一种性价比驱动的Mashup构造方法
【技术领域】
[0001 ]本发明涉及软件优化技术，尤其涉及一种性价比驱动的Mashup构造方法。
【背景技术】
[0002]Mashup构造技术通过将多个Web服务组合到一起来构造更加复杂、功能更加丰富的Mashup以满足用户复杂的功能需求。Mashup构造过程分为两个部分:服务选择和Mashup部署。具体的在于，服务选择是根据已有的工作流程，对流程中的每个任务选择具体的服务，然后将每个任务选择的单个服务组合成为一个组合服务，服务选择的目的在于使选中的每个服务都能完成对应任务的功能需求;Mashup部署是将组合服务部署到云平台上。
[0003]随着网络上可选服务的增多，组合服务的质量(QoS)越来越受到重视。服务提供商构造Mashup的目的是最大化盈利，所以，价格也是他们考虑的一个重要因素。因此，服务构造要兼顾Mashup的性能与成本，即性价比最高。
[0004]目前的mashup服务选择方法主要集中在QoS上。QoS不同的属性具有不同的计算方法，同一属性对不同的流程结构的计算方法也不相同。不同的QoS属性对不同流程结构的计算方法已日渐成熟。因此，目前对QoS感知的服务选择问题的研究集中在研究多维度、多目标、多任务的QoS最优规划问题(MMMKP)。众多不同的服务选择方法被提出，它们大都假设服务的QoS属性是已知的，利用类贪心算法为工作流中的每一个任务选择QoS最优的服务。然而，服务的价格往往不是确定的，有的服务的价格与其它的服务相关连，比如捆绑销售。月艮务的QoS会受到Mashup部署平台的影响，因此，在部署平台不确定的条件下，无法进行最优服务的选择，而最优部署平台要根据被选的服务来进行选择。因此，性价比驱动的Mashup构造问题是一个非常困难的问题。利用现有的算法不能达到最优化。
【发明内容】
[0005]针对【背景技术】中存在的技术问题，本发明所要解决的技术问题在于提供一种性价比驱动的Mashup构造方法，使得产生的Mashup不但能满足开发商的功能需求，而且具有最优的性价比。
[0006]为此，本发明采用如下技术方案:
一种性价比驱动的Mashup构造方法，所述Mashup构造方法包括如下步骤:
SlOl:应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台;
S102:对SlOI中选择得到的Web服务进行服务组合，得到Mashup；以及 S103:将构造得到的Mashup部署到云平台上。
[0007]GA4MC算法全称是Genetic Algorithm for Mashup Creat1n，顾名思义，即是解决Mashup构造问题的遗传算法。
[0008]优选地，在应用GA4MC算法为所需构造的Mashup中的任务选择最优Web服务之前，对所有候选服务集合中服务的平台信息和价格关联关系进行建模，从而获得各个服务之间以及服务与平台之间的关联关系。
[0009]优选地，应用GA4MC算法为所需构造的Mashup中的每个任务选择最优Web服务和云平台包括如下步骤:
S201:将服务与平台选择问题建模为遗传模型；
5202:对GA4MC算法进行初始化；
5203:根据初始化数据产生初始种群；
5204:对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体；
5205:将保留的个体进行交叉操作，从而产生新的个体；
5206:将个体进行变异操作；
S207:将Mashup部署到相关平台并计算其QoS，从而选择最佳平台使得部署后的Mashup的性价比最高；
S208:对新的种群进行评价、选择；
S209:不断重复遗传迭代过程直至达到迭代次数，得到最优服务选择方案。遗传迭代是不断地交叉、变异，以及选优的过程，它是GA4MC算法的主要过程。
[0010]优选地，遗传模型包括:染色体表示可行解，染色体对应Mashup;基因表示服务;基因的位置对应Mashup中的任务；染色体的适应度表示性价比，染色体的适应度越高对应Mashup的性价比越高。
[0011]优选地，对GA4MC算法进行初始化包括算法的迭代次数、初始种群大小、交叉次数以及变异次数的初始化。
[0012]GA4MC算法的初始化参数决定了遗传迭代过程的执行情况，迭代次数越高，则最终得到的解可能越优，相应地，算法执行的时间也越长。同样地，初始种群大小、交叉次数以及变异次数也会影响到最终的Mashup方案的优劣和算法的执行时间。因此，初始化参数的选定要综合考虑解的优劣程度、算法的执行效率等因素。
[0013]优选地，服务组合时，按照开发商所需的Mashup结构，对选择得到的服务进行组合，得到Mashup ο
[0014]与现有技术相比，本发明提供的技术方案具有以下优点:
(1)本发明提供的一种性价比驱动的Mashup构造方法从性价比的角度出发构造性价比最优的Mashup;
(2)本发明提供的一种性价比驱动的Mashup构造方法在构造Mashup时，将价格关联关系和响应时间关联关系考虑在内，以提尚得到的Mashup的性价比；
(3)本发明提供的一种性价比驱动的Mashup构造方法不仅考虑服务选择，而且考虑了Mashup部署，通过对部署平台的选择进一步提高Mashup的性价比。
【具体实施方式】
[0015]为了更为具体地描述本发明，下面结合【具体实施方式】对本发明的技术方案进行详细说明。
[0016]现有的算法不能达到mashup构造最优化，经过研究发现，主要是因为现有的研究都忽略了服务的价格和QoS之间的关联关系。服务的价格和QoS之间的关联关系对Mashup的性价比具有很大影响。服务的价格关联关系在现实中广泛存在，比如，如果同时选择一个服务提供商的两个服务，第二个服务可能会在价格上给一个折扣;QoS关联关系在现实中同样广泛存在，如果连续调用同一个服务器上的两个服务，由于两个服务间的参数传递可以在服务器内部进行，因此可以大大减小Mashup的响应时间。为此，本发明实施例提供了一种性价比驱动的Mashup构造方法，在QoS的服务选择问题的基础上，将服务间的价格关联和QoS关联关系考虑在内，同时考虑Mashup的部署，使得产生的Mashup不但能满足开发商的功能需求，而且具有最优的性价比。
[00? 7 ] 一种性价比驱动的Mashup构造方法，所述Mashup构造方法包括如下步骤:
SlOl:应用GA4MC算法为所需要构造的Mashup中的每个任务选择最优Web服务和云平台;
S102:对SlOI中选择得到的Web服务进行服务组合，得到Mashup；以及 S103:将构造得到的Mashup部署到云平台上。
[0018]在本实施例中，在应用GA4MC算法为所需构造的Mashup中的任务选择最优Web服务之前，对所有候选服务集合中服务的平台信息和价格关联关系进行建模，从而获得各个服务之间以及服务与平台之间的关联关系。
[0019]优选地，应用GA4MC算法为所需构造的Mashup中的每个任务选择最优Web服务和云平台包括如下步骤:
S201:将服务与平台选择问题建模为遗传模型；
5202:对GA4MC算法进行初始化；
5203:根据初始化数据产生初始种群；
5204:对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体；
5205:将保留的个体进行交叉操作，从而产生新的个体；
5206:将个体进行变异操作；
S207:将Mashup部署到相关平台并计算其QoS，从而