章完毕语随着计算机技术以及网络技术的不断开展，Internet己经成为了企业之间协作以及企业向用户提供效劳的根底平台。面向效劳的计算与面向效劳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展衔接，实现跨企业的业务协作与集成。基于效劳组合的软件系统的远景目的是依照需务实现完全自动化的效劳组装与运转，真正实现软件的随需应变在基于效劳组合的跨多企业业务协作中，组件效劳之间的跨域数据依赖关系对组合效劳的功能有较大的妨碍。本文以组合效劳分布式执行为讨论根底，以效劳执行本钱作为组合效劳功能优化指标，通过分析后指出网络传输本钱优化是效劳执行本钱优化的一个有效途径。为了对网络传输本钱进展建模，提出了效劳间交互强度的概念，这一指标由组合效劳中效劳间的数据依赖强度以及组合效劳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效劳部署区间的调整，将数据依赖强度较高的效劳部署到同一个区间内，从而降低网络传输本钱。然而，对一个具有多个网络域的企业来说，组件效劳的可部署区间遭到多种要素的限制。因而，这一咨询题转化为多约束条件的下的最优化咨询题。文章采纳基于整数基因编码遗传算法对这一最优化咨询题进展求解，基因中的每个染色体带一个部署区间可变的效劳，而染色体的值则代表这一效劳的最终部署位置。为理处理通过穿插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展修补。仿真实验结果说明，这一方法具有较好的优化效果。需要留意的是，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，组件效劳的更新、晋级，业务伙伴的变更等等，组件效劳的部署也需要依照这些变化进展动态调整和重部署。尽管目前基于云平台的根底设备能够较好地实现组件效劳部署区间的迁移，然而其仍然是一项本钱较高的活动。因而，在对效劳部署区间进展迁移时，有两个方面的要素应当着重考虑：1)何时启动效劳迁移。一种较简单的策略是设置一个阂值，仅当目前执行本钱劣化程度超过这个阂值时，才启动效劳的重部署过程。2)如何减少重部署本钱。为了使效劳迁移对企业整体业务的妨碍最小，应当研究在实现优化目的的根底上，如何进展最小扰动的迁移，尽量减少效劳重部署的数量。6.2将来工作展望进一步完善企业内效劳部署策略。本文提出了一种针对业务流程型效劳组合的初始化部署策略。然而，随着企业中业务流程的变化，组件效劳的更新、晋级，业务伙伴的变更等等，组件效劳的初始部署无法满足新的需要。因而，下一步工作中主要研究效劳的动态调整和迁移策略。在对效劳进展迁移时，应当着重考虑如何减少重部署本钱。为了使效劳迁移对企业整体业务的妨碍最小，需要进一步研究在实现优化目的的根底上，如何进展最小扰动的迁移，减少效劳重部署的频率和次数。实现面向企业的组合效劳统一支撑平台。除了本文所研究的内容以外，组合效劳的支撑技术还包括了执行监控、事务治理、容错及补偿等一系列关键性咨询题。在本文的研究以及其他研究人员的相关工作的根底上，对这些咨询题进展分析和研究，并实现一个面向企业间业务协作的组合效劳统一支撑平台是本课题的长远目的。